流动摊贩检测数据

1.算法训练：作为目标检测模型（YOLOv8/YOLOv11等）的训练数据集，除基础检测训练外，算法衍生字段可用于训练场景分析模型（如碰撞风险预测、密度评估等） 2.模型验证与测试：通过验证集和测试集评估模型检测精度（mAP、Precision、Recall），同时验证场景分析算法的准确性和业务价值 3.场景算法优化：利用算法衍生字段的数据分布特征，持续优化场景分析算法的参数阈值（如碰撞风险的IoU阈值、密度指数分段等） 4.标注质量评估：利用坐标的几何一致性（凸四边形验证、面积合理性检查）评估标注质量，建立标注质量反馈机制 5.城市管理执法部门：能够基于执法优先级定向巡查严重占道区域，精准执法 6.街道办事处：能够利用摊贩密度和占道面积数据合理安排巡查人员和疏导点 7.市场监督管理部门：能够结合摊贩检测数据对无证经营、食品安全问题进行监管 8.智慧城管平台：能够集成市容违规评分实现城市秩序智能管理 9.商业街区运营方：能够利用摊贩分布数据优化商业配套和管理策略1. 数据采集 采集目标检测图像标注数据。标注格式采用OBB旋转标注框格式（4顶点坐标：x1,y1,x2,y2,x3,y3,x4,y4），坐标归一化至[0,1]区间。提取标注字段包括：序号（从1开始连续编号）、图片名称、类型名称、以及OBB标注框坐标。 2. 数据处理 坐标归一化验证：确保所有坐标值均在[0,1]有效范围内；标注框几何有效性检查：验证OBB标注框形成有效凸四边形；类别信息校验：确保类型编号与类型名称一一对应，无缺失或错误映射；图片名称去重校验：确保每张图片的标注归属正确，无孤立的标注记录；异常值处理：剔除坐标超出[0,1]范围、面积为0或过大的异常标注。 3. 算法加工 （一）基础几何计算 标注框中心X = (x1+x2+x3+x4)/4，标注框中心Y = (y1+y2+y3+y4)/4，保留6位小数。 标注框面积 = |x1×y2+x2×y3+x3×y4+x4×y1−x2×y1−x3×y2−x4×y3−x1×y4|/2（Shoelace公式），保留6位小数。 （二）场景分析算法 （1）摊贩密度=同帧摊贩标注框数量÷1.0，高密度表示形成摊贩聚集区。 （2）占道面积比=所有摊贩标注框Shoelace面积之和÷1.0。 （3）市容违规评分=占道比×8+密度×2，占道面积大且聚集的优先执法。 （4）执法优先级：<2轻微(零星摊贩)，2-5一般占道(需劝导)，≥5严重占道(形成规模性占道市场需联合执法)。

搜集汇总

背景与挑战

背景概述

该数据集包含2000条流动摊贩检测标注数据，采用OBB旋转标注框格式，记录了摊贩的位置坐标、面积、密度、占道面积比及市容违规评分等信息。数据可用于目标检测模型训练与验证、场景分析算法优化，以及辅助城市管理执法、街道疏导、市场监管和商业运营等应用。