红外热成像目标检测数据集 | 10226张YOLO夜间感知 数据集
适用于车载夜视、夜间安防巡检与 目标检测 研究
一、数据集概述
本数据集是一个面向夜间及低 光 照环境感知的红外热成像目标检测数据集，共包含10226张高质量标注图像（训练集8860张、验证集1365张、测试集1张），覆盖自行车、汽车、行人3类道路交通典型目标。红外热成像相机通过感知物体热辐射成像，不依赖可见光，因此在夜间、雾霾、强光逆光等可见光相机失效的场景下仍能稳定工作，是自动驾驶、安防监控、夜间搜救等领域的重要传感器。该数据集可广泛应用于车载夜视系统、园区周界安防、夜间无人机巡检等场景，也可用于红外与可见光跨模态融合感知研究，适用于YOLOv5/v7/v8/v10/v11/v12等主流检测框架。
随着自动驾驶和智能安防技术的快速发展，利用红外热成像技术实现夜间及低光照环境下的目标检测已成为弥补可见光视觉感知不足的重要手段。本数据集针对红外图像中分辨率低、纹理细节少、目标边缘模糊等问题进行专项构建，可为红外智能感知系统与夜间安防设备提供高质量数据支撑。
数据集下载
通过网盘分享的文件：红外图像交通目标检测数据集
链接: https://pan.baidu.com/s/1an_hw_5CBag9hLz7CAFS8A?pwd=r63m
提取码: r63m
二、数据集基本信息
| 项目 | 内容 |
|---|---|
| 数据集名称 | 红外热成像目标检测数据集 |
| 数据规模 | 10226张高质量标注图像（train 8860 + valid 1365 + test 1） |
| 任务类型 | 目标检测（Object Detection） |
| 检测目标 | 自行车、汽车、行人 |
| 类别数量（nc） | 3类 |
| 标注方式 | Bounding Box目标框标注 |
| 数据格式 | YOLO标准格式 |
| 数据来源 | 真实道路交通场景红外热成像采集 |
| 数据划分 | Train / Valid / Test |
| 适配模型 | YOLOv5、YOLOv7、YOLOv8、YOLOv10、YOLOv11、YOLOv12、Faster R-CNN等 |
说明：测试集仅1张图像，模型评估建议以验证集为准或自行划分测试集。
三、数据集类别说明
本数据集为多类别目标检测数据集，共设置3个检测类别，覆盖道路交通场景中的典型目标类型，类别划分贴合夜间及低光照环境感知实际需求。
类别配置
nc: 3
names:
- bicycle
- car
- person
类别详情
| 类别ID | 类别名称 | 英文名称 | 类别说明 |
|---|---|---|---|
| 0 | 自行车 | bicycle | 骑行中的自行车及骑行者目标 |
| 1 | 汽车 | car | 各类机动车目标 |
| 2 | 行人 | person | 步行人员目标 |
三类设计覆盖道路交通场景的核心参与者——行人、非机动车与机动车，是夜间道路安全感知与自动驾驶夜视系统的关键检测目标。
四、数据集结构说明
数据集采用标准YOLO目录结构组织，已按训练集、验证集、测试集进行划分，结构清晰，便于直接接入主流检测框架。
红外热成像目标检测数据集-3类/
├── train
│ ├── images
│ └── labels
├── valid
│ ├── images
│ └── labels
├── test
│ ├── images
│ └── labels
└── data.yaml
各数据集作用如下：
- train/images & labels：训练集图像与标签（8860张），用于模型参数学习与特征提取；
- valid/images & labels：验证集图像与标签（1365张），用于超参数调优、早停监控及防止过拟合；
- test/images & labels：测试集图像与标签（1张），样本量极少，模型评估建议以验证集为准或自行划分测试集。
标注文件为同名.txt格式，每行格式为类别索引 x_center y_center width height，坐标均为归一化值，配套data.yaml已配置好类别名称与数量，可直接适配YOLO系列等目标检测框架。
五、数据集核心优势
1. 规模最大的红外 检测数据集
本数据集共10226张图像，是本次整理的13个数据集中规模最大的一个：
- 训练样本充足：8860张训练图像，充分保障模型收敛
- 验证集规模大：1365张验证图像，支撑可靠的性能评估
- 数据规模优势：在红外目标检测领域属于较大规模数据集
- 训练稳定性好：大规模数据有效提升模型泛化能力
2. 红外热成像的独特优势
红外热成像相机通过感知物体热辐射成像，不依赖可见光：
- 夜间工作：完全黑暗环境下仍可稳定成像
- 雾霾穿透：在雾霾、烟尘等低能见度条件下保持感知能力
- 抗强光逆光：不受强光、逆光干扰
- 全天候感知：白天夜间均可稳定工作
是自动驾驶、安防监控、夜间搜救等领域的重要传感器。
3. 典型道路目标覆盖
三类目标覆盖道路交通场景的核心参与者：
- 行人：道路弱势交通参与者，夜间检测尤为重要
- 自行车：骑行者目标，兼具行人与车辆特征
- 汽车：机动车目标，道路交通主要构成
在红外图像中，行人、车辆、骑行者呈现为与背景温度差异明显的热源目标，具备良好的可检测性。
4. 红外图像特性的针对性设计
红外图像与可见光图像存在显著差异：
- 分辨率低：红外传感器分辨率普遍低于可见光
- 纹理细节少：缺乏可见光图像中的丰富纹理
- 目标边缘模糊：热辐射扩散导致边缘不清晰
- 特征分布差异大：与可见光图像的特征分布显著不同
本数据集针对红外图像特性构建，需针对性的模型训练策略，具有良好的研究价值。
5. 跨模态融合研究价值
数据集可支撑红外与可见光跨模态融合感知研究：
- 多模态融合：与可见光数据集配合进行融合检测研究
- 模态互补：红外补足可见光夜间感知短板
- 域适应研究：红外与可见光域之间的迁移学习
- 传感器融合：多传感器融合感知算法研究
6. 即用型数据组织
标准目录结构+ YOLO格式 标注，标注规范，可直接用于模型训练，降低使用门槛。
六、适用场景
车载夜视系统
集成于车载夜视辅助系统，在夜间及低光照条件下检测行人、车辆与骑行者，提升行车安全。
园区周界安防
在园区、厂区周界安防监控中，利用红外成像实现全天候入侵检测与人员车辆识别。
夜间无人机巡检
搭载于无人机平台，在夜间执行巡检任务，检测地面人员与车辆目标。
自动驾驶夜间感知
作为自动驾驶多传感器融合体系中的红外感知模块，弥补可见光相机夜间感知不足。
夜间搜救与应急
在夜间搜救、灾害应急场景中检测人员目标，辅助搜救决策。
教学科研
用于红外目标检测、跨模态融合感知算法研究等科研场景。
七、适用研究方向
本数据集可广泛应用于以下研究领域：
- 红外目标检测研究（3类）
- 夜间及低光照视觉感知研究
- 多类别目标检测研究
- 红外与可见光跨模态融合研究
- 自动驾驶多传感器感知研究
- YOLO系列模型优化研究
- 轻量化检测模型与边缘部署研究
- 域适应与跨模态泛化研究
八、总结
红外热成像目标检测数据集包含10226张高质量标注图像，采用标准YOLO格式构建，专注于夜间及低光照环境下的道路交通目标检测任务。数据集覆盖自行车、汽车、行人3类核心目标，具有规模大、标注规范、红外成像特性鲜明等特点，可广泛应用于车载夜视系统、园区周界安防、夜间无人机巡检、自动驾驶夜间感知等领域，也可支撑红外与可见光跨模态融合感知研究，是开展红外目标检测算法研发与夜间智能感知系统建设的优质数据资源。
