7种交通场景数据集（千张图片已划分、已标注）｜适用于YOLO系列深度学习分类检测任务【数据集分享】

在智能交通与自动驾驶技术快速发展的今天，如何高效、准确地感知道路环境已经成为研究与应用的核心问题。车辆、行人和交通信号灯作为城市交通系统的关键元素，对道路安全与交通效率具有直接影响。然而，真实道路场景往往伴随 复杂光照、遮挡、多目标混杂以及交通信号状态多样化 等挑战，使得视觉识别与检测任务难度显著增加。

为了推动相关研究与应用落地，我们构建了一个 7种交通场景数据集，涵盖 机动车、非机动车、行人及不同状态的交通信号灯。该数据集不仅具备场景多样性和标注精准性，而且已按照 train、val、test 划分，可直接应用于 目标检测、场景理解和交通管理系统 的研究和开发。

本博客将对该数据集进行详细介绍，帮助研究人员和开发者快速上手，应用于自动驾驶与智慧交通的各类任务中。

数据集已划分为 train、test、val 三个部分，共计 千张图片，并配套提供了完整的标注文件，采用 YOLO 格式标注，可直接用于训练目标检测模型。

类别信息如下：

nc: 7
names:
  0: Motor Vehicle
  1: Non_motorized Vehicle
  2: Pedestrian
  3: Traffic Light-Red Light
  4: Traffic Light-Yellow Light
  5: Traffic Light-Green Light
  6: Traffic Light-Off

0：机动车
1：非机动车辆
2：行人
3：红绿灯
4：交通信号灯黄灯
5：交通灯绿灯
6：交通灯关闭

源码下载

链接:https://pan.baidu.com/s/1PxCazLxUVFdwrrsHKVYP8Q?pwd=h48p
提取码:h48p 复制这段内容后打开百度网盘手机App，操作更方便哦

数据集概述

随着智慧交通与自动驾驶的发展，如何在复杂的道路环境中实现多目标检测与识别，成为计算机视觉研究的重要方向。本数据集围绕城市交通场景构建，涵盖了机动车、非机动车、行人以及多状态的交通信号灯，共计 7 类目标。

数据集不仅提供了不同光照、天气条件下的图片，还包含了丰富的场景变化，例如：

• 白天、夜晚、雨天、阴天等天气条件；
• 城市主干道、十字路口、居民区道路等场景；
• 红灯、黄灯、绿灯、交通灯关闭等多种信号灯状态；
• 拥挤的车流、人流，以及部分遮挡、模糊等挑战性情况。

这些特性使得数据集更贴近真实的交通环境，有助于提升模型的泛化能力。

数据集详情

1. 图片数量与划分

   • 训练集（train）：约占 70%
   • 验证集（val）：约占 20%
   • 测试集（test）：约占 10%

2. 类别说明

   • Motor Vehicle：包括小轿车、公交车、货车等各种机动车。
   • Non_motorized Vehicle：包括自行车、电动车、摩托车等。
   • Pedestrian：不同姿态、不同角度的行人个体。
   • Traffic Light-Red Light：红色信号灯状态。
   • Traffic Light-Yellow Light：黄色信号灯状态。
   • Traffic Light-Green Light：绿色信号灯状态。
   • Traffic Light-Off：关闭或未点亮状态的交通灯。

3. 标注格式

   • 采用 YOLO 标注格式：每个标签文件对应一张图片，记录目标类别编号和归一化后的边界框坐标。

   • 示例：

     0 0.521 0.643 0.245 0.321
     2 0.345 0.512 0.153 0.278
     

     其中 0 表示类别 Motor Vehicle，后续四个数分别为 x_center, y_center, width, height（归一化到 0-1 之间）。

4. 数据特点

   • 场景多样化：涵盖城市交通中的典型场景。
   • 目标多尺度：从远处的微小交通灯到近处的行人、车辆。
   • 遮挡与重叠：部分场景存在车辆遮挡行人、行人遮挡信号灯等情况，增强模型鲁棒性。
   • 光照变化：提供不同时间段和天气下的样本，解决光照敏感问题。

适用场景

该数据集可广泛应用于智能交通与计算机视觉的研究与实践，包括但不限于：

1. 自动驾驶

   • 用于车辆环境感知，实现车辆检测、行人识别与交通灯状态判断。
   • 在复杂场景下提供更高的检测精度与鲁棒性。

2. 智慧交通管理

   • 部署在城市道路监控摄像头，实现实时交通流监控、车辆违章检测、行人过街行为识别。
   • 结合交通灯状态，辅助信号灯智能控制与交通流量调度。

3. 学术研究与模型验证

   • 适合作为 YOLO、Faster R-CNN、SSD 等目标检测模型的训练与测试数据集。
   • 可用于验证小目标检测（如交通灯）、多类目标混合检测（车辆+行人+灯）的效果。

4. 深度学习课程与竞赛

   • 适合作为高校人工智能、计算机视觉相关课程的实验数据集。
   • 也可用于目标检测、智能交通相关的比赛，作为标准训练数据。

适用人群

本数据集不仅适合科研人员进行交通视觉研究，也适合开发者和学习者在实际项目中应用，具体人群包括：

1. 计算机视觉研究人员

   • 针对目标检测、小目标识别、多类别交通场景感知的研究。
   • 用于论文实验、模型改进和新算法验证。

2. 自动驾驶与智能交通工程师

   • 可应用于自动驾驶感知模块的训练与测试。
   • 在智慧交通系统中实现实时车辆、行人和信号灯检测。

3. 人工智能课程教学人员

   • 高校或培训机构教师可将该数据集用于课堂实验，帮助学生掌握从数据预处理到模型训练的完整流程。

4. AI 学习者与开发者

   • 初学者可以通过该数据集快速上手 YOLO 等目标检测模型训练。
   • 开发者可将其用于小规模项目，积累实践经验。

5. 竞赛选手与爱好者

   • 适合作为 AI 竞赛或训练营中的实战数据集，用于模型调优和算法对比。

结语

本数据集聚焦于 城市交通场景，涵盖机动车、非机动车、行人以及不同状态的交通信号灯，共计 7 类目标，能够较好地反映现实道路环境中的复杂性与多样性。其标注格式采用通用的 YOLO 标准，并提供了合理的 train / val / test 划分，方便研究人员和开发者快速使用。

通过该数据集，研究者可以开展 多目标检测、小目标识别、交通灯状态分类、场景感知融合 等任务，进而提升自动驾驶与智慧交通系统的感知与决策能力。相比通用目标检测数据集，本数据集更具 交通领域的针对性，在小目标检测与复杂场景建模方面具有明显优势。

未来，随着数据规模的扩大与多模态信息（如视频、雷达数据）的引入，该数据集可进一步支撑 更高精度、更强鲁棒性 的智能交通感知系统研究与应用。