8类雨天雾天交通目标检测数据集（行人/轿车/货车/信号灯）| 5200张YOLO自动驾驶感知数据集分享

源码分享

链接: https://pan.baidu.com/s/1H8eSFTu0lkrHPxVrObjRJg?pwd=djjq
提取码: djjq

一、数据集概述

本数据集是一套专门面向恶劣天气道路交通目标检测任务构建的高质量目标检测数据集，聚焦雨天、雾天等复杂天气条件下的交通场景感知问题。数据集共包含 5200张高清实景标注图像，覆盖城市道路、高速公路、十字路口、城郊道路等多种交通环境，重点模拟自动驾驶和智慧交通系统在低能见度、复杂光照条件下的实际应用场景。

在自动驾驶和智能交通领域，恶劣天气一直是影响视觉感知系统性能的重要因素。雨水遮挡、雾气干扰、目标模糊、光线衰减等问题会显著降低目标检测模型的识别精度。针对这一行业痛点，本数据集专门收集大量雨天与雾天交通场景数据，为复杂环境下目标检测算法研发提供可靠的数据支撑。

数据集采用标准YOLO格式组织，可直接用于YOLOv5、YOLOv8、YOLOv10、YOLOv11、RT-DETR、Faster R-CNN、SSD等主流目标检测框架训练与评估。

二、数据集基本信息

三、数据集类别说明

数据集共包含8类道路交通核心目标：

类别设计覆盖自动驾驶感知与智慧交通监测中的主要交通参与者及交通基础设施，可满足多目标检测、交通态势分析和环境感知等任务需求。

四、数据集目录结构

数据集按照标准深度学习训练规范完成划分：

database/恶劣天气交通目标检测数据集

├── train
│   └── images
│
├── valid
│   └── images
│
└── test
    └── images

其中：

• train/images：训练集
• valid/images：验证集
• test/images：测试集

数据划分科学合理，可有效支撑模型训练、超参数优化及最终性能评估。

五、数据集核心特点

1. 聚焦恶劣天气场景

区别于普通交通检测数据集，本数据集重点采集：

• 雨天道路场景
• 大雾天气场景
• 小雨天气场景
• 中到大雨天气场景
• 雾霾低能见度场景
• 雨雾混合天气场景

能够有效模拟真实道路环境中的复杂视觉条件。

2. 低能见度目标丰富

数据集中大量目标存在：

• 雾气遮挡
• 雨滴干扰
• 远距离模糊目标
• 低对比度目标
• 光线衰减目标

适用于研究恶劣天气下的小目标检测与鲁棒目标识别问题。

3. 多样化道路环境

场景覆盖：

• 城市主干道
• 十字路口
• 环形交叉口
• 高速公路
• 城郊道路
• 城市快速路

具备良好的场景多样性。

4. 高质量人工标注

全部图像采用人工精细标注：

• 边界框精准贴合目标
• 类别标签准确统一
• 无明显错标漏标
• 多轮质量审核

保证训练数据质量。

5. 自动驾驶友好

数据场景与自动驾驶感知系统实际部署环境高度一致，可直接用于复杂天气环境感知算法训练。

六、数据集优势

强化恶劣天气鲁棒性训练

帮助模型学习雨雾天气下的目标特征，提高复杂环境检测能力。

提升自动驾驶安全性

增强车辆在低能见度条件下对行人、车辆和交通设施的感知能力。

丰富复杂场景样本

弥补普通交通数据集恶劣天气样本不足的问题。

高质量标注数据

降低数据噪声对模型训练的影响，提高模型收敛效率。

适用于前沿研究

特别适合：

• 全天候目标检测（All-Weather Detection）
• 雨雾天气视觉感知
• 域泛化目标检测
• 自动驾驶感知增强
• 多天气条件鲁棒性研究
  

七、适用场景

自动驾驶环境感知

实现车辆在雨天、雾天等复杂天气条件下的目标检测与风险识别。

智慧交通监控

支持恶劣天气交通态势分析与道路安全监测。

智能辅助驾驶系统（ADAS）

用于前向碰撞预警、行人检测、交通信号识别等功能开发。

全天候视觉检测研究

支撑复杂天气目标检测算法与鲁棒性增强研究。

科研与教学

适用于：

• YOLO目标检测研究
• 自动驾驶视觉感知研究
• 智能交通课题研究
• 毕业设计与学术论文实验
• 计算机视觉算法性能评测

八、总结

本8类恶劣天气交通目标检测数据集（行人/轿车/货车/交通信号灯等）共包含5200张高质量雨天、雾天实景标注图像，覆盖复杂天气条件下的核心交通目标。数据集具有恶劣天气场景丰富、标注质量高、目标类别全面、工程实用性强等特点，可广泛应用于自动驾驶感知、智慧交通监测、全天候目标检测算法研发以及复杂环境计算机视觉研究，是恶劣天气交通目标检测方向极具价值的专业训练数据集。