图书馆座位占位检测数据集| 2600张YOLO智慧校园数据集 适用于智慧图书馆管理、占座行为治理与 目标检测 研究
数据集源码分享
链接: https://pan.baidu.com/s/113sLbh-t_dwrr_pWyuYg4g?pwd=3ak4
提取码: 3ak4
一、数据集概述
本数据集是一个专注于图书馆/自习室座位占用状态识别的目标检测数据集，共包含2600张高质量标注图像。该数据集旨在解决智慧校园、公共资源管理中的“占座”难题，通过识别个人物品（包、电脑）及人员实体，实现座位占用状态的自动化监测与管理，适用于YOLO系列、Faster R-CNN等主流目标检测 算法 的训练、验证与测试。
随着智慧校园建设的不断推进，图书馆作为高校重要的公共学习空间，座位资源的高效管理成为提升学生满意度与空间利用率的迫切需求。传统的人工巡查方式效率低、实时性差，而基于计算机视觉的自动检测方案可通过非侵入式方式实时感知座位占用状态，为智慧图书馆管理系统、占座行为治理、校园空间优化及安防隐私保护提供高质量数据支撑。
二、数据集基本信息
| 项目 | 内容 |
|---|---|
| 数据集名称 | 图书馆座位占位检测数据集 |
| 数据规模 | 2600张高质量标注图像 |
| 任务类型 | 目标检测（Object Detection） |
| 检测目标 | 包、笔记本电脑、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 | 真实图书馆/自习室场景采集 |
| 数据划分 | Train / Valid / Test |
| 适配模型 | YOLOv5、YOLOv8、YOLOv10、YOLOv11、Faster R-CNN等 |
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，涵盖包、 笔记本 电脑、人三类核心目标。通过检测这些物体可间接判断座位是否被占用，设计巧妙，符合隐私保护要求。
类别配置
nc: 3
names:
- bag
- laptop
- person
类别详情
| 类别ID | 中文名称 | 英文名称 | 检测意义 |
|---|---|---|---|
| 0 | 包 | Bag | 个人物品占位。当座位上出现包但无人时，通常视为“暂时占座”，可触发提醒机制 |
| 1 | 笔记本电脑 | Laptop | 学习/工作行为标识。笔记本电脑的存在强烈暗示座位正在被活跃使用 |
| 2 | 人 | Person | 直接占用标识。检测到“人”即确认为有效占用，优先级最高 |
三类目标设计通过组合推理可实现精准的座位占用状态判断：
- 人（Person） → 确认为有效占用，优先级最高
- 人 + 笔记本电脑/包 → 确认占用且活跃使用
- 仅包或仅笔记本电脑 → 疑似占座但人暂离，可触发提醒或计时机制
- 无任何目标 → 座位空闲，可释放引导
该设计避免了人脸识别等隐私敏感技术，仅检测物品和人形轮廓，符合公共场景的隐私保护要求。
四、数据集结构说明
数据集采用标准YOLO目录结构组织，已预划分为训练集、验证集和测试集，支持开箱即用的 模型训练 流程。
database/
└── 图书馆座位占位检测数据集
├── train
│ └── images
├── valid
│ └── images
└── test
└── images
各数据集作用如下：
- train/images：训练集图像，用于模型参数学习与特征提取；
- valid/images：验证集图像，用于超参数调优、早停监控及防止过拟合；
- test/images：测试集图像，用于最终模型性能评估与泛化能力测试。
所有标签文件均采用标准YOLO格式，与图像文件一一对应，无需额外格式转换即可直接使用。
五、数据集核心优势
1. 真实图书馆场景采集
数据全部来源于真实图书馆与自习室环境，真实反映座位占位检测实际应用场景，具有高度工程实用性。
覆盖场景包括：
- 高校图书馆自习区
- 公共图书馆阅读区
- 不同桌椅布局（长桌、方桌、独立卡座）
- 不同座位类型（靠窗、走廊、角落）
- 不同时段与人群密度
能够有效提升模型的实际部署效果。
2. 多样化的物品与姿态覆盖
不同用户的个人物品与坐姿存在显著差异。
数据集中包含：
- 不同款式与颜色的包（背包、手提包、帆布包等）
- 不同品牌与尺寸的笔记本电脑
- 不同摆放姿态（平放、斜放、竖放、开合状态）
- 不同人群姿态（正坐、侧坐、趴桌、离座）
- 部分遮挡场景（物品被书本、衣物遮挡）
有助于提升模型对多样化目标姿态的检测与泛化能力。
3. 丰富的环境条件覆盖
数据覆盖：
- 不同光照条件（自然光、灯光、不同时段光照变化）
- 不同拍摄角度（顶视、侧视、斜视）
- 不同拍摄距离（广角全景、局部特写）
- 不同桌面状态（空桌面、书本堆放、杂物干扰）
- 不同座椅特征（颜色、材质、是否带扶手）
能够有效增强模型在真实图书馆环境中的鲁棒性。
4. 高质量人工标注
所有图像均经过精细化人工标注与多轮审核：
- 边界框精准贴合目标轮廓
- 三类目标判别标准统一
- 复杂场景下的精细化标注
- 无漏标现象
- 无类别混淆
有效保证模型训练质量。
5. 强泛化能力
数据涵盖：
- 不同图书馆空间布局
- 不同时段（开馆高峰、平峰、闭馆前）
- 不同季节与日照条件
- 不同用户行为模式
能够显著提升模型在实际图书馆座位管理任务中的泛化能力。
6. 隐私友好型设计
- 仅检测物品和人形轮廓，不涉及人脸识别
- 符合公共场景隐私保护要求
- 支持在边缘端部署，数据本地处理
适合校园公共空间大规模部署
六、适用场景
智慧图书馆管理系统
实时统计空闲座位数量，通过电子屏、小程序等方式引导用户快速找到空位，提高座位周转率。
占座行为治理
识别“人不在、物品在”的虚假占座情况，自动计时并触发物品暂收提醒，辅助管理人员进行资源回收。
校园空间优化
基于座位占用热力图分析，识别高峰时段与热点区域，优化图书馆区域布局和座位配置。
自习室智能预约系统
与座位预约系统联动，自动验证预约与实到情况，减少爽约与恶意占座行为。
安防与隐私保护
仅检测物品和人形轮廓，不涉及人脸识别，符合隐私保护要求，适用于公共学习空间的规范化管理。
图书馆数字化运营
通过数据化手段实时掌握场馆使用情况，为运营决策、保洁安排、能耗管理提供数据支撑。
七、适用研究方向
本数据集可广泛应用于以下研究领域：
- 智慧校园与智慧图书馆管理研究
- 目标检测在公共空间管理中的应用研究
- 多类别目标检测研究（3类）
- 小目标检测研究（包、笔记本电脑等中小尺寸目标）
- 行为分析与态势感知研究
- 实时目标检测与边缘部署研究
- YOLO系列模型优化研究
- 轻量化检测模型研究
- 隐私保护型视觉感知研究
- 公共资源优化配置研究
- 室内复杂环境目标检测研究
八、总结
图书馆座位占位检测数据集（Library Seat Occupancy Detection） 包含2600张高质量标注图像，采用标准YOLO格式构建，专注于图书馆/自习室座位的占位状态检测任务。数据集覆盖包、笔记本电脑、人3类核心检测目标，通过组合推理实现精准的座位占用状态判断，具有场景真实、标注精准、隐私友好等特点，可广泛应用于智慧图书馆管理、占座行为治理、校园空间优化、自习室预约管理等领域，是开展智慧校园视觉感知算法研发与公共资源管理系统的优质数据资源。
