汽车充电口识别数据集：支持YOLO、COCO、VOC三种格式

本数据集包含3067张精心标注的汽车充电口图片涵盖AC交流、DC直流等多种类型的快充和慢充插口。数据集支持YOLO、COCO、VOC三种主流标注格式可直接用于目标检测模型的训练和评估。一、数据集标签类别数据集包含以下5种充电口类型标签CCS1-AC美标组合充电系统1型交流充电口CCS2-AC欧标组合充电系统2型交流充电口CCS2-DC欧标组合充电系统2型直流充电口GB-AC国标交流充电口GB-DC国标直流充电口二、数据集统计与预处理2.1 数据集拆分数据集已按以下比例进行划分训练集3067张图片100%验证集0张图片0%测试集0张图片0%说明当前数据集全部用于训练用户可根据需要自行划分验证集和测试集。2.2 预处理说明原始数据集未进行任何预处理操作保留了图片的原始尺寸、分辨率和格式。用户可根据具体需求进行以下预处理图像尺寸统一化如调整为640×640数据增强翻转、旋转、色彩调整等标注格式转换数据集重新划分2.3 数据集可视化下图展示了数据集的部分样本图片及其标注情况各类型充电口标注示例三、数据集下载数据集提供多种格式下载请根据您的需求选择合适的版本Pascal VOC XML格式https://download.csdn.net/download/pbymw8iwm/92475736YOLO Darknet格式https://download.csdn.net/download/pbymw8iwm/92475744YOLOv9格式https://download.csdn.net/download/pbymw8iwm/92475743COCO JSON格式https://download.csdn.net/download/pbymw8iwm/92475742YOLOv11格式https://download.csdn.net/download/pbymw8iwm/92475741YOLOv5格式https://download.csdn.net/download/pbymw8iwm/92475740YOLOv12格式https://download.csdn.net/download/pbymw8iwm/92475739YOLOv8格式https://download.csdn.net/download/pbymw8iwm/92475738YOLOv7格式https://download.csdn.net/download/pbymw8iwm/92475735YOLOv5格式备用链接https://download.csdn.net/download/pbymw8iwm/92475734四、YOLO模型训练指南4.1 环境准备在开始训练前请确保已安装以下环境Python 3.8PyTorch 1.7CUDA 11.0如需GPU训练Ultralytics YOLO库针对YOLOv8/v11等版本4.2 数据准备步骤步骤一下载并解压数据集下载适合您YOLO版本的数据集格式将数据集解压到当前工作目录步骤二获取训练代码克隆训练仓库git clone https://gitcode.com/pbymw8iwm/YOLOProject将训练脚本复制到数据集目录中4.3 开始训练根据您使用的YOLO版本选择对应的训练脚本YOLOv8python train_yolov8.py其他版本请参考仓库中的对应脚本如train_yolov5.py、train_yolov7.py等训练参数建议批大小batch size根据GPU内存调整通常16-32迭代次数epochs100-300学习率learning rate0.01-0.001输入尺寸img-size640×640五、模型验证与测试5.1 模型下载与保存训练完成后最佳模型将保存在以下路径runs/detect/train/weights/best.pt该文件包含了训练过程中在验证集上表现最好的模型权重。5.2 性能指标评估训练过程中会记录以下关键指标可在训练日志中查看mAP0.5平均精度IoU阈值为0.5精确率Precision正确检测的正样本比例召回率Recall实际正样本中被正确检测的比例F1分数精确率和召回率的调和平均数5.3 验证测试代码示例以下代码展示了如何使用训练好的模型进行推理测试#需要安装pip install ultralytics from ultralytics import YOLO import cv2 # 加载训练好的 YOLO .pt 模型 model YOLO(best.pt) # 替换为你实际的 .pt 模型文件路径 # 定义要测试的图片路径 image_path ./image.jpg # 替换为你实际的图片文件路径 # 使用模型对图片进行预测 results model(image_path) # 获取预测结果 for result in results: # 获取绘制了检测框的图片 annotated_image result.plot() # 显示图片 cv2.imshow(YOLOv Inference, annotated_image) # 等待按键退出 cv2.waitKey(0) # 关闭所有 OpenCV 窗口 cv2.destroyAllWindows()