极端天气道路目标检测数据集 3400张 带标注 VOC YOLO

分类名: (图片张数， 标注个数)

car :(3210，1 3654)truck: (1168， 1629)person: (1517， 4359)bicycle:(334，589)bus: (381, 439)motorcycle: (164, 214)总数: (3404, 20884)总类(nc): 6类

如何使用 YOLOv8 训练您的极端天气道路目标检测数据集。

一、数据集概述

面向自动驾驶、恶劣天气路况感知、交通目标检测方向课题研发，这套极端天气道路数据集极具科研价值。数据集总计3404张雨雪雾等恶劣场景道路实拍图像，共6大类道路通行目标，总标注数量20884个；同时提供VOC(xml)、YOLO(txt)两种标注格式，适配一阶段、两阶段各类检测算法。配套完整环境部署教程、YOLOv8训练脚本、训练指标可视化代码、PyQt5图像检测GUI程序，可快速搭建一套极端天气道路目标检测完整系统，适合毕业设计、自动驾驶感知算法开发。

二、核心信息概览

三、数据集核心亮点

• ✅ 极端天气专属场景：区别于常规晴天道路数据集，聚焦雨、雾、雪低能见度难点，论文创新点突出，贴合自动驾驶真实落地痛点
• ✅ VOC+YOLO双标签，框架自由切换，YOLO、RCNN系列均可直接开展实验
• ✅ 覆盖人车各类道路交通目标，满足路况感知、车流统计多类任务需求
• ✅ 提供全链路工程代码：训练脚本+损失指标可视化+可视化GUI推理程序
• ✅ 一站式完整方案，从数据集训练到可视化演示，可直接作为系统成果进行展示

四、适用场景

1. 自动驾驶恶劣天气环境下多目标感知算法训练与优化
2. 低能见度场景目标检测、图像去雾+检测联合算法消融实验
3. 车辆工程、自动化、计算机视觉专业毕业设计与课题研究
4. 车载视觉预警、道路智能监控、恶劣天气路况识别系统开发
5. 高校深度学习、目标检测、智能驾驶课程综合实训

五、YOLOv8训练极端天气道路数据集完整实操教程

1、环境部署

# 创建虚拟环境（Windows）python -m venv yolov8_envyolov8_env\Scripts\activate# Linux/Macpython -m venv yolov8_envsource yolov8_env/bin/activate# 安装依赖pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117pip install ultralyticspip install pyqt5 matplotlib scikit-learn pandas opencv-python seaborn numpy

2、数据集目录结构

extreme_weather_dataset/├── images/│   ├── train/│   └── val/├── labels/│   ├── train/│   └── val/└── classes.txt

classes.txt

cartruckpersonbicyclebusmotorcycle

YOLO标签格式：class_id x_center y_center width height

3、训练脚本 train_yolov8.py

from ultralytics import YOLOimport osdataset_path =r'extreme_weather_dataset'weights_path ='best.pt'# 自动生成yaml配置yaml_content =f"""train: {os.path.join(dataset_path,'images/train')}val: {os.path.join(dataset_path,'images/val')}nc: 6names: ['car', 'truck', 'person', 'bicycle', 'bus', 'motorcycle']"""yaml_path = os.path.join(dataset_path,'dataset.yaml')withopen(yaml_path,'w', encoding="utf-8")as f:    f.write(yaml_content)# 加载预训练模型开始训练model = YOLO('yolov8n.pt')results = model.train(    data=yaml_path,    epochs=100,    imgsz=640,    batch=16,    device="cuda",    save=True)# 导出最优权重model.export(format='pt')if os.path.exists("runs/detect/train/weights/best.pt"):    os.rename('runs/detect/train/weights/best.pt', weights_path)

4、训练指标可视化脚本 visualize_metrics.py

import jsonimport matplotlib.pyplot as pltimport seaborn as snsimport numpy as npfrom sklearn.metrics import confusion_matrix, ConfusionMatrixDisplaymetrics_path ='runs/detect/train/metrics.json'withopen(metrics_path,'r', encoding="utf-8")as f:    metrics = json.load(f)loss =[entry['loss']for entry in metrics if'loss'in entry]precision =[entry['metrics/precision(B)']for entry in metrics if'metrics/precision(B)'in entry]recall =[entry['metrics/recall(B)']for entry in metrics if'metrics/recall(B)'in entry]map50 =[entry['metrics/mAP50(B)']for entry in metrics if'metrics/mAP50(B)'in entry]plt.figure(figsize=(15,5))plt.subplot(1,3,1)plt.plot(loss, label='Loss')plt.xlabel('Epochs')plt.ylabel('Loss')plt.title('Training Loss Curve')plt.legend()plt.subplot(1,3,2)plt.plot(precision, label='Precision')plt.plot(recall, label='Recall')plt.xlabel('Epochs')plt.ylabel('Score')plt.title('Precision & Recall Curve')plt.legend()plt.subplot(1,3,3)plt.plot(map50, label='mAP50')plt.xlabel('Epochs')plt.ylabel('mAP50')plt.title('mAP50 Curve')plt.legend()plt.tight_layout()plt.show()# 混淆矩阵（可接入真实预测结果替换测试数据）labels =['car','truck','person','bicycle','bus','motorcycle']true_labels = np.random.randint(0,6, size=100)predictions = np.random.randint(0,6, size=100)cm = confusion_matrix(true_labels, predictions, labels=list(range(6)))disp = ConfusionMatrixDisplay(confusion_matrix=cm, display_labels=labels)disp.plot(cmap=plt.cm.Blues)plt.title('Confusion Matrix')plt.show()

5、PyQt5可视化推理界面 gui_app.py

import sysimport cv2import numpy as npfrom PyQt5.QtWidgets import QApplication, QMainWindow, QLabel, QPushButton, QVBoxLayout, QWidget, QFileDialog, QMessageBoxfrom PyQt5.QtGui import QImage, QPixmapfrom PyQt5.QtCore import Qtfrom ultralytics import YOLOclassMainWindow(QMainWindow):def__init__(self):super().__init__()        self.setWindowTitle("极端天气道路目标检测系统")        self.setGeometry(100,100,800,600)        self.image_label = QLabel()        self.image_label.setAlignment(Qt.AlignCenter)        self.open_btn = QPushButton("打开图片")        self.predict_btn = QPushButton("开始检测")        self.open_btn.clicked.connect(self.open_image)        self.predict_btn.clicked.connect(self.predict_img)        layout = QVBoxLayout()        layout.addWidget(self.image_label)        layout.addWidget(self.open_btn)        layout.addWidget(self.predict_btn)        container = QWidget()        container.setLayout(layout)        self.setCentralWidget(container)        self.model = YOLO("best.pt")        self.image_path =Nonedefopen_image(self):file, _ = QFileDialog.getOpenFileName(self,"选择图片","","Images(*.jpg *.png *.jpeg)")iffile:            self.image_path =file            pix = QPixmap(file)            self.image_label.setPixmap(pix.scaled(800,600, Qt.KeepAspectRatio))defpredict_img(self):ifnot self.image_path:            QMessageBox.warning(self,"提示","请先加载图像！")return        img = cv2.imread(self.image_path)        results = self.model(img)[0]for box in results.boxes:            x1,y1,x2,y2 =map(int,box.xyxy[0])            conf =float(box.conf[0])            cls_id =int(box.cls[0])            name = self.model.names[cls_id]            cv2.rectangle(img,(x1,y1),(x2,y2),(0,255,0),2)            cv2.putText(img,f"{name}{conf:.2f}",(x1,y1-6),cv2.FONT_HERSHEY_SIMPLEX,0.6,(0,255,0),2)        rgb = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)        h,w,c = rgb.shape        qimg = QImage(rgb.data,w,h,c*w,QImage.Format_RGB888)        self.image_label.setPixmap(QPixmap.fromImage(qimg).scaled(800,600,Qt.KeepAspectRatio))if __name__ =="__main__":    app = QApplication(sys.argv)    win = MainWindow()    win.show()    sys.exit(app.exec_())

六、YOLOv8算法简要原理

YOLOv8为单阶段实时目标检测框架，融合Anchor-Based与Anchor-Free思路，解耦检测头；依托C2f模块增强特征融合，使用Task-Aligned Assigner正负样本匹配策略，优化CIoU损失。整体流程：图像输入→骨干网络特征提取→颈部多尺度特征融合→检测头输出坐标、置信度、类别→NMS滤除重复框，输出检测结果。优势：兼顾推理速度与精度，非常适合部署在车载嵌入式设备，是恶劣路况感知主流基线模型。

七、数据集关键词标签