【一键下载】抽烟检测数据集:4650 张吸烟场景图片 + 3235 份 XML 标注,解压即可开训
【一键下载】抽烟检测数据集:4650 张吸烟场景图片 + 3235 份 XML 标注,解压即可开训
做行为类目标检测,最卡脖子的往往不是模型结构,而是数据——图片要够多,框还要画得准。这份抽烟检测数据集就是冲着这个痛点来的:一套按 VOC2007 目录组织的吸烟检测标注数据,压缩包里共 4650 张吸烟场景 JPEG 图片,配 3235 份用 labelImg 生成的 XML 框标注,解压后稍作配对就能喂给目标检测训练流程。
压缩包里的目录分工
数据全部打在 数据集.rar 里,解开后是标准 VOC 结构,三个目录各司其职:
| 目录 | 存什么 | 规模 |
|---|---|---|
| JPEGImages/ | 吸烟场景图片,两套编号体系 | 主集 2168 张 + devkit 副本 2482 张 |
| Annotations/ | 与图片同名的 XML 框标注 | 主集 753 份 + devkit 副本 2482 份 |
| ImageSets/Main/ | train、val、trainval、test 四份图片名清单 | 每行一个文件名 |
两套数据覆盖范围不同:主集的标注只覆盖部分图片,devkit 副本则是一图一份 XML 的全量配对。取数前先确认自己要用哪一套,别把两边混着数。
标注怎么和训练对接
XML 和 JPEGImages 里的图片按同名一一配对:文件里先记录图片名与宽高,随后每个目标框对应一个 object 节点,bndbox 存四个角点坐标,label 存类别名。这套 VOC 格式是目标检测数据集里的通用形态,多数检测框架的加载逻辑可以原样复用。
接入训练大致两步:
- 从 ImageSets/Main/ 的 txt 清单里取图片名,去 Annotations/ 找同名 XML,组成训练对;
- 若目标是 YOLO 系列模型,包里附带的 voc2yolo4.py 可先把 VOC XML 转成它需要的 txt 格式,再进训练。
想抽查标注质量,随手挑几个 XML 打开看 bndbox 坐标与图片是否对应即可,XML 是纯文本,编辑器里直接可读。
用 labelImg 给新图片补标注
手上的吸烟图片不够用时,扩充流程很短:
- 新图片放进 JPEGImages/,文件名沿用现有编号风格;
- 用 labelImg 打开图片,把人物和香烟框出来,类别名与现有标注保持一致;
- 保存时 labelImg 生成同名 XML,丢进 Annotations/ 就算补标完成。
补标时注意保持类别名和框的松紧度与旧数据一致,否则新旧标注混训时类别会对不上。
获取方式与使用边界
- 需要版本管理时执行
git clone https://gitcode.com/open-source-toolkit/76985;不想用 git 就直接下载压缩包解压。 - 许可证为 MIT(见 LICENSE),原始数据声明仅供学习和研究使用,不用于商业用途。
- 遇到图片缺标注、命名对不上这类问题,可以直接提 Issue 反馈;带着新标注图片的 PR 同样受欢迎。
数据就位后,挑一个熟悉的检测框架配好路径,训练就能跑起来了。
登录后查看全文