【内含安装包】想训练抽烟检测模型?这份 3000+ 张带标注图片的开源数据集使用指南
【内含安装包】想训练抽烟检测模型?这份 3000+ 张带标注图片的开源数据集使用指南
训练抽烟检测模型时,最难的一步往往不是搭网络结构,而是找齐带标注的图片。这个名为「抽烟检测数据集标注图片」的开源项目,把 3000 多张抽烟相关照片与逐图对应的 XML 标注一次性打包给你,解压后就能直接接入目标检测训练流程。
数据集里有什么:三个目录加一套 XML 标注
仓库本体非常轻,核心内容都压缩在 数据集.rar(约 300 MB)里。解压后你会看到三个目录,分工如下:
| 目录 | 存放内容 |
|---|---|
| JPEGImages/ | 3000 张以上抽烟相关的原始照片 |
| Annotations/ | 每张图片对应的 XML 标注文件 |
| Imagenet/ | 元数据等辅助信息 |
XML 标注文件里有什么
目标检测模型需要知道"抽烟"出现在图片的哪个位置。这里的做法是:每张 JPG 图片都配有一个同名的 XML 文件,记录标签名称和边界框的坐标。标注由 labelImg(一款常用的开源图形化标注工具)完成,所以格式与主流检测框架的 VOC 约定兼容,转换成本很低。
如何下载并解压数据集
在终端里克隆仓库即可,也可以直接从仓库页面下载压缩包:
git clone https://gitcode.com/open-source-toolkit/76985
拿到文件后,用任意解压工具打开 数据集.rar,等三个目录完整落地。解压完成后建议抽查几张:打开 Annotations/ 里的某个 XML,确认其中记录的坐标在 JPEGImages/ 的对应图片上位置正确,再进入下一步。
如何接入目标检测训练
如果你的训练框架支持 VOC 格式(如 YOLO 系列、Faster R-CNN 的多数实现),只需在配置里把图片路径指向 JPEGImages、标注路径指向 Annotations,多数工具还内置了 XML 转训练格式的脚本。常见的节奏是:先留出一小部分图片做验证集,其余作为训练集,跑通一个基线模型后再调参。
用 labelImg 补充自己的图片
如果你手里还有新的抽烟场景照片,扩充数据并不复杂:
- 场景:新增一批图片,想让它们参与训练。
- 动作:安装并打开 labelImg,逐张打开图片,用矩形框住目标,选好类别名后导出 VOC 格式的 XML;最后把图片和同名 XML 分别放进对应的目录即可,结构保持不变,模型就能"无感"使用新数据。
用途边界与 MIT 许可
数据集采用 MIT 许可证(见 LICENSE),条款宽松,但项目方对用途有明确约定:
⚠️ 数据仅供学习与研究使用,请勿用于任何商业场景。
如何反馈问题或提交贡献
遇到具体问题,直接到项目仓库的 Issue 区提问或报障,说清楚现象并附上出问题的文件名,会比泛泛描述更高效。什么样的补充算有效贡献:发现某张图缺少对应 XML、或框位明显偏移,都可以提 Issue 或 PR 修正;手里有真实抽烟场景的新图片,用 labelImg 标注后连同 XML 一起提交 PR,就是对这份数据集最有价值的扩充。
下一步建议:先解压数据集,抽取一小部分图片验证标注能被你的框架正确读取,跑通基线后再规划完整的训练与评估方案。