Advertisement

如何使用YOLOv8进行训练——红外飞机数据集（图像微小追踪） 红外图像车辆追踪数据集 红外飞机车辆跟踪检测数据集 红外车辆数据集检测

阅读量：

红外图像飞机， part1，红外图像微小飞机追踪数据集，数据集获取场景涵盖了天空、地面等背景，共计22段数据、30条航迹、16177帧图像、16944个目标，每个目标对应一个标注位置，标注目标坐标位置。数据量800MB，在这里插入图片描述
红外图像车辆追踪数据集，以车辆为探测目标，以地面场景为探测背景的图像序列数据集。本数据集共计21750帧图像，89174个目标，标注目标框，组成了87段视频序列、393段目标轨迹。数据量4.5Gb在这里插入图片描述
好的，让我们详细介绍这两个红外图像追踪数据集，并提供使用YOLOv8进行训练的代码。我们将确保所有步骤都是一键的，以便你可以轻松地进行模型训练和评估。

数据集介绍

Part 1: 红外图像微小飞机追踪数据集
  • 数据集名称 ：Infrared Small Aircraft Tracking Dataset (ISATD)
  • 数据类型 ：红外图像
  • 目标类别 ：飞机
  • 数据集描述 ：
    • 获取场景：天空、地面等背景
    • 数据量：22段数据、30条航迹、16177帧图像、16944个目标
    • 标注格式：每个目标对应一个标注位置，标注目标坐标位置
    • 数据量：800MB
Part 2: 红外图像车辆追踪数据集
  • 数据集名称 ：Infrared Vehicle Tracking Dataset (IVTD)
  • 数据类型 ：红外图像
  • 目标类别 ：车辆
  • 数据集描述 ：
    • 探测目标：车辆
    • 探测背景：地面场景
    • 数据量：21750帧图像、89174个目标
    • 标注格式：标注目标框
    • 视频序列：87段视频序列、393段目标轨迹
    • 数据量：4.5GB

数据集目录结构

为了方便管理，我们可以将两个数据集分别存储在不同的目录中。

复制代码 
    Infrared_Tracking_Dataset/
    ├── ISATD/
    │   ├── images/
    │   │   ├── train/
    │   │   └── val/
    │   ├── labels/
    │   │   ├── train/
    │   │   └── val/
    │   └── data.yaml
    ├── IVTD/
    │   ├── images/
    │   │   ├── train/
    │   │   └── val/
    │   ├── labels/
    │   │   ├── train/
    │   │   └── val/
    │   └── data.yaml
    
    
    
![](https://ad.itadn.com/c/weblog/blog-img/images/2025-08-16/XjycxCIPOSMrHNLZ8YAF9p5feTus.png)

数据集配置文件

ISATD 数据集配置文件

创建一个data.yaml文件，配置ISATD数据集的路径和类别信息：

复制代码 
    path: ./Infrared_Tracking_Dataset/ISATD  # 数据集路径
    train: images/train  # 训练集图像路径
    val: images/val  # 验证集图像路径
    
    nc: 1  # 类别数
    names: ['Aircraft']  # 类别名称
    
    
    yaml
IVTD 数据集配置文件

创建一个data.yaml文件，配置IVTD数据集的路径和类别信息：

复制代码 
    path: ./Infrared_Tracking_Dataset/IVTD  # 数据集路径
    train: images/train  # 训练集图像路径
    val: images/val  # 验证集图像路径
    
    nc: 1  # 类别数
    names: ['Vehicle']  # 类别名称
    
    
    yaml

转换标注格式

假设标注文件是VOC格式的XML文件，我们需要将它们转换为YOLO格式的TXT文件。

转换脚本
复制代码 
    import xml.etree.ElementTree as ET
    import os
    
    def convert_voc_to_yolo(voc_file, yolo_file, class_names):
    tree = ET.parse(voc_file)
    root = tree.getroot()
    
    width = int(root.find('size/width').text)
    height = int(root.find('size/height').text)
    
    with open(yolo_file, 'w') as f:
        for obj in root.findall('object'):
            class_name = obj.find('name').text
            if class_name not in class_names:
                continue
            class_id = class_names.index(class_name)
    
            bbox = obj.find('bndbox')
            x_min = float(bbox.find('xmin').text)
            y_min = float(bbox.find('ymin').text)
            x_max = float(bbox.find('xmax').text)
            y_max = float(bbox.find('ymax').text)
    
            x_center = (x_min + x_max) / 2.0 / width
            y_center = (y_min + y_max) / 2.0 / height
            w = (x_max - x_min) / width
            h = (y_max - y_min) / height
    
            f.write(f"{class_id} {x_center} {y_center} {w} {h}\n")
    
    def convert_all_voc_to_yolo(voc_dir, yolo_dir, class_names):
    os.makedirs(yolo_dir, exist_ok=True)
    for filename in os.listdir(voc_dir):
        if filename.endswith('.xml'):
            voc_file = os.path.join(voc_dir, filename)
            yolo_file = os.path.join(yolo_dir, filename.replace('.xml', '.txt'))
            convert_voc_to_yolo(voc_file, yolo_file, class_names)
    
    if __name__ == "__main__":
    class_names = ['Aircraft']  # 对于ISATD
    voc_train_dir = 'Infrared_Tracking_Dataset/ISATD/labels_voc/train'
    yolo_train_dir = 'Infrared_Tracking_Dataset/ISATD/labels/train'
    convert_all_voc_to_yolo(voc_train_dir, yolo_train_dir, class_names)
    
    voc_val_dir = 'Infrared_Tracking_Dataset/ISATD/labels_voc/val'
    yolo_val_dir = 'Infrared_Tracking_Dataset/ISATD/labels/val'
    convert_all_voc_to_yolo(voc_val_dir, yolo_val_dir, class_names)
    
    # 对于IVTD
    class_names = ['Vehicle']
    voc_train_dir = 'Infrared_Tracking_Dataset/IVTD/labels_voc/train'
    yolo_train_dir = 'Infrared_Tracking_Dataset/IVTD/labels/train'
    convert_all_voc_to_yolo(voc_train_dir, yolo_train_dir, class_names)
    
    voc_val_dir = 'Infrared_Tracking_Dataset/IVTD/labels_voc/val'
    yolo_val_dir = 'Infrared_Tracking_Dataset/IVTD/labels/val'
    convert_all_voc_to_yolo(voc_val_dir, yolo_val_dir, class_names)
    
    
    python
    
    
![](https://ad.itadn.com/c/weblog/blog-img/images/2025-08-16/GNkbSBt0mdFOQaDqyMegfrYcn7RX.png)

YOLOv8训练代码

安装YOLOv8库和依赖项 ：

复制代码 
    git clone https://github.com/ultralytics/ultralytics.git

    cd ultralytics
    pip install -r requirements.txt
    
    
    bash

训练模型 ：

复制代码 
    from ultralytics import YOLO

    
    def train_model(data_yaml_path, model_config, epochs, batch_size, img_size):
    # 加载模型
    model = YOLO(model_config)
    
    # 训练模型
    results = model.train(
        data=data_yaml_path,
        epochs=epochs,
        batch=batch_size,
        imgsz=img_size
    )
    
    # 保存模型
    model.save("runs/train/infrared_tracking_detection/best.pt")
    
    if __name__ == "__main__":
    data_yaml_path = 'Infrared_Tracking_Dataset/ISATD/data.yaml'  # 或者 'Infrared_Tracking_Dataset/IVTD/data.yaml'
    model_config = 'yolov8s.yaml'
    epochs = 100
    batch_size = 16
    img_size = 640
    
    train_model(data_yaml_path, model_config, epochs, batch_size, img_size)
    
    
    python
    
    
![](https://ad.itadn.com/c/weblog/blog-img/images/2025-08-16/HcuESkAfns6BLv58hIdrFV47m0Ox.png)

详细解释

安装YOLOv8和依赖项 ：

复制代码 
 * 克隆YOLOv8仓库并安装所有必要的依赖项。

训练模型 ：

复制代码 
 * 导入YOLOv8库。
 * 加载模型配置文件。
 * 调用`model.train`方法进行训练。
 * 保存训练后的最佳模型。

训练脚本

将上述脚本保存为一个Python文件（例如train_yolov8_infrared.py），然后它。

复制代码 
    python train_yolov8_infrared.py
    
    
    bash

评估模型

  1. 评估模型 ：
复制代码 
    from ultralytics import YOLO

    
    def evaluate_model(data_yaml_path, weights_path, img_size, conf_threshold):
    # 加载模型
    model = YOLO(weights_path)
    
    # 评估模型
    results = model.val(
        data=data_yaml_path,
        imgsz=img_size,
        conf=conf_threshold
    )
    
    # 打印评估结果
    print(results)
    
    if __name__ == "__main__":
    data_yaml_path = 'Infrared_Tracking_Dataset/ISATD/data.yaml'  # 或者 'Infrared_Tracking_Dataset/IVTD/data.yaml'
    weights_path = 'runs/train/infrared_tracking_detection/best.pt'
    img_size = 640
    conf_threshold = 0.4
    
    evaluate_model(data_yaml_path, weights_path, img_size, conf_threshold)
    
    
    python
    
    
![](https://ad.itadn.com/c/weblog/blog-img/images/2025-08-16/VOR6eWocPSNsvi1j3H27Jzn8XfwL.png)

详细解释

  1. 评估模型 ：
    • 导入YOLOv8库。
    • 加载训练好的模型权重。
    • 调用model.val方法进行评估。
    • 打印评估结果。

评估脚本

将上述脚本保存为一个Python文件（例如evaluate_yolov8_infrared.py），然后它。

复制代码 
    python evaluate_yolov8_infrared.py
    
    
    bash

一键脚本

为了实现一键，可以将训练和评估脚本合并到一个主脚本中，并添加命令行参数来控制模式。

复制代码 
    import argparse
    from ultralytics import YOLO
    
    def convert_voc_to_yolo(voc_file, yolo_file, class_names):
    tree = ET.parse(voc_file)
    root = tree.getroot()
    
    width = int(root.find('size/width').text)
    height = int(root.find('size/height').text)
    
    with open(yolo_file, 'w') as f:
        for obj in root.findall('object'):
            class_name = obj.find('name').text
            if class_name not in class_names:
                continue
            class_id = class_names.index(class_name)
    
            bbox = obj.find('bndbox')
            x_min = float(bbox.find('xmin').text)
            y_min = float(bbox.find('ymin').text)
            x_max = float(bbox.find('xmax').text)
            y_max = float(bbox.find('ymax').text)
    
            x_center = (x_min + x_max) / 2.0 / width
            y_center = (y_min + y_max) / 2.0 / height
            w = (x_max - x_min) / width
            h = (y_max - y_min) / height
    
            f.write(f"{class_id} {x_center} {y_center} {w} {h}\n")
    
    def convert_all_voc_to_yolo(voc_dir, yolo_dir, class_names):
    os.makedirs(yolo_dir, exist_ok=True)
    for filename in os.listdir(voc_dir):
        if filename.endswith('.xml'):
            voc_file = os.path.join(voc_dir, filename)
            yolo_file = os.path.join(yolo_dir, filename.replace('.xml', '.txt'))
            convert_voc_to_yolo(voc_file, yolo_file, class_names)
    
    def train_model(data_yaml_path, model_config, epochs, batch_size, img_size):
    # 加载模型
    model = YOLO(model_config)
    
    # 训练模型
    results = model.train(
        data=data_yaml_path,
        epochs=epochs,
        batch=batch_size,
        imgsz=img_size
    )
    
    # 保存模型
    model.save("runs/train/infrared_tracking_detection/best.pt")
    
    def evaluate_model(data_yaml_path, weights_path, img_size, conf_threshold):
    # 加载模型
    model = YOLO(weights_path)
    
    # 评估模型
    results = model.val(
        data=data_yaml_path,
        imgsz=img_size,
        conf=conf_threshold
    )
    
    # 打印评估结果
    print(results)
    
    def main(mode, dataset):
    if dataset == 'ISATD':
        data_yaml_path = 'Infrared_Tracking_Dataset/ISATD/data.yaml'
        class_names = ['Aircraft']
    elif dataset == 'IVTD':
        data_yaml_path = 'Infrared_Tracking_Dataset/IVTD/data.yaml'
        class_names = ['Vehicle']
    else:
        print("Invalid dataset. Use 'ISATD' or 'IVTD'.")
        return
    
    model_config = 'yolov8s.yaml'
    epochs = 100
    batch_size = 16
    img_size = 640
    conf_threshold = 0.4
    
    if mode == 'convert':
        voc_train_dir = f'Infrared_Tracking_Dataset/{dataset}/labels_voc/train'
        yolo_train_dir = f'Infrared_Tracking_Dataset/{dataset}/labels/train'
        convert_all_voc_to_yolo(voc_train_dir, yolo_train_dir, class_names)
    
        voc_val_dir = f'Infrared_Tracking_Dataset/{dataset}/labels_voc/val'
        yolo_val_dir = f'Infrared_Tracking_Dataset/{dataset}/labels/val'
        convert_all_voc_to_yolo(voc_val_dir, yolo_val_dir, class_names)
    elif mode == 'train':
        train_model(data_yaml_path, model_config, epochs, batch_size, img_size)
    elif mode == 'eval':
        weights_path = 'runs/train/infrared_tracking_detection/best.pt'
        evaluate_model(data_yaml_path, weights_path, img_size, conf_threshold)
    else:
        print("Invalid mode. Use 'convert', 'train', or 'eval'.")
    
    if __name__ == "__main__":
    parser = argparse.ArgumentParser(description="Convert, train, or evaluate YOLOv8 on the infrared tracking datasets.")
    parser.add_argument('mode', type=str, choices=['convert', 'train', 'eval'], help="Mode: 'convert', 'train', or 'eval'")
    parser.add_argument('dataset', type=str, choices=['ISATD', 'IVTD'], help="Dataset: 'ISATD' or 'IVTD'")
    args = parser.parse_args()
    
    main(args.mode, args.dataset)
    
    
    python
    
    
![](https://ad.itadn.com/c/weblog/blog-img/images/2025-08-16/zXPRybNF0jU4tMH3ToVsmcQWfqO5.png)

详细解释

命令行参数 ：

复制代码 
 * 使用`argparse`库添加命令行参数，控制脚本的模式（转换、训练或评估）和选择的数据集（ISATD或IVTD）。

主函数 ：

复制代码 
 * 根据传入的模式和数据集参数，调用相应的转换、训练或评估函数。

主脚本

将上述脚本保存为一个Python文件（例如main_yolov8_infrared.py），然后它。

转换标注格式
复制代码 
    python main_yolov8_infrared.py convert ISATD
    python main_yolov8_infrared.py convert IVTD
    
    
    bash
训练模型
复制代码 
    python main_yolov8_infrared.py train ISATD
    python main_yolov8_infrared.py train IVTD
    
    
    bash
评估模型
复制代码 
    python main_yolov8_infrared.py eval ISATD
    python main_yolov8_infrared.py eval IVTD
    
    
    bash

总结

通过以上步骤，你可以准备好红外图像飞机和车辆追踪数据集，并使用YOLOv8进行训练和评估。希望这些信息对你有帮助！如果你有任何其他问题或需要进一步的帮助，请随时告诉我。

全部评论 (0)

还没有任何评论哟~

相关文章推荐

如何使用YOLOv8进行训练——红外飞机数据集（图像微小追踪） 红外图像车辆追踪数据集 红外飞机车辆跟踪检测数据集 红外车辆数据集检测

红外图像飞机，part1，红外图像微小飞机追踪数据集，数据集获取场景涵盖了天空、地面等背景，共计22段数据、30条航迹、16177帧图像、16944个目标，每个目标对应一个标注位置，标注目标坐标位置。...

如何使用YOLOv8进行训练——红外飞机数据集（图像微小追踪） 红外图像车辆追踪数据集 红外飞机车辆跟踪检测数据集 红外车辆数据集检测

红外图像飞机，part1，红外图像微小飞机追踪数据集，数据集获取场景涵盖了天空、地面等背景，共计22段数据、30条航迹、16177帧图像、16944个目标，每个目标对应一个标注位置，标注目标坐标位置。...

红外图像数据集

介绍一些常用的红外图像数据集 1、KAIST 1.1、简要介绍 用于行人检测任务 有四种标签：person（好分辨）；people（难分辨）；cyclist（骑车的人）；person？（人工不能分辨）...

YOLOv8+DeepSORT多目标车辆跟踪（车辆检测+跟踪+车辆计数）

一、引言 在智能交通系统（ITS）的快速发展中，对车辆进行精确的检测和跟踪是实现交通监控、流量分析和安全预警的关键技术。YOLOv8和DeepSORT的结合，为解决这一挑战提供了一种创新的解决方案。 ...

车辆行人检测数据集_目标检测数据集-车辆

待整理/下载 1： ToyotaMotorEuropeTMEMotorwayDataset intro:composedby28clipsforatotalofapproximately27minut...

如何使用YOLOv8来训练一个——包含926张图像红外弱小飞机目标检测数据集，并附上详细的训练代码和步骤 红外弱小飞机数据集

如何使用YOLOv8来训练一个包含926张图像的红外弱小飞机目标检测数据集，并附上详细的训练代码和步骤。 数据集描述 该数据集包含以下信息： 数据量：926张图像 类别：1类（bird） 标注格式：B...

如何使用YOLOv8来训练一个——包含926张图像红外弱小飞机目标检测数据集，并附上详细的训练代码和步骤 红外弱小飞机数据集

如何使用YOLOv8来训练一个包含926张图像的红外弱小飞机目标检测数据集，并附上详细的训练代码和步骤。 数据集描述 该数据集包含以下信息： 数据量：926张图像 类别：1类（bird） 标注格式：B...

如何训练使用——电力设施红外检测数据集 1 输电线路绝缘子红外数据集 2 输电线路过热红外数据集 3 光伏板缺陷红外数据集 4 变压器红外数据集 5 开关柜设备红外检测数据集 绝缘套管红外数据集

步骤一：数据准备与预处理 数据集组织：确保您的数据集按照标准的机器学习项目结构进行组织。通常，这包括将数据分为训练集、验证集和测试集，并且每组数据都应有一个相应的子文件夹。 数据预处理：根据数据集的具...

如何训练使用——电力设施红外检测数据集 1 输电线路绝缘子红外数据集 2 输电线路过热红外数据集 3 光伏板缺陷红外数据集 4 变压器红外数据集 5 开关柜设备红外检测数据集 绝缘套管红外数据集

步骤一：数据准备与预处理 数据集组织：确保您的数据集按照标准的机器学习项目结构进行组织。通常，这包括将数据分为训练集、验证集和测试集，并且每组数据都应有一个相应的子文件夹。 数据预处理：根据数据集的具...

如何使用yolov8训练使用——车辆行人检测数据集

KITTI数据集介绍 数据集概述 数据集名称：KITTIVehicleandPedestrianDetectionDataset 数据类型：RGB图像 目标类别：汽车（Car）、行人（Pedestri...