企业官网建设流程全解析

交通道路安全锥数据集，9200张图片，三色标注（red blue yellow），赛事场地实拍，支持YOLO格式，直接可用，适合目标检测、算法训练、项目研究。
1

1

交通道路安全锥数据集（9200张 三色标注 YOLO格式）

一、数据集核心信息

二、数据集目录结构（标准YOLO格式）

traffic_cone_dataset/ ├── images/ # 所有图像 │ ├── train/ # 训练集图片 │ ├── val/ # 验证集图片 │ └── test/ # 测试集图片 ├── labels/ # 对应YOLO标签 │ ├── train/ │ ├── val/ │ └── test/ └── traffic_cone.yaml # 数据集配置文件（训练必用）

三、类别说明 & 标签格式

1. 类别对照表

2. YOLO标签格式（.txt）

每行代表一个目标，格式：

类别ID x中心 y中心 宽度 高度

坐标均为归一化数值，与YOLO全系列兼容。

四、环境配置

# 创建虚拟环境conda create-ncone_detectpython=3.9conda activate cone_detect# 安装依赖pipinstallultralytics opencv-python torch torchvision numpy

五、数据集配置文件traffic_cone.yaml

# 数据集路径train:./images/trainval:./images/valtest:./images/test# 类别数量 & 类别名称nc:3names:0:red1:blue2:yellow

六、完整训练代码（YOLOv8）

1. 训练脚本train_cone.py

fromultralyticsimportYOLOif__name__=="__main__":# 加载预训练权重（n/s/m/l 按需选择）model=YOLO("yolov8n.pt")# 开始训练model.train(data="./traffic_cone.yaml",# 数据集配置文件epochs=100,# 训练轮数imgsz=640,# 输入图像尺寸batch=16,# 批次大小device=0,# GPU训练，CPU改为device="cpu"workers=4,# 线程数project="cone_result",# 训练结果保存根目录name="yolov8_cone",# 本次训练文件夹名save=True,# 保存权重save_period=10# 每10轮保存一次权重)# 训练完成后评估模型model.val()print("训练与评估完成！")

2. 模型推理测试代码detect_cone.py

fromultralyticsimportYOLOimportcv2# 加载训练好的最优权重model=YOLO("./cone_result/yolov8_cone/weights/best.pt")# 1. 单张图片检测defdetect_image(img_path):results=model.predict(source=img_path,conf=0.25,iou=0.45,save=False)result_img=results[0].plot()cv2.imshow("安全锥检测",result_img)cv2.waitKey(0)cv2.destroyAllWindows()# 2. 视频/摄像头检测defdetect_video(video_path=0):# video_path=0 调用本地摄像头results=model.predict(source=video_path,conf=0.25,iou=0.45,stream=True)forresinresults:frame=res.plot()cv2.imshow("安全锥实时检测",frame)ifcv2.waitKey(1)&0xFF==ord('q'):breakcv2.destroyAllWindows()if__name__=="__main__":# 测试图片detect_image("test.jpg")# 测试摄像头# detect_video(0)

七、运行步骤

1. 解压数据集：将9200张图片与对应标签按上述目录摆放。
2. 修改配置文件：确认traffic_cone.yaml中路径正确。
3. 启动训练：

   python train_cone.py

4. 获取模型：训练完成后，最优权重best.pt保存在cone_result/yolov8_cone/weights/目录。
5. 推理测试：运行detect_cone.py测试图片、视频、摄像头检测效果。

八、数据集优势

✅ 规模充足：9200张高清实拍图，覆盖红/蓝/黄三类主流安全锥。
✅ 标注规范：标准YOLO格式，标签完整无错标、漏标，开箱即用。
✅ 场景丰富：赛事场地、道路、户外强光/弱光等多环境，模型泛化能力强。
✅ 适配性广：兼容 YOLOv5/YOLOv8/YOLOv11 等所有YOLO系列算法。
✅ 用途多样：可用于算法研究、工程项目、毕业设计、竞赛训练。