企业官网建设流程全解析

VisDrone2019 完整数据集下载目录

同时包含三种主流标注格式：COCO JSON、VOC XML、YOLO TXT

VisDrone2019 数据集🛰️：数据集介绍、下载📥| 目标检测 |水平框📌｜原始图像✅|原始标签✅｜VOC标签✅|COCO 标签✅|YOLO HBB标签✅

一、基本背景

VisDrone2019 是天津大学AISKYEYE实验室在ICCV2019发布的大规模无人机航拍视觉基准数据集，是无人机目标检测、跟踪、人群计数领域最主流的公开评测数据集，专门解决高空俯视视角下小目标、密集遮挡、尺度剧变等航拍特有难题，官方地址：https://github.com/VisDrone/VisDrone-Dataset。

二、 数据集规模

2.1. 数据采集规模

1. 静态图像任务DET（最常用，图像目标检测）
   总计10209张航拍RGB图，分辨率 1360×765 ~ 2000×1500：
   • Train：6471 张
   • Val：548 张
   • Test-dev（带标注，本地测试）：1610 张
   • Test-challenge（无标注，官方竞赛提交）：1580 张
2. 视频任务VID/MOT/SOT
   288段视频、261908帧，最高4K（3840×2160），支持视频检测、单/多目标跟踪；
3. 全局标注总量：超260万人工标注边界框，附带遮挡、截断精细属性标注。

2.2 采集场景多样性

• 地域：中国14座城市，城乡、高速、商圈、广场、景区、城中村全覆盖；
• 环境：白天、黄昏、夜晚、阴天、轻度雾天；
• 拍摄条件：多款无人机、不同飞行高度、倾斜俯视角度、动态飞行带来运动模糊；
• 目标密度：稀疏车流、密集人流、停车场海量小车等极端场景并存。

三、标注类别

实际训练一般只用1~10共10类；数据集存在严重类别长尾：car数量是awning-tricycle的40倍以上。

name:0:pedestrian# 站立/行走行人1:people# 骑行、蹲坐、人群中人2:bicycle# 自行车3:car# 小轿车4:van# 面包车5:truck# 货车、卡车6:tricycle# 普通三轮车7:awning-tricycle# 带篷三轮车8:bus# 大巴公交车9:motor# 摩托车、电动车

四、标注格式转换

4.1 原始标签

每张图对应同名.txt，每行一条目标，逗号分隔8个字段：

x1,y1,w,h,score,category,truncation,occlusion

字段释义：

1. x1,y1：框左上角像素坐标
2. w,h：框宽、高（像素）
3. score：0=忽略该框；1=有效目标
4. category：0~11类别ID
5. truncation截断程度：0无截断 / 1轻微截断 / 2严重截断
6. occlusion遮挡程度：0无遮挡 / 1部分遮挡(≤50%) / 2重度遮挡(>50%)

格式转换说明：

原生格式不是YOLO Darknet格式，训练前必须转换：

1. 过滤 category=0/11、score=0 的无效框；
2. 把像素xywh转为归一化中心坐标：cls cx cy w h；
3. 也可转VOC XML、COCO JSON格式用于MMDetection、Detectron2。

4.2 转换后的标签

转换后的完整数据集文件夹内容（包含COCO JSON、VOC XML、YOLO TXT三种主流标签）：

📁 VisDrone2019 ├─ 📁 VisDrone2019-DET-test-challenge │ ├─ 📁 images │ │ ├─ 🖼️ *.jpg │ │ └─ ... │ ├─ 📁 annotations-r │ │ ├─ 📃 *.txt │ │ └─ ... │ ├─ 📂 COCO │ │ └─ 📁 annotations │ │ └─ 📄 instances_test.json │ ├─ 📂 VOC │ │ └─ 📁 Annotations │ │ ├─ 📜 *.xml │ │ └─ ... │ └─ 📂 YOLO │ ├─ 📃 *.txt │ └─ ... ├─ 📁 VisDrone2019-DET-test-dev │ └─ 📁 images │ ├─ 🖼️ *.jpg │ └─ ... ├─ 📁 VisDrone2019-DET-train │ ├─ 📁 images │ │ ├─ 🖼️ *.jpg │ │ └─ ... │ ├─ 📁 annotations-r │ │ ├─ 📃 *.txt │ │ └─ ... │ ├─ 📂 COCO │ │ └─ 📁 annotations │ │ └─ 📄 instances_train.json │ ├─ 📂 VOC │ │ └─ 📁 Annotations │ │ ├─ 📜 *.xml │ │ └─ ... │ └─ 📂 YOLO │ ├─ 📃 *.txt │ └─ ... └─ 📁 VisDrone2019-DET-val ├─ 📁 images │ ├─ 🖼️ *.jpg │ └─ ... ├─ 📁 annotations-r │ ├─ 📃 *.txt │ └─ ... ├─ 📂 COCO │ └─ 📁 annotations │ └─ 📄 instances_val.json ├─ 📂 VOC │ └─ 📁 Annotations │ ├─ 📜 *.xml │ └─ ... └─ 📂 YOLO ├─ 📃 *.txt └─ ...

各个文件夹含义：

📁 VisDrone2019 ├─ 📁 VisDrone2019-DET-test-challenge # 测试集（无公开标注，竞赛提交专用） │ ├─ 📁 images # 航拍原始图片 *.jpg │ ├─ 📁 annotations-r # VisDrone官方原生txt标注（原始格式） │ ├─ 📂 COCO │ │ └─ 📁 annotations │ │ └─ 📄 instances_test.json # 转换完成的COCO json格式标注（仅单个文件） │ ├─ 📂 VOC │ │ └─ 📁 Annotations # Pascal VOC *.xml 标注文件 │ └─ 📂 YOLO # YOLO系列训练用归一化txt标签 │ ├─ 📁 VisDrone2019-DET-test-dev # 开发测试集（仅图片，用于本地验证，无官方原始标注） │ └─ 📁 images # 航拍原始图片 *.jpg │ ├─ 📁 VisDrone2019-DET-train # 训练集 │ ├─ 📁 images # 航拍原始图片 *.jpg │ ├─ 📁 annotations-r # VisDrone官方原生txt标注（原始格式） │ ├─ 📂 COCO │ │ └─ 📁 annotations │ │ └─ 📄 instances_train.json # COCO格式训练标注 │ ├─ 📂 VOC │ │ └─ 📁 Annotations # Pascal VOC *.xml 标注 │ └─ 📂 YOLO # YOLO归一化txt标签 │ └─ 📁 VisDrone2019-DET-val # 验证集 ├─ 📁 images # 航拍原始图片 *.jpg ├─ 📁 annotations-r # VisDrone官方原生txt标注（原始格式） ├─ 📂 COCO │ └─ 📁 annotations │ └─ 📄 instances_val.json # COCO格式验证标注 ├─ 📂 VOC │ └─ 📁 Annotations # Pascal VOC *.xml 标注 └─ 📂 YOLO # YOLO归一化txt标签

五、训练样例

以YOLO 水平框标签为例进行训练：