红外热成像目标检测数据集 | 10226张YOLO夜间感知数据集适用于车载夜视、夜间安防巡检与目标检测研究一、数据集概述本数据集是一个面向夜间及低光照环境感知的红外热成像目标检测数据集共包含10226张高质量标注图像训练集8860张、验证集1365张、测试集1张覆盖自行车、汽车、行人3类道路交通典型目标。红外热成像相机通过感知物体热辐射成像不依赖可见光因此在夜间、雾霾、强光逆光等可见光相机失效的场景下仍能稳定工作是自动驾驶、安防监控、夜间搜救等领域的重要传感器。该数据集可广泛应用于车载夜视系统、园区周界安防、夜间无人机巡检等场景也可用于红外与可见光跨模态融合感知研究适用于YOLOv5/v7/v8/v10/v11/v12等主流检测框架。随着自动驾驶和智能安防技术的快速发展利用红外热成像技术实现夜间及低光照环境下的目标检测已成为弥补可见光视觉感知不足的重要手段。本数据集针对红外图像中分辨率低、纹理细节少、目标边缘模糊等问题进行专项构建可为红外智能感知系统与夜间安防设备提供高质量数据支撑。数据集下载通过网盘分享的文件红外图像交通目标检测数据集链接: https://pan.baidu.com/s/1an_hw_5CBag9hLz7CAFS8A?pwdr63m提取码: r63m二、数据集基本信息项目内容数据集名称红外热成像目标检测数据集数据规模10226张高质量标注图像train 8860 valid 1365 test 1任务类型目标检测Object Detection检测目标自行车、汽车、行人类别数量nc3类标注方式Bounding Box目标框标注数据格式YOLO标准格式数据来源真实道路交通场景红外热成像采集数据划分Train / Valid / Test适配模型YOLOv5、YOLOv7、YOLOv8、YOLOv10、YOLOv11、YOLOv12、Faster R-CNN等说明测试集仅1张图像模型评估建议以验证集为准或自行划分测试集。三、数据集类别说明本数据集为多类别目标检测数据集共设置3个检测类别覆盖道路交通场景中的典型目标类型类别划分贴合夜间及低光照环境感知实际需求。类别配置nc:3names:-bicycle-car-person类别详情类别ID类别名称英文名称类别说明0自行车bicycle骑行中的自行车及骑行者目标1汽车car各类机动车目标2行人person步行人员目标三类设计覆盖道路交通场景的核心参与者——行人、非机动车与机动车是夜间道路安全感知与自动驾驶夜视系统的关键检测目标。四、数据集结构说明数据集采用标准YOLO目录结构组织已按训练集、验证集、测试集进行划分结构清晰便于直接接入主流检测框架。红外热成像目标检测数据集-3类/ ├── train │ ├── images │ └── labels ├── valid │ ├── images │ └── labels ├── test │ ├── images │ └── labels └── data.yaml各数据集作用如下train/images labels训练集图像与标签8860张用于模型参数学习与特征提取valid/images labels验证集图像与标签1365张用于超参数调优、早停监控及防止过拟合test/images labels测试集图像与标签1张样本量极少模型评估建议以验证集为准或自行划分测试集。标注文件为同名.txt格式每行格式为类别索引 x_center y_center width height坐标均为归一化值配套data.yaml已配置好类别名称与数量可直接适配YOLO系列等目标检测框架。五、数据集核心优势1. 规模最大的红外检测数据集本数据集共10226张图像是本次整理的13个数据集中规模最大的一个训练样本充足8860张训练图像充分保障模型收敛验证集规模大1365张验证图像支撑可靠的性能评估数据规模优势在红外目标检测领域属于较大规模数据集训练稳定性好大规模数据有效提升模型泛化能力2. 红外热成像的独特优势红外热成像相机通过感知物体热辐射成像不依赖可见光夜间工作完全黑暗环境下仍可稳定成像雾霾穿透在雾霾、烟尘等低能见度条件下保持感知能力抗强光逆光不受强光、逆光干扰全天候感知白天夜间均可稳定工作是自动驾驶、安防监控、夜间搜救等领域的重要传感器。3. 典型道路目标覆盖三类目标覆盖道路交通场景的核心参与者行人道路弱势交通参与者夜间检测尤为重要自行车骑行者目标兼具行人与车辆特征汽车机动车目标道路交通主要构成在红外图像中行人、车辆、骑行者呈现为与背景温度差异明显的热源目标具备良好的可检测性。4. 红外图像特性的针对性设计红外图像与可见光图像存在显著差异分辨率低红外传感器分辨率普遍低于可见光纹理细节少缺乏可见光图像中的丰富纹理目标边缘模糊热辐射扩散导致边缘不清晰特征分布差异大与可见光图像的特征分布显著不同本数据集针对红外图像特性构建需针对性的模型训练策略具有良好的研究价值。5. 跨模态融合研究价值数据集可支撑红外与可见光跨模态融合感知研究多模态融合与可见光数据集配合进行融合检测研究模态互补红外补足可见光夜间感知短板域适应研究红外与可见光域之间的迁移学习传感器融合多传感器融合感知算法研究6. 即用型数据组织标准目录结构YOLO格式标注标注规范可直接用于模型训练降低使用门槛。六、适用场景车载夜视系统集成于车载夜视辅助系统在夜间及低光照条件下检测行人、车辆与骑行者提升行车安全。园区周界安防在园区、厂区周界安防监控中利用红外成像实现全天候入侵检测与人员车辆识别。夜间无人机巡检搭载于无人机平台在夜间执行巡检任务检测地面人员与车辆目标。自动驾驶夜间感知作为自动驾驶多传感器融合体系中的红外感知模块弥补可见光相机夜间感知不足。夜间搜救与应急在夜间搜救、灾害应急场景中检测人员目标辅助搜救决策。教学科研用于红外目标检测、跨模态融合感知算法研究等科研场景。七、适用研究方向本数据集可广泛应用于以下研究领域红外目标检测研究3类夜间及低光照视觉感知研究多类别目标检测研究红外与可见光跨模态融合研究自动驾驶多传感器感知研究YOLO系列模型优化研究轻量化检测模型与边缘部署研究域适应与跨模态泛化研究八、总结红外热成像目标检测数据集包含10226张高质量标注图像采用标准YOLO格式构建专注于夜间及低光照环境下的道路交通目标检测任务。数据集覆盖自行车、汽车、行人3类核心目标具有规模大、标注规范、红外成像特性鲜明等特点可广泛应用于车载夜视系统、园区周界安防、夜间无人机巡检、自动驾驶夜间感知等领域也可支撑红外与可见光跨模态融合感知研究是开展红外目标检测算法研发与夜间智能感知系统建设的优质数据资源。