危险化学品车辆检测数据集，用于目标检测
“主要用于危化车辆检测/油罐车检测”
数据集包含4360+图像，jpg图像与txt标签一一对应，共4个类别
“大卡车、油罐车、大巴车、小汽车”，按照3:1:1比例，已划分好训练集-验证集-测试集
可直接用于yolov5/v7/v8训练
1
危险化学品车辆检测数据集 全套资料（数据集说明+配置+训练/推理代码）
一、数据集基础信息表
| 项目 | 详情 |
|---|---|
| 数据集名称 | 危化品/油罐车辆目标检测数据集 |
| 图像总数 | 4360+ 张 JPG 图片 |
| 标签格式 | YOLO 标准.txt标签，图签一一对应 |
| 目标类别 | 共4类：0-大卡车、1-油罐车、2-大巴车、3-小汽车 |
| 数据划分 | 训练集:验证集:测试集 = 3:1:1（已提前划分完毕） |
| 适用模型 | YOLOv5 / YOLOv7 / YOLOv8 全系列，开箱即训 |
| 应用场景 | 园区卡口、道路卡口、危化品运输车辆智能监管、安防检测 |
二、数据集目录结构（已划分完成，保持原有结构即可）
chemical_car/ ├── images/ │ ├── train/ # 训练集图片 │ ├── val/ # 验证集图片 │ └── test/ # 测试集图片 ├── labels/ │ ├── train/ # 训练集标签 │ ├── val/ # 验证集标签 │ └── test/ # 测试集标签 └── chemical_car.yaml # 数据集配置文件三、YOLO 数据集配置文件chemical_car.yaml
放在数据集根目录，直接复制使用，类别顺序与标签严格对应：
# 数据集根路径，根据你本地实际路径修改path:./chemical_cartrain:images/trainval:images/valtest:images/test# 类别数量 & 类别名称nc:4names:0:大卡车1:油罐车2:大巴车3:小汽车四、环境依赖安装
YOLOv8 / YOLOv7 通用依赖
# YOLOv8pipinstallultralytics opencv-python numpy# YOLOv5 额外依赖（若使用v5）pipinstalltorch torchvision matplotlib tqdm五、训练代码（分 YOLOv8 / YOLOv5 两个版本，任选其一）
版本1：YOLOv8 训练代码train_chemical_car.py
针对道路车辆、远景/近景、多尺度目标做参数优化，适配交通场景：
fromultralyticsimportYOLOdeftrain_car_detect():# 加载预训练权重：n轻量 / s均衡 / m高精度model=YOLO("yolov8s.pt")# 训练参数model.train(data="./chemical_car/chemical_car.yaml",# 数据集配置文件路径epochs=100,# 训练轮数imgsz=640,# 输入图像尺寸batch=16,# 显存不足改为 8 / 4device=0,# GPU训练；无GPU改为 device="cpu"workers=4,patience=20,# 早停，防止过拟合pretrained=True,optimizer="Adam",lr0=0.001,# 数据增强（适配道路光照、视角变化）mosaic=0.9,hsv_h=0.015,hsv_s=0.7,hsv_v=0.4,fliplr=0.5,# 输出目录project="runs/chemical_car",name="train_yolov8",exist_ok=True,# 车辆检测阈值conf=0.25,iou=0.45)print("训练完成！最优模型路径：runs/chemical_car/train_yolov8/weights/best.pt")if__name__=="__main__":train_car_detect()版本2：YOLOv5 训练代码（train.py调用方式）
将配置文件放入 YOLOv5 工程data文件夹，命令行执行：
python train.py--datadata/chemical_car.yaml--epochs100--imgsz640--batch16--weightsyolov5s.pt六、推理测试代码（YOLOv8 通用）
训练完成后，加载模型对图片/视频/摄像头进行检测：
fromultralyticsimportYOLO# 加载训练好的最优权重model=YOLO("./runs/chemical_car/train_yolov8/weights/best.pt")# 1. 单张图片检测# model("test.jpg", save=True, conf=0.25)# 2. 文件夹批量图片检测（推荐）model(source="./test_images",save=True,conf=0.25)# 3. 道路视频检测# model("road_video.mp4", save=True, conf=0.25)# 4. 本地摄像头实时检测# model(source=0, save=True, conf=0.25)print("检测完成，结果保存在 runs/detect 目录")七、使用步骤 & 调优建议
1. 基础使用步骤
- 把完整数据集文件夹
chemical_car放到代码同级目录； - 核对
chemical_car.yaml内路径、类别名称； - 执行训练脚本开始训练；
- 训练结束使用推理代码测试效果。
2. 场景专属调优（车辆/危化车场景）
- 显存不足：减小
batch，使用yolov8n.pt轻量化模型； - 小目标漏检（远处车辆）：保持
imgsz=640，降低置信度conf=0.15~0.2； - 夜间/逆光误检：保留默认HSV色彩增强，适当降低
mosaic=0.7； - 过拟合：减少迭代轮数、加大
patience、关闭部分增强。
3. 部署方向
- 道路卡口、园区安防抓拍识别；
- 视频流实时监控，自动识别油罐车/危化运输车辆；
- 边缘设备部署（模型转 ONNX/TensorRT）。
八、补充说明
- 数据已按3:1:1完成划分，无需再次拆分，直接训练即可；
- 标签严格遵循 YOLO 标准，类别顺序不可随意修改；
- 路径尽量使用相对路径，避免中文路径导致报错。
