---
title: car-uav
canonical_url: "https://www.modelscope.cn/datasets/learnai2/car-uav"
md_url: "https://www.modelscope.cn/datasets/learnai2/car-uav.md"
repository: learnai2/car-uav
chinese_name: "汽车-无人机视角"
last_updated: 2026-08-14
license: "Apache License 2.0"
storage_size: "112 MB"
downloads: 15152
stars: 0
---

# car-uav

> car-uav - learnai2 在 ModelScope 开源的数据集。本数据集用于 yolov3mobilenetcar 项目的车辆检测模型训练、剪枝与量化。标签为单一类别 car。

learnai2/car-uav 是 ModelScope 魔搭社区上的数据集，存储大小 112 MB，采用 Apache License 2.0 许可。

- **Repository**: learnai2/car-uav
- **License**: Apache License 2.0
- **Storage size**: 112 MB
- **Downloads**: 15152
- **Stars**: 0
- **Last updated**: 2026-08-14

Source: https://www.modelscope.cn/datasets/learnai2/car-uav

---

# 车辆检测数据集（data/car）

本数据集用于 `yolov3_mobilenet_car` 项目的**车辆检测**模型训练、剪枝与量化。标签为单一类别 `car`。

## 规模

| 划分           | 图片           | 标注           | 框数            | 平均框/图 |
| -------------- | -------------- | -------------- | --------------- | --------- |
| train          | 2336           | 2336           | 17282           | 7.4       |
| validation     | 293            | 293            | 2265            | 7.7       |
| test           | 293            | 293            | 2007            | 6.9       |
| **合计** | **2922** | **2922** | **21554** | —        |

## 格式规范

- **图片**：JPG，分辨率**统一 640×360**，单类目标。
- **标注**：YOLO 格式，与图片同名、扩展名为 `.txt`，位于 `labels/<split>/`。
  - 每行一个目标：`class cx cy w h`（类别编号 + 中心点 x/y + 宽高，均相对整图归一化到 [0,1]）。
  - 本项目仅 1 类：`0 = car`。
- **质量校验**：坐标全部 ∈[0,1] 且 w,h>0，无空标注文件、无 NaN、无字段数错误；图文一一对应（三划分均无有图无标/有标无图）。

## 目录结构

```
data/car/
├── images/
│   ├── train/        # 2336 张 jpg
│   ├── validation/   # 293 张 jpg
│   └── test/         # 293 张 jpg（独立评测集，不被 train/valid 清单引用）
├── labels/
│   ├── train/        # 2336 个 txt
│   ├── validation/   # 293 个 txt
│   └── test/         # 293 个 txt
├── train.txt         # 训练清单：2336 行，每行 `data/car/images/train/<name>.jpg`
├── valid.txt         # 验证清单：293 行，每行 `data/car/images/validation/<name>.jpg`
├── valid.shapes      # 图片尺寸缓存
├── car.data          # YOLO 训练配置（classes=1, train/valid 指向上述清单, names=car.names）
├── car.names         # 类别名：`car`
├── anchors_6.txt     # K-means 聚类得到的 6 锚框
├── anchors_9.txt     # K-means 聚类得到的 9 锚框
├── K-means.py        # 锚框聚类脚本
└── write_txt.py      # 生成 train.txt/valid.txt 的脚本
```

## 训练配置

`car.data`（被 `yolov3_mobilenet_car` 的训练/剪枝流程引用）：

```
classes = 1
train   = data/car/train.txt
valid   = data/car/valid.txt
names   = data/car.names
```

`car.names` 内容：`car`

## 使用方式

训练/剪枝流程通过 `car.data` 间接读取 `train.txt` 与 `valid.txt`；`test/` 一般用于训练完成后独立评估（如 `detect.py` + 自定义评测脚本）。