7种交通场景数据集（千张图片已划分、已标注）｜适用于YOLO系列深度学习分类检测任务【数据集分享】在智能交通与自动驾驶技术快速发展的今天，如何高效、准确地感知道路环境已经成为研究与应用的核心问题。车辆、行人和交通信号灯作为城市交通系统的关键元素，对道路安全与交通效率具有直接影响。然而，真实道路场景往往伴随 复杂光照、遮挡、多目标混杂以及交通信号状态多样化 等挑战，使得视觉识别与检测任务难度显著增加。
为了推动相关研究与应用落地，我们构建了一个 7种交通场景数据集，涵盖 机动车、非机动车、行人及不同状态的交通信号灯。该数据集不仅具备场景多样性和标注精准性，而且已按照 train、val、test 划分，可直接应用于 目标检测、场景理解和交通管理系统 的研究和开发。
本博客将对该数据集进行详细介绍，帮助研究人员和开发者快速上手，应用于自动驾驶与智慧交通的各类任务中。
数据集已划分为 train、test、val 三个部分，共计 千张图片，并配套提供了完整的标注文件，采用 YOLO 格式标注，可直接用于训练目标检测模型。
在这里插入图片描述类别信息如下：
代码语言：bash复制nc: 7
names:
0: Motor Vehicle
1: Non_motorized Vehicle
2: Pedestrian
3: Traffic Light-Red Light
4: Traffic Light-Yellow Light
5: Traffic Light-Green Light
6: Traffic Light-Off0：机动车
1：非机动车辆
2：行人
3：红绿灯
4：交通信号灯黄灯
5：交通灯绿灯
6：交通灯关闭
源码下载链接:https://pan.baidu.com/s/1PxCazLxUVFdwrrsHKVYP8Q?pwd=h48p
提取码:h48p 复制这段内容后打开百度网盘手机App，操作更方便哦
数据集概述随着智慧交通与自动驾驶的发展，如何在复杂的道路环境中实现多目标检测与识别，成为计算机视觉研究的重要方向。本数据集围绕城市交通场景构建，涵盖了机动车、非机动车、行人以及多状态的交通信号灯，共计 7 类目标。
数据集不仅提供了不同光照、天气条件下的图片，还包含了丰富的场景变化，例如：
白天、夜晚、雨天、阴天等天气条件；城市主干道、十字路口、居民区道路等场景；红灯、黄灯、绿灯、交通灯关闭等多种信号灯状态；拥挤的车流、人流，以及部分遮挡、模糊等挑战性情况。这些特性使得数据集更贴近真实的交通环境，有助于提升模型的泛化能力。
数据集详情图片数量与划分训练集（train）：约占 70%验证集（val）：约占 20%测试集（test）：约占 10%类别说明Motor Vehicle：包括小轿车、公交车、货车等各种机动车。Non_motorized Vehicle：包括自行车、电动车、摩托车等。Pedestrian：不同姿态、不同角度的行人个体。Traffic Light-Red Light：红色信号灯状态。Traffic Light-Yellow Light：黄色信号灯状态。Traffic Light-Green Light：绿色信号灯状态。Traffic Light-Off：关闭或未点亮状态的交通灯。标注格式采用 YOLO 标注格式：每个标签文件对应一张图片，记录目标类别编号和归一化后的边界框坐标。示例：代码语言：bash复制 0 0.521 0.643 0.245 0.321
2 0.345 0.512 0.153 0.278 其中 0 表示类别 Motor Vehicle，后续四个数分别为 x_center, y_center, width, height（归一化到 0-1 之间）。
数据特点场景多样化：涵盖城市交通中的典型场景。目标多尺度：从远处的微小交通灯到近处的行人、车辆。遮挡与重叠：部分场景存在车辆遮挡行人、行人遮挡信号灯等情况，增强模型鲁棒性。光照变化：提供不同时间段和天气下的样本，解决光照敏感问题。在这里插入图片描述适用场景该数据集可广泛应用于智能交通与计算机视觉的研究与实践，包括但不限于：
自动驾驶用于车辆环境感知，实现车辆检测、行人识别与交通灯状态判断。在复杂场景下提供更高的检测精度与鲁棒性。智慧交通管理部署在城市道路监控摄像头，实现实时交通流监控、车辆违章检测、行人过街行为识别。结合交通灯状态，辅助信号灯智能控制与交通流量调度。学术研究与模型验证适合作为 YOLO、Faster R-CNN、SSD 等目标检测模型的训练与测试数据集。可用于验证小目标检测（如交通灯）、多类目标混合检测（车辆+行人+灯）的效果。深度学习课程与竞赛适合作为高校人工智能、计算机视觉相关课程的实验数据集。也可用于目标检测、智能交通相关的比赛，作为标准训练数据。在这里插入图片描述在这里插入图片描述适用人群本数据集不仅适合科研人员进行交通视觉研究，也适合开发者和学习者在实际项目中应用，具体人群包括：
计算机视觉研究人员针对目标检测、小目标识别、多类别交通场景感知的研究。用于论文实验、模型改进和新算法验证。自动驾驶与智能交通工程师可应用于自动驾驶感知模块的训练与测试。在智慧交通系统中实现实时车辆、行人和信号灯检测。人工智能课程教学人员高校或培训机构教师可将该数据集用于课堂实验，帮助学生掌握从数据预处理到模型训练的完整流程。AI 学习者与开发者初学者可以通过该数据集快速上手 YOLO 等目标检测模型训练。开发者可将其用于小规模项目，积累实践经验。竞赛选手与爱好者适合作为 AI 竞赛或训练营中的实战数据集，用于模型调优和算法对比。结语本数据集聚焦于 城市交通场景，涵盖机动车、非机动车、行人以及不同状态的交通信号灯，共计 7 类目标，能够较好地反映现实道路环境中的复杂性与多样性。其标注格式采用通用的 YOLO 标准，并提供了合理的 train / val / test 划分，方便研究人员和开发者快速使用。
通过该数据集，研究者可以开展 多目标检测、小目标识别、交通灯状态分类、场景感知融合 等任务，进而提升自动驾驶与智慧交通系统的感知与决策能力。相比通用目标检测数据集，本数据集更具 交通领域的针对性，在小目标检测与复杂场景建模方面具有明显优势。
未来，随着数据规模的扩大与多模态信息（如视频、雷达数据）的引入，该数据集可进一步支撑 更高精度、更强鲁棒性 的智能交通感知系统研究与应用。