汽车充电插口识别数据集，可识别快充，慢充插口，支持yolo，coco json，pascal voc xml格式的标注数据集

汽车充电插口识别数据集本数据集专门用于训练和评估汽车充电插口识别模型包含快充Fast Charging和慢充Slow Charging两种插口类型。数据集支持多种主流目标检测框架包括 YOLO 系列v5、v7、v8、v9、v11、COCO JSON 和 Pascal VOC XML 格式的标注文件。应用场景该数据集适用于以下应用场景智能充电桩识别系统自动识别车辆充电接口类型引导用户使用正确的充电桩自动驾驶车辆充电系统辅助自动驾驶车辆自动对接充电接口充电站管理系统统计不同类型充电接口的使用情况优化充电站资源配置新能源汽车服务用于充电接口检测、故障诊断等应用计算机视觉教学与研究作为目标检测、图像分类的教学案例和研究数据数据集标签说明数据集包含两种充电插口类型fast charging- 快速充电接口slow charging- 慢速充电接口每种标签都经过专业标注边界框准确适合训练高精度检测模型。数据集分割数据集按照标准机器学习划分方式分为三个部分训练集180 张图像 - 用于模型训练验证集60 张图像 - 用于模型调优和超参数选择测试集0 张图像 - 建议用户自行划分或使用交叉验证总计 240 张高质量标注图像涵盖不同光照条件、角度和背景环境。数据集可视化以下是数据集的部分样本和标注信息展示模型训练与测试参考参考博客 带标注的篮球篮框球员识别数据集准确率97.9% 9515张图支持yolococo jsonvoc xml,文末有模型训练代码-CSDN博客 中提供了详细的模型训练和测试代码示例包括YOLO 系列模型的训练配置数据加载和预处理代码模型评估指标计算推理测试代码示例建议用户参考该博客中的代码结构结合本数据集进行模型训练和测试。测试代码#需要安装pip install ultralytics from ultralytics import YOLO import cv2 # 1. 加载YOLO模型 # 自动下载预训练模型(yolov8n最轻量快速)也可换 yolov8s/m/l/x model YOLO(best.pt) # 2. 推理配置 image_path 326_jpg.rf.8ad64cc0668df32c4e5f59b50e899e9c.jpg # 你的图片路径 save_result True # 是否保存标注后的图 # 3. 执行推理 results model.predict( sourceimage_path, conf0.01, # 置信度阈值低于该值忽略 saveFalse, # 关闭默认保存自定义保存 verboseFalse # 关闭冗余日志 ) # 4. 解析结果目标区域 标注信息 print(*50) print(YOLO 推理结果目标区域 标注信息) print(*50) # 获取图片用于绘制框 img cv2.imread(image_path) # 遍历所有检测目标 for idx, result in enumerate(results): boxes result.boxes # 所有检测框 for box in boxes: # 提取目标区域坐标 # xyxy: 左上角x, 左上角y, 右下角x, 右下角y x1, y1, x2, y2 box.xyxy[0].cpu().numpy() # 宽高 w x2 - x1 h y2 - y1 # 提取标注信息 cls_id int(box.cls[0]) # 类别ID cls_name model.names[cls_id] # 类别名称 conf float(box.conf[0]) # 置信度 # 打印信息 print(f目标 {idx1}:) print(f 标注类别{cls_name}) print(f 置信度{conf:.2f}) print(f 目标区域坐标) print(f 左上角 ({x1:.1f}, {y1:.1f})) print(f 右下角 ({x2:.1f}, {y2:.1f})) print(f 宽×高{w:.1f} × {h:.1f}) print(-*30) # 在图片上绘制检测框 cv2.rectangle(img, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2) cv2.putText(img, f{cls_name} {conf:.2f}, (int(x1), int(y1)-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2) # 5. 保存/显示结果 if save_result: cv2.imwrite(yolo_result.jpg, img) print(✅ 标注图片已保存为yolo_result.jpg) # 显示图片可选 cv2.imshow(YOLO Result, img) #cv2.waitKey(0) #cv2.destroyAllWindows()数据集下载地址数据集按不同格式提供下载YOLO v11 格式https://download.csdn.net/download/pbymw8iwm/92475877YOLO v9 格式https://download.csdn.net/download/pbymw8iwm/92475878YOLO v8 格式https://download.csdn.net/download/pbymw8iwm/92475875YOLO v7 格式https://download.csdn.net/download/pbymw8iwm/92475873YOLO v5 格式https://download.csdn.net/download/pbymw8iwm/92475876COCO JSON 格式https://download.csdn.net/download/pbymw8iwm/92475879Pascal VOC XML 格式https://download.csdn.net/download/pbymw8iwm/92475874使用建议1. 根据您的项目需求选择合适的格式下载2. 解压后按照对应框架的文档配置数据路径3. 参考提供的训练代码进行模型训练4. 使用验证集评估模型性能5. 在实际场景中测试模型效果如有任何使用问题或需要技术支持请在评论区留言。