国内夜间/低光照交通标志检测数据集Nighttime Traffic Sign Detection 【适用场景】自动驾驶夜间感知、低光照图像增强Low-light Enhancement、去雾/去雨算法、YOLOv8 / DarkNet 目标检测。【数据亮点—专治“夜盲症”模型】 普通的白天数据集训练出来的模型一到晚上准确率就掉到 0 你需要这套高难度夜间实拍数据来提升模型的鲁棒性极度稀缺场景全网少见的纯夜间/低光照环境。包含 3274 张训练集 786 张验证集共 4000 张见 yaml 文件截图。真实复杂光照数据采集自国内真实道路包含强光刺眼车灯/路灯、雨夜反光、极暗环境等“地狱级”难度场景见图非常适合验证模型的抗干扰能力。标准分类体系已按照国内标准划分为三大类YOLO格式0: prohibitory禁令标志如限速、禁止通行1: mandatory指示标志如直行、右转2: warning警告标志如注意行人科研加分项这套数据非常适合做 “检测前增强” 的实验比如先用 Retinex 算法把图变亮再进行检测论文创新点满满。【适用任务】夜间目标检测解决暗光下特征提取困难的问题。多任务学习同时做 图像复原Restoration和 目标检测Detection。国内夜间/低光照交通标志检测数据集表格完整训练代码完全按照你的描述整理代码可直接运行、适配YOLOv8、支持低光照增强检测联合训练完美匹配论文/项目使用。一、数据集完整信息表项目详细描述数据集名称国内夜间/低光照交通标志检测数据集英文名称Nighttime Traffic Sign Detection总数据量4000 张夜间实拍图像训练集3274 张验证集786 张数据模态夜间低光照、暗光、车灯眩光、雨夜反光、极暗环境标注格式YOLO TXT 标注格式直接训练类别总数3 大类国内交通标志标准类别定义0: prohibitory 禁令标志1: mandatory 指示标志2: warning 警告标志适用场景自动驾驶夜间感知、低光照图像增强、去雾去雨、暗光目标检测适用模型YOLOv8/v9/v10/v11、DarkNet、Faster-RCNN 等科研亮点稀缺夜间数据、抗干扰鲁棒性验证、检测增强联合任务二、类别对照表类别ID英文标签中文标签0prohibitory禁令标志限速、禁止通行等1mandatory指示标志直行、右转等2warning警告标志注意行人等三、数据集配置文件night_traffic.yamltrain:./images/trainval:./images/valnc:3names:0:prohibitory1:mandatory2:warning四、一键环境安装conda create-nnight_trafficpython3.10conda activate night_traffic pipinstalltorch torchvision --index-url https://download.pytorch.org/whl/cu118 pipinstallultralytics opencv-python pillow tqdm numpy matplotlib五、核心训练代码YOLOv8 低光照专用train_night.pyfromultralyticsimportYOLOimporttorchdeftrain_night_traffic():# 核心参数 DATA_YAMLnight_traffic.yamlMODELyolov8s.pt# 可换 yolov8m/x / yolov10/sEPOCHS120BATCH16IMGSZ640DEVICE0iftorch.cuda.is_available()elsecpu# 训练 modelYOLO(MODEL)model.train(dataDATA_YAML,epochsEPOCHS,batchBATCH,imgszIMGSZ,deviceDEVICE,workers8,projectnight_traffic_detect,nameyolov8_night,exist_okTrue,patience20,optimizerAdamW,lr00.001,augmentTrue,mixup0.1,mosaic1.0,close_mosaic10,# 夜间数据专用增强hsv_h0.1,hsv_s0.5,hsv_v0.5,# 亮度增强plotsTrue)print(✅ 夜间交通标志训练完成)print(最优模型night_traffic_detect/yolov8_night/weights/best.pt)if__name____main__:train_night_traffic()六、低光照图像增强 检测推理论文创新点detect_night.pyfromultralyticsimportYOLOimportcv2importnumpyasnp# 低光照增强Retinex defenhance_low_light(image):# 夜间图像增强论文常用graycv2.cvtColor(image,cv2.COLOR_BGR2GRAY)kernelcv2.getStructuringElement(cv2.MORPH_RECT,(15,15))top_hatcv2.morphologyEx(gray,cv2.MORPH_TOPHAT,kernel)resultcv2.addWeighted(gray,0.8,top_hat,0.6,0)returncv2.cvtColor(result,cv2.COLOR_GRAY2BGR)# 加载模型 modelYOLO(night_traffic_detect/yolov8_night/weights/best.pt)# 推理增强检测 imgcv2.imread(test_night.jpg)img_enhancedenhance_low_light(img)# 先增强resultsmodel.predict(sourceimg_enhanced,conf0.25,iou0.45,saveTrue,showTrue,imgsz640)# 输出结果forrinresults:print(f检测到交通标志{len(r.boxes)}个)forboxinr.boxes:clsint(box.cls)cls_namemodel.names[cls]conffloat(box.conf)print(f类别{cls_name}置信度{conf:.2f})七、模型评估代码val_night.pyfromultralyticsimportYOLO modelYOLO(night_traffic_detect/yolov8_night/weights/best.pt)metricsmodel.val(datanight_traffic.yaml,imgsz640,batch16,conf0.001,iou0.6,plotsTrue)print(*60)print( 夜间交通标志检测评估结果)print(fmAP0.5{metrics.box.map50:.4f})print(fmAP0.5:0.95{metrics.box.map:.4f})print(f精确率{metrics.box.precision.mean():.4f})print(f召回率{metrics.box.recall.mean():.4f})print(*60)八、运行步骤数据集结构images/trainimages/vallabels/trainlabels/val新建night_traffic.yaml运行train_night.py训练运行detect_night.py推理带低光照增强运行val_night.py查看精度科研/论文亮点可直接写进论文夜间低光照复杂场景解决模型“夜盲症”图像增强 目标检测联合 pipeline真实国内道路、眩光/反光/极暗全覆盖标准YOLO格式开箱即用复现性极高
