河道垃圾数据集水污染数据集——无人机视角数据集共3000张图片，可直接用于河道垃圾、水污染功能检测已标注yolo格式、voc格式，可直接训练；

河道垃圾与水污染检测数据集（无人机视角）

项目概述

本数据集是一个专门用于河道垃圾和水污染检测的数据集，包含3000张由无人机拍摄的图像。这些图像经过人工检查并标注，确保了标注的质量。数据集提供了YOLO格式和VOC格式的标注文件，可以直接用于训练深度学习模型，以实现对河道中的水污染、漂浮物、废弃船、捕鱼养殖设施以及废弃物的自动检测。

数据集特点

高质量标注：所有标注数据至少经过一次人工检查，确保标注质量。
多样化类别：涵盖五类常见的河道污染物和设施。
多用途：适用于多种目标检测任务，特别是涉及河道管理和环境保护的应用。
易于使用：提供了详细的说明文档和预处理好的标注文件，方便用户快速上手。
无人机视角：所有图像均从无人机视角拍摄，具有较高的分辨率和广角视野。

数据集结构

River_Pollution_Dataset/
├── images/                               # 图像文件夹
│   ├── train/                            # 训练集图像
│   ├── val/                              # 验证集图像
│   └── test/                             # 测试集图像
├── labels/                               # 标注文件夹
│   ├── train/                            # 训练集标注 (YOLO 和 VOC 格式)
│   ├── val/                              # 验证集标注 (YOLO 和 VOC 格式)
│   └── test/                             # 测试集标注 (YOLO 和 VOC 格式)
├── README.md                             # 项目说明文档
└── data.yaml                             # 数据集配置文件

数据集内容

总数据量：3000张图像。
标注格式：YOLO格式和VOC格式。
标注对象：各类河道污染物和设施的位置。
类别及数量：

类别名	标注个数
水污染 (Water Pollution)	488
漂浮物 (Floating Debris)	5495
废弃船 (Abandoned Boats)	1215
捕鱼养殖 (Fishing and Aquaculture)	710
废弃物 (Waste)	156

总计：
- 图像总数：3000张
- 标注总数：7064个
- 总类别数 (nc)：5类

使用说明

环境准备：
- 确保安装了Python及其相关库（如torch、opencv-python、matplotlib等）。
- 下载并解压数据集到本地目录。
- 安装YOLOv5所需的依赖项：
  bash
  深色版本
```
git clone https://github.com/ultralytics/yolov5
cd yolov5
pip install -r requirements.txt
```
加载数据集：
- 可以使用常见的编程语言（如Python）来加载和处理数据集。
- 示例代码如下：

import os
import json
import pandas as pd
from pathlib import Path
from yolov5.utils.datasets import LoadImages, LoadImagesAndLabels
from yolov5.models.experimental import attempt_load
from yolov5.utils.general import non_max_suppression, scale_coords
from yolov5.utils.torch_utils import select_device
import cv2
import numpy as np# 定义数据集路径
dataset_path = 'River_Pollution_Dataset'# 加载图像和标注
def load_dataset(folder):images_folder = os.path.join(dataset_path, 'images', folder)labels_folder = os.path.join(dataset_path, 'labels', folder)dataset = []for image_file in os.listdir(images_folder):if image_file.endswith('.jpg') or image_file.endswith('.png'):image_path = os.path.join(images_folder, image_file)label_path = os.path.join(labels_folder, image_file.replace('.jpg', '.txt').replace('.png', '.txt'))with open(label_path, 'r') as f:labels = [line.strip().split() for line in f.readlines()]dataset.append({'image_path': image_path,'labels': labels})return dataset# 示例：加载训练集
train_dataset = load_dataset('train')
print(f"Number of training images: {len(train_dataset)}")

模型训练：
- 使用预训练的YOLOv5模型进行微调，或者从头开始训练。
- 示例代码如下：

# 设置设备
device = select_device('')# 加载预训练模型或从头开始训练
model = attempt_load('yolov5s.pt', map_location=device)  # 或者 'path/to/custom_model.pt'
model.train()# 数据集配置文件
data_yaml = 'River_Pollution_Dataset/data.yaml'# 训练参数
hyp = 'yolov5/data/hyps/hyp.scratch.yaml'  # 超参数配置文件
epochs = 100
batch_size = 16
img_size = 640# 开始训练
%cd yolov5
!python train.py --img {img_size} --batch {batch_size} --epochs {epochs} --data {data_yaml} --weights yolov5s.pt

模型推理：
- 使用训练好的模型进行推理，并在图像上绘制检测结果。
- 示例代码如下：

python

深色版本

def detect(image_path, model, device, img_size=640):img0 = cv2.imread(image_path)img = letterbox(img0, new_shape=img_size)[0]img = img[:, :, ::-1].transpose(2, 0, 1)  # BGR to RGB, to 3x416x416img = np.ascontiguousarray(img)img = torch.from_numpy(img).to(device)img = img.half() if half else img.float()  # uint8 to fp16/32img /= 255.0  # 0 - 255 to 0.0 - 1.0if img.ndimension() == 3:img = img.unsqueeze(0)# 推理with torch.no_grad():pred = model(img, augment=False)[0]# NMSpred = non_max_suppression(pred, 0.4, 0.5, classes=None, agnostic=False)for i, det in enumerate(pred):  # 每个图像的检测结果if det is not None and len(det):det[:, :4] = scale_coords(img.shape[2:], det[:, :4], img0.shape).round()for *xyxy, conf, cls in reversed(det):label = f'{model.names[int(cls)]} {conf:.2f}'plot_one_box(xyxy, img0, label=label, color=(0, 255, 0), line_thickness=3)return img0# 示例：检测单张图像
result_img = detect('path/to/image.jpg', model, device)
cv2.imshow('Detection Result', result_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

性能评估：
- 使用测试集进行性能评估，计算mAP、召回率、精确率等指标。
- 可以使用YOLOv5自带的评估脚本：
  bash
  深色版本
```
python val.py --data River_Pollution_Dataset/data.yaml --weights best.pt --img 640
```