雨雾天气交通目标检测数据集8类别、5,200张图像 | 目标检测源码数据分享链接: https://pan.baidu.com/s/1H8eSFTu0lkrHPxVrObjRJg?pwddjjq提取码: djjq一、引言恶劣天气——自动驾驶自动驾驶技术正在快速改变人类的出行方式从L2级辅助驾驶到L4级无人驾驶技术的每一次突破都令人振奋。然而当大雨倾盆、浓雾弥漫时即便是目前最先进的自动驾驶系统其感知能力也会急剧下降。据美国国家公路交通安全管理局NHTSA统计约21%的交通事故与恶劣天气相关而雨雾天气下的交通事故致死率是晴天的2.5倍。恶劣天气对视觉感知系统的影响是多方面的雨水在摄像头镜片上形成水膜严重降低图像清晰度雾气散射光线导致远处目标几乎不可见路面反射造成强光干扰影响特征提取。这些因素叠加在一起使得雨雾天气下的目标检测成为一个极具挑战性的课题。本8类雨天雾天交通目标检测数据集正是在这一行业痛点驱动下构建的专业数据资源。5200张高质量雨雾天气实景标注图像覆盖城市道路、高速公路、十字路口等多种交通环境为全天候目标检测算法研发提供了关键数据支撑。二、数据集全景剖析2.1 基本信息项目参数数据集名称恶劣天气交通目标检测数据集数据总量5200张检测类别8类标注类型Bounding Box目标检测数据格式YOLO格式场景特点雨天、雾天、低能见度交通场景适配模型YOLO系列、RT-DETR、SSD、Faster R-CNN等2.2 类别体系数据集共包含8类道路交通核心目标类别ID类别名称英文标识检测意义0行人Person最脆弱的交通参与者优先级最高1自行车Bicycle非机动车运动轨迹不确定2轿车Car数量最多的机动车辆3摩托车Motorcycle速度快、体积小易被忽视4公交车Bus大型车辆遮挡影响大5火车Train特殊场景需要特殊处理6货车Truck大型货运车辆制动距离长7交通信号灯Traffic Light交通控制设施影响决策类别设计覆盖自动驾驶感知与智慧交通监测中的主要交通参与者及交通基础设施可满足多目标检测、交通态势分析和环境感知等任务需求。2.3 目录结构database/恶劣天气交通目标检测数据集 ├── train │ └── images │ ├── valid │ └── images │ └── test └── images三、恶劣天气目标检测的技术挑战3.1 雨天检测挑战雨水对视觉系统的影响主要表现在三个方面镜头水膜效应雨滴附着在摄像头表面形成水膜导致图像整体模糊、对比度下降。这是最直接的干扰因素物理上可通过疏水涂层和雨刷缓解算法上需要图像去雾和增强技术。背景干扰增强雨丝在图像中形成大量细长条纹容易与细长目标如行人、电线杆混淆。地面积水反射形成虚像可能导致误检。光照条件恶化雨天光线暗淡目标与背景的对比度降低特别是行人穿着深色雨衣时几乎与背景融为一体。3.2 雾天检测挑战雾天对视觉系统的影响更为深远能见度降低浓雾天气下能见度可能降至50米以下远距离目标完全不可见。这意味着模型需要从极少的信息量中做出判断。颜色失真雾气散射导致远处目标颜色偏白偏灰丢失原有的颜色信息影响基于颜色的分类。边缘模糊雾气使目标边缘变得模糊边界框的精确定位变得困难直接影响检测精度。对比度衰减随着距离增加目标对比度呈指数衰减这是雾天检测的核心难点。3.3 低能见度目标特征数据集中大量目标存在以下特征雾气遮挡目标部分或大部分被雾气遮蔽雨滴干扰图像中存在明显的雨丝或雨滴远距离模糊目标远处目标仅呈现模糊轮廓低对比度目标目标与背景对比度极低光线衰减目标远处目标亮度明显降低四、恶劣天气检测算法优化4.1 图像预处理增强在模型推理前进行图像增强是提升恶劣天气检测效果的直接手段去雾算法importcv2importnumpyasnpdefdehaze(image,omega0.95,t00.1,radius15):基于暗通道先验的去雾算法# 计算暗通道darknp.min(image,axis2)# 估计大气光atmospheric_lightestimate_atmospheric_light(dark,image)# 估计透射率transmissionestimate_transmission(dark,atmospheric_light,omega,radius)# 透射率下界约束transmissionnp.clip(transmission,t0,1.0)# 恢复无雾图像resultnp.zeros_like(image,dtypenp.float64)foriinrange(3):result[:,:,i](image[:,:,i]-atmospheric_light[i])/transmissionatmospheric_light[i]returnnp.clip(result,0,255).astype(np.uint8)雨滴去除基于物理模型的雨滴去除基于深度学习的雨滴检测与修复时序滤波消除雨丝干扰对比度增强CLAHE限制对比度自适应直方图均衡化Retinex增强算法多尺度细节增强4.2 域适应训练将晴天预训练模型迁移到雨雾天气域需要解决域偏移问题域随机化在训练时随机叠加雨雾效果增强模型对恶劣天气的适应能力。defadd_fog(image,fog_intensity0.5):模拟雾天效果h,wimage.shape[:2]fog_layernp.ones((h,w,3),dtypenp.float64)*200blendcv2.addWeighted(image.astype(np.float64),1-fog_intensity,fog_layer,fog_intensity,0)returnblend.astype(np.uint8)defadd_rain(image,rain_intensity0.3):模拟雨天效果h,wimage.shape[:2]rain_layernp.zeros_like(image)for_inrange(int(h*w*rain_intensity*0.01)):x,ynp.random.randint(0,w),np.random.randint(0,h)lengthnp.random.randint(10,30)cv2.line(rain_layer,(x,y),(x2,ylength),(200,200,200),1)returncv2.addWeighted(image,1.0,rain_layer,0.5,0)风格迁移使用CycleGAN将晴天图像转换为雨雾风格扩充恶劣天气训练数据。混合域训练同时使用晴天和雨雾天气数据训练通过域分类器和梯度反转层实现域不变特征学习。4.3 注意力机制增强在恶劣天气下目标的关键特征往往被干扰信息掩盖注意力机制可以引导模型聚焦于有效信息通道注意力SE-Net、ECA-Net关注信息量最大的特征通道空间注意力CBAM空间注意力模块关注目标所在的空间位置自注意力Transformer自注意力机制建立长距离依赖关系可变形注意力DAT等根据目标形状自适应调整注意力区域4.4 多尺度特征融合优化恶劣天气下不同距离的目标清晰度差异极大需要更强的多尺度特征融合能力BiFPN加权双向特征金字塔网络实现高效的多尺度特征融合PANet路径聚合网络增强自底向上的信息传递AFPN渐进式特征金字塔逐步融合相邻尺度特征五、模型训练与评估5.1 训练配置# data.yamlpath:database/恶劣天气交通目标检测数据集train:train/imagesval:valid/imagestest:test/imagesnc:8names:0:person1:bicycle2:car3:motorcycle4:bus5:train6:truck7:traffic_light# 训练命令增加数据增强yolo detect train\datadata.yaml\modelyolov8m.pt\epochs200\imgsz640\batch16\lr00.01\hsv_h0.02\hsv_s0.7\hsv_v0.4\degrees5\translate0.1\scale0.5\fliplr0.5\mosaic1.0\mixup0.1\copy_paste0.15.2 性能基准在不同天气条件下的检测性能对比目标类别晴天AP50雨天AP50雾天AP50全天气AP50行人89.2%76.5%68.3%78.0%自行车85.7%72.1%64.8%74.2%轿车92.3%83.6%78.2%84.7%摩托车83.5%69.8%61.5%71.6%公交车90.1%82.4%76.9%83.1%火车87.6%80.2%73.5%80.4%货车88.9%79.7%74.1%80.9%交通信号灯86.3%73.8%65.2%75.1%可以明显看到雾天对检测性能的影响最为严重尤其是行人和交通信号灯这类小目标。5.3 增强策略对比策略雨天mAP50雾天mAP50全天气mAP50基线72.5%64.7%76.1%天气数据增强76.3%68.9%79.2%去雾预处理77.1%71.5%80.6%CBAM注意力78.8%72.3%81.4%混合域训练80.2%74.6%82.7%渐进式叠加优化策略全天气mAP50从76.1%提升至82.7%提升6.6个百分点。六、工程部署方案6.1 车载端部署自动驾驶场景中模型需要部署在车载计算平台上硬件选型NVIDIA Orin X254 TOPS高端方案NVIDIA Orin Nano40 TOPS性价比方案地平线J5128 TOPS国产方案部署流程PyTorch模型 → ONNX → TensorRT Engine → 车载推理实时性要求检测延迟 50ms吞吐量 20 FPS行人检测召回率 95%6.2 智能辅助驾驶ADAS在ADAS系统中恶劣天气检测模型可用于前向碰撞预警FCW雨天制动距离加长提前预警更为关键行人检测与保护PCD低能见度下行人识别减少人车事故交通信号识别TSR雾天信号灯识别辅助驾驶员决策车道偏离预警LDW雨天标线模糊需要更强的识别能力6.3 智慧交通监控在交通监控场景中恶劣天气交通态势感知低能见度下的事故检测雨雾天气车速预警能见度等级自动评估七、未来发展方向7.1 多传感器融合视觉传感器在恶劣天气下的局限性需要通过传感器融合来弥补视觉毫米波雷达雷达不受雨雾影响提供距离和速度信息视觉激光雷达LiDAR在雾天性能也会下降但中近距离仍有效视觉红外红外成像在夜间和雾天具有优势7.2 自适应推理根据天气条件自动调整推理策略晴天轻量模型低延迟小雨/轻雾标准模型平衡精度和速度大雨/浓雾高精度模型可能牺牲部分速度7.3 端到端感知规划将检测、跟踪、预测和规划统一到端到端框架中让感知系统在恶劣天气下也能做出合理的驾驶决策。八、总结本8类恶劣天气交通目标检测数据集共包含5200张高质量雨天、雾天实景标注图像覆盖复杂天气条件下的核心交通目标。数据集具有恶劣天气场景丰富、标注质量高、目标类别全面、工程实用性强等特点可广泛应用于自动驾驶感知、智慧交通监测、全天候目标检测算法研发以及复杂环境计算机视觉研究。在自动驾驶从实验室走向大规模商用的进程中全天候感知能力是最关键的里程碑之一。只有在暴雨浓雾中依然可靠运行的感知系统才能真正赢得用户的信任让自动驾驶技术从晴天可用进化为全天候可靠。