YOLOv8-CrowdHuman：基于YOLOv8的人头、人肩、人身检测系统实现

最新推荐文章于 2025-06-11 13:22:26 发布
最新推荐文章于 2025-06-11 13:22:26 发布
阅读量382 收藏 3
点赞数 3
CC 4.0 BY-SA版权
分类专栏： YOLO目标检测全栈实战：从v5到v11的百项项目精解 文章标签： YOLO 目标检测 目标跟踪 深度学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_52343631/article/details/147128976

1. 📌 项目简介

本项目旨在通过使用先进的 YOLOv8目标检测模型，结合大规模行人检测数据集 CrowdHuman，实现对图像或视频中**人头（head）、人身（full body）、人肩（visible body）**三种区域的精准检测，并通过 PyQt5 UI界面提供可视化检测结果展示。

项目特点：

  • 多类检测：同时检测人头、人身、人肩三种区域
  • 模型轻量、检测速度快
  • UI界面友好，支持图像/视频/摄像头输入
  • 支持自定义数据训练与推理

2. 🧾 数据集介绍：CrowdHuman

CrowdHuman 是由旷视科技提出的一个高密度人群检测数据集，涵盖三种目标区域：

  • full_body: 人体全身的bounding box
  • visible_body: 可见部分的bounding box（通常是上半身或部分遮挡）
  • head: 人头的bounding box

2.1 数据集特点

  • 高密度：每张图像平均含有超过 20 个行人
  • 多样化：拍摄环境多样，包含城市、街道、夜间等
  • 三类标
了解本专栏 订阅专栏 解锁全文
人体检测：基于YOLOv8的COCO、CityPersons与CrowdHuman数据集训练与UI集成全流程指南
06-01 431
人体检测是计算机视觉中的一个重要任务，广泛应用于视频监控、智能交通、行为分析等领域。YOLOv8作为最新一代的目标检测模型，具有高精度和实时性的优势，适合部署在各种实际应用中。简介：COCO（Common Objects in Context）是一个大规模的图像识别、分割和字幕数据集，包含80个对象类别，其中“person”类别用于人体检测任务。下载地址COCO官网数据格式：COCO使用JSON格式的注释文件，包含图像信息、类别信息和标注信息。
CrowdHuman: 基于YOLOv10的行人检测与人群分析
04-20 363
随着深度学习技术的发展，计算机视觉领域的目标检测技术也得到了广泛应用。在众多目标检测任务中，行人检测在人群密集的环境中尤为重要，尤其是在智能监控、自动驾驶、公共安全等领域。人群中的行人检测具有独特的挑战，因为人群中行人之间的遮挡、姿态变化以及不同的尺度会使得检测任务变得更加复杂。本篇博客将介绍如何使用。
行人头肩检测系统：HOG特征与SVM实现
最新发布
weixin_29781865的博客
06-11 1003
头肩检测，顾名思义，是指在复杂的背景图像中，识别并定位出行人头部和肩部区域的过程。头部和肩部作为人体的显著特征区域，形状相对稳定，不易受服装和外部环境的影响。头肩检测因其在人体比例和位置关系上的固定性，能够为行人检测提供可靠的参考点，提高检测的准确率和效率。例如，在视觉监控系统中，通过定位行人的头肩区域，可以有效区分目标和背景，实现精确的人体跟踪和行为分析。在自动驾驶系统中，头肩检测可以帮助车辆识别行人并预测其行为，从而提前采取措施，保证行车安全。
CrowdHuman数据集
热门推荐
儒雅的小Z.的博客
12-21 1万+
CrowdHuman数据集是旷世发布的用于行人检测的数据集，图片数据大多来自于google搜索。 CrowdHuman 数据集数据量比较大，训练集15000张，测试集5000张，验证集4370张。训练集和验证集中共有 470K 个实例，约每张图片包含23个人，同时存在各种各样的遮挡。每个人类实例都用头部边界框、人类可见区域边界框和人体全身边界框注释。 数据集可以在 http://www.crowd...
CrowdHuman数据集介绍
myh12138的博客
06-11 1万+
CrowdHuman数据集是旷世发布的用于行人检测的数据集，图片数据大多来自于google搜索。 CrowdHuman 数据集数据量比较大，训练集15000张，测试集5000张，验证集4370张。训练集和验证集中共有 470K 个实例，约每张图片包含23个人，同时存在各种各样的遮挡。每个人类实例都用头部边界框、人类可见区域边界框和人体全身边界框注释。 数据集可以在 http://www.crowdhuman.org/ 进行下载，其中测试数据集没有公开标注。 CrowdHuman测试 hbox：head b
CrowdHuman数据集：基于YOLOv5的人群检测与目标识别
04-25 391
CrowdHuman数据集是一个专门用于行人检测的开源数据集，主要用于人群中行人的检测与定位。该数据集由多个复杂的场景组成，包括在不同视角、不同光照和不同背景条件下的人群图像。CrowdHuman数据集包含了多种人群密度的场景，能够有效地提升行人检测模型在复杂环境下的鲁棒性。在本文中，我们介绍了如何使用YOLOv5进行CrowdHuman数据集的行人目标检测。通过数据准备、YOLOv5训练、模型评估和UI实现等步骤，我们成功构建了一个实时行人检测系统。
数据集CrowdHuman概述
qq_46220313的博客
05-28 757
人群场景下的人体检测是计算机视觉领域的重大挑战，现有数据集在人群密度和遮挡程度方面存在明显不足。Megvii团队提出的CrowdHuman数据集填补了这一空白，包含15,000张高密度图像（平均每图22.6人）和470,000个标注实例，提供全身体、可见区域和头部三种标注。实验表明，基于该数据集训练的模型在COCOPersons、Caltech等基准测试中表现出优异的跨数据集泛化能力。CrowdHuman为拥挤环境下人体检测研究提供了更全面的评估基准，对自动驾驶、智能监控等应用具有重要价值。
【论文笔记】：CrowdHuman: A Benchmark for Detecting Human in a Crowd
Activewaste
07-12 3069
&Title: CrowdHuman: A Benchmark for Detecting Human in a Crowd &Summary CrowdHuman的训练集、验证集和测试集分别包括15000，4370和5000幅图像。图片上的人体实例包含了三种标注，包括人体可见区域边界框标注、头部区域边界框标注和人体整体边界框标注。其设计是为了解决人群问题,可以更好的评估拥挤情况下...
基于YOLOv10进行CrowdHuman数据集的目标检测：从数据集加载到UI展示
04-05 369
YOLOv10是YOLO系列中的一个新版本，在前几个版本的基础上进行了进一步优化，提升了检测速度和准确性。YOLO模型采用单一的卷积神经网络来同时预测目标的位置和类别，具备实时处理视频流和高效推理的能力。YOLOv10的特点：实时检测：能在实时视频流中快速定位和分类目标。高准确率：通过改进网络结构和损失函数，在各种场景中都能提供较高的准确性。多尺度检测：YOLOv10能够检测不同大小的目标，适应性更强。
【目标检测】Yolov5训练Crowdhuman数据集
聿默的博客
01-05 4998
这篇文章的目的，1.解析Crowdhuman数据集；2.准备Crowdhuman相应配置，训练yolov5。 其中我的是将273271,1017c000ac1360b7.jpg，全部写为273271_1017c000ac1360b7.jpg 1.环境 ubuntu16.04 cuda10.1 cudnn7 python3.6 Cython matplotlib>=3.2.2 numpy>=1.18.5 opencv-python>=4.1.2 Pillow PyYAML&g
paddle - crowdHuman数据集训练人体识别模型
fantasysolo的博客
07-27 2003
paddle paddle - crowdHuman数据集训练人体识别模型数据集annotation解析annotation json各项意义转换paddle yolo的数据格式输入哪些数据? 数据集annotation解析 使用paddle paddle yolo v3的模型，将这个数据集的json内容转换为xml格式。 annotation json各项意义 参考官网：http://www.crowdhuman.org/download.html 但说得并不明确，这里对照图片总结了一下： JSON{
yolov4_crowdhuman:关于为 CrowdHuman 数据集训练 DarkNet YOLOv4 模型的教程
05-29
YOLOv4 CrowdHuman 教程 这是一个演示如何使用和训练YOLOv4人检测器的。 目录 设置 如果您打算在上训练模型，您可以跳过本节并直接跳到上。 否则，要在本地运行训练，您需要有一台具有不错 GPU 的 x86_64 PC。 例如，我主要使用台式 PC 测试此存储库中的代码： NVIDIA GeForce RTX 2080 Ti Ubuntu 18.04.5 LTS (x86_64) CUDA 10.2 cuDNN 8.0.1 此外，您应该在本地 PC 上正确安装 OpenCV（包括 python3“cv2”模块），因为数据准备代码和“darknet”都需要它。 准备训练数据 对于在本地 PC 上的训练，我使用“608x608”yolov4 模型作为示例。 请注意，我在本教程中只使用了 python3（python2 可能不起作用）。 请按照以下步骤准备“ Cr
YOLOv8-WiderPerson：基于YOLOv8实现行人、骑行者与遮挡人检测系统
04-10 428
WiderPerson 是由中国科学院与清华大学联合发布的大规模行人检测数据集，适用于密集目标识别、遮挡检测、智能城市等研究任务。结构丰富：> 13 万个标注框分类清晰：行人、骑行者、部分遮挡人等五类遮挡严重：测试检测模型鲁棒性极佳多目标支持（分类/检测/分割）模型轻量化，可适配移动端PyTorch生态集成，部署便捷高精度 & 高速度创建yaml复制编辑names:1: rider多目标检测能力强UI界面交互流畅适合实用部署/移动端落地。
【CrowdHuman】《CrowdHuman：A Benchmark for Detecting Human in a Crowd》
bryant_meng
04-04 1482
arXiv-2018。
【干货】mmdetection使用coco格式的CrowdHuman数据集进行训练及测试（附调参过程）
Activewaste
07-10 1万+
注：从mmdetection使用coco数据集在faster rcnn训练和测试，到了解crowdhuman数据集标注格式，再到crowdhuman的标注格式转换成coco数据集标注格式，现在就到了最终目的了：训练转换后的Crowd Human数据集。 以下是博主这一过程中整理的记录： 【干货】用mmdetection，在COCO数据集上跑通faster R-CNN（测试、训练） COCO数据...
开源行人数据集（crowdhuman）odgt转yolo格式
m0_51074987的博客
04-23 3081
向各位推荐一个用于人体检测的开源数据集，可以用于目标追踪，人流量统计方面的训练项目。并附带了odgt转化为yolo格式的脚本及说明
如何使用深度学习框架yolov8训练使用-俯视监控视角人头数据集 yolo目标检测 人头目标检测 该数据集包含11250张图片，标签为head/高效地处理数据和训练模型。
2401_88440984的博客
11-24 884
如何使用深度学习框架yolov8训练使用-俯视监控视角人头数据集 yolo目标检测 人头目标检测 该数据集包含11250张图片，标签为head/高效地处理数据和训练模型。
crowdhuman 数据集 darknet yolov7训练
u014081647的博客
10-11 3318
yolov7-darknet-crowdhuman
基于yolo11的CrowdHuman密集行人目标检测实战文档(yolo格式数据免费获取)
深度学习算法工程师，专注于前沿算法研究与实战应用。在这里，我将分享深度学习领域的实战经验、优质数据集资源以及最新论文解读与精度分析，旨在与广大技术爱好者共同探索人工智能的奥秘，助力技术成长与创新。
02-11 1202
在拥挤/遮挡场景下，使用crowdhuman数据集重训练后的yolo11，效果表现较好。CrowdHuman数据集是旷世发布的用于行人检测的数据集，图片数据大多来自于google搜索。CrowdHuman数据集数据量比较大，训练集15000张，测试集5000张，验证集4370张。
YOLOv5 crowdhuman
07-27
YOLOv5 CrowdHuman是一个基于YOLOv5的目标检测模型，用于检测CrowdHuman数据集中的目标。CrowdHuman数据集是一个用于人群检测的大规模数据集，包含了各种场景下的人群图像和标注信息。YOLOv5 CrowdHuman的训练和使用需要使用YOLOv5-Tools中的一些关键文件，如prepare_vbody_data.sh和gen_vbody_txts.py。这些文件可以在YOLOv5-Tools的CrowdHuman2YOLO/data目录下找到\[1\]。如果你想了解更多关于YOLOv5 CrowdHuman的训练和使用的信息，可以参考B站上的一个视频教程\[2\]，或者参考一个博客文章\[3\]中提供的代码工具。 #### 引用[.reference_title] - *1* *2* *3* [yolov5 训练crowded human 【visible body detection】](https://blog.csdn.net/WhiffeYF/article/details/124502681)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

YOLO实战营

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值