1、汽车检测数据集，从COCO2017数据集中提取得到，并分别转成了txt和xml两种格式的标签，可用于YOLO汽车检测；共有两部分，这里是第一部分数据 2、目标类别名：car； 3、数量：5115 4、https://blog.csdn.net/weixin_51154380/article/details/12448087

应急车辆检测数据集，应急车辆通常包括警车、救护车和消防队，train.zip包含2 csv和1文件夹包含图像数据包含图片名称为1646(70%)和正确的类训练图像图像——包含2352个图像为训练集和测试集test.csv [' imagenames ']只包含图像名称samplesubmission.csv 706(30%)测试图像包含一个有效的确切格式提交(1 -紧急车辆,0 -非紧急车辆)

YOLOv5实现车辆检测(含车辆检测数据集+训练代码)： https://blog.csdn.net/guyuealian/article/details/128099672

UA-DETRAC BITVehicle车辆检测数据集：https://blog.csdn.net/guyuealian/article/details/127907325 （1）UA-DETRAC车辆检测数据集： 包含原始官网下载的Train和Test数据集，以及标注文档Annotations，训练集约82085张图片，测试集约56167张图片 （2）Vehicle-Dataset车辆检测数据集：总共3000张，共标注了21个类别，包含自行车(bicycle),公共汽车(bus),汽车(car),摩托车(motorbike)等常见的车辆类别； （3）BITVehicle车辆检测数据集：总共9850张图片，标注了6个类别：公共汽车(Bus)、微型客车(Microbus)、小型货车(Minivan)、轿车(Sedan)、SUV(SUV) 和卡车(Truck)

【实际项目应用】：车牌检测、车牌识别、车辆检测 【数据集说明】：车辆车牌检测数据集，一共1456张图片，标签包含两类，分别为“car”和“plat”，道路监控摄像头视角背景，数据分布均匀，标签包含voc（xml）、yolo（txt）两种格式，多种目标检测算法可直接使用。纯手工标注，标注精准，算法拟合不错，数据质量可靠。 【更多数据集介绍】https://blog.csdn.net/DeepLearning_/article/details/127276492?spm=1001.2014.3001.5502

夜间车辆监测数据集，已将标注好了包含xml标签文件，包括训练集和测试集，大约10000张。

该数据集是由布尔诺理工大学发布，包含 6 个由监控摄像头拍摄的视频文件以及相关的速度测量信息，可被用于速度测量，车辆尺寸测量，车辆分类等交通类任务

1、YOLO车辆检测数据集 2、车辆目标检测, 包括训练集train-dataset13339 张和val-dataset7183 张 3、calsses: car，van，others，bus 共四个类别 4、标签格式;txt和xml两种格式

基于pytorch深度学习框架，实用开源模型yolov4实现模板检测与yolov5实现车牌检测与LPRNet实现车牌检测 基于pytorch深度学习框架，实用开源模型yolov4实现模板检测与yolov5实现车牌检测与LPRNet实现车牌检测 基于win10系统，实用anaconda配置python环境，在anaconda里面下载vscode对项目进行编辑，基于pytorch深度学习框架，实用开源模型yolov4实现模板检测与yolov5实现车牌检测与LPRNet实现车牌检测 基于pytorch深度学习框架，实用开源模型yolov4实现模板检测与yolov5实现车牌检测与LPRNet实现车牌检测 基于win10系统，实用anaconda配置python环境，在anaconda里面下载vscode对项目进行编辑

YOLO车辆检测数据集+对任意车辆图片进行车辆检测和型号分类的识别系统。对数据集中部分图片使用LabelImg工具进行了Bounding Box标注，使用MobileNet模型的SSD检测框架，借助其预训练模型并利用这些标注图片，训练和实现了车辆的位置检测模型；训练并调优了InceptionV4模型实现对车辆类型的分类；将位置检测结果的裁剪子图送入型号分类模型，以此完成对两个模型串行的衔接，并最终形成了一套完整的可以运行演示的web产品。YOLO车辆检测数据集+对任意车辆图片进行车辆检测和型号分类的识别系统。对数据集中部分图片使用LabelImg工具进行了Bounding Box标注，使用MobileNet模型的SSD检测框架，借助其预训练模型并利用这些标注图片，训练和实现了车辆的位置检测模型；训练并调优了InceptionV4模型实现对车辆类型的分类；将位置检测结果的裁剪子图送入型号分类模型，以此完成对两个模型串行的衔接，并最终形成了一套完整的可以运行演示的web产品。