带标注的羽毛球运动员，裁判，羽毛球识别数据集，识别率84.4%，2879张图，支持yolo，coco json，voc xml,文末有模型训练代码

本文介绍一个专门用于识别羽毛球运动员、裁判和羽毛球的计算机视觉数据集。该数据集包含2879张高质量标注图片，在YOLO系列模型上测试识别率达到84.4%。数据集支持多种格式：YOLO标注格式、COCO JSON格式和PASCAL VOC XML格式，方便不同框架使用。文末还提供了完整的模型训练代码，帮助读者快速上手。

数据集特点：

• 高质量标注：每张图片都经过精细标注，边界框准确
• 多格式支持：YOLO、COCO、VOC三种主流格式
• 真实场景：包含比赛现场、训练场景等多种环境
• 数据增强：包含模糊图片作为正样本，提升模型鲁棒性

模型训练指标参数：

模型训练图：

数据集拆分与预处理

数据分布

• 总图数：2879张
• 训练集：2526张（约87.7%）
• 验证集：236张（约8.2%）
• 测试集：117张（约4.1%）

预处理流程

数据增强策略

• 当前配置：无额外增强（保持原始数据分布）
• 建议增强：可根据需要添加旋转、裁剪、色彩抖动等

应用场景说明：这种标准化的拆分比例（约8:1:1）适用于大多数目标检测任务。训练集充足确保模型充分学习特征，验证集用于调参防止过拟合，测试集提供最终性能评估。640×640的输入尺寸平衡了计算效率和检测精度，适合部署在边缘设备或云端服务器。

数据集标签说明

数据集包含3个类别，覆盖网球比赛中的关键元素：

# 类别标签（英文）
labels = ['referee', 'tennis ball', 'player']

应用场景扩展：

数据集图片和标注信息示例

数据质量说明

数据集中包含部分模糊图片，这并非数据缺陷，而是精心设计的数据增强策略。在真实体育场景中，快速运动、相机抖动、光线变化都会导致图像模糊，因此包含模糊样本能显著提升模型在实际应用中的表现。

模糊图片的三大优势

实际应用价值：

• 移动端部署：手机APP实时识别网球比赛，即使拍摄抖动也能准确标注
• 无人机航拍：高空拍摄的模糊图像仍能识别球员和球的位置
• 老旧监控系统：低分辨率摄像头也能用于赛事分析
• 实时转播：高速运动场景下保持稳定的目标跟踪

数据集下载：

yolo26,yolo v12,yolo v11,yolo v9,yolo v8,yolo v7,coco json,pascal voc xml: 下载地址：

YOLO模型训练

下载数据集之后解压到当前文件夹，然后将 我的仓库 https://gitcode.com/pbymw8iwm/YOLOProject 里的训练模型脚本复制到文件夹下，假设你使用的是yolov8来训练你就用python train_yolov8.py ​​

模型验证测试情况：

验证测试代码：

#需要安装pip install ultralytics
from ultralytics import YOLO
import cv2

# ===================== 1. 加载YOLO模型 =====================
# 自动下载预训练模型(yolov8n最轻量快速)，也可换 yolov8s/m/l/x
model = YOLO("best.pt")
# ===================== 2. 推理配置 =====================
image_path = "326_jpg.rf.8ad64cc0668df32c4e5f59b50e899e9c.jpg" # 你的图片路径
save_result = True # 是否保存标注后的图
# ===================== 3. 执行推理 =====================
results = model.predict(
source=image_path,
conf=0.01, # 置信度阈值（低于该值忽略）
save=False, # 关闭默认保存，自定义保存
verbose=False # 关闭冗余日志
)

# ===================== 4. 解析结果：目标区域 + 标注信息 =====================
print("="*50)
print("YOLO 推理结果（目标区域 + 标注信息）")
print("="*50)

# 获取图片（用于绘制框）
img = cv2.imread(image_path)

# 遍历所有检测目标
for idx, result in enumerate(results):
boxes = result.boxes # 所有检测框

for box in boxes:
# ========== 提取目标区域（坐标） ==========
# xyxy: 左上角x, 左上角y, 右下角x, 右下角y
x1, y1, x2, y2 = box.xyxy[0].cpu().numpy()
# 宽高
w = x2 – x1
h = y2 – y1

# ========== 提取标注信息 ==========
cls_id = int(box.cls[0]) # 类别ID
cls_name = model.names[cls_id] # 类别名称
conf = float(box.conf[0]) # 置信度

# ========== 打印信息 ==========
print(f"目标 {idx+1}:")
print(f" 标注类别：{cls_name}")
print(f" 置信度：{conf:.2f}")
print(f" 目标区域坐标：")
print(f" 左上角 ({x1:.1f}, {y1:.1f})")
print(f" 右下角 ({x2:.1f}, {y2:.1f})")
print(f" 宽×高：{w:.1f} × {h:.1f}")
print("-"*30)

# ========== 在图片上绘制检测框 ==========
cv2.rectangle(img, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2)
cv2.putText(img, f"{cls_name} {conf:.2f}",
(int(x1), int(y1)–10),
cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)

# ===================== 5. 保存/显示结果 =====================
if save_result:
cv2.imwrite("yolo_result.jpg", img)
print("✅ 标注图片已保存为：yolo_result.jpg")

# 显示图片（可选）
cv2.imshow("YOLO Result", img)
#cv2.waitKey(0)
#cv2.destroyAllWindows()