本数据集主要用于提升AI模型对共享单车违规停放行为的识别能力与精确性。通过对该数据集的训练，使AI模型能够通过图像分析精准识别超区域停放、倾倒堆积、占用盲道/消防通道等违规行为，并可应用于城市管理、共享单车运营商调度及社区治理等场景的智能巡检系统。同时，本数据集可为城市管理部门提供智能化执法依据，为共享单车运营商优化车辆调度管理，为社区治理提供秩序维护支持，从而提升城市公共空间管理水平和共享单车运营效率。
1.数据采集 通过企业自有摄像设备自行采集道路共享单车图像，同步记录图像ID、采集时间、设备型号、地理坐标、光照条件、天气状况等数据。 2.数据预处理与标注 通过数据清洗剔除模糊、重复图像。按7:2:1比例划分训练集/验证集/测试集。设置多级标注体系： 一级标签：合规停放/违规停放 二级标签：超区域停放/倾倒堆积/占用盲道/占用消防通道/其他 辅助标注：单车边界框坐标、停车区坐标（如有）、区域类型 3.模型选择与初始化 采用YOLOv8s预训练模型，初始化参数并优化超参数：学习率设置为0.002-0.0001动态调整，批量大小1-32动态调整，锚框参数根据常见单车尺寸定制，并集成注意力机制提升小目标检测能力。 4.模型训练 基于YOLOv8s实施分布式训练，采用混合精度训练（FP16）提升计算效率。设置训练时长，通过动态模糊、树影遮挡、广告牌反光等数据增强手段模拟城市复杂场景，并设置早停机制（patience=20）和梯度裁剪（max_norm=1.2）优化训练稳定性。针对高密度停放场景，额外引入困难样本挖掘策略，提升模型对小目标及重叠单车的识别能力。 5.模型评估 在训练模型的过程中，使用验证集调整超参数，训练完成后在测试集上评估模型表现，评估指标包含： 基础性能：mAP@0.5、误报率 场景鲁棒性测试：雨雾天气检出率
| 字段名 | 类型 | 描述 |
|---|---|---|
图像ID |
-- | -- |
采集时间 |
-- | -- |
设备型号 |
-- | -- |
地理坐标 |
-- | -- |
光照条件 |
-- | -- |
| fieldName | exampleValue |
|---|---|
| 图像ID | BIKE_20240615_0830_001 |
| 采集时间 | 2024-06-15 08:30 |
| 设备型号 | Canon EOS R5 |
curl -H "Authorization: Bearer YOUR_API_KEY" \
http://localhost:3001/api/v1/datasets/8409098