本数据集主要用于提升AI模型对三轮车非法载客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三轮车载人数量超标等违法行为，并可应用于城市交通执法、客运市场管理及重点区域（地铁站、商业区等）智能监控等场景。同时，本数据集可为交通执法部门提供智能化监管手段，有效降低因非法载客引发的安全事故风险，并为规范城市客运市场秩序提供数据支持，助力提升城市交通安全管理水平。
1.数据采集 通过企业自有摄像设备自行采集道路三轮车图像，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：合规载客/非法载客 二级标签：载客3人/载客4人及以上/违规改装/合规载客（仅以及标签为“合规载客”时，二级标签为“合规载客”） 辅助标注：乘客边界框坐标 3.模型选择与初始化 采用YOLOv8预训练模型，初始化参数并优化超参数：学习率0.001-0.0001动态调整，批量大小1-32动态调整，锚框参数适配三轮车及乘客形态；集成注意力机制提升小目标（如儿童乘客）检出率。 4.模型训练 基于PyTorch实施分布式训练，采用混合精度训练（FP16）提升效率。设置训练时长，数据增强模拟复杂场景，添加雨雾遮挡、车身反光等特效，模拟夜间低光照条件。设置早停机制（patience=15），梯度裁剪：max_norm=1.0。 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： 基础性能指标：mAP@0.5、误报率 场景鲁棒性测试：雨雾天气检出率 并设置渐进式测试：单辆三轮车→多车混杂场景，标准载客→违规改装载客
| 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 | TRICYCLE_20250328_0249_**8,TRICYCLE_2023 |
| 采集时间 | 2025-03-28 02:49,2023-10-30 23:53,2024-0 |
| 设备型号 | Canon EOS R5,Canon EOS R5,Canon EOS R5,C |