数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)
图片数量(jpg文件个数)：3129
标注数量(xml文件个数)：3129
标注数量(txt文件个数)：3129
标注类别数：1
标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["qiezi"]
每个类别标注的框数：
qiezi 框数 = 8468
总框数：8468
使用标注工具：labelImg
标注规则：对类别进行画矩形框
重要说明：暂无
特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注
图片预览：
标注例子：
【常见问题汇总】
问题：为什么目标检测数据集中经常会看到一些旋转黑边图片或者看起来是视频帧连续相似场景图片？是为了凑图片数吗？
问题解答：
首先回答：不是为了凑图片数，这些图片都是为了提供模型识别能力也就是模型特征学习能力而增强图片，其目的就是为了提供模型识别能力，增强其泛化能力。请注意并不都是增强图片都会提供模型识别能力，这个要依据不同场景目标等因素决定。一味增强图片并不能直接提高模型识别能力，实践证明，大部分情况下增强数据集可以在一定程度提高识别精度，但是大面积增强图片可能会对模型精度提供起不了多大作用，所以一般还是尽量不要增强，除非图片很难找可以考虑增强一下。
具体分析如下：
在目标检测任务中，数据集图片包含旋转场景的原因可能有多种，这些原因主要与数据集的多样性和实际应用场景的需求有关。以下是一些可能的原因：
- 实际应用需求
：
-
在许多实际应用中，目标可能以各种角度出现。例如，在自动驾驶领域，车辆可能从任何方向驶来；在无人机监控中，目标可能以任意角度出现在画面中。因此，包含旋转场景的图片有助于模型学习到在不同角度下检测目标的能力。
-
- 数据集的多样性
：
-
为了提高模型的泛化能力，数据集需要包含尽可能多样的样本。这包括不同光照条件、不同背景、不同尺寸和形状的目标，以及不同角度的目标。旋转场景图片可以增加数据集的多样性，从而提高模型的性能。
-
- 数据增强
：
-
数据增强是一种常用的技术，用于通过随机变换原始数据来生成更多的训练样本。这些变换可能包括旋转、缩放、平移等。在目标检测任务中，对图片进行随机旋转是一种常见的数据增强方法，可以模拟目标在不同角度下的外观，从而提高模型对旋转目标的检测能力。
-
- 拍摄条件
：
-
在实际拍摄过程中，由于拍摄设备的移动、目标的移动或拍摄角度的变化，拍摄到的图片可能包含旋转场景。这些自然发生的旋转场景对于训练模型来说是有价值的，因为它们反映了真实世界中的复杂性。
-
- 标注和预处理
：
-
在数据预处理阶段，有时会对图片进行旋转以纠正拍摄时的角度偏差，或者为了统一数据集的格式而进行的标准化处理。这些处理步骤可能导致数据集中出现旋转场景的图片。
-
综上所述，目标检测数据集中包含旋转场景的图片是为了提高模型的泛化能力，使其能够在各种实际应用场景中准确检测目标。通过包含这些多样化的样本，模型可以学习到更丰富的特征表示，从而在面对未知或复杂场景时表现出更好的性能。