雾天目标检测数据集构建与YOLOv6优化实践

1. 项目背景与核心价值

极端天气条件下的目标检测一直是计算机视觉领域的难点问题。雾天、雨雪等恶劣天气会导致图像质量显著下降，传统检测算法在这种场景下性能急剧衰减。我们团队构建的这个数据集专门针对雾天道路场景，包含10502张经过精细标注的图像，覆盖车辆、行人、交通标志等关键目标类别。

这个数据集的核心价值在于解决了三个行业痛点：

• 恶劣天气样本稀缺：常规数据集大多在晴朗天气采集，难以反映真实道路场景多样性
• 标注质量参差不齐：现有雾天数据集存在标注不完整、类别不平衡等问题
• 算法泛化能力不足：在合成雾数据上训练的模型，实际部署时性能下降明显

2. 数据集构建方法论

2.1 数据采集方案

我们采用多地域、多时段采集策略：

• 地理覆盖：包含山区高速、城市道路、乡村公路等不同地形
• 时间分布：黎明、黄昏、夜间等低能见度时段占比达63%
• 设备配置：使用20台不同型号的行车记录仪，分辨率涵盖720p-4K

2.2 雾天数据增强

除真实采集外，我们开发了物理模型驱动的雾效合成算法：

python复制def add_haze(img, beta=0.08):
    """
    基于大气散射模型的雾效合成
    :param img: 输入图像(BGR格式)
    :param beta: 雾浓度系数
    :return: 加雾图像
    """
    # 计算大气光值
    dark_channel = cv2.min(cv2.min(img[:,:,0], img[:,:,1]), img[:,:,2])
    A = np.percentile(dark_channel, 99.9)
    
    # 生成透射率图
    height, width = img.shape[:2]
    t = np.exp(-beta * np.random.rand(height, width))
    
    # 合成雾效
    haze_img = img * t[...,np.newaxis] + A * (1 - t[...,np.newaxis])
    return np.clip(haze_img, 0, 255).astype(np.uint8)

2.3 标注规