1、目标检测红绿灯数据集 2、1万多张标注好的红绿灯数据图片 3、classes: red 、green 4、标签格式：txt和xml两种

交通灯识别检测数据集(含voc和yolo格式标签)（课程作业、设计、比赛、实际项目所用） 【实际项目应用】： 交通灯识别检测、自动驾驶等 【数据集说明】： 交通灯识别检测数据集，一共7953张图片，背景丰富，多样性充足，目标分布均匀，标注精准，算法拟合较好，质量可靠。该数据集标签包含voc（xml）、yolo（txt）。类别名称为[“Traffic_Light”]，多种目标检测算法可直接使用。

1、交通灯检测数据集，从COCO2017数据集中提取得到，并分别转成了txt和xml两种格式的标签，可用于YOLO等算法交通灯检测； 2、目标类别名：traffic light； 3、数量：4330 4、https://blog.csdn.net/weixin_51154380/article/details/124480876

基于深度神经网络的交通灯检测算法研究与实现，张逸凡，傅慧源，交通灯检测技术是自动驾驶系统的重要组成部分，但是传统方法的交通灯检测技术存在准确率低，算法速度慢等弊端。基于深度神经网络

opencv 红绿灯识别 运动物体识别，基于OpenCV的红绿灯识别系统，能通过图像识别裁剪出图片中的红绿灯状态。

为解决YOLOv3算法在检测道路交通灯时存在的漏检率高、召回率低等问题,提出一种基于优化YOLOv3算法的交通灯检测方法。首先,采用K-means算法对数据进行聚类分析,结合聚类结果和交通灯标签的统计结果,确定先验框的宽高比及其数量。然后,根据交通灯尺寸特点,精简网络结构,分别将8倍降采样信息、16倍降采样信息与高层语义信息进行融合,在两个尺度上建立目标特征检测层。同时,为了避免交通灯特征随着网络的加深而消失的问题,分别减少两个目标检测层前的两组卷积层,简化特征提取步骤。最后,在损失函数中,利用高斯分布特性评估边界框的准确性,以提升对交通灯检测的精度。实验结果显示,优化YOLOv3算法的检测速度可达30 frame/s,平均精准度较原网络提升9个百分点,可以有效完成对交通灯的检测。