摘要：该数据集主要面向不同年份车辆的细粒度识别任务，将汽车品牌、车型和生产年份联合定义为最终类别，可用于车辆目标检测、车型识别、年份识别以及复杂交通场景中的多类别车辆分类研究。
数据集概述
该数据集覆盖 2015—2019 年多个年份的汽车图像，共设置 450 个独立车辆类别，每个类别均由“年份—品牌—车型”组合构成，例如 2015-Audi-A1、2017-BMW-5-Series、2018-Toyota-RAV4、2019-Volkswagen-Golf 等。数据包含 Audi、BMW、Citroen、Ford、Fiat、Honda、Hyundai、Kia、Mercedes、Nissan、Peugeot、Renault、Toyota、Volkswagen、Volvo 等大量汽车品牌，类别覆盖轿车、SUV、MPV、商用车等多种车型，非常适合开展大规模细粒度车辆识别和目标检测模型微调。
数据结构与关键特征
数据集采用标准 YOLO 目标检测数据结构，划分为训练集、验证集和测试集，路径分别为 ../train/images、../valid/images 和 ../test/images，并通过 data.yaml 文件定义类别信息，其中 nc: 450 表示共有 450 个目标类别。类别名称直接编码车辆的年份、品牌和具体车型，使模型能够在检测车辆目标的同时完成细粒度类别判定。该数据集的主要难点在于类别数量多、同一车型不同年份之间外观差异细微，同时同一年份不同品牌或车型之间也可能具有较高视觉相似度，因此对模型的局部特征提取、多尺度表示和细粒度分类能力要求较高。
应用价值与研究方向
该数据集适合用于多年份车辆检测、品牌识别、车型分类、车辆年份识别、细粒度视觉分类和智能交通分析等研究方向。算法方面可采用 YOLOv8、YOLO11、RT-DETR、Faster R-CNN 等目标检测模型，并结合 ResNet、EfficientNet、ConvNeXt、Swin Transformer 等分类网络进行细粒度识别；进一步还可以研究“车辆检测—品牌识别—车型识别—年份判定”多阶段系统、层次化分类、注意力机制、度量学习、类别不平衡优化和跨年份域适应等问题，为智能停车、交通监控、车辆检索以及自动化车辆识别系统提供数据支持。
数据集来源
由张家梁(Bob)整理并于2026年在7zcode平台公开发布。
数据集信息
免责声明与引用
数据仅用于科研与教学用途。若用于商业场景，请自行核验数据许可。如需引用，请在论文或报告中注明数据集名称与版本号。
作者信息
作者：Bob (张家梁)
项目编号：Datasets-782
文件大小：5.6G
原创声明：本数据集为整理作品
联系方式
开源协议
本项目采用AGPL-3.0开源协议，允许个人和组织自由使用、修改和分发代码，但基于本项目的衍生作品必须同样开源，且用于提供网络服务时需向用户提供完整源代码。本项目仅供学习研究使用，作者不对使用本项目产生的任何后果承担责任，使用者应遵守当地法律法规，合理合法使用本项目。如本项目对您的研究或工作有所帮助，欢迎引用并注明出处。
评论(0)