天气分类2数据集核心信息简介类别Classification 分类 Classes(5)类别5 cloudy 多云 foggy 有雾的 rainy 下雨的 snowy 下雪的 sunny 晴朗的天气分类 2 数据集核心信息表信息类别具体内容数据集类别图像分类数据集包含多云、有雾、下雨、下雪、晴朗 5 个天气类别数据集数量总计 9357 张图像对应 1 个核心数据集与 1 个配套计算机视觉模型数据集格式种类以图像文件为主支持拖放 / 设备上传识别适配计算机视觉模型训练与测试格式最重要的应用价值为天气场景图像识别模型提供训练数据可用于气象观测辅助、智能安防监控等领域数据集类别关键信息该数据集聚焦天气场景图像分类明确划分出 5 个核心类别。其中多云与晴朗类图像可助力模型区分晴天与多云天气特征有雾、下雨、下雪类图像则能让模型学习特殊天气下的视觉表现覆盖常见天气场景。数据集数量关键信息数据集规模达 9357 张图像数量充足且覆盖 5 类天气能为模型训练提供丰富样本。同时配套 1 个专用计算机视觉模型图像数量与模型的搭配可满足基础天气识别模型的训练与验证需求保障模型学习效果。天气分类2数据集 信息汇总表一、核心基础信息表信息维度详细内容数据集名称天气分类2数据集任务类型图像分类Classification总图像数量9357张核心类别数5个配套资源1个核心数据集 1个配套计算机视觉预训练模型数据格式通用图像格式支持拖放/设备上传识别适用场景气象观测辅助、智能安防监控、自动驾驶环境感知、户外设备智能运维、天气场景图像识别核心应用价值1. 提供充足的5类常见天气场景样本支撑天气识别模型的训练与验证2. 可直接用于气象辅助观测、安防监控场景的天气状态识别3. 为自动驾驶、户外设备的环境感知系统提供天气分类能力支撑二、天气类别明细对照表类别ID类别英文名称类别中文名称类别说明0cloudy多云多云天气场景云层覆盖、光线柔和的户外环境图像1foggy有雾的大雾/雾霾天气场景能见度低、画面朦胧的户外环境图像2rainy下雨的雨天场景包含降雨、积水、雨幕等特征的户外环境图像3snowy下雪的雪天场景包含降雪、积雪、冰雪覆盖等特征的户外环境图像4sunny晴朗的晴天场景阳光充足、光线明亮的户外环境图像天气分类2数据集 训练代码一、数据集目录结构图像分类标准格式weather_dataset/ ├── train/ │ ├── cloudy/ │ ├── foggy/ │ ├── rainy/ │ ├── snowy/ │ └── sunny/ ├── val/ │ ├── cloudy/ │ ├── foggy/ │ ├── rainy/ │ ├── snowy/ │ └── sunny/ └── test/ ├── cloudy/ ├── foggy/ ├── rainy/ ├── snowy/ └── sunny/二、环境依赖安装pipinstallultralytics torch opencv-python numpy三、Python 训练脚本YOLOv8/YOLOv11 分类模型通用fromultralyticsimportYOLOdeftrain_weather_classify():# 加载分类预训练模型可选 yolov8n-cls.pt / yolov11n-cls.ptmodelYOLO(yolov8n-cls.pt)# 训练参数配置model.train(data./weather_dataset,# 数据集根目录epochs100,batch16,imgsz224,device0,# 无GPU改为 devicecpupatience15,# 早停防过拟合pretrainedTrue,augmentTrue,# 开启数据增强mixup0.1)print(训练完成最优模型路径runs/classify/train/weights/best.pt)if__name____main__:train_weather_classify()四、命令行训练指令# YOLOv8 分类训练yolo classify traindata./weather_datasetmodelyolov8n-cls.ptepochs100batch16imgsz224device0# YOLOv11 分类训练yolo classify traindata./weather_datasetmodelyolov11n-cls.ptepochs100batch16imgsz224device0五、推理测试代码fromultralyticsimportYOLO# 加载训练好的最优模型modelYOLO(runs/classify/train/weights/best.pt)defweather_predict(img_path):resultsmodel(img_path)# 获取预测结果cls_nameresults[0].names[results[0].probs.top1]confresults[0].probs.top1conf.item()print(f识别天气{cls_name}置信度{conf:.2f})# 保存结果图results[0].save(weather_result.jpg)# 调用示例if__name____main__:weather_predict(test_weather.jpg)六、补充说明数据集共9357张图片5类天气场景样本充足可正常开启数据增强训练图像分类任务无需单独编写yaml配置文件严格按类别子文件夹摆放数据即可模型可应用于气象监测、智能摄像头、自动驾驶环境识别等场景。