YOLOv8/YOLOv11 分类模型 AI赋能之图像分类识别 图像分类数据集 天气识别数据集 天气分类识别 雨雪雾识别图像数据集 图像分类识别 数据集第10207期
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 |
|---|---|---|---|
| 0 | cloudy | 多云 | 多云天气场景，云层覆盖、光线柔和的户外环境图像 |
| 1 | foggy | 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 |
| 2 | rainy | 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 |
| 3 | snowy | 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 |
| 4 | sunny | 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.ptmodel=YOLO("yolov8n-cls.pt")# 训练参数配置model.train(data="./weather_dataset",# 数据集根目录epochs=100,batch=16,imgsz=224,device=0,# 无GPU改为 device="cpu"patience=15,# 早停防过拟合pretrained=True,augment=True,# 开启数据增强mixup=0.1)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_datasetmodel=yolov8n-cls.ptepochs=100batch=16imgsz=224device=0# YOLOv11 分类训练yolo classify traindata=./weather_datasetmodel=yolov11n-cls.ptepochs=100batch=16imgsz=224device=0五、推理测试代码
fromultralyticsimportYOLO# 加载训练好的最优模型model=YOLO("runs/classify/train/weights/best.pt")defweather_predict(img_path):results=model(img_path)# 获取预测结果cls_name=results[0].names[results[0].probs.top1]conf=results[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。