企业官网建设流程全解析

简介：面向目标检测开发者和无人机视觉学习者，这份YOLO无人机目标检测数据集围绕真实航拍场景构建，包含5000张高质量图片，场景丰富，经LabelImg精细标注，同步提供VOC、COCO、YOLO三种格式标签，分别存放在不同文件夹中，可直接接入主流YOLO训练流程。整个压缩包共包含2000个文件，以xml标签为主，配合数据划分py脚本、train_list等txt清单，以及多份环境搭建与训练教程文档，总大小301.59MB。除了标签外，还附赠训练集、验证集、测试集划分脚本，支持按需求重新分配数据；教程覆盖Windows和Linux两个平台，从环境安装到基于案例修改训练自己的数据集均有说明，可帮助学习者避开常见坑点。资源已有433人学习，适合课程设计、毕业设计及算法研究等场景，整体是一份“数据+工具+教程”一体化的实用资源。

1. 拿到YOLO无人机目标检测数据集：先别急着跑训练，把目录和标签读懂再说

「YOLO无人机目标检测数据集」这种压缩包，打开之后真正值钱的不是那5000张图，而是同一批图片同时给了VOC、COCO、YOLO三种格式的标签，外加划分脚本和训练教程。对做遥感、低空安防、电力巡检和农业植保的工程师来说，标注格式齐全意味着你不需要在xml、json、txt之间来回倒腾，能直接把精力放在「如何训练」和「目标检测模型调参」上。但这套东西有个隐性前提：三种格式的坐标语义、类别顺序、归一化方式完全不同，版本对不上，后续的yolov8训练自己的数据集大概率翻车。这篇笔记按「读数据→转格式→划分→训练→避坑」的顺序，把完整落地路径捋一遍。新手可以照着命令一步步跑通，熟手可以直接跳到第5章看边界条件和参数坑。

2. 先读懂三种标签再动手：VOC的xml、COCO的json、YOLO的txt各自怎么存坐标

很多人在这一步犯的第一个错误，是以为三种格式只是文件后缀不同，内容差不多。实际上VOC、COCO、YOLO对「一个框」的描述方式差异很大：VOC存的是左上角和右下角的绝对像素坐标，COCO存的是左上角坐标加宽高，YOLO存的是中心点坐标加宽高、而且全部做了归一化。坐标系都不同，直接混用必然出错。

2.1 VOC的xml：绝对坐标、difficult标记和容易被忽略的filename字段

VOC格式的核心是每个xml文件对应一张图片，里面用<bndbox>节点给出目标的绝对坐标。一个典型结构长这样：

<annotation> <filename>DJI_20240701_001.jpg</filename> <size> <width>1920</width> <height>1080</height> <depth>3</depth> </size> <object> <name>car</name> <pose>Unspecified</pose> <truncated>0</truncated> <difficult>0</difficult> <bndbox> <xmin>438</xmin> <ymin>621</ymin> <xmax>712</xmax> <ymax>783</ymax> </bndbox> </object> </annotation>

读取时三个关键点：第一，filename字段只写了文件名不写路径，如果图片和xml不在同一层，需要自己拼目录；如果文件名里带中文或空格，尽量在预处理时一并改掉。第二，difficult标记表示这个目标是否难以辨认，很多训练框架在读取VOC数据时默认把difficult=1的样本过滤掉，如果你的数据集里这个标记比较随意，训练集和验证集会不一致，最后评估mAP时就会对不上账。第三，bndbox里的坐标允许略微超出图像边界，转YOLO之前最好做一次clip，否则归一化后可能出现大于1的坐标值。

2.2 COCO的json：image_id、category_id和[x,y,w,h]的对应关系

COCO格式把整个数据集的标注塞进一个json文件，核心是三个数组：images、annotations、categories。images里存每张图的id、file_name、width、height；annotations里每条记录通过image_id关联到图片，通过category_id关联到类别；bbox字段存的是[x, y, width, height]，注意这是左上角坐标加宽高，不是中心点。

无人机目标检测数据集里的COCO标签有两个常见坑。第一，category_id不一定是连续的，可能从1开始、中间还有跳号，而YOLO格式要求类别ID必须是从0开始的连续整数，转换时不能直接拿category_id当YOLO类ID用，必须重新映射。第二，segmentation字段在检测任务里经常是一段多边形坐标，如果直接忽略没问题，但如果用现成脚本转换时没跳过iscrowd=1的标注，可能把一些群体目标当普通框算进来，导致训练时标签噪音变大。

另外COCO的json里图片路径五花八门，有的带http前缀，有的带完整绝对路径，处理时最好只用os.path.basename取文件名，再和你本地图片目录拼接，否则根本找不到图。

2.3 YOLO的txt：归一化坐标与类别ID从0开始这回事

YOLO格式是目前训练阶段唯一真正会被yolov8直接读取的格式，每个txt文件对应一张图，每一行代表一个目标，格式是：

class_id x_center y_center width height

五个值都是空格分隔，class_id是整数，从0开始，和训练配置里data.yaml的names列表顺序严格对应；后面四个值全部是归一化浮点数，即相对于图片宽高的比例，取值范围正常情况下在0到1之间。

这个格式最容易被误解的地方是「归一化」到底除以什么。不管原图是1920x1080还是640x480，统一除以各自图片的宽和高，而不是除以同一个固定尺寸。另外YOLO的x_center、y_center是中心点，不是左上角；如果你从COCO转过来，坐标变换公式是：

x_center = (bbox_x + bbox_w / 2) / image_width y_center = (bbox_y + bbox_h / 2) / image_height w_norm = bbox_w / image_width h_norm = bbox_h / image_height

为了直观对比，把三种格式的核心差异整理成一张表：

一句话记忆：VOC是「两边」，COCO是「一角加宽高」，YOLO是「中心加宽高」。后面做转换脚本时，所有换算都是围绕这三者之间的差异展开的。

3. 标签转换脚本：类名表统一voc、coco、yolo，一个表错全盘错

既然三种格式各有差异，拿到压缩包后第一件事不是直接开训，而是先验证三种格式的标签内容是否一致。尤其是类名顺序，它是整个转换流程的中枢神经——VOC里存的是字符串类名，COCO里存的是任意整数ID，YOLO里存的是连续整数ID，三者之间全靠一张类名表来对齐。

3.1 先定类名表：三种格式的对齐前提和校验脚本

假设这份无人机数据集的类别是person, car, bicycle, truck, bus, boat这类常见目标（以压缩包里的实际类别为准，我这里只是举例）。先把它们写成一个固定列表，所有转换脚本都用这个列表，不要一边写一边改：

CLASSES = ["person", "car", "bicycle", "truck", "bus", "boat"]

VOC的xml里<name>节点必须是这个列表里的字符串；COCO的categories数组转到YOLO时，按这个列表的索引重新编号；YOLO的txt里第一列就是列表的下标。这个顺序最终还会写进data.yaml的names里，一旦中途调换位置，之前生成的txt全部作废。

所以在做任何转换之前，先用一段脚本把三种格式里实际出现的类别全量打印出来，人工核对一遍：

import json, os, xml.etree.ElementTree as ET def scan_voc_classes(xml_dir): classes = set() for f in os.listdir(xml_dir): if not f.endswith(".xml"): continue root = ET.parse(os.path.join(xml_dir, f)).getroot() for obj in root.iter("object"): classes.add(obj.find("name").text) return classes def scan_coco_classes(json_path): with open(json_path, encoding="utf-8") as f: data = json.load(f) return {cat["name"] for cat in data["categories"]} def scan_yolo_classes(label_dir, class_num=6): ids = set() for f in os.listdir(label_dir): if not f.endswith(".txt"): continue with open(os.path.join(label_dir, f)) as fh: for line in fh: ids.add(int(line.split()[0])) return ids print("VOC:", scan_voc_classes("annotations")) print("COCO:", scan_coco_classes("annotations.json")) print("YOLO:", scan_yolo_classes("labels"))

逻辑说明：三个函数分别扫xml里的name节点、json里的categories.name字段、txt每行的第一列，把实际出现的类名和类ID收集起来。比对时重点看两点——VOC和COCO的类名集合是否一致，YOLO的ID最大值是否小于类表长度。如果VOC里有car而COCO里叫Car，转换脚本不会报错，但训练时两个类会被当成不同目标；如果YOLO的ID最大是6而类表只有6项（0到5），说明有越界标签，必须回去查对应txt。

参数说明：class_num是人为指定的类别总数，用来检查ID范围；如果你的数据集中间有缺失类别，YOLO ID仍应是连续的，否则说明转换时发生了跳号。

3.2 voc转yolo：xml解析、归一化与坐标越界处理

VOC转YOLO是最常见的需求，因为很多标注工具默认输出VOC格式，而训练框架只认txt。下面这段脚本可以直接用：

import os, xml.etree.ElementTree as ET CLASSES = ["person", "car", "bicycle", "truck", "bus", "boat"] def voc_to_yolo(xml_path, out_dir): tree = ET.parse(xml_path) root = tree.getroot() img_w = int(root.find("size/width").text) img_h = int(root.find("size/height").text) filename = os.path.basename(root.find("filename").text) out_lines = [] for obj in root.iter("object"): cls = obj.find("name").text if cls not in CLASSES: print(f"未知类名 {cls} 出现在 {xml_path}") continue if int(obj.find("difficult").text) == 1: continue bbox = obj.find("bndbox") xmin = float(bbox.find("xmin").text) ymin = float(bbox.find("ymin").text) xmax = float(bbox.find("xmax").text) ymax = float(bbox.find("ymax").text) xmin = max(0, min(xmin, img_w)) xmax = max(0, min(xmax, img_w)) ymin = max(0, min(ymin, img_h)) ymax = max(0, min(ymax, img_h)) if xmax <= xmin or ymax <= ymin: continue w = (xmax - xmin) / img_w h = (ymax - ymin) / img_h xc = (xmin + xmax) / 2 / img_w yc = (ymin + ymax) / 2 / img_h cls_id = CLASSES.index(cls) out_lines.append(f"{cls_id} {xc:.6f} {yc:.6f} {w:.6f} {h:.6f}") if out_lines: base = os.path.splitext(filename)[0] + ".txt" with open(os.path.join(out_dir, base), "w") as f: f.write("\n".join(out_lines)) os.makedirs("labels_yolo", exist_ok=True) for f in os.listdir("annotations"): if f.endswith(".xml"): voc_to_yolo(os.path.join("annotations", f), "labels_yolo")

逻辑说明：脚本先取size里的宽高作为归一化分母，再遍历每个object节点，把bndbox的四个绝对坐标读出来做clip修正，最后换算成中心点加宽高的归一化值。difficult=1被直接跳过，这一步是否执行取决于你的数据质量——如果标得没问题，跳掉更干净。

参数说明：.6f是格式化精度，保留6位小数足够，过多小数位会增加文件体积但对精度没帮助；CLASSES.index(cls)如果类名不存在会抛异常，实际工程里建议先打印再跳过，避免一个脏数据中断整个转换流程。要注意filename节点里可能带着路径，用os.path.basename取干净，保证输出的txt能和图片文件名精确配对。

3.3 coco转yolo：跳过iscrowd、换算bbox与反向校验

COCO转YOLO比VOC转YOLO多两个坑：一是category_id要重新映射，二是iscrowd标注要过滤。参考实现：

import json, os CLASSES = ["person", "car", "bicycle", "truck", "bus", "boat"] def coco_to_yolo(json_path, out_dir): with open(json_path, encoding="utf-8") as f: data = json.load(f) img_info = {img["id"]: img for img in data["images"]} cat_map = {cat["id"]: i for i, cat in enumerate(sorted(data["categories"], key=lambda c: c["id"]))} anns_by_img = {} for ann in data["annotations"]: if ann.get("iscrowd", 0) == 1: continue if ann["area"] <= 0: continue anns_by_img.setdefault(ann["image_id"], []).append(ann) for img_id, anns in anns_by_img.items(): img = img_info[img_id] img_w, img_h = img["width"], img["height"] base = os.path.splitext(os.path.basename(img["file_name"]))[0] lines = [] for ann in anns: x, y, w, h = ann["bbox"] if w <= 0 or h <= 0: continue cls_id = cat_map[ann["category_id"]] xc = (x + w / 2) / img_w yc = (y + h / 2) / img_h w_n = w / img_w h_n = h / img_h lines.append(f"{cls_id} {xc:.6f} {yc:.6f} {w_n:.6f} {h_n:.6f}") if lines: with open(os.path.join(out_dir, base + ".txt"), "w") as f: f.write("\n".join(lines))

逻辑说明：cat_map把json里原始的category_id映射成按名称排序后的连续ID，这一步保证了「COCO的任意ID」变成「YOLO的0到N-1」。anns_by_img把散落的标注按图聚合，避免每张图重复开文件。iscrowd=1的标注是群体目标，边界框代表一群人，不适合当独立检测目标，转的时候直接过滤。

参数说明：sorted(data["categories"], key=lambda c: c["id"])是按原始ID排序再做映射，保证映射结果稳定可复现；如果你的data.yaml里names顺序不是按原始ID排的，要改成手动指定顺序而不是这里自动排序。area <= 0也是过滤条件，COCO里面积为零的标注通常是垃圾标注。

转换完成后必须做反向校验。随便挑20张图，把生成的txt画回原图上看框是否贴合目标：

import cv2 def draw_yolo_box(img_path, txt_path, classes, out_path): img = cv2.imread(img_path) h, w = img.shape[:2] with open(txt_path) as f: for line in f: cid, xc, yc, bw, bh = map(float, line.split()) x1 = int((xc - bw / 2) * w) y1 = int((yc - bh / 2) * h) x2 = int((xc + bw / 2) * w) y2 = int((yc + bh / 2) * h) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(img, classes[int(cid)], (x1, max(0, y1 - 5)), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2) cv2.imwrite(out_path, img)

如果画出来的框位置明显偏移、宽高比例不对，多半是归一化分母用错了图——比如读取json里的width/height用的是缩略图尺寸，而实际图片是原图。这是个非常隐蔽的坑，因为不画框根本看不出来。

4. 划分训练集和验证集：无人机抽帧数据最怕随机划分

5000张图的标签再全，划分方式不对，训练评估就是自欺欺人。无人机数据大多是视频抽帧得到的，相邻帧之间背景几乎一样、目标位置只差几个像素，这种情况下随机划分会让验证集里出现和训练集高度相似的画面，mAP虚高，换到真实场景立刻露馅。

4.1 随机划分与分层划分：小数据集用哪一个

如果5000张图是从不同场景、不同航班采集的独立照片，随机划分就够了。一个标准脚本如下：

import os, random, shutil IMG_DIR = "images" LABEL_DIR = "labels_yolo" OUT_DIR = "split" RATIO = (0.8, 0.1, 0.1) random.seed(42) files = [f for f in os.listdir(IMG_DIR) if f.endswith((".jpg", ".png", ".jpeg"))] random.shuffle(files) n_train = int(len(files) * RATIO[0]) n_val = int(len(files) * RATIO[1]) parts = { "train": files[:n_train], "val": files[n_train:n_train + n_val], "test": files[n_train + n_val:] } for part, flist in parts.items(): os.makedirs(os.path.join(OUT_DIR, "images", part), exist_ok=True) os.makedirs(os.path.join(OUT_DIR, "labels", part), exist_ok=True) for f in flist: shutil.copy(os.path.join(IMG_DIR, f), os.path.join(OUT_DIR, "images", part, f)) label = os.path.splitext(f)[0] + ".txt" if os.path.exists(os.path.join(LABEL_DIR, label)): shutil.copy(os.path.join(LABEL_DIR, label), os.path.join(OUT_DIR, "labels", part, label)) else: print(f"标签缺失: {f}")

逻辑说明：先把所有图片文件打乱，按比例切成三份，再把对应的标签文件复制过去。random.seed(42)保证每次运行划分结果一致，方便复现实验。标签缺失时打印出来而不是静默跳过，否则yolov8会把这张图当成没有目标的负样本，数据白白浪费。

参数说明：RATIO用8000张以下的数据集可以设0.8/0.1/0.1，样本量再大可以设0.9/0.05/0.05。验证集至少要有几百张，否则mAP曲线抖动得没法看。test集平时不参与训练也不参与验证，只留到最后做一次最终评估，这个习惯能避免你在调参时把验证集信息泄漏到模型里。

4.2 按来源分组划分：防止同一架无人机的相似帧串集

如果文件名能看出视频来源（比如DJI_20240701_001.jpg、V0001_000123.jpg这种命名），就要按前缀分组再划分。思路是：先按文件名第一段聚合，把同一来源的图片看作一个整体，按组划分而不是按单张划分：

from collections import defaultdict files = [f for f in os.listdir(IMG_DIR) if f.endswith((".jpg", ".png", ".jpeg"))] groups = defaultdict(list) for f in files: prefix = f.split("_")[0] groups[prefix].append(f) group_names = list(groups.keys()) random.shuffle(group_names) n_train_groups = int(len(group_names) * 0.8) n_val_groups = int(len(group_names) * 0.1) train_files = [] val_files = [] test_files = [] for i, gname in enumerate(group_names): if i < n_train_groups: train_files.extend(groups[gname]) elif i < n_train_groups + n_val_groups: val_files.extend(groups[gname]) else: test_files.extend(groups[gname])

逻辑说明：f.split("_")[0]取出文件名第一段作为来源标识，同一段前缀的所有帧永远进同一个集合。这样做以后，验证集里的画面和训练集不再来自同一条视频流，评估结果才接近真实部署。

参数说明：前缀分隔符要按实际文件名调整，有些命名是20240701_001.jpg，有些是DJI_0001_01.jpg，先用打印的方式看几个前缀再定。如果前缀粒度太粗（整个数据集只有两三个前缀），划分结果会很不均匀，这时可以退一步用「按时间戳分桶」：把文件名里的序号切出来，每隔N帧抽一帧作为验证，近似模拟时间上的隔离。

4.3 划分后同步三种格式：一份名单管所有标签

还有一种麻烦情况：你用voc和coco格式做评估，但训练只用yolo格式。同一张图在三种格式下有三份标签，划分时就得保证三份同步。最稳的做法是先用一份划分名单，然后挨个移动：

import json, shutil def move_by_list(file_list, src_img, src_voc, src_coco, dst_dir): for f in file_list: base = os.path.splitext(f)[0] shutil.copy(os.path.join(src_img, f), os.path.join(dst_dir, "images", f)) shutil.copy(os.path.join(src_voc, base + ".xml"), os.path.join(dst_dir, "voc", base + ".xml")) # COCO是单json，需要在划分后重建json子集

逻辑说明：图片、xml、txt按文件名一一对应移动，COCO因为是一个大json，不能直接按文件切，必须在划分后通过image_id过滤重建子集。实际操作中如果你不打算用COCO训练，划分阶段可以只处理图片和txt，COCO留到需要提交官方评估时再单独生成。

参数说明：移动用copy不用move，保留原始数据作为后悔药。等你确认划分结果没问题、训练也跑通了，再删原始目录不迟。5000张图的复制在本地磁盘上也就几十秒，这个成本值得花。

5. 训练过程避坑：小目标漏检、loss为nan、mAP虚高一次说完

数据准备好了，真正开始yolov8训练自己的数据集时，问题才开始冒出来。这一章写的是我在这类无人机数据集上反复踩过的坑，每一条都按现象、原因、解决来写，你也可以直接当作排查清单用。

5.1 小目标占比高：先从imgsz、mosaic和切片推理入手

现象：训练loss下降正常，验证mAP也不算低，但把训练好的模型拿去检测一张无人机俯拍图，几辆小车和一个行人全漏了，只剩大卡车被框出来。如果检测结果全是这种「大地物检出、小目标全丢」，基本可以断定是小目标问题。

原因：无人机视角的目标普遍只占图像面积的千分之一甚至更小。yolov8默认imgsz=640，原图resize到这个尺寸时，几十像素的小目标缩到几个像素，特征图上的信息几乎消失。另外默认开启的mosaic增强会把四张图拼在一起再随机裁剪，小目标在拼接后的图上经常被裁掉一半。

解决：先试imgsz=1024甚至1280，这是最直接有效的办法，代价是显存占用翻倍；把mosaic关闭或延后，训练命令里加mosaic=0，或者保留mosaic但把close_mosaic=10改成更大的值，让最后10个epoch用干净图微调。如果显存不够，还有一个常见做法是保留640输入，用SAHI这类切片推理工具把大图切成小块分别检测再合并结果，这是保底方案，不改变训练但能明显提升小目标召回。

5.2 loss变成nan：八成是标签数据出了问题

现象：训练到几十个batch，loss突然变成nan，然后一直nan下去，loss曲线直接掉出图外。很多人第一反应是学习率太大，调低lr0重新跑，结果照旧。

原因：数据里存在非法标注。最常见的三种：txt里归一化坐标出现负数或大于1（VOC转YOLO时没做clip），宽度或高度为0（xmax==xmin或者ymax==ymin），类别ID超出了data.yaml里names的数量。这些非法标签在mosaic拼接或随机裁剪增强时产生异常计算，最终导致loss发散。

解决：训练前先跑一遍清洗脚本：

import os bad = [] for f in os.listdir("labels_yolo"): if not f.endswith(".txt"): continue with open(os.path.join("labels_yolo", f)) as fh: for line in fh: parts = line.split() if len(parts) != 5: bad.append((f, "字段数错误")) continue cid, xc, yc, w, h = map(float, parts) if not (0 <= xc <= 1 and 0 <= yc <= 1 and 0 < w <= 1 and 0 < h <= 1): bad.append((f, "坐标越界")) if cid < 0 or int(cid) >= 6: bad.append((f, "类ID越界")) print(bad[:50]) print("问题标签数:", len(bad))

逻辑说明：逐行检查五个字段的取值合法性：中心点必须在0到1之间，宽高必须大于0且不超过1，类ID必须在类别范围内。这套检查对voc、coco转换过来的数据都适用。bad列表里收集所有问题标签，先看前50条判断问题集中在哪，再回源数据修。

参数说明：int(cid) >= 6里的6要改成你实际类别数；如果清洗后发现空标签文件（txt里一行都没有），yolov8会把对应图片当作负样本，这在背景干净的数据集里问题不大，但若图片本身有目标，就要回到VOC或COC O检查转换是否漏了标签。

5.3 验证集mAP高但实际漏检：串帧和difficult在捣乱

现象：训练完验证mAP有0.85，兴冲冲拿一段没见过的无人机视频去测，结果漏检率很高，和mAP完全不成正比。很多人这时候会怀疑模型过拟合，但真正的原因往往在数据划分。

原因：两个主要嫌疑。第一个是划分时没按视频来源分，验证集里大量图片和训练集出自同一段视频流，画面几乎一样，模型等于见过答案再考试；第二个是VOC格式里difficult=1的标注，如果转换时没过滤，评估时又把difficult样本算进去，验证集的mAP会虚高或虚低，和真实场景完全对不上。

解决：划分阶段按第4.2节的前缀分组方法重做，保证验证集在场景上独立；同时在VOC转YOLO阶段就把difficult=1过滤掉。还有一个容易忽略的动作：训练完成后，找几张完全不在这5000张图里的照片或者一段实拍视频，用yolo predict跑一遍，肉眼看检测效果。这个动作叫「野测」，比任何指标都真实。

5.4 类别不均衡：少样本类别被大类别吃掉

现象：数据集里car有3000个目标，boat只有200个。训练完car的召回率0.9，boat的召回率0.3，且无论怎么调置信度阈值，boat都很难被召回。

原因：目标检测训练时每个batch里的样本按图采样，图里boat出现得少，模型对boat的特征学习不充分。yolov8没有直接把loss按类别加权的参数（不像分类任务那样有class_weight），所以解决思路要从数据层面下手。

解决：对包含boat的图片做重复采样，把这类图片在训练集里多复制几份，让每个epoch里boat样本出现次数增加。操作上是保留原始图片不变，只把boat相关的图片额外复制到train目录，文件名加后缀防止覆盖，同时复制对应txt。另一种做法是对少样本类别做离线数据增强，比如裁切、旋转、亮度调整，生成新的训练样本后重新标注。要注意的是，验证集不要做重复采样，否则评估结果失真。

5.5 显存溢出或训练太慢：先查路径、缓存和batch

现象：训练刚开始就报CUDA out of memory，或者一个epoch跑得特别慢。很多人第一反应是换更大显存的卡，但无人机数据集的训练卡顿往往不是显卡不够。

原因：第一，数据集路径带中文或空格，ultralytics某些版本在处理这类路径时会异常变慢甚至报错；第二，cache=True参数想把数据缓存到内存，5000张原图加上增强后的中间结果直接把内存打爆；第三，workers设得过高，数据加载成了瓶颈。

解决：数据集路径改成纯英文的绝对路径，比如E:/uav_dataset这种，不要放在带空格的目录下；第一次训练先不开cache，跑通后再考虑cache=True加速；batch显存不足时优先调batch=8或batch=4，配合amp=True（混合精度训练，默认开启）能省下不少显存。还有一个容易被忽略的配置：把workers从默认值调低到2或4，避免数据加载进程之间互相抢占CPU资源。

6. 用yolov8把这份数据跑通：从data.yaml到验证曲线的一站式命令

前面的格式转换和划分都做完后，训练本身反而简单。这一章把所有命令串起来，给出一份可以照抄的最小闭环。

6.1 统一目录结构和data.yaml的写法

yolov8要求的目录结构是images/train、images/val、labels/train、labels/val四个目录。按第4章的划分脚本执行后，应该已经得到这样的结构。然后写data.yaml：

path: ./split train: images/train val: images/val names: 0: person 1: car 2: bicycle 3: truck 4: bus 5: boat

names的顺序必须和txt里第一列的整数ID完全对应。最常见的翻车现场是：txt里类ID是0到5，但names写成了VOC里的类名字符串顺序，比如0: boat、1: car，训练不报错但模型学的东西全乱了。

6.2 训练与验证的命令和关键参数

yolo detect train \ data=./split/data.yaml \ model=yolov8n.pt \ imgsz=1024 \ batch=16 \ epochs=100 \ close_mosaic=10 \ patience=20 \ project=./runs \ name=uav_det

model=yolov8n.pt是官方预训练权重，第一次运行会自动下载；如果你离线环境没有这个文件，可以换成yolov8n.yaml从零训练，但收敛速度会慢不少。imgsz=1024是按第5.1节的小目标结论设置的。close_mosaic=10表示最后10个epoch关闭mosaic增强，让模型在正常分布上微调。

训练结束后验证：

yolo detect val \ data=./split/data.yaml \ model=./runs/uav_det/weights/best.pt \ batch=16

输出的mAP50、mAP50-95是模型在验证集上的直接表现。如果你怀疑结果虚高，去检查第4.2节的划分是否严格按来源分组，别只看数字。

6.3 用单张图推理验证闭环

训练完先别急着上视频测试，用一张不在数据集里的无人机照片做单图推理：

from ultralytics import YOLO model = YOLO("./runs/uav_det/weights/best.pt") results = model.predict("test_flight.jpg", conf=0.25, iou=0.45) results[0].save("test_flight_out.jpg")

conf=0.25是置信度阈值，低于这个值的框会被丢掉；如果漏检多就降到0.15，如果误检多就提高到0.4。iou=0.45是NMS的IoU阈值，用于去重，无人机密集排列的小目标场景下，这个值调低到0.3可能更合适。打开输出图看框的位置和类别是否合理，这一步通过后，这份YOLO无人机目标检测数据集就算真正被你消化了。

我自己每次拿到新数据集，都会先跑这一步单图验证再决定要不要回头调数据。这个习惯帮我避开了不少「指标好看、落地翻车」的尴尬。希望帮到你。

本文还有配套的精品资源，点击获取