企业官网建设流程全解析

简介：面向无人机俯视视角下的车辆与行人检测任务，这份数据集已完成YOLO格式标注与目录划分，可直接衔接yolov5、yolov7、yolov8等主流检测框架的训练流程，适合航拍目标识别、智能交通等场景的算法学习与模型调优。压缩包共2000个文件，体量约960MB，以1887个txt标签文件为主，同时包含112张jpg航拍图像和1个data.yaml配置；data.yaml中已定义car、person两个类别，并指定train、valid、test三个子目录的图片路径，省去数据整理与格式转换的环节。已有1325人浏览学习，配套作者博客还提供了检测效果参考，便于使用者对比不同模型在无人机视角下的表现。就绪的目录结构与标签配置可让学习者直接进入训练环节，适合作为目标检测实战项目的数据支撑，也方便在此基础上进行数据增强、模型微调等进阶实验。

1. VisDrone 俯视视角数据集到底是什么：为什么做 YOLOv5 检测绕不开它

做无人机视角下的车辆和行人检测，第一件事往往不是调模型，而是先找一套能真实反映“俯视、小目标、密集遮挡”的数据集。VisDrone 是目前公认的航拍目标检测基准数据之一，而这个 vis-drone-yolov5-dataset-2.zip 的作用，就是把 VisDrone 的原始图片和框标注整理成 YOLOv5 可以直接开始训练的目录形态。适合的人群很直接：需要做无人机车流统计、安防巡检、遥感图像目标检测的工程师和学生，想快速走通 YOLOv5 训练自己的数据集流程，又没精力人工标注几万张图的，都可以从这套数据起步。它解决的核心问题是：让模型在俯视视角下把车辆、行人从密集的小目标中框出来，而不是只在常规视角的公开数据上表现好看。

2. 解包后的目录结构与 YOLOv5 能用的标注格式转换：转换脚本与三个边界坑

2.1 压缩包里有什么：目录划分与文件命名规则

拿到 zip 解压后，常见做法是看到一个主目录，里面按 images 和 labels 分开放，train、val 各自再建子目录，结构大致像下面这样：

visdrone-yolo/ ├── images/ │ ├── train/ │ │ ├── 0000156.jpg │ │ └── ... │ └── val/ ├── labels/ │ ├── train/ │ │ ├── 0000156.txt │ │ └── ... │ └── val/ └── visdrone.yaml

图片名和标注 txt 文件名一一对应，这个命名规则是 YOLOv5 的基本要求。如果 zip 里只有一个合并目录，你需要自己按 9:1 拆成 train 和 val。注意 VisDrone 的官方标注文件是 CSV 风格的 txt，里面每行一个目标，前 6 个字段分别是bbox_left, bbox_top, bbox_width, bbox_height, score, category，后续还有截断和遮挡标记。这类原始标注不能直接喂给 YOLOv5，因为 YOLOv5 要求每行是class x_center y_center width height，后 4 个值全部归一化到 0~1。第一个边界坑就在这里：格式不转换，训练会直接报错或者把框画到九霄云外。

第二个边界坑是图片分辨率。VisDrone 不同序列的图尺寸并不统一，有 2000x1500，也有 1360x765，甚至更小。很多转换脚本为了省事把宽高写死，结果一部分图片的标注全部偏移。正确做法是逐张读取图片尺寸再归一化，下面这个脚本就是按这个思路写的。

2.2 把 VisDrone 的框标注转成 YOLOv5 的 txt：逐张读取尺寸再归一化

import cv2 from pathlib import Path src_dir = Path("raw_labels/train") # 原始 VisDrone 标注目录 img_dir = Path("images/train") # 对应图片目录 dst_dir = Path("yolo_labels/train") # 输出 YOLOv5 标注目录 dst_dir.mkdir(parents=True, exist_ok=True) # 只保留俯视场景里高频出现的 7 类，others 直接丢弃 category_map = { "pedestrian": 0, "car": 1, "van": 2, "truck": 3, "bus": 4, "motor": 5, "bicycle": 6, } for label_path in src_dir.glob("*.txt"): image_path = img_dir / (label_path.stem + ".jpg") img = cv2.imread(str(image_path)) if img is None: print(f"missing image: {image_path}") continue h, w = img.shape[:2] # 逐张取宽高，禁止写死 lines = label_path.read_text().strip().splitlines() out_lines = [] for line in lines: parts = line.split(",") if len(parts) < 7: continue x, y, bw, bh, score, cat = parts[:6] if float(score) == 0: # 忽略标注为 ignore 的实例 continue if cat not in category_map: continue cx = (float(x) + float(bw) / 2) / w cy = (float(y) + float(bh) / 2) / h nw = float(bw) / w nh = float(bh) / h # 防止四舍五入后越界 cx = min(max(cx, 0.0), 1.0) cy = min(max(cy, 0.0), 1.0) out_lines.append(f"{category_map[cat]} {cx:.6f} {cy:.6f} {nw:.6f} {nh:.6f}") if out_lines: (dst_dir / (label_path.stem + ".txt")).write_text("\n".join(out_lines))

这段脚本解决的两个问题：一是逐张读图取宽高，不写死分辨率，从根本上规避了多分辨率数据集的偏移；二是过滤score == 0的框。VisDrone 原始标注里有不少低置信度或需要忽略的区域，训练数据里混入这些噪声框，轻则让 loss 波动，重则让模型学到错误的边界。参数说明上，category_map的写入顺序就是 YOLOv5 类别索引，后面 data.yaml 的names列表必须和这个顺序保持一致；if cat not in category_map把 others 这类语义模糊的类别直接丢掉，因为俯视场景里它们对车辆和行人检测没有帮助，反而会增加后处理阶段的假阳性。

转换完成后，建议抽查 5~10 张图，把 txt 和原图叠在一起可视化。可以用任何目标检测常用标注工具打开，也可以用 OpenCV 画框，这一步能发现坐标偏移、类别错位和归一化方向错误。别跳过，因为这种黑匣子问题在训练跑到一半时才暴露，浪费时间。

2.3 类别映射与数据集划分：按视频序列拆而不是按帧拆

VisDrone 的数据来自无人机连续拍摄的视频帧，同一辆车在相邻帧里会反复出现。如果你用随机 shuffled 方式做 9:1 划分，很容易出现同一辆车在 train 和 val 里各出现一次，mAP 虚高，部署时立刻缩水。正确做法是先按视频序列分组，再以序列为单位划分。VisDrone 原始文件名通常带序列信息，比如0000156这种编号，你可以解析文件名前缀来做序列 ID。

import random from pathlib import Path label_files = sorted(Path("yolo_labels/train").glob("*.txt")) seq_groups = {} for f in label_files: seq_id = f.stem.rsplit("_", 1)[0] # 按文件名中的序列前缀分组 seq_groups.setdefault(seq_id, []).append(f) seq_ids = list(seq_groups.keys()) random.Random(42).shuffle(seq_ids) train_seqs = seq_ids[: int(len(seq_ids) * 0.9)] val_seqs = seq_ids[int(len(seq_ids) * 0.9):] train_files = [] for s in train_seqs: train_files.extend(seq_groups[s]) # 把 train_files 移动到 images/train 和 labels/train

这里random.Random(42)固定随机种子，让数据集划分可复现，后续调整超参数时不会因为数据变了而误判效果。划分后还要检查一下两个子集的类别数量分布，如果 val 里恰好没有 bus，那么 bus 类在验证指标上会显示为 0，不代表模型没学好。

2.4 data.yaml 怎么写：路径、类别名和 nc 三处最容易错

YOLOv5 的 data.yaml 是训练入口，写错路径或类别名通常不会报错，只在结果里表现出诡异现象。下面是一个经过压缩包整理后的典型配置：

# visdrone.yaml path: ./datasets/visdrone-yolo train: images/train val: images/val test: images/test # 可选 nc: 7 names: 0: pedestrian 1: car 2: van 3: truck 4: bus 5: motor 6: bicycle

path最好用相对路径，并且整个项目目录不要带中文或空格，否则在 Windows 和服务器之间迁移时容易出问题。names的索引必须和转换脚本里的category_map完全对应：如果脚本里car是 1，data.yaml 里1的位置也必须写car。这个错位很隐蔽，训练时 loss 正常，但画框或解析类别时会张冠李戴。nc的值也必须和 names 数量一致，多写或少写都会在模型输出层留下隐患。

3. 用 YOLOv5 训练 VisDrone 数据集：训练命令与必调参数

3.1 从 conda 环境到训练命令：一套能跑通的最小配置

YOLOv5 的环境配置本身不算复杂，Python 3.8 到 3.10 都行，PyTorch 按显卡版本装对应 CUDA 版。装完后用下面这条命令就能开始训练：

conda activate yolo cd yolov5 pip install -r requirements.txt python train.py --data visdrone.yaml --weights yolov5s.pt \ --batch-size 16 --epochs 100 --img 640 \ --device 0 --name visdrone_s

--weights yolov5s.pt加载的是 COCO 预训练权重，迁移到 VisDrone 航拍域时能明显加快收敛速度，不要用随机初始化的--weights ''从头训，除非你想在绝大多数任务上浪费大量时间。--img 640是最小的训练输入，跑通流程用它可以，但航拍小目标在这种尺寸下几乎会被压没，后面会专门讲为什么建议提到 1280。

参数说明：--name visdrone_s是训练结果保存目录名，所有输出会放在runs/train/visdrone_s下；--batch-size和--img相互制约，显存不够时先降 batch，不要降 img，因为对 VisDrone 来说输入尺寸比 batch 更影响最终精度。如果你的 GPU 只有 8G 显存，想跑 1280 输入，可以试试开启梯度累积：--batch-size 4 --accumulate 4，等效 batch 为 16。

3.2 YOLOv5 超参数调整：航拍场景优先动这四个

YOLOv5 的超参数文件在data/hyps/hyp.scratch-low.yaml，很多人直接默认配置跑，结果在 VisDrone 上效果一般。针对俯视视角的密集小目标，我一般会改四个地方：

lr0: 0.01 # 初始学习率 lrf: 0.1 # 最终学习率，训练到后期衰减到 lr0 * lrf mosaic: 1.0 # 保留 Mosaic 数据增强 scale: 0.5 # 随机缩放比例，默认 0.9，航拍场景下调小 hsv_h: 0.015 # 色调扰动，保留作为光照变化模拟

scale是我改动最多的项。默认值 0.9 会让目标在训练中被随机缩放到 0.1~1.9 倍，对 COCO 这种目标尺度丰富的数据集是好事，但 VisDrone 里同一张图既有 300 像素的卡车又有 30 像素的行人，缩放幅度过大会破坏小目标的空间比例，让模型更关注大目标。调到0.5后，小目标的召回率普遍能提升几个点。mosaic: 1.0要保持开启，它把四张图拼成一张，相当于强行增加了训练样本密度，对密集目标场景帮助很大。如果训练后期 loss 波动剧烈，可以把mosaic在最后 20 个 epoch 关闭，方法是训练结束后用关闭 mosaic 的配置继续微调。

另外还有一个容易被忽略的类别损失权重问题。在hyp.scratch-low.yaml里没有直接按类别设权重的参数，如果想提高行人这一类别的权重，需要用--classification之外的定制手段，或者直接保证类别映射里行人样本数足够。VisDrone 的原始数据里行人标注其实不少，但很多是小目标，如果你切了图再训练，行人的小框会更容易被模型注意到。

3.3 处理小目标的关键增强：切图、多尺度与推理参数联动

无人机俯视视角下，行人可能只有 15x15 像素。YOLOv5 默认检测头里，小目标依赖的浅层特征容易被丢弃。常见的可靠手段是切图训练：把 2000x1500 的图切成 4 张 1000x750 的小块，切图后的标注跟着算一遍偏移量。每张小图的目标尺度变大，模型更容易学到特征。切图后可以用--img 640训练，显存占用反而更小，效果通常优于直接喂大图。

第二种手段是多尺度训练，命令里加一个--multi-scale：

python train.py --data visdrone.yaml --weights yolov5s.pt \ --batch-size 8 --epochs 100 --img 1280 \ --multi-scale --device 0 --name visdrone_ms

--multi-scale会让每轮迭代随机采样输入尺寸，从 0.5 倍到 1.5 倍之间波动，模型被迫适应不同尺度的目标，对 VisDrone 这种尺度跨度大的数据集很合适。缺点是训练时间变长，约增加 30% 到 50%。

推理时也要配合调整。很多人在训练时用 1280，推理时却为了省时间用 640，效果大幅下降。YOLOv5 对输入尺寸很敏感，尤其是小目标场景。部署时如果算力允许，推理图尺寸尽量保持和训练一致，至少不要低于训练的 0.8 倍。先大图后小图的策略也可以：用 1280 训练前 30 个 epoch，然后切回到 640 再训练 30 个 epoch，模型既学到了大图上的细节，又能在实际部署时保持可接受的推理速度。这个技巧在 yolo 系列项目里称为多尺度迁移，是航拍检测里性价比很高的做法。

4. 无人机俯视视角 YOLOv5 的常见问题排查：5 个经典翻车现场

4.1 训练 loss 一直在掉，val mAP 却像心电图一样乱跳

现象：训练日志里 box loss 和 cls loss 持续下降，看起来一切正常，但 val 集的 mAP 忽高忽低，最终模型效果也很差。

原因：最常见的是训练集和验证集之间存在“数据泄漏”。VisDrone 的同一视频序列里，同一辆车和同一个人会连续出现在几十帧中。如果划分方式用了随机打散而不是按序列分组，train 里出现的车在 val 里又出现，模型记住的是这辆车而不是车的类别特征，val mAP 自然忽上忽下。

解决：回到第 2.3 节，按序列前缀分组后重新划分。如果你已经在跑训练，那就重新做数据集划分，清空runs/train下的旧结果再训，不要带着虚高的 mAP 去做任何参数判断。这一步是航拍数据集和老老实实的单帧数据集最不一样的地方。

4.2 转换脚本看着没问题，画出来的框全是歪的

现象：把 VisDrone 标注转成 YOLOv5 格式后，用可视化脚本叠框，部分图的框偏移严重，有的框甚至落到画面外。

原因：写死了图片宽高。我见过很多人把img_w, img_h = 2000, 1500写在脚本开头，结果遇到 1360x765 的图就出错。VisDrone 的图来自不同飞行平台和相机，分辨率不一致，不是所有图都是 2000x1500。

解决：用cv2.imread逐张取img.shape[:2]，再算归一化坐标。另外注意 VisDrone 标注里可能存在越界坐标，比如框的左边界超出图像宽度，直接除法归一化后可能得到大于 1 的值，训练时会被 YOLOv5 内部裁剪，但也会带来隐性损失。解决方法是把归一化后的中心点和宽高都min(max(...))夹到 0~1，这条我写进了第 2.2 节脚本里。

4.3 模型训练完，检测结果里疯狂输出“others”假阳性

现象：val 的时候总体 mAP 还行，但可视化结果里经常冒出一些框在树丛、屋顶、阴影上，这些位置在 VisDrone 原始标注里被标成 others 或 ignore。

原因：原始标注里score=0的 ignore 框和 others 类别都会向模型传递大量低质量监督信号。ignore 框如果不过滤，模型会尝试去拟合标注者自己也说不清的目标；others 类别语义太杂，包含各种背景杂物，类别内部差异比车辆和行人之间的差异还要大。

解决：在转换脚本里按score == 0过滤，同时把 others 从类别表里移除。如果你已经训练完了，重新生成训练标签，把类别数从 11 压缩到 7，再从头训一次。类别少了，每一类的正样本数量相对变多，小目标的 AP 曲线也会更平滑。

4.4 输入尺寸调到 1280，显存直接爆掉

现象：--img 1280 --batch-size 16启动后直接 OOM，报CUDA out of memory。

原因：分辨率增加一倍，特征图面积增加四倍，显存开销不是线性涨的。很多人在 640 下用 batch 16 跑得动，就认为 1280 也可以，实际上 1280 在 batch 16 下需要的显存可能是 640 的 4 倍以上。

解决：降 batch。--img 1280 --batch-size 4在大多数 16G 显存的显卡上可以跑。如果还是爆，用--batch-size 2 --accumulate 8做梯度累积。另一种办法是先切图，切成 1000x750 后--img 640也能获得较好效果。不要硬扛 1280，YOLOv5 的切图逻辑对航拍数据很友好，用切图替代大分辨率是更省算力的路线。

4.5 推理画框时大量目标互相重叠，一个行人被截断成两个框

现象：检测结果里，同一辆车被输出多个框，行人区域出现断裂，框与框之间交错得一塌糊涂。

原因：YOLOv5 的 NMS 参数设置偏严格。默认--iou-thres 0.45在常规目标上够用，但 VisDrone 俯视图片中目标密集且彼此靠近，当两个真实目标的 IoU 超过 0.45 时，NMS 会把其中一个当成重复框直接干掉。框被干掉后，剩余框的置信度分布也跟着乱。

解决：推理时把--iou-thres提到 0.6 到 0.7，减少被误杀的框。同时把--conf-thres从默认 0.25 适当调到 0.3 到 0.4，抑制掉一批低置信度的假阳性。在人群和车流密集的视频流里，这两个阈值基本是必调项。训练时不需要改，后处理阶段单独验证就行。

5. 航拍检测的落地验证：mAP 之外还要看这四项

5.1 用 val.py 回归验证：小目标指标怎么看

训练结束后，val.py 输出的 mAP50 容易让人高兴，但对无人机俯视场景，我更看重四个数：小目标的 mAP50-95、中目标的 mAP50-95、每张图的平均漏检数、NMS 之后的假阳性数。可以这样跑：

python val.py --data visdrone.yaml --weights runs/train/visdrone_s/weights/best.pt \ --img 1280 --conf-thres 0.25 --iou-thres 0.6 --save-json

--img 1280要与训练输入保持一致或更高，否则精度数据没有可比性；--iou-thres 0.6对应密集场景的 NMS 阈值，用来模拟真实部署时的表现。看结果时别只盯总 mAP，重点看输出的 per-class 表格。如果 pedestrian 的 recall 低于 0.5，说明俯视行人的漏检仍然严重，部署到视频流里会看到框断断续续。此时优先考虑切图训练，而不是盲目加大模型规模。

5.2 用少量自采数据微调：少样本条件下的定位

每次拿到新的航拍场景，我不会直接重新训练，而是在 VisDrone 模型基础上，用自己拍到的 30 到 50 张标注图做微调。命令如下：

python train.py --data my_drone.yaml --weights runs/train/visdrone_s/weights/best.pt \ --batch-size 8 --epochs 60 --img 1280 --freeze 10 --name visdrone_finetune

--freeze 10让前 10 层骨干权重冻结，只更新后面的特征层和检测头，能避免少量样本把预训练特征冲掉。新场景的 data.yaml 也要按照第 2.4 节的格式重写，尤其要检查新场景里类别是否覆盖 VisDrone 的全部类别，如果只做车辆识别，可以把nc减小。微调后我习惯用一段没有标注的飞行视频做目测回归，看框的位置是否稳定、是否把树影和车顶搞混。如果发现某些特定角度漏检，就把那几帧挑出来手动加标，继续迭代。这个流程比反复调整超参数更管用，也是我做航拍检测项目时的一个固定习惯。希望帮到你。

本文还有配套的精品资源，点击获取