企业官网建设流程全解析

简介：面向目标检测与深度学习研究人员的人车识别VOC数据集，包含约1000张手工精细标注的图像，适合训练YOLO、Faster R-CNN等检测模型，可有效解决高质量数据集获取难、标注成本高的问题。资源包共1994个文件，含997个XML标注文件、729张JPG图片与268张PNG图片，总大小711.07MB，以zip压缩包形式提供。XML标注文件记录目标边界框与类别信息，图像覆盖家庭轿车、SUV及行人等常见交通场景，目录分为dataset图像与Annotations标注两部分，结构清晰便于直接加载训练。目前已有1035人学习下载。所有标注均经作者纯手工完成，并通过实际训练验证检测效果良好，质量有保障，适合作为人车识别模型训练、调参与算法评估的理想基础数据集。

1. 手工标注 1000 张人车识别 VOC 数据集：先算清人力成本再动手

“手工标注高质量人车识别VOC数据集1000张”这个标题，乍看只是把辛苦活说清楚了，实际上是整个检测项目的骨架：图片从哪来、框怎么画、XML 怎么组织、训练时怎么转成 YOLO 能吃的格式，全都要你自己定。我见过不少人直接用公开数据集训人车检测，换到自家园区大门、停车场出入口就失效，最后还得回来补自己的图。手工标注就是解决“场景不对”这件事——用 1000 张自己视角的图，把 person 和 vehicle 两类目标逐张框出来，让 YOLOv8 这类模型在固定机位下跑出能用的精度。它适合预算有限、机位固定、想快速验证效果的从业者，也适合第一次接触 Pascal VOC 结构的人拿来做完整练手。

2. 把 VOC 格式拆开：目录、XML 字段与标注工具选型

很多人的项目死在第一步：不知道 VOC 到底长什么样，标出来的东西训练时加载报错。Pascal VOC 的格式从 2012 年定型后就基本没大改，YOLOv5、YOLOv8、MMDetection 都能直接消费，所以先花半小时把它的目录和字段看明白，后面所有脚本都能一次跑通。

2.1 JPEGImages、Annotations、ImageSets/Main 怎么放

VOC 的根目录下通常有三个关键部分，命名是约定俗成的，最好别乱改：

person_vehicle_voc/ ├── JPEGImages/ │ ├── 000001.jpg │ ├── 000002.jpg │ └── ... ├── Annotations/ │ ├── 000001.xml │ ├── 000002.xml │ └── ... └── ImageSets/ └── Main/ ├── train.txt └── val.txt

JPEGImages 放原始图片，Annotations 放每张图对应的 XML 标注，ImageSets/Main 下面是划分文件。train.txt 和 val.txt 里每一行是图片文件名去掉了扩展名的编号，比如第一行是000001，程序拿着它去 JPEGImages 里找000001.jpg、去 Annotations 里找000001.xml。这个“三目录对齐”是整个格式的灵魂。

文件命名我一般用六位数字补零，从 000001 开始递增。VOC 官方就是这么干的，和 COCO 那种000000000139.jpg的十二位命名思路一样，就是为了排序方便、对齐方便。图片和 XML 一一对应，多一张图少一个 XML 训练时都会莫名其妙丢样本，这点在第 5 章还会专门踩到。

2.2 XML 里决定模型上限的五个字段

一张图的标注全在 XML 里躺着，但训练真正读的字段就那么几个。下面是一个最小可用的 VOC 标注文件：

<annotation> <folder>JPEGImages</folder> <filename>000123.jpg</filename> <path>/data/person_vehicle_voc/JPEGImages/000123.jpg</path> <source><database>manual</database></source> <size> <width>1280</width> <height>720</height> <depth>3</depth> </size> <object> <name>person</name> <pose>Unspecified</pose> <truncated>0</truncated> <difficult>0</difficult> <bndbox> <xmin>104</xmin> <ymin>210</ymin> <xmax>348</xmax> <ymax>689</ymax> </bndbox> </object> </annotation>

对检测训练来说，<size>里的宽高决定归一化分母，<object>里的<name>决定类别标签，<bndbox>的四个值决定目标位置。剩下的<pose>、<truncated>、<difficult>都是 VOC 时代留下的元信息，YOLO 转换时基本不读。如果你只有 person 和 vehicle 两个类别，name 字段必须严格统一大小写，Person和person在程序里是两个不同的类，这类低级错误排查起来非常费眼。

2.3 LabelImg 还是 X-AnyLabeling：纯手工 1000 张的选型理由

标注工具我首选 LabelImg，理由很直接：它默认就导出 VOC XML，不需要二次转换，快捷键顺手，单机跑 1000 张图不带卡顿。安装方式很简单：

pip install pyqt5 labelImg labelImg

如果遇到 PyQt5 装不上，多半是 Python 版本太新，换到 Python 3.8 或 3.10 的环境再装一次就行。老工具依赖旧，但有得用就不折腾它。

有人会问，现在有 X-AnyLabeling 这类带模型辅助的工具，不是更快吗？问题是它先出一个预测框让你改，遇到机位角度刁钻的场景，改框的时间比自己画还长，而且这个工具默认导出的是 JSON 或自定义格式，还得再转一次 VOC。纯手工 1000 张的项目，老老实实用 LabelImg 逐张画最稳。快捷键是效率命脉，记牢下面这几个就够了：

打开 LabelImg 后把「PascalVOC」模式设为默认，再指定打开 JPEGImages 目录和默认保存到 Annotations 目录，剩下就是一张一张地画。别小看这个琐碎动作，1000 张图的肌肉记忆会让你后面转换脚本时少犯很多错。

3. 图片收集与预处理：决定 1000 张上限的隐藏工程

标注本身不产生图片，1000 张从哪来是个被严重低估的环节。直接去网上下载一堆街景图，类别是全了，但机位、光照和你的部署场景不匹配，标注完训练照样翻车。图片来源和筛选决定了这套数据集的真实上限。

3.1 从视频抽帧还是从公开数据挑

最常见、最可靠的做法是从自己的监控视频或手机拍摄视频里抽帧。固定机位拍一段 20 分钟的视频，用 ffmpeg 按固定间隔抽帧，很快就凑够几百张：

ffmpeg -i input.mp4 -vf fps=1 -q:v 2 frames/%04d.jpg

这段命令每秒抽 1 帧，-q:v 2是 JPEG 质量控制参数，范围 2 到 5，数字越小画质越高。如果你想要每 2 秒抽一帧，把fps=1改成fps=1/2，具体节奏取决于目标在画面里停留的时长。抽完会发现相似帧多到崩溃，这时候不要整段视频都用，每隔一段删一批，只保留机位、人物姿态有变化的。

公开数据集不是不能用，但要注意 license 和视角匹配，比如找公开监控场景的片段做补充。我的习惯是：固定机位视频为主，公开数据只用来补类别多样性，比如补夜间车灯、补雨天行人打伞，比例控制在两成以内。这样既保住场景一致性，又让模型见得多一点。

3.2 去重、筛选与明暗分布

抽帧出来的图至少有三分之一是高度相似的，直接标注等于浪费人力。我一般用感知哈希快速去重：

from PIL import Image import imagehash import os hash_map = {} for f in sorted(os.listdir("frames")): path = os.path.join("frames", f) h = imagehash.phash(Image.open(path)) dup = [key for key, val in hash_map.items() if h - val < 5] if dup: print("duplicate:", f, dup[0]) else: hash_map[f] = h

imagehash.phash把图片压缩成 64 位指纹，两个指纹的汉明距离小于 5 就认为是重复帧。这个阈值可以调，想严格一点就改成 3，想宽松一点就改成 8。跑完把标记出来的重复图人工再过一遍，保留帧间差异大的。

筛选的时候要按场景分布计数，而不是按图片张数。我见过一个 1000 张的数据集，全是白天晴天，一到傍晚就全线崩。正确做法是人工看一下明暗分布：白天 600 张、傍晚 200 张、夜间 200 张，再穿插几段雨天，保证每个时段的样本量都过百。这个步骤没有脚本能完全自动化，靠的是对着缩略图快速过一遍的眼睛。

3.3 图片压缩与重命名：把家底盘干净

高清监控原图动辄 4000x3000，直接标注会让框选目标时鼠标移动距离过大，费眼又费手。常规做法是先统一缩到最长边 1280 像素，既保留小目标细节，又让标注效率显着提升。同时把文件名重排成六位数字编号，和 VOC 的习惯对齐：

from PIL import Image import os os.makedirs("raw", exist_ok=True) files = sorted(os.listdir("origin")) for i, f in enumerate(files): if not f.lower().endswith((".jpg", ".jpeg", ".png")): continue img = Image.open(os.path.join("origin", f)).convert("RGB") img.thumbnail((1280, 1280)) out_name = f"{i:06d}.jpg" img.save(os.path.join("raw", out_name), quality=90) print(out_name)

thumbnail((1280, 1280))会保持长宽比缩小，不会拉伸变形；quality=90是 JPEG 保存质量，肉眼几乎看不出和原图的差别，但文件体积小很多。重命名的好处是后续所有脚本只用正则匹配六位编号，不需要处理乱七八糟的原始文件名。这一步做完了，你手里就有一套干净的raw/目录，可以正式开始标注了。

4. 手工标注实操：从画框规范到 VOC 转 YOLO 的完整脚本

图片准备完，进入到最耗人的环节。手工标注 1000 张的成败不在手速，在规则。规则不先定清楚，标到第 300 张发现标准不一致，回改的成本高到你想放弃整个项目。

4.1 画框规范：人从头顶到脚底，车要含后视镜

开始标之前，先写一条规则，后面所有图都按它执行。我的惯例是：行人框从头顶到脚底，头发、帽檐都算在框内，宁可四边贴紧不要出血；车辆框包含后视镜和外后视镜，含车顶行李架的也要圈进去。人物被车挡住一半以上的，如果类别可辨就照常标注，框到可见边缘即可；如果只露出一只手或一条腿，那就不标。低于 24 像素的行人和低于 40 像素的车辆，统一不标——这类目标即使标了，在 640x640 的输入尺寸下也学不到什么特征，反而给训练数据引入大量噪声。

这条规则看起来简单，实际执行时每张图都有边界情况，比如隔着玻璃的人影、反光里的车。我的处理是：玻璃内人影算半透明遮挡，可辨就标；反光一律不标。标完一个批次后，抽 10% 复查一遍，发现有人把影子画进框了，立刻回去改。规则一致性直接决定后续模型精度能到多少，这是血泪经验换来的。

4.2 标注节奏与文件名一致性检查

1000 张图一个人标，乐观估计要两到三天。别追求一天标完，疲劳状态下手抖、漏框、框偏的问题会成倍增加。我的节奏是每小时休息 10 分钟，每标完 100 张跑一次文件名一致性检查：

import os jpegs = {os.path.splitext(f)[0] for f in os.listdir("JPEGImages") if f.endswith(".jpg")} xmls = {os.path.splitext(f)[0] for f in os.listdir("Annotations") if f.endswith(".xml")} print("jpg 无 xml:", jpegs - xmls) print("xml 无 jpg:", xmls - jpegs)

这个脚本把 JPEGImages 和 Annotations 的文件名分别取集合，再做差集。输出为空说明两边完全对齐；有输出就找出是哪张图在保存时被跳过了，补标或删图。很多人在训练时才暴露这个问题，报错信息又长又绕，其实根因就在文件名没对齐，不如在标注阶段就把它拦住。

4.3 把 VOC XML 转成 YOLO TXT：类别顺序错了全白干

标注完成，下一步是转成 YOLO 要的格式。YOLO 的标签是每张图一个 TXT，每行五个数：类别 id、归一化中心 x、归一化中心 y、归一化宽、归一化高。VOC 的 XML 是左上角和右下角坐标，转换时必须先算坐标再归一化：

import xml.etree.ElementTree as ET import os CLASS_MAPPING = {"person": 0, "vehicle": 1} ANNO_DIR = "Annotations" OUT_DIR = "labels" os.makedirs(OUT_DIR, exist_ok=True) for xml_name in os.listdir(ANNO_DIR): if not xml_name.endswith(".xml"): continue xml_path = os.path.join(ANNO_DIR, xml_name) root = ET.parse(xml_path).getroot() size = root.find("size") W = int(size.find("width").text) H = int(size.find("height").text) lines = [] for obj in root.findall("object"): name = obj.find("name").text if name not in CLASS_MAPPING: continue b = obj.find("bndbox") x1 = float(b.find("xmin").text) y1 = float(b.find("ymin").text) x2 = float(b.find("xmax").text) y2 = float(b.find("ymax").text) # 把越界框拉回图像有效范围，过滤误点的幽灵框 x1 = max(0.0, min(x1, W - 1)) y1 = max(0.0, min(y1, H - 1)) x2 = max(0.0, min(x2, W - 1)) y2 = max(0.0, min(y2, H - 1)) if x2 - x1 < 2 or y2 - y1 < 2: continue cx = ((x1 + x2) / 2) / W cy = ((y1 + y2) / 2) / H bw = (x2 - x1) / W bh = (y2 - y1) / H lines.append(f"{CLASS_MAPPING[name]} {cx:.6f} {cy:.6f} {bw:.6f} {bh:.6f}") out_path = os.path.join(OUT_DIR, xml_name.replace(".xml", ".txt")) with open(out_path, "w") as f: f.write("\n".join(lines))

这段脚本有几个细节值得说。宽高一定要从 XML 的<size>读，不要重新去读图片文件——如果图片带 EXIF 旋转信息，PIL 读出来的宽高和标注时看到的不一致，归一化就全错了。clamp 操作把鼠标画框时出界的几个像素拉回有效范围，避免训练时 loss 计算出现负数面积。最后过滤掉宽或高小于 2 像素的框，这类框是鼠标误点产生的，留着只会让模型学到噪声。

类别顺序person: 0, vehicle: 1是写死的，转换后的 TXT 第一行如果出现0，就代表 person，出现1代表 vehicle。这个顺序必须和第 6 章里data.yaml的 names 完全一致，顺序错了，模型训练出来的预测类别就是错位的。如果图片里没有标注任何目标，这个脚本会生成一个 0 字节空 TXT，这是允许的，YOLO 训练时会自动跳过空标签，不要手动删掉它们。

4.4 同步生成 train.txt 与 val.txt

转到 labels 之后还有最后一步：做训练集验证集划分，写进 ImageSets/Main。这里有个 8:2 的随机划分脚本：

import os import random ids = [os.path.splitext(f)[0] for f in os.listdir("JPEGImages") if f.endswith(".jpg")] random.seed(42) random.shuffle(ids) split = int(len(ids) * 0.8) train_ids, val_ids = ids[:split], ids[split:] os.makedirs("ImageSets/Main", exist_ok=True) for name, lst in [("train", train_ids), ("val", val_ids)]: with open(f"ImageSets/Main/{name}.txt", "w") as f: f.write("\n".join(lst))

random.seed(42)固定随机种子，这样每次跑脚本划分都完全一样，复现实验时不会因为训练验证集变了而说不清结果。随机划分在图片来源分散的情况下够用，但如果你的图是从视频抽帧来的，强烈建议在划分后人工检查一下 val.txt 里的编号，确保验证集中没有和训练集相邻几帧的画面。这个坑会在第 5 章展开。

最后把目录整理成 YOLO 的 images/labels 组织方式，一条命令的事：

for id in $(cat ImageSets/Main/train.txt); do mkdir -p person_vehicle/images/train person_vehicle/images/val mkdir -p person_vehicle/labels/train person_vehicle/labels/val cp JPEGImages/$id.jpg person_vehicle/images/train/ cp labels/$id.txt person_vehicle/labels/train/ done for id in $(cat ImageSets/Main/val.txt); do cp JPEGImages/$id.jpg person_vehicle/images/val/ cp labels/$id.txt person_vehicle/labels/val/ done

YOLO 训练时要求图片在images/train、标注在labels/train，而且两边的文件名必须一致。这个 bash 循环把 JPEGImages 里的图和 labels 里的 TXT 按划分文件同时拷贝过去，三目录天然对齐。如果你的目标是旋转框检测，比如要喂给 mmrotate 跑 DOTA 格式，那就得走另一套转换流程，上面的 VOC 转水平框只适合普通目标检测。

5. 手工标注避坑指南：人车识别 1000 张里最容易翻车的五个点

这个环节写满五条，每一条都是我或同行真实踩过的，按“现象、原因、解决”列清楚。标 1000 张图本身不难，难的是标完之后训练时那些让你通宵排查的玄学问题。

5.1 验证集 mAP 高得吓人，现场视频却疯狂漏检

这是做监控场景人车识别最典型的翻车现场。现象是训练时验证集 mAP50 到了 0.9 以上，一部署到现场视频，连续几十秒漏掉一个走过去的人。

原因基本是数据泄漏：如果 1000 张图全部来自同一段 20 分钟视频，随机划分后，验证集的某一帧可能只和训练集的某一帧差了 0.5 秒，画面几乎一样，模型等于在背答案，根本学不会泛化。解决方法是按时间段划分而不是按帧随机划分，比如用视频的前 15 分钟做训练，后 5 分钟做验证。如果素材来自多个机位，优先按机位划分，保证验证集的场景和训练集不同。这是处理视频抽帧数据时最不能省的一步。

5.2 训练报错 Label class 1 exceeds nc=1

现象是 YOLOv5 或 YOLOv8 训练到一半直接崩，提示类别 id 超出类别总数。原因几乎都是 VOC 转 YOLO 时类别顺序和 data.yaml 对不上。比如转换脚本里vehicle是 1，但 data.yaml 里只写了names: ['person']，模型一看类别数就 1，读到 1 直接越界。

解决方法是把类别顺序固化成唯一来源。我的做法是建一个predefined_classes.txt，里面按顺序写person、vehicle，转换脚本和 data.yaml 都从这里读顺序，而不是各自维护一份。检查时先看转换出的任一 TXT 里最大的类别 id，再看 data.yaml 里 names 的长度，两个值一对就定位了。

5.3 人和车数量严重失衡，模型只认识人

现象是模型对人的召回率很好，对车的召回率惨不忍睹，尤其近处的大卡车几乎全漏。

原因是 1000 张图里人出现了 4000 次，车只出现了 800 次，模型把大部分容量都用去拟合人了。很多人统计样本只看图片张数，从不看目标个数，这是错误认知。解决方法是先写一段统计脚本，遍历所有 XML 统计两个类别的 bndbox 数量，如果车明显偏少，回去单独补拍车辆的图片，而不是简单重复采样，因为重复采样会造成过拟合。理想比例至少做到人 2500 次、车 1500 次，每类目标数低于 1000 时模型很难学好这个类。

5.4 小目标全部丢失，行人一远就消失

现象是近处的人检测正常，画面中 80 像素高的小人全被忽略，模型似乎对小物体免疫了。

原因大多是标注阶段定的最小尺寸阈值太大，或者缩图时把 4000 宽的图压到了 640，小目标直接被压没了。解决方法是把标注规范里的最小尺寸写明确：行人高度低于 24 像素不标、车辆宽度低于 40 像素不标，但图片最长边缩到 1280 时这个阈值还能保住大多数目标。训练时的 imgsz 也别盲目开大，先按 640 跑一版，如果小目标还是丢，再试 960，同时观察显存占用。小目标检测没有银弹，数据里留得住、训练时输入够大，才能谈得上模型能力。

5.5 bndbox 越界和文件错位，训练时解码莫名其妙崩

现象是训练过程中偶尔报坐标解析错误，或者某张图加载时找不到标签，位置随机、难以复现。原因有两类：一类是鼠标画框出界，xmax 大于图片宽度；另一类是半路手动删过图片，JPEGImages 和 Annotations 数量对不上了，训练集里残留了没有 XML 的图片路径。

解决方法是把转换脚本里的 clamp 逻辑保留，同时每次划分训练集之前跑一遍 4.2 节的文件名一致性检查脚本，保证两边集合完全相等。还有一个容易忽略的细节：如果你用脚本批量重命名过图片，XML 里的<filename>和<path>也要同步更新，LabelImg 保存时会写死原路径，训练框架如果按 XML 里的 path 找图片就会报错，按你自己的目录结构重新组织 JPEGImages 后，最稳妥的做法是让脚本忽略 XML 里的 path，只按文件名匹配。

6. 用 1000 张 VOC 拉起 YOLOv8：最小训练配置与验收方法

转换出来的person_vehicle/目录配上一条 data.yaml 就能训练了。YOLOv8 和 YOLOv5 的配置差别不大，这套流程同样适用 yolov5 训练自己的数据集，只需要把命令里的yolo换成python train.py的对应写法。

path: /data/person_vehicle train: images/train val: images/val names: 0: person 1: vehicle

训练命令用最小配置起步：

yolo detect train data=person_vehicle.yaml model=yolov8n.pt epochs=100 imgsz=640 batch=16 patience=20 device=0

model=yolov8n.pt是 nano 版本，1000 张数据量下注意力应该放在数据和标注质量上，而不是模型容量；batch=16在 6GB 显存左右能跑，显存小就降到 8；patience=20表示 20 个 epoch 没有提升就早停，防止过拟合。训练完成后看验证结果：

yolo detect val data=person_vehicle.yaml model=runs/detect/train/weights/best.pt

重点看 mAP50 和 per-class AP，而不是 total loss——loss 是黑匣子，mAP 才是能说话的指标。如果 person 的 AP 明显低于 vehicle，回到第 5 章看类别是不是失衡了。

训练跑通之后有一个便宜的进阶技巧：拿 best.pt 对验证集做预测，把置信度在 0.3 到 0.65 之间、但实际有目标的图片挑出来，人工确认后回填进训练集。这部分是模型最有进步空间的难例，补 100 张比随便加 300 张普通图效果更明显。我现在的习惯是先标 300 张快速训一版，照着漏检模式决定后面 700 张补什么图，而不是攒满 1000 张再开工，效率完全不同。希望帮到你。

本文还有配套的精品资源，点击获取