企业官网建设流程全解析

简介：面向行人与车辆自动检测任务的数据集资源，包含4500张训练图像与500张验证图像，合计5000张已标注图片，专门适配YOLOv5等主流目标检测框架，可直接用于模型训练、验证与效果对比。所有图像中的行人、车辆实例均以边界框形式标注，同步提供xml与txt两种标注格式：xml可查看类别和坐标信息，txt则便于直接套用到YOLO训练管线；jpg原始图像与两种标注文件通过统一编号一一对应，完成数据划分和预处理非常顺手。整个压缩包共包含16821个文件，三类文件各5607个，资源包大小约499.51MB，目录结构清晰规整，适合批量加载和多次迭代。当前已有2886人学习下载，该资源的实用性与认可度已有一定验证。借助此数据集可系统开展检测实验，覆盖不同光照、视角与遮挡条件，实测验证集上平均精度均值约达98%，既能用于不同算法间的横向评测，也可支撑自动驾驶、交通监控等真实应用场景，是目标检测入门研究与工程落地的优质基准资料。

1. 一份行人车辆检测数据集一共4500张验证集500张，到底能训出什么

手里这套行人车辆检测数据集一共4500张验证集500张，很多人第一反应是“才4500张图，够训模型吗”。做过几个交通感知项目之后我可以坦白讲：5000张图配合一份干净标注，在目标检测里属于“小而能打”的规模，价值不在数量，而在你怎么组织这4500张训练集和那500张验证集。这篇笔记按我实际跑项目的顺序来：先做数据核验与划分，再做格式转换和训练参数调优，最后集中讲最容易翻车的几个坑。适合手里有类似规模数据集、想用YOLO系模型做出可靠行人车辆检测结果的从业者，也适合刚入目标检测、还没搞清楚训练集和验证集到底该怎么用的新手。

2. 拿到数据集第一件事不是开训：先做图片质量与类别分布的核验

很多人拿到数据集就急着跑yolo detect train，结果训练到一半 loss 突然飘掉，或者验证集 mAP 高得吓人、一上视频就漏检。问题往往不在模型，在数据本身。4500 张训练图加 500 张验证图，如果标注是人工画的，漏标、错标、坐标越界几乎是必然；如果图片来自视频抽帧，还可能混着大量高度相似的连续帧。所以第一步不是写训练脚本，是写一个数据体检脚本，把质量、类别分布、划分方式这三件事先钉死。

2.1 图片质量筛查：模糊、过曝和坏图的三个硬指标

我一般会用 OpenCV 把全量图片过一遍，指标就三个：能不能正常读、清不清晰、亮度是否极端。下面这段脚本能在一两分钟内跑完 5000 张图的体检。

import cv2 import os img_dir = "images" bad_files = [] for name in os.listdir(img_dir): path = os.path.join(img_dir, name) img = cv2.imread(path, cv2.IMREAD_COLOR) if img is None: bad_files.append((name, "unreadable")) continue gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) blur_val = cv2.Laplacian(gray, cv2.CV_64F).var() mean_bright = gray.mean() if blur_val < 30: bad_files.append((name, f"blur={blur_val:.1f}")) elif mean_bright < 20 or mean_bright > 240: bad_files.append((name, f"brightness={mean_bright:.1f}")) print(f"total={len(os.listdir(img_dir))}, suspicious={len(bad_files)}") for f in bad_files[:50]: print(f)

逻辑很简单：cv2.imread返回 None 的就是坏图；读取后转灰度，用 Laplacian 算子的方差衡量清晰度，方差越低图越糊。为什么阈值定 30？这是我跑白天城市道路场景的常用值，如果数据里夜间图多，可以把阈值放宽到 15，否则夜间正常的暗光图会被误杀。亮度均值的判断同理，全黑图、过曝图会直接把模型训练带偏。

这一环节有个容易被忽略的细节：坏图不要直接删，而是记录路径后归入一个exclude目录。因为有些运动模糊帧虽然质量差，却代表真实场景中的“目标运动过快”，删掉它模型对运动模糊的鲁棒性会更差。我给自己定的规则是：可疑图逐个人工过一遍，只有完全不可读或标注无法对齐的才剔除；如果可疑图超过全量的 3%，说明数据源采集本身有问题，这时候要停下来重新看采集方案，而不是硬着头皮继续。

2.2 类别分布统计：4500张训练集里行人和车辆的比例是否失衡

图片质量只是第一关，更关键的是类别分布。假设标注是 VOC 格式的 xml，我会用下面这个脚本统计每类目标的框数、有目标图片数和总框数。如果你的标注是 COCO json 或 YOLO txt，核心逻辑相同，只是解析方式不同。

import xml.etree.ElementTree as ET import os from collections import Counter ann_dir = "Annotations" cls_counter = Counter() imgs_with_obj = 0 total_boxes = 0 for xml_file in os.listdir(ann_dir): tree = ET.parse(os.path.join(ann_dir, xml_file)) root = tree.getroot() cnt = 0 for obj in root.iter("object"): name = obj.find("name").text.strip() cls_counter[name] += 1 total_boxes += 1 cnt += 1 if cnt > 0: imgs_with_obj += 1 print(cls_counter) print("total_boxes:", total_boxes) print("imgs_with_obj:", imgs_with_obj)

跑完看两个数。第一，每类框数是否悬殊。如果车辆框是行人框的三倍以上，模型会天然偏向车辆，行人这一类在 loss 里的贡献被稀释。我一般要求最少类别实例数不低于最多类别的五分之一，低于这个比例就得做类别权重或复制粘贴增强，这在第 4 章会展开。第二，平均每图目标数。如果 4500 张图一共只有 6000 个框，平均一张图 1.3 个目标，模型很难学到拥挤场景下的遮挡关系，推理时遇到两个人并排走就会漏检。

这个环节还要顺手做一件事：类别名归一。同一个数据集里出现person和people并存、car和Car并存的情况我在实际项目里见过不止一次，两个名字在代码里是两个类别，直接导致分类数虚高、mAP 被稀释。处理办法是做一次字典映射，统一成一套命名，再重新统计。

2.3 验证集500张不能随便分：划分时的三个前提

训练集 4500 张、验证集 500 张，这个比例本身没问题，问题在怎么把这 500 张选出来。很多教程教你random.shuffle后按比例切，如果你的图片全是相互独立的网络抓图，这样没问题；但如果图片来自视频抽帧或同一批摄像头，随机划分会把同一段画面的相邻帧同时分进训练集和验证集，模型在训练时已经“背过答案”，验证 mAP 虚高，一上真实场景立刻现原形。

我常用的做法是按来源分桶。假设文件名前缀代表视频源或摄像头编号，用下面这段脚本把每个桶里的图按 9:1 拆开，而不是全量随机打乱。

for cam in $(ls images | cut -d'_' -f1 | sort -u); do mkdir -p split/train/$cam split/val/$cam ls images/${cam}_*.jpg | sort > /tmp/${cam}.txt total=$(wc -l < /tmp/${cam}.txt) val_n=$((total / 10)) head -n $val_n /tmp/${cam}.txt | xargs -I {} mv {} split/val/$cam/ tail -n +$((val_n+1)) /tmp/${cam}.txt | xargs -I {} mv {} split/train/$cam/ done

原理是先把属于同一视频源的图片按文件名聚到一起，再按时间顺序取前 10% 作为验证，保证同一时刻相邻帧只会出现在一个集合里。val_n取总数的十分之一，是为了对齐“训练 4500 验证 500”这个结构。分完之后不要急着开训，再跑一遍上一小节的统计，确认验证集里行人和车辆两类图片的占比和训练集基本一致，如果某类在验证集里一个框都没有，后面该类 mAP 直接报 0，排查起来很费劲。

还有一点关于验证集规模的认识：500 张图跑出来的 mAP 本身有约 ±0.03 到 ±0.05 的随机波动，两个模型 mAP 差 0.02 并不能说明谁更好。想判断真实差异，同一个 checkpoint 换不同验证顺序跑两次取均值，或者把验证集切两半分别评估。这个误差意识能帮你少走很多弯路。

3. 把数据集组织成YOLO能直接训练的样子：目录结构、标注格式与anchors重算

数据和划分都确认没问题后，下一件事是把标注格式转换成目标检测框架认识的形态。常见工作流里，数据集原始标注大概率是 VOC 的 xml 或 COCO 的 json，而 YOLO 系训练脚本读的是每张图对应一个 txt 的归一化坐标，这一步转换不做对，后面所有环节都会跟着出错。

3.1 三套主流标注格式的换算：VOC、COCO、YOLO txt

先理清三种格式的本质差异，用一个表记住就够：

我遇到最多的情况是 VOC 转 YOLO，因为很多标注工具导出的是 VOC。转换脚本网上到处都有，但大部分没处理边界情况。下面这段是能直接用的版本：

import xml.etree.ElementTree as ET import os CLASSES = ["person", "car", "truck", "bus"] def convert(xml_path, out_path): tree = ET.parse(xml_path) root = tree.getroot() size = root.find("size") w = int(size.find("width").text) h = int(size.find("height").text) lines = [] for obj in root.iter("object"): name = obj.find("name").text.strip() if name not in CLASSES: 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) bw = xmax - xmin bh = ymax - ymin if bw <= 0 or bh <= 0: continue x_center = (xmin + xmax) / 2 / w y_center = (ymin + ymax) / 2 / h bw = bw / w bh = bh / h lines.append(f"{CLASSES.index(name)} {x_center:.6f} {y_center:.6f} {bw:.6f} {bh:.6f}") with open(out_path, "w") as f: f.write("\n".join(lines)) for xml_file in os.listdir("Annotations"): convert(os.path.join("Annotations", xml_file), os.path.join("labels", xml_file.replace(".xml", ".txt")))

逻辑不复杂：VOC 的归一化要把像素坐标同时除以图宽高，中心点取 xmin 和 xmax 的中点。.6f格式化很关键，防止 Python 在某些数值上输出科学计数法导致解析错乱。bw <= 0 or bh <= 0这个过滤是我加进去的，标注框两个角点重合的退化框在 VOC 里偶尔会出现，不过滤的话训练时 loss 计算可能除零，表现为训练到一半数值爆炸，排查要花很久。还要提醒一句：如果类别名不在 CLASSES 里，这里选择直接跳过会悄悄丢标注，建议改为打印未知名让你人工确认，而不是静默丢弃。

COCO 转 YOLO 的思路类似，用 pycocotools 读 json 后按 annotation 的 bbox 字段换算，但要注意 COCO 的 bbox 是x, y, width, height，不是 xmax、ymax，很多人第一次转就在这里写错公式。另外，如果你做的是俯视或遥感视角的行人车辆检测，要换成旋转框的 mmrotate/DOTA 那条管线，坐标定义和评估方式和水平框完全不同，不在这次讨论范围内。

3.2 目录结构与data.yaml：按YOLOv8/v5的方式组织4500+500

格式转完后，目录结构我建议严格照搬 YOLO 官方约定的样子，省得训练脚本报路径错误。典型的组织方式是这样：

dataset/ ├── images/ │ ├── train/ # 4500张 │ └── val/ # 500张 ├── labels/ │ ├── train/ # 与images同名同前缀的txt │ └── val/ └── data.yaml

对应的data.yaml长这样：

train: dataset/images/train val: dataset/images/val nc: 4 names: ["person", "car", "truck", "bus"]

这里有两个细节值得单独说。第一，路径我习惯写相对路径，并在训练命令里cd到 dataset 的父目录，而不是写死绝对路径；绝对路径换台机器就全部作废，这种坑我在给同事交接项目时碰上过太多次。第二，图片名和标签名必须严格同名，大小写也不能差，Linux 下a.jpg和A.jpg是两个文件，Windows 下却是同一个，跨平台训练时最容易在这上面翻车。

名字对齐后做一次硬校验，确保每一张训练图都有对应标签：

find images/train -name "*.jpg" | wc -l # 期望4500 find images/val -name "*.jpg" | wc -l # 期望500 for f in $(find images/train -name "*.jpg"); do base=$(basename "$f" .jpg) [ -f "labels/train/$base.txt" ] || echo "missing label: $f" done

如果图片没有对应标签，训练时这张图会被当成纯背景图参与训练。少量背景图对模型有正面意义，能压低误检；但如果验证集里混入大量无标签图，明明是漏检目标，评估时却算作正确背景，mAP 虚高就是这么来的。所以我建议训练集里可以有少量空标签图，验证集里保留一些但不要太多，并且心里清楚它会影响分数解读。

3.3 要不要重算anchors：4500张训练集上的一个关键决策

老玩家会纠结 anchors 要不要重算，这块要分框架说清楚。YOLOv5 用--autoanchor可以在训练前基于你的标注框做 k-means 聚类，自动算出更适合当前数据集目标尺度的先验框；YOLOv8 的检测头是 anchor-free 的，不依赖预置 anchors，所以基本不用管这件事。

如果是 YOLOv5，我会在第一次训练前开 autoanchor 看它算出的新 anchors 和默认值差多少。差别在 10% 以内不值得折腾，差别大说明你的目标尺度和 COCO 分布差异明显，比如行人普遍只有 20x40 像素而车辆占半幅画面。这时用 autoanchor 跑出的结果替换默认配置，对小目标召回有一定帮助。

还有一个和 anchors 相关但常被忽略的统计：把 4500 张训练图里所有标注框的宽高聚类画出来，能直观看到数据集的目标尺度分布。这个分布直接决定你后续该用 640 还是 1280 的输入分辨率，是第 4 章参数选择的重要依据，千万别跳过。

4. 4500张训练集怎么用到极限：数据增强、训练参数与小样本策略

数据量就这么多，模型能不能出效果，拼的是对 4500 张训练图的利用效率。增强策略选得好，一张图能顶三张用；选得不好，轻则过拟合，重则把夜间场景的泛化能力直接毁掉。这一章的参数都来自我实际跑过的人车检测项目，可以拿来当起点再根据你的数据调整。

4.1 增强参数的取舍：mosaic、mixup、hsv在行人和车辆上的表现

下面这条命令是我训练 YOLOv8 做行人车辆检测的常用起点，参数不是默认值，都有针对性：

yolo detect train \ model=yolov8n.pt \ data=data.yaml \ imgsz=640 \ batch=16 \ epochs=100 \ hsv_h=0.015 hsv_s=0.7 hsv_v=0.4 \ translate=0.1 scale=0.5 fliplr=0.5 \ mosaic=0.8 mixup=0.2 \ patience=20 \ project=runs/traffic \ name=person_vehicle

逐个说参数为什么这么设。mosaic=0.8而不是默认的 1.0，是因为 mosaic 把四张图拼成一张，目标落在拼接缝处会被直接切断，行人检测里被切断的半个人像会让模型学到错误语义，密集人群场景尤其明显。保留 0.8 能给模型一定的多尺度上下文，又不会让截断样本太多。mixup=0.2对拥挤场景有帮助，但比例太高会把行人和车辆的边缘特征糊在一起，0.2 是我试下来比较稳的值。

hsv_v=0.4是我踩过坑的地方。如果你的数据里有相当比例的夜间图，亮度增强太强会把夜间图在训练时拉成白天亮度，模型学到的夜间特征被污染，验证 mAP 不低、夜间泛化却很差。夜间样本占比较多时，我会把hsv_v降到 0.1 甚至关掉。这个规律反过来也成立：全是白天图时适当提一点 hsv_v 能提升对逆光的鲁棒性，但要亲眼看过增强后的效果再定，别只看曲线。

还有一个参数容易忽略：scale=0.5控制随机缩放范围。行人车辆共存的场景目标尺度差异大，scale 太大会让本来就小的行人缩成几个像素，失去学习意义。0.5 是比较平衡的值，如果你验证集里大量行人小于 30 像素，可以把 scale 降到 0.3，减少训练时目标被缩没的概率。

4.2 训练参数的硬指标：imgsz、batch、epochs在小数据集上怎么设

小数据集上的参数选择，最核心的是输入分辨率 imgsz。640 是性价比最高的默认值，但行人这种小目标，640 输入下原图 30 像素的一个人会被缩到不到 20 像素，特征基本丢了。如果你的目标尺度统计显示行人普遍偏小，直接上 1280 是提升召回最立竿见影的手段，代价是显存占用约为 640 的四倍，batch 往往要减半。

batch 和显存的关系有个粗略估算：YOLOv8n 在 640 分辨率下，16 张图的显存占用大约 4 到 6 GB，1280 分辨率同样 batch 会逼近 16 GB 以上。显存不够时优先降 imgsz 而不是降 batch，因为 imgsz 对 mAP 的影响通常比 batch 大，用 8 的 batch 配合梯度累积一样能训练，只是收敛节奏慢一点。

epochs 我的建议是 100 起步，配合patience=20早停。4500 张图不算多，通常到第 50 到 80 轮就收敛了，继续硬顶只会过拟合验证集。早停监控的是验证集 loss，别把训练 loss 当成早停依据，训练 loss 一定会降，不代表模型在 500 张验证图上表现好。也可以考虑用batch=-1让 YOLO 自动探测显存并选一个合适的 batch，省去手动试错的功夫。

4.3 数据不够时先别急着上生成式增强：用复制粘贴和分层采样

很多人数据不够第一反应是上生成模型扩数据，我持保留态度。生成式增强的标注和真实场景之间的分布偏移很难控制，4500 张图这个规模，更稳的是传统复制粘贴增强：把行人实例从原图抠出来，粘贴到车辆较多的背景图上，同时写入新标注。这在 CrowdHuman 一类密集行人数据集上被反复验证过，是提升小样本类别召回的有效手段。

import cv2 import numpy as np def paste_instance(bg_img, obj_img, mask, label_lines, class_id, max_try=10): h, w = bg_img.shape[:2] oh, ow = obj_img.shape[:2] if ow >= w or oh >= h: return False for _ in range(max_try): x = np.random.randint(0, w - ow) y = np.random.randint(0, h - oh) roi = bg_img[y:y+oh, x:x+ow] roi[mask > 0] = obj_img[mask > 0] cx = (x + ow / 2) / w cy = (y + oh / 2) / h bw = ow / w bh = oh / h label_lines.append(f"{class_id} {cx:.6f} {cy:.6f} {bw:.6f} {bh:.6f}") return True return False

这段代码的核心是“贴完后同步更新标签”，很容易漏。mask 是目标前景掩码，简单实现可以用标注框中心区域近似，不需要精细到像素级分割。三个使用原则：粘贴时避开已有目标，不然两个框重叠会让模型学到错误遮挡关系；粘贴位置要随机但不能离谱，比如行人出现在车顶就违背常识；扩充比例控制在单类实例数的 20% 到 50%，太多会让模型学到“行人总出现在奇怪位置”的假分布。

分层采样是对划分的补充：构造一个包含has_person和has_vehicle两列的元数据表，按这两个字段分组后分别抽样，保证划分出的验证集中两类出现的图片比例与训练集一致。固定random_state让划分可复现，是值得养成的习惯。

5. 行人车辆检测训练中的5个常见坑：从loss不降到mAP虚高

这一章写训练和评估阶段最常见的五个问题，每条都按“现象、原因、解决”三段来，都是我在类似规模数据集上实际遇到过的，排序按发生的频率。

5.1 训练loss正常但验证mAP极低：先查划分泄漏

现象：训练曲线下降得很漂亮，训练集 loss 和验证集 loss 都正常，但验证集 mAP 只有 0.1 左右，跟同规模公开数据集的水平差了一个数量级。原因多半是数据划分出了问题：图片来自视频抽帧，随机划分把同一段画面的相邻帧同时分进训练集和验证集，模型在训练时已经记住这些画面，而验证时看到的“下一帧”由于光照、遮挡变化，模型根本没泛化过。解决：回到第 2 章，按摄像头或视频源分桶后再划分，或者先把视频按时间间隔 5 帧抽 1 帧，去掉高度相似的冗余帧再做划分。判断是不是这个原因，可以把验证集里每张图在训练集里按文件名前缀找同源图片，若命中率极高，就是泄漏。

5.2 验证集500张mAP虚高，实拍视频却漏检成片：评估时开着增强

现象：验证集 500 张跑出 0.7 的 mAP，满心欢喜去测实拍视频，行人漏检严重，像是换了个模型。原因之一是评估流程不干净：YOLO 在验证阶段默认也会做一些数据增强，如果开了 mosaic 或 mixup，相当于在“增强后的图片”上评估，分数虚高；另一个常见原因是训练用了 1280 分辨率，验证时却忘了指定imgsz=1280，默认 640 直接把小目标缩没了。解决：验证命令显式关掉增强，yolo detect val model=best.pt data=data.yaml imgsz=1280 augment=False。关掉增强后分数会掉一截，那个掉下来的数字才是真实水平。

5.3 车检得好、行人检得差：类别不平衡的三个应对

现象：car 的 AP 有 0.85，person 只有 0.4，差了一倍还多。原因通常是训练集里车辆框数量远多于行人框，且行人平均尺度更小，模型优化时把容量倾斜给了车辆类。解决按三步走：先用第 2 章的统计脚本确认两类实例数的真实比例；再在训练配置里给行人这一类更高的 loss 权重，YOLOv8 支持按类别设置cls权重，比例我一般按“车辆框数除以行人框数”的倒数来设；最后用复制粘贴把行人实例数量补到车辆的一半以上，补完重新统计分布。做完这三步，person 的 AP 通常会有 5 到 10 个点的提升。

5.4 训练到一半loss突然NaN：坏图和越界框的连锁反应

现象：epoch 跑到 40 多轮，loss 突然变成 NaN，之后无法恢复。原因有三类，按概率排序：标注框坐标越界，txt 里出现了 x_center 大于 1 或宽高为负的值；某张训练图损坏，加载时读到坏像素；mosaic 增强时拼接图里出现了异常目标。解决：训练前跑脚本过滤越界框，凡是中心点不在 0 到 1 范围或宽高小于等于 0 的行直接剔除；训练命令加cache=True，让数据在启动阶段就全量加载并校验，坏图会在开训时报错而不是训练中突然爆炸；排查时先把mosaic=0.0 mixup=0.0跑 20 轮，如果不再出现 NaN，就锁定是增强触发的，再往回加参数。

5.5 验证集500张全是白天场景：分布不均导致上线翻车

现象：验证 mAP 稳定在 0.75，模型一部署到夜间或雨天场景马上被打回原形。原因很直白：500 张验证集是随机抽出来的，白天图占原始数据大头，验证集自然以白天为主，模型夜间表现差但分数完全看不出来。解决：划分时按场景分层，强制夜间、逆光、雨天各保留不少于 50 张进验证集；如果原始数据里根本没有这些场景，任何数据增强和调参都救不了，先回去补数据。这个坑我在项目里踩过之后养成了习惯：拿到数据集先按时间段和天气打标签，再决定怎么分验证集，而不是让随机性替我做决定。

6. 用验证集的500张做一次“集采式”质检：混淆矩阵、错误类型和阈值调整

训练完成后，我一般不会直接看一个 mAP 就收工，而是把 500 张验证集当成一次“集采质检”，逐个类别看它们的失败模式，再决定模型能不能上线。

6.1 不只盯mAP：在500张验证集上计算每类召回和置信度曲线

mAP 是综合指标，对上线来说每类的召回曲线更直接。用yolo detect val生成 COCO 格式的预测结果，再用 pycocotools 对 person 类单独画 Precision-Recall 曲线，找到召回率掉到 0.8 时对应的置信度阈值。这个阈值可以作为后处理时的参考：如果业务能容忍误检，阈值就取下限多召回；如果误检代价高，阈值往上提 0.05 再看漏检增量。我见过太多人直接信默认 0.25 的置信度，其实那个数不一定适合你自己的类别分布。

6.2 把错误分成三类：遮挡、小目标、误检背景

我会从验证集里挑出 50 张预测最差的图，按错误类型归一下因，然后对应到三个动作：

这个流程走下来，你能说清楚模型当前的主要短板是数据、标注还是后处理，而不是笼统地“再训几轮试试”。我自己带项目时也养成了同样的习惯：训练前先花半小时把验证集的场景分布、类别分布和目标尺度打印出来，确认它不是“好看的 500 张”，再决定要不要开训。这个小习惯帮我避开过好几次上线翻车的尴尬，希望帮到你。

本文还有配套的精品资源，点击获取