简介这份交通道路物体图像目标检测数据集面向计算机视觉初学者与YOLO实战开发者用于训练和验证道路场景下的多类别目标检测模型。数据已按YOLO格式完成标注共涵盖汽车、警告标志、红色交通灯等11个类别并预先划分好训练集与验证集可直接投入模型训练流程。压缩包内共2000个文件包含1420个txt标注文件、579张jpg图像以及1个Python脚本整体约231.32MB其中txt对应标注框信息jpg为原始道路图像py脚本可用于数据可视化展示。目前已有40人学习下载。借助该数据集读者能够快速搭建道路目标检测实验环境结合配套的YOLOv5改进实战内容理解标注解析、数据增强与模型评估的完整链路适合作为课程设计、毕业设计或算法入门练习的数据基础。1. 拿到一份约 1,400 张的交通道路 YOLO 标注数据先别急着开训上周有个做路侧感知的朋友甩给我一个压缩包说里面是约 1,400 张交通道路场景的图已经按 YOLO 标注格式打好标签问我能不能直接拿来训一版检测模型。我打开一看文件名是Film58-Wykonano-za-pomoca-Clipchamp_mp4-0004_jpg.rf.8c19a80064d59849027ebe567cb64ec4.jpg这种带哈希后缀的样式还夹着一批_aug_out_0、_aug_out_1的增强副本类别文件里列了 11 类汽车、警告标志、红色交通灯都在里面。这就是一份典型的、从视频抽帧再离线增强出来的目标检测数据集训练集和验证集已经切好还配了可视化脚本。它解决的是「我有个交通场景检测的想法但不想从零标 1,400 张图」这个最耗人的环节。适合两类人一类是想跑通 YOLO 训练全流程、验证自己环境配置的新手另一类是想拿现成标注数据做小目标检测、类别不平衡、增强策略对比的熟手。但「已标注」不等于「能直接喂」下面把我拆包到跑通的过程按顺序讲清楚。2. 拆开数据包目录结构、类别文件与标注格式核对2.1 先确认它到底是不是标准 YOLO 格式YOLO 检测的标注是每张图对应一个同名.txt每行class_id x_center y_center width height坐标全部归一化到 0~1。这份数据从文件名和描述看是符合的但拿到任何一份「已标注」数据我第一件事永远是抽三张图核对而不是直接开训。原因很简单标注格式错位是后面 loss 不下降、mAP 恒为 0 的头号元凶而且它不会报错只会安静地训出一个废物模型。常见做法是先写个十几行的脚本把图片尺寸、标注行数、坐标范围一次性打出来。下面这段可以直接抄import os import glob from PIL import Image img_dir datasets/images/train lbl_dir datasets/labels/train # 抽查前 5 张核对图片尺寸与标注坐标范围 for img_path in sorted(glob.glob(os.path.join(img_dir, *.jpg)))[:5]: name os.path.splitext(os.path.basename(img_path))[0] lbl_path os.path.join(lbl_dir, name .txt) w, h Image.open(img_path).size print(f{name} | size{w}x{h}) if not os.path.exists(lbl_path): print( [缺失标注]) continue with open(lbl_path) as f: for line in f: parts line.strip().split() if len(parts) ! 5: print(f [字段数异常] {line.strip()}) continue cid, x, y, bw, bh parts # 归一化坐标必须落在 0~1越界说明标注工具或转换脚本有问题 vals [float(x), float(y), float(bw), float(bh)] flag OK if all(0 v 1 for v in vals) else 越界 print(f cls{cid} box{vals} - {flag})逻辑说明class_id是整数索引必须和classes.txt的行号严格对应四个坐标是归一化值任何一项小于 0 或大于 1 都说明标注或转换环节出了问题。参数上唯一要改的是img_dir和lbl_dir指向你解压后的实际路径。跑完这一步你心里就有底了这份数据能不能直接用。2.2 类别文件与 11 个类的映射关系描述里说类别个数是 11具体以classes文件为准。这一步千万别跳过因为 YOLO 训练时data.yaml里的names顺序必须和标注里的class_id一一对应错一位模型学到的就是「汽车红色交通灯」这种荒谬映射而且训练曲线看起来还挺正常。我一般会把类别文件打印出来和标注里出现过的class_id做一次集合比对import glob # 读取类别名 with open(datasets/classes.txt) as f: names [l.strip() for l in f if l.strip()] print(类别数:, len(names)) for i, n in enumerate(names): print(i, n) # 统计标注里实际出现过的 class_id used set() for lbl in glob.glob(datasets/labels/train/*.txt): with open(lbl) as f: for line in f: used.add(int(line.split()[0])) print(标注中出现的 id:, sorted(used)) print(未出现的 id:, sorted(set(range(len(names))) - used))如果used里出现了大于等于len(names)的 id说明类别文件和标注对不上必须回头找原始data.yaml或标注工具配置。如果某些 id 从没出现那这一类在训练集里是空的验证集里大概率也学不出来后面评估时要单独留意。这一步花两分钟能省掉后面几小时的无效训练。2.3 训练集/验证集划分与增强副本的处理描述里明确说数据做了训练集、验证集划分文件名里带_aug_out_0、_aug_out_1的是离线增强出来的副本。这里有个容易被忽略的点增强副本和原图如果被分到了不同的集合比如原图在 train、增强图在 val就会造成数据泄漏验证集 mAP 虚高上线就翻车。我一般会按「原始文件名前缀」分组确保同一张原图及其所有增强副本落在同一个集合里。import os import glob import random from collections import defaultdict # 按原始文件名分组_aug_out_N 归到同一组 groups defaultdict(list) for p in glob.glob(datasets/images/all/*.jpg): base os.path.basename(p) key base.split(_aug_out)[0] # 去掉增强后缀 groups[key].append(p) keys list(groups.keys()) random.seed(42) random.shuffle(keys) split int(len(keys) * 0.8) train_keys, val_keys keys[:split], keys[split:] print(原图组数:, len(keys), | train 组:, len(train_keys), | val 组:, len(val_keys))逻辑说明以「原图」为单位划分而不是以「文件」为单位是避免增强泄漏的关键。random.seed(42)保证划分可复现方便你后面调参时对比。参数上0.8是常见的 8:2 比例数据量小的时候可以调到 0.85 甚至 0.9把更多样本留给训练。这一步做完你才真正拥有了一份「干净」的训练/验证划分。3. 从 data.yaml 到第一次训练YOLOv5/v8 的落地配置3.1 data.yaml 怎么写才不出错不管你是用 YOLOv5 还是 YOLOv8data.yaml都是入口。这份数据是本地路径所以path指向数据集根目录train、val写相对路径。类别名必须和classes.txt顺序完全一致我习惯直接从类别文件生成避免手敲出错import yaml with open(datasets/classes.txt) as f: names [l.strip() for l in f if l.strip()] data { path: os.path.abspath(datasets), train: images/train, val: images/val, nc: len(names), names: names, } with open(datasets/data.yaml, w) as f: yaml.dump(data, f, allow_unicodeTrue, sort_keysFalse) print(open(datasets/data.yaml).read())逻辑说明nc必须等于len(names)写错会导致模型输出维度对不上训练直接报 shape 错误。allow_unicodeTrue是为了类别名里有中文时也能正常写入。参数上path用绝对路径最稳避免从不同工作目录启动训练时找不到数据。生成后一定cat一遍确认我见过太多因为 yaml 缩进或路径写错导致「训练启动即报错」的情况。3.2 训练命令与关键参数怎么设以 YOLOv5 为例最简训练命令如下但每个参数都值得说清楚python train.py \ --data datasets/data.yaml \ --weights yolov5s.pt \ --img 640 \ --batch 16 \ --epochs 100 \ --device 0 \ --project runs/train \ --name road_1400--weights yolov5s.pt是从官方预训练权重开始微调1,400 张图这个量级从零训几乎不可能收敛好迁移学习是标配。--img 640是输入分辨率交通场景里警告标志、交通灯属于小目标如果你发现小目标漏检严重可以提到 960 甚至 1280但显存占用会明显上升。--batch 16在 8G 显存上跑 640 分辨率基本够用爆显存就降到 8。--epochs 100是起点不是终点后面要看验证集曲线决定是否早停。--device 0指定第一块 GPUCPU 训练这个量级会慢到怀疑人生。YOLOv8 的命令风格不同但参数含义一致yolo detect train \ datadatasets/data.yaml \ modelyolov8s.pt \ imgsz640 \ batch16 \ epochs100 \ device0 \ projectruns/train \ nameroad_1400两个版本我都跑过这份数据在 v5s 和 v8s 上都能正常收敛差异主要体现在小目标和密集场景的召回上。选哪个看你现有环境没必要为了版本而版本。3.3 训练过程中该盯哪几个指标启动训练后别只盯着 loss 看。我一般同时看三样box_loss是否稳定下降、mAP0.5是否在验证集上爬升、以及cls_loss有没有异常震荡。如果box_loss降但mAP不涨多半是标注框和实际目标对不齐或者类别映射错了如果cls_loss剧烈震荡常见原因是类别极度不平衡某些类样本太少。这份数据 11 个类交通灯、警告标志这类小目标样本量通常远少于汽车训练时可以考虑用--cls权重或 focal loss 类策略但那是第二步的事先把 baseline 跑通。提示第一次训练建议只跑 10 个 epoch 验证流程通不通确认权重文件正常保存、验证集评估正常输出再放开跑满。这样出问题时排查成本最低。4. 可视化与验证用 show 脚本和推理结果反查标注质量4.1 跑通可视化脚本肉眼过一遍标注描述里提到「如果想要可视化数据运行 show 脚本即可」。这类脚本通常是把标注框画回原图存成可视化图。我强烈建议在训练前先跑一遍随机抽 20~30 张看。因为标注质量问题框偏、漏标、类别错在指标上往往表现为「模型怎么训都上不去」但肉眼一看就明白。可视化脚本的核心逻辑一般是这样import cv2 import glob import os names [l.strip() for l in open(datasets/classes.txt) if l.strip()] colors [(255, 0, 0), (0, 255, 0), (0, 0, 255), (255, 255, 0), (255, 0, 255), (0, 255, 255), (128, 0, 0), (0, 128, 0), (0, 0, 128), (128, 128, 0), (128, 0, 128)] for img_path in sorted(glob.glob(datasets/images/train/*.jpg))[:30]: name os.path.splitext(os.path.basename(img_path))[0] img cv2.imread(img_path) h, w img.shape[:2] lbl os.path.join(datasets/labels/train, name .txt) if os.path.exists(lbl): for line in open(lbl): cid, x, y, bw, bh map(float, line.split()) x1 int((x - bw / 2) * w); y1 int((y - bh / 2) * h) x2 int((x bw / 2) * w); y2 int((y bh / 2) * h) cv2.rectangle(img, (x1, y1), (x2, y2), colors[int(cid) % 11], 2) cv2.putText(img, names[int(cid)], (x1, y1 - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, colors[int(cid) % 11], 1) cv2.imwrite(fvis/{name}.jpg, img)逻辑说明把归一化坐标还原成像素坐标再画框colors按类别索引取色方便一眼区分。参数上[:30]控制抽查数量实际可以调大。跑完打开vis目录翻一遍重点看三类问题框是否贴紧目标、有没有明显漏标的目标、类别标签是否合理。这一步是「后悔药」训练前吃最有效。4.2 用推理结果反查标注与模型短板训练完拿验证集跑推理把预测框和真实框叠一起看是定位问题最快的方式。常见现象和对因关系我整理成表现象可能原因排查方向某类几乎不检出该类样本过少或标注遗漏统计各类框数量看是否严重不平衡框位置整体偏移标注坐标未归一化或尺寸读错回到 2.1 核对坐标范围小目标大量漏检输入分辨率不足提高--img到 960/1280 重训验证 mAP 虚高增强副本泄漏到验证集回到 2.3 按原图分组重划类别张冠李戴classes 顺序与标注 id 错位回到 2.2 比对 id 集合这张表基本覆盖了这份数据最常见的翻车场景。我一般会先跑一遍推理把置信度门限调到 0.25 左右看召回再调到 0.5 看精度两个门限下的表现差异能帮你判断模型是「不敢检」还是「乱检」。4.3 置信度门限与 NMS 参数的调整推理时conf和iou两个参数对结果影响很大。conf是置信度门限交通场景里如果漏检代价高比如警告标志就调低到 0.2~0.25 换召回如果误检代价高就调到 0.4~0.5。iou是 NMS 的 IoU 阈值密集车辆场景下默认 0.45 可能把相邻车框合并掉可以适当提到 0.5~0.6。这两个参数没有万能值必须结合你的业务场景在验证集上扫一遍。我习惯写个小循环把不同组合的 mAP 和召回打出来选一个平衡点而不是拍脑袋定。5. 避坑与排查这份数据我踩过的 5 个坑5.1 增强副本跨集合泄漏验证集 mAP 虚高现象训练时验证集 mAP0.5 很快冲到 0.9 以上但拿新图推理效果差得离谱。原因_aug_out_0、_aug_out_1这类增强副本和原图被随机分到了不同集合验证集里出现了训练集原图的增强版等于开卷考试。解决按原始文件名前缀分组划分确保同一原图及其所有增强副本只出现在一个集合里参考 2.3 的脚本。5.2 类别 id 与 classes 顺序错位模型学出荒谬映射现象训练 loss 正常下降但推理时汽车被标成交通灯。原因data.yaml里的names顺序和标注里的class_id不一致常见于手动改过类别文件或用了不同版本的标注工具。解决用 2.2 的脚本比对标注中出现的 id 集合与类别文件行号确保严格对应data.yaml直接从类别文件生成。5.3 坐标未归一化框全跑到图外现象可视化时框要么挤在左上角要么完全看不见。原因标注是像素坐标而非归一化坐标或者图片尺寸读取用了错误的宽高顺序。解决用 2.1 的脚本检查坐标是否落在 0~1若发现是像素值需要除以对应宽高转换同时确认PIL读的是(w, h)cv2读的是(h, w)别搞反。5.4 小目标漏检严重误以为是模型不行现象汽车检出很好但警告标志、远处交通灯几乎检不到。原因640 分辨率下小目标只剩几个像素特征太弱。解决先把--img提到 960 或 1280 重训一版对比如果显存不够可以改用切片推理把大图切块分别检测再合并或者针对小目标做专门的数据增强。别急着换模型结构分辨率往往是最直接的杠杆。5.5 显存爆掉或训练中断误以为是数据问题现象训练跑几个 batch 就 OOM或者中途进程被杀。原因batch太大、img太高或者 DataLoader 的workers开太多导致内存吃满。解决先把batch降到 8 或 4workers降到 2~4确认能稳定跑通再逐步往上加。这份 1,400 张的数据量不大没必要追求大 batch稳定跑完比什么都重要。6. 进阶技巧把这份数据用出第二层价值跑通 baseline 只是开始。这份数据真正的价值在于它自带增强副本和 11 类交通目标很适合做几组对照实验。我一般会做三件事第一固定其他条件只改输入分辨率640 vs 960 vs 1280看小目标类别的 mAP 变化找出性价比最高的分辨率第二把增强副本单独拿出来做一组「有增强 vs 无增强」的对比验证离线增强对这份数据到底有没有正收益很多时候增强策略不对反而拖后腿第三针对样本量最少的类别统计其框数量如果低于总框数的 5%就考虑用重采样或类别加权观察召回是否提升。验证方法上我习惯用固定随机种子跑三次取 mAP 的均值和方差而不是只看一次结果。单次结果波动可能来自初始化或数据顺序三次能帮你区分「真实提升」和「玄学波动」。下面这个小脚本可以帮你统计各类框数量快速定位不平衡import glob from collections import Counter cnt Counter() for lbl in glob.glob(datasets/labels/train/*.txt): for line in open(lbl): cnt[int(line.split()[0])] 1 names [l.strip() for l in open(datasets/classes.txt) if l.strip()] total sum(cnt.values()) for i, n in enumerate(names): c cnt.get(i, 0) print(f{i:2d} {n:12s} {c:5d} {c/total*100:5.1f}%)逻辑说明Counter统计每个类别的框总数百分比能直观看出哪些类是长尾。参数上无需调整直接跑即可。如果发现某类占比低于 5%训练时就要留意它的召回必要时单独做增强或加权。血泪经验是这份数据我第一次跑的时候没做分组划分验证集 mAP 高得离谱上线一测全是误检回头查了半天才发现是增强副本泄漏。从那以后我每次拿到带_aug后缀的数据都强制先按原图分组再划分跑通可视化脚本确认标注质量最后才开训。希望帮到你。本文还有配套的精品资源点击获取
