简介本资源是面向计算机视觉初学者与YOLO模型实践者的车辆行人检测专用数据集聚焦person、car、bus、truck四类常见交通目标识别任务适用于目标检测算法训练、模型微调及课程实验等场景。压缩包共含2000个文件主体为4445张JPG格式图像配套4446个YOLO标准txt标签归一化坐标与4445个PASCAL VOC格式XML标签双格式覆盖主流框架输入需求资源总大小829.39MB结构清晰便于快速接入YOLOv5/v8等训练流程。已有2349人学习下载实际应用中可直接用于数据增强、类别分布分析、mAP评估基准构建并支持可视化标注校验与跨格式转换脚本开发。 做目标检测这一年多我最大的体会是模型结构决定上限数据集决定你离上限有多远。前阵子我需要做一套路侧场景的车辆行人识别第一时间去翻了COCO、BDD100K这些公开数据集前前后后整理出上万张四类别标注图跑通了一个基于YOLOv8的四类别识别模型最终在实测视频流上mAP50稳定在90%以上。这篇文章就把这个“YOLO车辆行人四类别识别数据集”从类目定义、来源清洗、标注质检、格式转换到YOLOv8训练调参的完整链路全部拆开讲适合正在做交通目标检测、自动驾驶感知或视频监控人群计数的同学参考。需要提前说明的是我不会只给你一个下载完就能跑的数据集清单那样换个场景就废了。四类别看着简单真正决定模型上限的反而是那些看起来不起眼的部分摩托车和电动自行车怎么区分、骑车人到底算人还是算车、截断目标要不要标、训练集和验证集怎么切才不会“数据泄漏”。这些猫腻下面的内容都会逐个说到。1. 四类别选型与边界定义为什么是car、person、bicycle、motorcycle先说清楚“四类别”这四个字背后的取舍逻辑。交通场景里能检测的目标数量非常多COCO就有car、truck、bus、motorcycle、bicycle、person、traffic light、stop sign等等BDD100K里车辆还能细分成car、bus、truck、trailer。真要全部建模标注成本和模型复杂度都会翻倍而且很多类别在特征空间里高度重叠比如truck和bus在正面视角下经常长得一模一样硬拆成两类只会让模型在边界样本上反复横跳。我最终确定的四类别是car机动车轿车、SUV、MPV、面包车、皮卡、货车、公交车、泥头车等所有四轮及以上的机动车辆。person行人行走、站立、奔跑、蹲坐的人包括推婴儿车、拉行李箱、拄拐杖的人。bicycle自行车脚踏自行车、共享单车、儿童自行车、带辅助轮的自行车。motorcycle摩托车燃油摩托车、电动摩托车、电动自行车、三轮摩托车、带篷的快递三轮车。1.1 类目合并的业务逻辑为什么要这么合并很多场景本质上只关心两个问题路上有没有机动车、路上有没有弱势交通参与者。机动车总量统计用car一类就够了没必要区分公交车和泥头车行人安全预警只需要知道“那里有人”不需要知道他是走路还是跑步。把细分车辆类别合并进car能让模型把特征提取能力集中在“车”和“人”的共性差异上而不是浪费在“皮卡和轻卡哪里不一样”这种细枝末节上。bicycle和motorcycle则是不能合并的。虽然从外观上看都是两轮车但它们的行驶速度、制动距离、危险系数完全不同。对自动驾驶和路侧感知来说一个时速15km/h的自行车和一个时速60km/h的摩托车留给系统的反应时间是两个量级所以这两类必须分开。这也是为什么我不建议把四类别做成“car、person、two-wheeler、truck”这种偷懒方案two-wheeler这个大类在业务上完全没有区分度。1.2 类别判定规则最容易吵起来的几个边界数据集的标注规范里类别定义说得再好标注员面对真实画面还是会迷糊。最典型的就是电动自行车。南京、杭州、广州街头骑的“小电驴”从外观上看就是一辆自行车加上电池和电机很多车型完全没有排气管和油箱。如果严格按“是否燃油”来分那所有新国标电动自行车都得归bicycle但这明显不合理——它们的实际速度和危险程度跟摩托车是一档的。我实行的判定规则是场景判定类别规则说明外观有明显油箱/排气管/发动机凸起的两轮车motorcycle燃油摩托车的特征非常明显直接归motorcycle外观无油箱但座椅宽大、车身明显粗壮motorcycle电动摩托车普遍车身比自行车粗壮得多外观和普通自行车几乎一致无法分辨是否电动bicycle按可观测外观归类不做推断带篷的三轮或两轮快递车motorcycle通常由电机驱动且体积大按motorcycle处理人骑在自行车上人和车连在一起bicycle整体框四类别方案下人车合一用一个框人在车旁推行人和车分离分别标注推行状态下人是人、车是车这个规则第3条特别重要。我们做标注的时候如果遇到一辆外观非常像普通自行车、但骑得飞快的小电驴很多标注员会纠结。我的原则是标注系统只认外观特征不认速度。因为模型在单帧图像上拿到的信息就是静态外观你不可能让模型去“感觉它骑得快所以它是摩托”。既然骑行姿态和自行车完全一样模型就算学到了也只会学到一个不可靠的线索。1.3 骑车人到底算人还是算车这是四类别数据集里争议最大的一个问题。如果严格按物理对象框一个骑自行车的人同时存在“person”和“bicycle”两个目标两个框会大量重叠。YOLO在训练时会把这些高度重叠的GT导入损失函数导致模型在“人骑车的重叠区域”上梯度信号混乱训练完之后经常出现一个目标被反复检测成两类的情况。我的方案是在四类别这种粗粒度任务里骑车状态的人车合体目标只标注一个框类别按车辆类型归为bicycle或motorcycle。这样有几个好处避免重叠标注导致的训练信号冲突模型收敛更快下游做目标计数时一个骑车人只算一个目标统计逻辑清晰实际上“骑车人”这个整体在视觉特征上和“步行的人”差异非常大模型更好学。代价是模型无法区分“一个正在骑车的人”和“一辆无人骑行的自行车”。但对大多数交通场景来说这个区分本来就不是刚需。如果你的业务确实需要统计“骑车人是否戴头盔”或者“后座是否载人”那就不适合用四类别粗粒度方案应该在数据集里单独增加rider类别。2. 数据从哪来公开数据集整合、清洗与自制标注组合方案四类别的数据来源主要有三条路公开数据集抽取、自制视频关键帧标注、公开数据集里挖特定困难样本。我的方案是三条路混着走比例大约是公开数据70%、自制数据20%、定向采样的困难样本10%。2.1 公开数据集怎么选许可证怎么看常用公开数据源我做了个对比直接列出最关键的信息数据集适用类别优点缺点许可注意点COCO 2017car、person、bicycle、motorcycle类别全、标注质量高、场景多样交通场景占比偏低很多室内/公园场景CC BY 4.0商用友好BDD100Kcar、person、bicycle、motorcycle真实行车视角、路侧场景丰富、白天夜晚都有标注文件是JSON需要转换部分标注框略粗糙学术许可商用需单独确认UA-DETRACcar纯车辆检测、大量交通路口场景只覆盖车辆无行人两轮车研究用途友好商用注意授权Cityscapesperson、car、bicycle、motorcycle街景质量高欧洲城市街道类别分布偏欧洲路况三轮车几乎为零部分版本受许可限制VisDroneperson、bicycle、car无人机视角密集小目标多俯拍视角和水平视角差异大学术用途为主这里要特别提醒一句不只是能下载就能商用。很多数据集的许可证严格限制了商业用途哪怕你只是用来做模型蒸馏或者辅助标注也可能踩到授权风险。安全起见商用项目建议优先选CC BY、Apache 2.0、MIT这类宽松许可的数据集或者自己采数据。2.2 公开数据集抽取的清洗实操单纯把公开数据集里四类别的标注抽出来还不够还得做一轮清洗。我在BDD100K抽取时写了一个过滤脚本做了这几件事去掉分辨率低于800像素的图片低分辨率图里的行人标注框基本都模糊到没法看去掉无GT标注的图片BDD100K里确实有一部分图片完全没有有效标注去掉“垃圾标签”——比如图片里标注框的宽或高小于10像素的目标。这些目标在训练时基本是噪声按图片内目标数量过滤同一张图里超过80个标注框的强密集场景在YOLO训练时mosaic增强会把它切得稀碎效果并不好。这套过滤操作下来一万张图里能留下七千张左右就是正常水平。不要觉得数据量少了质量精才是关键。2.3 自制标注工具的选型自制数据我用的主力工具是X-AnyLabeling纯推荐不是广告。它最方便的一点是支持模型辅助预标注——先用YOLOv8跑一版识别结果标注员在预标注框上做修改而不是从零画框。这一步能把标注速度从每张图三分钟拉到三十秒。对于没有标注经验的团队这几乎是效率最优解。传统工具labelImg其实也可以用界面简单、标签名直接写在txt里但问题也很明显没有半自动辅助能力、批量操作弱、框画出来无法方便地微调。如果你的标注量在几千张以内labelImg完全够用如果上万张我还是建议上带预标注的工具。2.4 定向采样的困难样本补充公开数据集里bicycle和motorcycle的数量远少于car和person尤其是motorcycle在欧美数据集里出现比例本来就低。这导致训练出来的模型在东南亚和国内路况下摩托车检测效果会断崖式下跌。解决思路是定向补充从自己的侧方位摄像头视频里抽帧专门挑摩托车多的路口把摩托车出现在画面内的时间段标出来用视频抽帧工具隔5帧抽一帧人工删除模糊帧和重复帧用爬虫采集公开图片时要控制下载来源合规性尽量用有明确许可协议的图库。我自己的数据集最终分布大约是car 42%、person 30%、bicycle 16%、motorcycle 12%。虽然motorcycle的比例还是偏低但已经足够让模型在测试集上达到可用水平。如果想让motorcycle的AP再高一点可以后续在训练时配合类别权重调整。3. 标注标准和质检流程小目标、遮挡、截断的规范很多自己做数据集的人容易在标注阶段翻车。YOLO对标注框的依赖程度非常高标注框歪一点、类别错一个、漏标一个最后都会直接反映在评价指标上。这里把我实践后沉淀下来的标准完整列出来。3.1 边界框精度标准标注框的准则说起来只有一句话框要贴合目标最外缘的可见像素不留白边不切掉身体。听上去简单实操时分歧很大。比如对行人我要求框的上边界在头部最高点包括头发以上1像素处下边界在脚底以下1像素处左右边界贴合身体最外沿。很多标注员习惯把框画得比目标大一圈觉得“反正模型能学”但这会让学习到的目标中心点发生偏移最终检测框会普遍偏大在评估时IoU 0.5能过但IoU 0.75就上不去。对于car类我会额外要求外后视镜、车牌照、轮胎外沿必须被框包含在内。如果车头正对镜头前脸是主要的可视表面框的上下边界分别贴合车顶和保险杠下缘不包含地面阴影。3.2 遮挡目标的标注规则遮挡是标注标准里最需要“立规矩”的地方。我的规则是遮挡面积小于20%标注完整目标的理论外接框也就是把被遮挡的部分也包进去。比如行人站在电线杆后面只露出头和脚框画成包含整人的矩形。遮挡面积在20%到60%之间标注可见部分的精确外接框也就是只框住能看见的那部分身体或车辆。注意这时候类别不变。遮挡面积大于60%不标注。比如一个行人被一辆大货车挡住只露出半只脚这种目标不标。这里有一个值得注意的边界情况如果两个行人互相遮挡每个人都有超过40%的身体被对方挡住那么两个人都按“可见部分精确框”来标。模型通过学习大量“半个人”的样本能适应密集人群场景。3.3 截断目标的处理目标在图片边缘被截断不算遮挡规则不同目标可见部分超过30%标注可见部分的精确框目标可见部分不足30%不标注。这个规则在视频帧里特别重要因为摄像头视野边缘经常有半个行人或半辆车。如果全部标上模型会学到很多残缺目标特征如果全部不标那训练时这些目标就成了“漏检”的负面信号。30%的阈值是我实测下来比较平衡的点低于这个比例模型基本没有足够信息去识别类别标了反而有害。3.4 质检与二次校验机制标注完不等于结束我这里的质检流程分四步软件自动检查用脚本检测所有标注框的坐标是否出界、类别ID是否越界、框宽高是否为负值或小于5像素。人工交叉抽样复查抽查比例不低于20%重点看小目标、遮挡目标、夜间图像。可视化检查把标注框画到图上生成预览图人工扫一遍。这一步很费时间但能发现大量逻辑错误比如“人车一体目标漏标了车”“行人和自行车重叠却标成了两个类别”。训练集和验证集分开后的类别分布一致性检查如果验证集中motorcycle占比特别少模型在motorcycle上的指标虚高不能真实反映实际水平。3.5 常见标注错误示例我把高频错误整理成一个表供自查错误类型现象后果框偏大行人的框包含了大片地面检测框系统性偏大IoU低时表现尚可IoU高时崩溃框偏小切掉了后视镜、轮胎、脚部特征缺失召回率下降类别混淆电动自行车被标成bicyclemotorcycle的AP被拉低人车合一处理不一致有的标整体、有的人和车分开标模型产生双重检测骑行者经常出现一个框套两个类别漏标密集目标一群人只标了几个训练时密集人群区域的模型召回不足4. YOLO格式转换与数据集划分txt标注、归一化和同场景去重这一步是很多入门用户最容易卡住的环节。BDD100K输出的是JSON格式COCO输出的是JSON格式Cityscapes输出的是多边形polygon格式全部不能直接被YOLO训练脚本读。统一转成YOLO的txt格式是整个数据管线里最机械化但最不能出错的一步。4.1 YOLO标注文件的基本结构YOLO训练用的标注是每个图片对应一个同名txt文件放在同一目录下文件里每一行表示一个目标class_id center_x center_y width height其中center_x、center_y、width、height全部是相对图片宽高的归一化值取值范围0到1。举个例子一张宽1920像素、高1080像素的图片一个边界框绝对坐标为(x360, y300, w200, h400)在txt里就写成0 0.25 0.463 0.104 0.370因为center_x (360 200/2) / 1920 0.25height 400 / 1080 ≈ 0.370保留三位小数即可。4.2 从COCO JSON批量转YOLO txt的脚本示例COCO格式转YOLO时最关键的是坐标换算。COCO里存的坐标是左上角x、左上角y、宽度w、高度h转换公式如下import json import os # COCO category id - yolo class id 的映射 category_mapping {1: 0, 2: 1, 3: 2, 4: 3} # person-0, bicycle-1, car-2, motorcycle-3 def convert_coco_json(coco_json_path, output_dir): with open(coco_json_path, r, encodingutf-8) as f: data json.load(f) images {img[id]: img for img in data[images]} annotations data[annotations] for img_id, img_info in images.items(): img_w img_info[width] img_h img_info[height] txt_path os.path.join(output_dir, img_info[file_name].replace(.jpg, .txt)) lines [] for ann in annotations: if ann[image_id] ! img_id: continue if ann[category_id] not in category_mapping: continue x, y, w, h ann[bbox] # 边界保护防止坐标越界 x max(0, x) y max(0, y) w min(img_w - x, w) h min(img_h - y, h) if w 2 or h 2: continue cx (x w / 2) / img_w cy (y h / 2) / img_h w_norm w / img_w h_norm h / img_h lines.append(f{category_mapping[ann[category_id]]} {cx:.6f} {cy:.6f} {w_norm:.6f} {h_norm:.6f}) with open(txt_path, w, encodingutf-8) as f: f.write(\n.join(lines)) convert_coco_json(annotations.json, labels)写这个脚本的时候有两个容易忽略的地方一是COCO的bbox里个别标注的x或w会导致框超出图像边界所以必须做clip二是过滤掉太小的框宽高在2像素以下的目标在归一化后已经失去训练意义留着只会增加噪声。4.3 BDD100K格式转换的额外注意点BDD100K的JSON结构跟COCO不完全一样它的标注文件里除了bbox还有category字符串以及truncated截断和occluded遮挡字段。如果你在数据清洗阶段没有过滤这些字段转换脚本里就需要额外判断# BDD100K 的标注条目类似 # {id: xxx, category: car, bbox: [x, y, w, h], truncated: false, occluded: false} category_map_bdd {car: 2, person: 0, bicycle: 1, motorcycle: 3} for ann in annotations: if ann[category] not in category_map_bdd: continue if ann.get(truncated, False) and ann.get(occluded, False): continue # 双重问题的目标直接丢弃 ...这里我的过滤策略是truncated和occluded任一为真的目标可以保留但两个都为真的目标丢弃。因为这些目标往往只有极少可见像素对训练没有正向帮助。4.4 数据集划分防止同场景帧泄漏数据划分是新手最容易忽视的环节。很多人直接从总数据里按train_test_split随机切分遇到视频抽帧数据时就会产生严重泄漏。举一个实际案例我从一段10分钟的路口视频里抽了1200帧作为训练数据又从同一段视频的不同时间段抽了200帧作为验证数据。表面上看训练集和验证集是分离的但这两批数据共享同一个路口的背景、同一批行人的衣服颜色、同一批车辆的行车轨迹。模型在训练时记住了这些特定目标验证时自然表现异常好但一换到新路口就原形毕露。正确的做法是视频抽帧数据先按视频片段切分而不是按帧切分。假设你有10段视频可以取7段视频全部帧入训练集、1段入验证集、2段入测试集。如果某个场景有很多段视频那就保证同一摄像头视角的所有帧只出现在一个集合里。另外如果数据来自多个公开数据集也要控制每个数据集在训练集和验证集中的比例大致一致避免验证集是明显的“温室花朵”。5. YOLOv8训练参数与调优记录从n到x的实测对比数据准备好了接下来就是训练环节。我用的是ultralytics YOLOv8因为它的配置简单、文档齐全、对新手友好而且训练逻辑非常稳定。以下是我在这个四类别数据集上完整跑过一轮之后沉淀下来的参数建议。5.1 模型规模选型n/s/m/l/x怎么挑不同规模模型在同数据集上的效果差异非常明显。拿我这份一万张左右的四类别数据集来说实测结果大概是这样模型参数量显存占用(bs16, imgsz640)mAP50mAP50-95推理耗时(GPU, ms)YOLOv8n3.2M约4GB0.8710.5823.2YOLOv8s11.2M约6GB0.9060.6344.8YOLOv8m25.9M约9GB0.9210.6687.1YOLOv8l43.7M约14GB0.9290.68310.5YOLOv8x68.2M约18GB0.9340.69114.2注意上面显存占用只是我机器上的实测值实际占用还跟batch size、图像分辨率、是否开启AMP有关。如果显存不够优先把batch调小而不是换更小的模型——除非你的部署环境对延迟极其敏感。我的建议是如果你的目标是边缘设备实时推理用YOLOv8s起步能接受再降到n如果目标是离线分析或服务器端检测直接用m或l不要把时间浪费在n上调参。因为四类别的任务本身不算难从s到m的提升比从m到l的提升更值得投入。5.2 训练参数决策imgsz、batch、epochs训练YOLOv8的完整命令可以这样写yolo detect train \ datadataset.yaml \ modelyolov8s.pt \ epochs100 \ imgsz640 \ batch16 \ optimizerAdamW \ lr00.001 \ lrf0.01 \ momentum0.937 \ weight_decay0.0005 \ warmup_epochs3 \ device0三个关键参数的选择逻辑imgsz默认640对一个以车辆行人为主的数据集640已经够用。如果你有很多小目标比如无人机视角的行人可以考虑把imgsz拉到960或1280但代价是显存和训练时间大幅上升。我实测在imgsz640和1280之间mAP50-95差距只有0.02左右而训练时间翻了近4倍。对路侧摄像头这种拍摄距离固定、目标大小相对稳定的场景640是性价比最高的默认选项。batch在显存允许范围内尽可能大。batch大小直接影响BatchNorm的统计量稳定性目标检测里太小的batch会让模型收敛变慢甚至损失曲线震荡。如果显存只有8GBimgsz640时batch8是一个比较稳妥的值如果batch8都不行就降imgsz到512而不是继续降batch。epochs一万张图片左右的数据集在YOLOv8s上训练我一般跑120个epoch。前80个epoch的mAP还在明显上升80到120增长放缓超过120基本就是过拟合了。怎么判断过拟合看val loss如果val loss持续上升而train loss还在下降那就是典型的过拟合信号这时候应该只保留val loss最低点的权重而不是最后一轮的权重。5.3 类别不平衡的处理思路前面提到motorcycle样本占比低训练时如果不做处理motorcycle的AP会明显低一截。YOLOv8的损失函数里有cls_loss权重参数可以适当提高少数类别的分类损失权重但直接改动YOLOv8的loss源码并不方便。更实用的做法是在数据层面做平衡用mosaic1.0默认增强让模型每个batch都看到多张图的拼接内容增加小样本类别的出现频率对motorcycle和bicycle样本做离线复制增强也就是把包含这两类目标的图片复制几份并做翻转、亮度变化然后加进训练集避免为了凑数量把同一段视频帧塞太多遍那样模型会对特定背景过拟合对提升真泛化性没有帮助。5.4 训练过程中的曲线判读训练跑起来之后不是等着完事就行。要盯着两条曲线看train/box_loss、train/cls_loss这两个损失应该稳定下降如果出现平台期说明学习率偏大、模型在最优解附近震荡如果急剧上升说明梯度爆炸多半是batch太大或学习率太大。metrics/mAP50从第10个epoch开始应该能看到明显的爬升如果到第30个epoch都不能超过0.5先别急着调参回头检查数据八成是标注文件和图片对不上或者类别ID映射错了。一个非常常见的错误是在dataset.yaml里把类别名称从左到右写成了[car, person, bicycle, motorcycle]但txt标注文件里第一行的class_id是0、1、2、3对应顺序就会错位。比如car的class_id2但yaml里索引2是bicycle模型会把所有汽车当成自行车来学。这种错误在损失曲线上往往表现得“一开始降不动最后勉强收敛”但实际效果极差。5.5 从训练权重到部署模型训练结束后的.pt权重如果需要部署建议导出为ONNX或TensorRT格式。YOLOv8的导出命令很简单yolo export modelruns/detect/train/weights/best.pt formatonnx imgsz640导出时注意几个点如果部署环境用OpenCV的DNN模块推理ONNX版本别用太新的opset容易遇到算子兼容问题TensorRT导出时imgsz最好固定为训练时的值动态尺寸会引入额外的延迟导出前用一张真实图片测试一下推理结果确认输出格式和类别顺序都没变。我在导出ONNX后经常遇到的问题是后处理脚本里用了错误的confidence阈值——YOLOv8的输出是cx, cy, w, h, obj_conf, class_conf...结构解析时要小心。6. 评估与上线前检查mAP之外的坑和修正闭环模型训练完很多人看一眼mAP就说“可以上线了”实际上mAP只告诉你模型在统计平均意义上表现如何它掩盖了大量真实业务里会遇到的问题。这个四类别模型在我上线前的评测阶段就暴露了好几个单看mAP完全发现不了的问题。6.1 混淆矩阵里的关键信号YOLOv8训练完会输出confusion_matrix.png这是我最先看的图。我那次看到的混淆矩阵基本正常但有两个值得注意的点bicycle和motorcycle之间有一定数量的互相误检。这很正常因为两者外观高度相似尤其是远距离目标在图像里就是一团模糊的长方形。这类混淆可以通过增加更多清晰样本、提高图像分辨率来缓解但很难完全消除。少量person被误检成bicycle。这个现象比较有趣多发生在行人弯腰推共享单车的时候——人的姿态和自行车重叠在一起外观上确实很像“一个骑车的人”。如果业务上不能接受这种误检可以考虑在训练集里把“人推车”场景抽出来仔细检查看看是不是标注时把推行的人标成了bicycle如果是把标注修正成“person”模型很快就能学会区分。6.2 夜间和逆光场景的专项测试公开数据集和自采数据里白天场景占比偏高夜间和逆光场景的样本可能只有10%。这导致模型在白天测试集上表现不错一拿到夜间监控视频上mAP直接掉十几个点。我的处理方案是在清洗数据时专门做一个时间段分桶保证训练集里至少有15%到20%的夜晚图片。如果没有足够的夜间数据可以考虑对白天图片做亮度抖动、对比度调整、Gamma校正等模拟夜间效果。但要清醒认识到这只能缓解不能替代真实的夜间数据。6.3 视频流推理的常见问题用训练好的模型跑视频流和跑单张图片完全不是一回事。最容易出现的问题是目标闪烁——同一辆车在连续帧里时而检到、时而漏检导致下游统计模块把一辆车数成两辆。解决思路有两个层次调整推理阈值降低confidence阈值可以让检测更稳定但也会引入更多误检在应用层做简单的跟踪匹配用IoU或匈牙利算法把相邻帧的检测框关联起来。这个思路很简单但很有效不需要引入DeepSORT这类重型模块就能把计数准确率提升一大截。6.4 类目标注错误的修正闭环最后说一个值得长期投入的机制把“模型犯的错”反馈回数据集里形成修正闭环。具体做法是上线后每天收集一批模型误检和漏检的图片每周做一次误检聚类分析看看模型集中把什么目标误检成什么目标把有代表性的错误样本加入训练集修正标注后增量训练用固定的测试集回归验证确保修复旧问题的同时没有引入新问题。这个闭环看起来朴素但实际效果比换更大的模型要好得多。目标检测模型的数据迭代拼的是你能不能持续把错误样本“喂”回训练集。我这份四类别数据集在上线后的两轮迭代里motorcycle的AP提升了接近4个百分点靠的就是这个闭环而不是改模型结构。关于YOLO车辆行人四类别识别数据集的构建和训练核心链路就是这些类目定义要贴合业务数据来源要混搭互补标注规范要提前立好格式转换要严谨训练参数要基于数据量来定上线前还要做超越mAP的专项评估。这几步每一步都踩过坑写出来也是希望大家能少走点弯路。如果你正在做类似的数据集最值得花时间的其实是前期的数据清洗和标注规范那才是整个项目的根基。本文还有配套的精品资源点击获取 
长河君 · 2026/9/1 3:23:03 · 阅读 1.2k 从数据集构建到YOLOv8训练：车辆行人四类别识别全流程解析
简介本资源是面向计算机视觉初学者与YOLO模型实践者的车辆行人检测专用数据集聚焦person、car、bus、truck四类常见交通目标识别任务适用于目标检测算法训练、模型微调及课程实验等场景。压缩包共含2000个文件主体为4445张JPG格式图像配套4446个YOLO标准txt标签归一化坐标与4445个PASCAL VOC格式XML标签双格式覆盖主流框架输入需求资源总大小829.39MB结构清晰便于快速接入YOLOv5/v8等训练流程。已有2349人学习下载实际应用中可直接用于数据增强、类别分布分析、mAP评估基准构建并支持可视化标注校验与跨格式转换脚本开发。 做目标检测这一年多我最大的体会是模型结构决定上限数据集决定你离上限有多远。前阵子我需要做一套路侧场景的车辆行人识别第一时间去翻了COCO、BDD100K这些公开数据集前前后后整理出上万张四类别标注图跑通了一个基于YOLOv8的四类别识别模型最终在实测视频流上mAP50稳定在90%以上。这篇文章就把这个“YOLO车辆行人四类别识别数据集”从类目定义、来源清洗、标注质检、格式转换到YOLOv8训练调参的完整链路全部拆开讲适合正在做交通目标检测、自动驾驶感知或视频监控人群计数的同学参考。需要提前说明的是我不会只给你一个下载完就能跑的数据集清单那样换个场景就废了。四类别看着简单真正决定模型上限的反而是那些看起来不起眼的部分摩托车和电动自行车怎么区分、骑车人到底算人还是算车、截断目标要不要标、训练集和验证集怎么切才不会“数据泄漏”。这些猫腻下面的内容都会逐个说到。1. 四类别选型与边界定义为什么是car、person、bicycle、motorcycle先说清楚“四类别”这四个字背后的取舍逻辑。交通场景里能检测的目标数量非常多COCO就有car、truck、bus、motorcycle、bicycle、person、traffic light、stop sign等等BDD100K里车辆还能细分成car、bus、truck、trailer。真要全部建模标注成本和模型复杂度都会翻倍而且很多类别在特征空间里高度重叠比如truck和bus在正面视角下经常长得一模一样硬拆成两类只会让模型在边界样本上反复横跳。我最终确定的四类别是car机动车轿车、SUV、MPV、面包车、皮卡、货车、公交车、泥头车等所有四轮及以上的机动车辆。person行人行走、站立、奔跑、蹲坐的人包括推婴儿车、拉行李箱、拄拐杖的人。bicycle自行车脚踏自行车、共享单车、儿童自行车、带辅助轮的自行车。motorcycle摩托车燃油摩托车、电动摩托车、电动自行车、三轮摩托车、带篷的快递三轮车。1.1 类目合并的业务逻辑为什么要这么合并很多场景本质上只关心两个问题路上有没有机动车、路上有没有弱势交通参与者。机动车总量统计用car一类就够了没必要区分公交车和泥头车行人安全预警只需要知道“那里有人”不需要知道他是走路还是跑步。把细分车辆类别合并进car能让模型把特征提取能力集中在“车”和“人”的共性差异上而不是浪费在“皮卡和轻卡哪里不一样”这种细枝末节上。bicycle和motorcycle则是不能合并的。虽然从外观上看都是两轮车但它们的行驶速度、制动距离、危险系数完全不同。对自动驾驶和路侧感知来说一个时速15km/h的自行车和一个时速60km/h的摩托车留给系统的反应时间是两个量级所以这两类必须分开。这也是为什么我不建议把四类别做成“car、person、two-wheeler、truck”这种偷懒方案two-wheeler这个大类在业务上完全没有区分度。1.2 类别判定规则最容易吵起来的几个边界数据集的标注规范里类别定义说得再好标注员面对真实画面还是会迷糊。最典型的就是电动自行车。南京、杭州、广州街头骑的“小电驴”从外观上看就是一辆自行车加上电池和电机很多车型完全没有排气管和油箱。如果严格按“是否燃油”来分那所有新国标电动自行车都得归bicycle但这明显不合理——它们的实际速度和危险程度跟摩托车是一档的。我实行的判定规则是场景判定类别规则说明外观有明显油箱/排气管/发动机凸起的两轮车motorcycle燃油摩托车的特征非常明显直接归motorcycle外观无油箱但座椅宽大、车身明显粗壮motorcycle电动摩托车普遍车身比自行车粗壮得多外观和普通自行车几乎一致无法分辨是否电动bicycle按可观测外观归类不做推断带篷的三轮或两轮快递车motorcycle通常由电机驱动且体积大按motorcycle处理人骑在自行车上人和车连在一起bicycle整体框四类别方案下人车合一用一个框人在车旁推行人和车分离分别标注推行状态下人是人、车是车这个规则第3条特别重要。我们做标注的时候如果遇到一辆外观非常像普通自行车、但骑得飞快的小电驴很多标注员会纠结。我的原则是标注系统只认外观特征不认速度。因为模型在单帧图像上拿到的信息就是静态外观你不可能让模型去“感觉它骑得快所以它是摩托”。既然骑行姿态和自行车完全一样模型就算学到了也只会学到一个不可靠的线索。1.3 骑车人到底算人还是算车这是四类别数据集里争议最大的一个问题。如果严格按物理对象框一个骑自行车的人同时存在“person”和“bicycle”两个目标两个框会大量重叠。YOLO在训练时会把这些高度重叠的GT导入损失函数导致模型在“人骑车的重叠区域”上梯度信号混乱训练完之后经常出现一个目标被反复检测成两类的情况。我的方案是在四类别这种粗粒度任务里骑车状态的人车合体目标只标注一个框类别按车辆类型归为bicycle或motorcycle。这样有几个好处避免重叠标注导致的训练信号冲突模型收敛更快下游做目标计数时一个骑车人只算一个目标统计逻辑清晰实际上“骑车人”这个整体在视觉特征上和“步行的人”差异非常大模型更好学。代价是模型无法区分“一个正在骑车的人”和“一辆无人骑行的自行车”。但对大多数交通场景来说这个区分本来就不是刚需。如果你的业务确实需要统计“骑车人是否戴头盔”或者“后座是否载人”那就不适合用四类别粗粒度方案应该在数据集里单独增加rider类别。2. 数据从哪来公开数据集整合、清洗与自制标注组合方案四类别的数据来源主要有三条路公开数据集抽取、自制视频关键帧标注、公开数据集里挖特定困难样本。我的方案是三条路混着走比例大约是公开数据70%、自制数据20%、定向采样的困难样本10%。2.1 公开数据集怎么选许可证怎么看常用公开数据源我做了个对比直接列出最关键的信息数据集适用类别优点缺点许可注意点COCO 2017car、person、bicycle、motorcycle类别全、标注质量高、场景多样交通场景占比偏低很多室内/公园场景CC BY 4.0商用友好BDD100Kcar、person、bicycle、motorcycle真实行车视角、路侧场景丰富、白天夜晚都有标注文件是JSON需要转换部分标注框略粗糙学术许可商用需单独确认UA-DETRACcar纯车辆检测、大量交通路口场景只覆盖车辆无行人两轮车研究用途友好商用注意授权Cityscapesperson、car、bicycle、motorcycle街景质量高欧洲城市街道类别分布偏欧洲路况三轮车几乎为零部分版本受许可限制VisDroneperson、bicycle、car无人机视角密集小目标多俯拍视角和水平视角差异大学术用途为主这里要特别提醒一句不只是能下载就能商用。很多数据集的许可证严格限制了商业用途哪怕你只是用来做模型蒸馏或者辅助标注也可能踩到授权风险。安全起见商用项目建议优先选CC BY、Apache 2.0、MIT这类宽松许可的数据集或者自己采数据。2.2 公开数据集抽取的清洗实操单纯把公开数据集里四类别的标注抽出来还不够还得做一轮清洗。我在BDD100K抽取时写了一个过滤脚本做了这几件事去掉分辨率低于800像素的图片低分辨率图里的行人标注框基本都模糊到没法看去掉无GT标注的图片BDD100K里确实有一部分图片完全没有有效标注去掉“垃圾标签”——比如图片里标注框的宽或高小于10像素的目标。这些目标在训练时基本是噪声按图片内目标数量过滤同一张图里超过80个标注框的强密集场景在YOLO训练时mosaic增强会把它切得稀碎效果并不好。这套过滤操作下来一万张图里能留下七千张左右就是正常水平。不要觉得数据量少了质量精才是关键。2.3 自制标注工具的选型自制数据我用的主力工具是X-AnyLabeling纯推荐不是广告。它最方便的一点是支持模型辅助预标注——先用YOLOv8跑一版识别结果标注员在预标注框上做修改而不是从零画框。这一步能把标注速度从每张图三分钟拉到三十秒。对于没有标注经验的团队这几乎是效率最优解。传统工具labelImg其实也可以用界面简单、标签名直接写在txt里但问题也很明显没有半自动辅助能力、批量操作弱、框画出来无法方便地微调。如果你的标注量在几千张以内labelImg完全够用如果上万张我还是建议上带预标注的工具。2.4 定向采样的困难样本补充公开数据集里bicycle和motorcycle的数量远少于car和person尤其是motorcycle在欧美数据集里出现比例本来就低。这导致训练出来的模型在东南亚和国内路况下摩托车检测效果会断崖式下跌。解决思路是定向补充从自己的侧方位摄像头视频里抽帧专门挑摩托车多的路口把摩托车出现在画面内的时间段标出来用视频抽帧工具隔5帧抽一帧人工删除模糊帧和重复帧用爬虫采集公开图片时要控制下载来源合规性尽量用有明确许可协议的图库。我自己的数据集最终分布大约是car 42%、person 30%、bicycle 16%、motorcycle 12%。虽然motorcycle的比例还是偏低但已经足够让模型在测试集上达到可用水平。如果想让motorcycle的AP再高一点可以后续在训练时配合类别权重调整。3. 标注标准和质检流程小目标、遮挡、截断的规范很多自己做数据集的人容易在标注阶段翻车。YOLO对标注框的依赖程度非常高标注框歪一点、类别错一个、漏标一个最后都会直接反映在评价指标上。这里把我实践后沉淀下来的标准完整列出来。3.1 边界框精度标准标注框的准则说起来只有一句话框要贴合目标最外缘的可见像素不留白边不切掉身体。听上去简单实操时分歧很大。比如对行人我要求框的上边界在头部最高点包括头发以上1像素处下边界在脚底以下1像素处左右边界贴合身体最外沿。很多标注员习惯把框画得比目标大一圈觉得“反正模型能学”但这会让学习到的目标中心点发生偏移最终检测框会普遍偏大在评估时IoU 0.5能过但IoU 0.75就上不去。对于car类我会额外要求外后视镜、车牌照、轮胎外沿必须被框包含在内。如果车头正对镜头前脸是主要的可视表面框的上下边界分别贴合车顶和保险杠下缘不包含地面阴影。3.2 遮挡目标的标注规则遮挡是标注标准里最需要“立规矩”的地方。我的规则是遮挡面积小于20%标注完整目标的理论外接框也就是把被遮挡的部分也包进去。比如行人站在电线杆后面只露出头和脚框画成包含整人的矩形。遮挡面积在20%到60%之间标注可见部分的精确外接框也就是只框住能看见的那部分身体或车辆。注意这时候类别不变。遮挡面积大于60%不标注。比如一个行人被一辆大货车挡住只露出半只脚这种目标不标。这里有一个值得注意的边界情况如果两个行人互相遮挡每个人都有超过40%的身体被对方挡住那么两个人都按“可见部分精确框”来标。模型通过学习大量“半个人”的样本能适应密集人群场景。3.3 截断目标的处理目标在图片边缘被截断不算遮挡规则不同目标可见部分超过30%标注可见部分的精确框目标可见部分不足30%不标注。这个规则在视频帧里特别重要因为摄像头视野边缘经常有半个行人或半辆车。如果全部标上模型会学到很多残缺目标特征如果全部不标那训练时这些目标就成了“漏检”的负面信号。30%的阈值是我实测下来比较平衡的点低于这个比例模型基本没有足够信息去识别类别标了反而有害。3.4 质检与二次校验机制标注完不等于结束我这里的质检流程分四步软件自动检查用脚本检测所有标注框的坐标是否出界、类别ID是否越界、框宽高是否为负值或小于5像素。人工交叉抽样复查抽查比例不低于20%重点看小目标、遮挡目标、夜间图像。可视化检查把标注框画到图上生成预览图人工扫一遍。这一步很费时间但能发现大量逻辑错误比如“人车一体目标漏标了车”“行人和自行车重叠却标成了两个类别”。训练集和验证集分开后的类别分布一致性检查如果验证集中motorcycle占比特别少模型在motorcycle上的指标虚高不能真实反映实际水平。3.5 常见标注错误示例我把高频错误整理成一个表供自查错误类型现象后果框偏大行人的框包含了大片地面检测框系统性偏大IoU低时表现尚可IoU高时崩溃框偏小切掉了后视镜、轮胎、脚部特征缺失召回率下降类别混淆电动自行车被标成bicyclemotorcycle的AP被拉低人车合一处理不一致有的标整体、有的人和车分开标模型产生双重检测骑行者经常出现一个框套两个类别漏标密集目标一群人只标了几个训练时密集人群区域的模型召回不足4. YOLO格式转换与数据集划分txt标注、归一化和同场景去重这一步是很多入门用户最容易卡住的环节。BDD100K输出的是JSON格式COCO输出的是JSON格式Cityscapes输出的是多边形polygon格式全部不能直接被YOLO训练脚本读。统一转成YOLO的txt格式是整个数据管线里最机械化但最不能出错的一步。4.1 YOLO标注文件的基本结构YOLO训练用的标注是每个图片对应一个同名txt文件放在同一目录下文件里每一行表示一个目标class_id center_x center_y width height其中center_x、center_y、width、height全部是相对图片宽高的归一化值取值范围0到1。举个例子一张宽1920像素、高1080像素的图片一个边界框绝对坐标为(x360, y300, w200, h400)在txt里就写成0 0.25 0.463 0.104 0.370因为center_x (360 200/2) / 1920 0.25height 400 / 1080 ≈ 0.370保留三位小数即可。4.2 从COCO JSON批量转YOLO txt的脚本示例COCO格式转YOLO时最关键的是坐标换算。COCO里存的坐标是左上角x、左上角y、宽度w、高度h转换公式如下import json import os # COCO category id - yolo class id 的映射 category_mapping {1: 0, 2: 1, 3: 2, 4: 3} # person-0, bicycle-1, car-2, motorcycle-3 def convert_coco_json(coco_json_path, output_dir): with open(coco_json_path, r, encodingutf-8) as f: data json.load(f) images {img[id]: img for img in data[images]} annotations data[annotations] for img_id, img_info in images.items(): img_w img_info[width] img_h img_info[height] txt_path os.path.join(output_dir, img_info[file_name].replace(.jpg, .txt)) lines [] for ann in annotations: if ann[image_id] ! img_id: continue if ann[category_id] not in category_mapping: continue x, y, w, h ann[bbox] # 边界保护防止坐标越界 x max(0, x) y max(0, y) w min(img_w - x, w) h min(img_h - y, h) if w 2 or h 2: continue cx (x w / 2) / img_w cy (y h / 2) / img_h w_norm w / img_w h_norm h / img_h lines.append(f{category_mapping[ann[category_id]]} {cx:.6f} {cy:.6f} {w_norm:.6f} {h_norm:.6f}) with open(txt_path, w, encodingutf-8) as f: f.write(\n.join(lines)) convert_coco_json(annotations.json, labels)写这个脚本的时候有两个容易忽略的地方一是COCO的bbox里个别标注的x或w会导致框超出图像边界所以必须做clip二是过滤掉太小的框宽高在2像素以下的目标在归一化后已经失去训练意义留着只会增加噪声。4.3 BDD100K格式转换的额外注意点BDD100K的JSON结构跟COCO不完全一样它的标注文件里除了bbox还有category字符串以及truncated截断和occluded遮挡字段。如果你在数据清洗阶段没有过滤这些字段转换脚本里就需要额外判断# BDD100K 的标注条目类似 # {id: xxx, category: car, bbox: [x, y, w, h], truncated: false, occluded: false} category_map_bdd {car: 2, person: 0, bicycle: 1, motorcycle: 3} for ann in annotations: if ann[category] not in category_map_bdd: continue if ann.get(truncated, False) and ann.get(occluded, False): continue # 双重问题的目标直接丢弃 ...这里我的过滤策略是truncated和occluded任一为真的目标可以保留但两个都为真的目标丢弃。因为这些目标往往只有极少可见像素对训练没有正向帮助。4.4 数据集划分防止同场景帧泄漏数据划分是新手最容易忽视的环节。很多人直接从总数据里按train_test_split随机切分遇到视频抽帧数据时就会产生严重泄漏。举一个实际案例我从一段10分钟的路口视频里抽了1200帧作为训练数据又从同一段视频的不同时间段抽了200帧作为验证数据。表面上看训练集和验证集是分离的但这两批数据共享同一个路口的背景、同一批行人的衣服颜色、同一批车辆的行车轨迹。模型在训练时记住了这些特定目标验证时自然表现异常好但一换到新路口就原形毕露。正确的做法是视频抽帧数据先按视频片段切分而不是按帧切分。假设你有10段视频可以取7段视频全部帧入训练集、1段入验证集、2段入测试集。如果某个场景有很多段视频那就保证同一摄像头视角的所有帧只出现在一个集合里。另外如果数据来自多个公开数据集也要控制每个数据集在训练集和验证集中的比例大致一致避免验证集是明显的“温室花朵”。5. YOLOv8训练参数与调优记录从n到x的实测对比数据准备好了接下来就是训练环节。我用的是ultralytics YOLOv8因为它的配置简单、文档齐全、对新手友好而且训练逻辑非常稳定。以下是我在这个四类别数据集上完整跑过一轮之后沉淀下来的参数建议。5.1 模型规模选型n/s/m/l/x怎么挑不同规模模型在同数据集上的效果差异非常明显。拿我这份一万张左右的四类别数据集来说实测结果大概是这样模型参数量显存占用(bs16, imgsz640)mAP50mAP50-95推理耗时(GPU, ms)YOLOv8n3.2M约4GB0.8710.5823.2YOLOv8s11.2M约6GB0.9060.6344.8YOLOv8m25.9M约9GB0.9210.6687.1YOLOv8l43.7M约14GB0.9290.68310.5YOLOv8x68.2M约18GB0.9340.69114.2注意上面显存占用只是我机器上的实测值实际占用还跟batch size、图像分辨率、是否开启AMP有关。如果显存不够优先把batch调小而不是换更小的模型——除非你的部署环境对延迟极其敏感。我的建议是如果你的目标是边缘设备实时推理用YOLOv8s起步能接受再降到n如果目标是离线分析或服务器端检测直接用m或l不要把时间浪费在n上调参。因为四类别的任务本身不算难从s到m的提升比从m到l的提升更值得投入。5.2 训练参数决策imgsz、batch、epochs训练YOLOv8的完整命令可以这样写yolo detect train \ datadataset.yaml \ modelyolov8s.pt \ epochs100 \ imgsz640 \ batch16 \ optimizerAdamW \ lr00.001 \ lrf0.01 \ momentum0.937 \ weight_decay0.0005 \ warmup_epochs3 \ device0三个关键参数的选择逻辑imgsz默认640对一个以车辆行人为主的数据集640已经够用。如果你有很多小目标比如无人机视角的行人可以考虑把imgsz拉到960或1280但代价是显存和训练时间大幅上升。我实测在imgsz640和1280之间mAP50-95差距只有0.02左右而训练时间翻了近4倍。对路侧摄像头这种拍摄距离固定、目标大小相对稳定的场景640是性价比最高的默认选项。batch在显存允许范围内尽可能大。batch大小直接影响BatchNorm的统计量稳定性目标检测里太小的batch会让模型收敛变慢甚至损失曲线震荡。如果显存只有8GBimgsz640时batch8是一个比较稳妥的值如果batch8都不行就降imgsz到512而不是继续降batch。epochs一万张图片左右的数据集在YOLOv8s上训练我一般跑120个epoch。前80个epoch的mAP还在明显上升80到120增长放缓超过120基本就是过拟合了。怎么判断过拟合看val loss如果val loss持续上升而train loss还在下降那就是典型的过拟合信号这时候应该只保留val loss最低点的权重而不是最后一轮的权重。5.3 类别不平衡的处理思路前面提到motorcycle样本占比低训练时如果不做处理motorcycle的AP会明显低一截。YOLOv8的损失函数里有cls_loss权重参数可以适当提高少数类别的分类损失权重但直接改动YOLOv8的loss源码并不方便。更实用的做法是在数据层面做平衡用mosaic1.0默认增强让模型每个batch都看到多张图的拼接内容增加小样本类别的出现频率对motorcycle和bicycle样本做离线复制增强也就是把包含这两类目标的图片复制几份并做翻转、亮度变化然后加进训练集避免为了凑数量把同一段视频帧塞太多遍那样模型会对特定背景过拟合对提升真泛化性没有帮助。5.4 训练过程中的曲线判读训练跑起来之后不是等着完事就行。要盯着两条曲线看train/box_loss、train/cls_loss这两个损失应该稳定下降如果出现平台期说明学习率偏大、模型在最优解附近震荡如果急剧上升说明梯度爆炸多半是batch太大或学习率太大。metrics/mAP50从第10个epoch开始应该能看到明显的爬升如果到第30个epoch都不能超过0.5先别急着调参回头检查数据八成是标注文件和图片对不上或者类别ID映射错了。一个非常常见的错误是在dataset.yaml里把类别名称从左到右写成了[car, person, bicycle, motorcycle]但txt标注文件里第一行的class_id是0、1、2、3对应顺序就会错位。比如car的class_id2但yaml里索引2是bicycle模型会把所有汽车当成自行车来学。这种错误在损失曲线上往往表现得“一开始降不动最后勉强收敛”但实际效果极差。5.5 从训练权重到部署模型训练结束后的.pt权重如果需要部署建议导出为ONNX或TensorRT格式。YOLOv8的导出命令很简单yolo export modelruns/detect/train/weights/best.pt formatonnx imgsz640导出时注意几个点如果部署环境用OpenCV的DNN模块推理ONNX版本别用太新的opset容易遇到算子兼容问题TensorRT导出时imgsz最好固定为训练时的值动态尺寸会引入额外的延迟导出前用一张真实图片测试一下推理结果确认输出格式和类别顺序都没变。我在导出ONNX后经常遇到的问题是后处理脚本里用了错误的confidence阈值——YOLOv8的输出是cx, cy, w, h, obj_conf, class_conf...结构解析时要小心。6. 评估与上线前检查mAP之外的坑和修正闭环模型训练完很多人看一眼mAP就说“可以上线了”实际上mAP只告诉你模型在统计平均意义上表现如何它掩盖了大量真实业务里会遇到的问题。这个四类别模型在我上线前的评测阶段就暴露了好几个单看mAP完全发现不了的问题。6.1 混淆矩阵里的关键信号YOLOv8训练完会输出confusion_matrix.png这是我最先看的图。我那次看到的混淆矩阵基本正常但有两个值得注意的点bicycle和motorcycle之间有一定数量的互相误检。这很正常因为两者外观高度相似尤其是远距离目标在图像里就是一团模糊的长方形。这类混淆可以通过增加更多清晰样本、提高图像分辨率来缓解但很难完全消除。少量person被误检成bicycle。这个现象比较有趣多发生在行人弯腰推共享单车的时候——人的姿态和自行车重叠在一起外观上确实很像“一个骑车的人”。如果业务上不能接受这种误检可以考虑在训练集里把“人推车”场景抽出来仔细检查看看是不是标注时把推行的人标成了bicycle如果是把标注修正成“person”模型很快就能学会区分。6.2 夜间和逆光场景的专项测试公开数据集和自采数据里白天场景占比偏高夜间和逆光场景的样本可能只有10%。这导致模型在白天测试集上表现不错一拿到夜间监控视频上mAP直接掉十几个点。我的处理方案是在清洗数据时专门做一个时间段分桶保证训练集里至少有15%到20%的夜晚图片。如果没有足够的夜间数据可以考虑对白天图片做亮度抖动、对比度调整、Gamma校正等模拟夜间效果。但要清醒认识到这只能缓解不能替代真实的夜间数据。6.3 视频流推理的常见问题用训练好的模型跑视频流和跑单张图片完全不是一回事。最容易出现的问题是目标闪烁——同一辆车在连续帧里时而检到、时而漏检导致下游统计模块把一辆车数成两辆。解决思路有两个层次调整推理阈值降低confidence阈值可以让检测更稳定但也会引入更多误检在应用层做简单的跟踪匹配用IoU或匈牙利算法把相邻帧的检测框关联起来。这个思路很简单但很有效不需要引入DeepSORT这类重型模块就能把计数准确率提升一大截。6.4 类目标注错误的修正闭环最后说一个值得长期投入的机制把“模型犯的错”反馈回数据集里形成修正闭环。具体做法是上线后每天收集一批模型误检和漏检的图片每周做一次误检聚类分析看看模型集中把什么目标误检成什么目标把有代表性的错误样本加入训练集修正标注后增量训练用固定的测试集回归验证确保修复旧问题的同时没有引入新问题。这个闭环看起来朴素但实际效果比换更大的模型要好得多。目标检测模型的数据迭代拼的是你能不能持续把错误样本“喂”回训练集。我这份四类别数据集在上线后的两轮迭代里motorcycle的AP提升了接近4个百分点靠的就是这个闭环而不是改模型结构。关于YOLO车辆行人四类别识别数据集的构建和训练核心链路就是这些类目定义要贴合业务数据来源要混搭互补标注规范要提前立好格式转换要严谨训练参数要基于数据量来定上线前还要做超越mAP的专项评估。这几步每一步都踩过坑写出来也是希望大家能少走点弯路。如果你正在做类似的数据集最值得花时间的其实是前期的数据清洗和标注规范那才是整个项目的根基。本文还有配套的精品资源点击获取