简介火车轨道检测数据集是一份面向目标检测任务的专业标注资源聚焦火车轨道与障碍物识别适合轨道交通安全监测、智能巡检等场景可供算法工程师、研究人员及学习者直接用于模型训练和效果验证。压缩包共2000个文件全部为VOC格式的XML标注文件整体约473.77MB标注内容包含轨道区域和障碍物的类别与边界框坐标可与对应原始图片配合方便接入YOLO、Faster R-CNN、SSD等检测框架同时兼容LabelImg等常见标注工具。整体基于3900张原始图片构建识别准确率可达93.7%说明标注逻辑与类别定义较为清晰能有效支撑轨道目标检测算法的基准测试与调优。目前已有3608人学习/浏览受到目标检测实践者的关注。获取后可节省大量人工标注时间快速获得结构化训练数据特别适合轨道交通视觉项目的起步阶段。1. 火车轨道检测数据集解决了什么问题火车轨道检测数据集这类项目最花时间的往往不是模型选型而是把数据整理到能喂给模型的状态。这个数据集把 3900 张原始图片按 VOC 格式整理好标注了火车轨道和障碍物两类目标识别准确率对外给到 93.7%。对做轨交巡检视觉方案的团队它省掉了采集和标注环节能直接进入训练和误报调优对做毕设或算法验证的学生也是难得的真实场景数据源。先说清楚目标检测里的“准确率”通常对应 mAP0.5 这个指标。93.7% 说明模型在这批数据上表现不错但离上线仍有距离。后面按“拿到数据先检查什么、训练参数怎么设、哪里容易翻车、最后怎么验证”展开同类轨道检测项目也能直接平移这里面的套路。2. 拿到 VOC 标注的 3900 张图先做目录体检与格式转换2.1 确认三件套JPEGImages、Annotations、ImageSets/MainVOC 的目录结构沿用自 Pascal VOCJPEGImages 放原始图片Annotations 放同名 XMLImageSets/Main 里通常是 train.txt、val.txt 这类划分文件。拿到数据集第一步不是急着训练而是确认这三者数量和文件名对得上。常出现的情况是图片 3900 张但 XML 只有 3880 个或者 XML 里引用的图片名与 JPEG 对不上直接训练只会报一堆 FileNotFoundError。先用两行命令看数量ls JPEGImages | wc -l ls Annotations | wc -l如果两个数字不一致再逐对检查for img in JPEGImages/*.jpg; do base$(basename $img .jpg) if [ ! -f Annotations/${base}.xml ]; then echo missing: $base fi done这段脚本的逻辑是按图片基底名找同名 XML找不到就打印出来。注意图片后缀不一定是 .jpg也可能是 .png 或 .jpeg用之前先ls JPEGImages | head -n 3看一眼实际后缀再改脚本里的通配符否则会误报。确认完文件对齐再看 ImageSets/Main 里的划分是否可用。有些发布者会把划分一起给出来有些则只放图片和标注如果只有 train.txt 没有 val.txt说明你需要自己切。读取 XML 时不要只对图片名还要对齐filename标签和实际文件名VOC 格式里 filename 和 path 经常不一致这是老坑。2.2 统计类别分布障碍物样本可能比你想象的少3900 张图听着不少但“障碍物”是典型的长尾类别。轨道几乎每张图都有障碍物可能只在其中一两百张里出现甚至一个 XML 里只标了一个小框。如果不先做统计训练出来的模型会对障碍物视而不见或者误检率高到没法用。先写一个极短脚本看清楚类别名和数量分布import glob import xml.etree.ElementTree as ET from collections import Counter anns sorted(glob.glob(Annotations/*.xml)) cls_count Counter() empty_xml [] for ann_path in anns: tree ET.parse(ann_path) objs tree.findall(object) if len(objs) 0: empty_xml.append(ann_path) continue for obj in objs: name obj.find(name).text cls_count[name.strip()] 1 print(empty xml:, len(empty_xml)) print(category distribution:, cls_count)这段代码做的事情很简单遍历所有 XML统计每个 object 的 name顺便记录没有标注的空文件。name.strip()这一行别省XML 里经常出现rail_track 或者obstacle 这种带空格的值不 strip 的话同一个类别会被拆成两个类训练时 mAP 计算也会跟着错。除了类别数量还值得看一眼目标框的尺寸分布。轨道框通常是横贯全图的细长条障碍物框往往很小。如果小框占大多数后面训练时 imgsz 要往上加或者开启多尺度训练。我习惯把 bbox 的宽高和长宽比也打印出来这步不需要额外代码在上面循环里加两个数组最后用 numpy 算一下百分位数就行。2.3 VOC 转 YOLO 格式转换脚本和四个边界坑现在很多检测框架已经能直接读 VOC但训练前我还是会转成 YOLO 格式的 txt。原因不是 YOLO 比 VOC 高级而是 YOLO 标签一行一个目标后续做标签清洗、抽检、伪标签合并都方便得多。这里给一个能直接跑的最小转换脚本import os import glob import xml.etree.ElementTree as ET classes [rail_track, obstacle] # 以实际 XML 里的 name 为准 os.makedirs(labels, exist_okTrue) def voc_to_yolo(size: tuple, box: tuple) - tuple: dw 1.0 / size[0] dh 1.0 / size[1] x (box[0] box[2]) / 2.0 y (box[1] box[3]) / 2.0 w box[2] - box[0] h box[3] - box[1] return (x * dw, y * dh, w * dw, h * dh) for xml_path in glob.glob(Annotations/*.xml): tree ET.parse(xml_path) size tree.find(size) img_w int(size.find(width).text) img_h int(size.find(height).text) lines [] for obj in tree.findall(object): name obj.find(name).text.strip() if name not in classes: continue box_elem obj.find(bndbox) x1 float(box_elem.find(xmin).text) y1 float(box_elem.find(ymin).text) x2 float(box_elem.find(xmax).text) y2 float(box_elem.find(ymax).text) x1 max(0, min(x1, img_w - 1)) y1 max(0, min(y1, img_h - 1)) x2 max(0, min(x2, img_w - 1)) y2 max(0, min(y2, img_h - 1)) if x2 x1 or y2 y1: continue cx, cy, w, h voc_to_yolo((img_w, img_h), (x1, y1, x2, y2)) cls_id classes.index(name) lines.append(f{cls_id} {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}) with open(xml_path.replace(Annotations, labels).replace(.xml, .txt), w) as f: f.write(\n.join(lines))转换前先说四个容易踩的边界坑第一VOC 坐标是像素值YOLO 需要归一化到 0~1 之间第二xmax、ymax有极少数标注会写成图片宽高本身甚至超出宽高转换前要 clamp 一下否则归一化后出现超过 1 的数训练时直接报错或产生 NaN第三clamp 后可能出现退化框也就是宽或高为 0必须跳过第四XML 里 object 的 name 不一定和预期一致脚本里先用 classes 过滤一遍不认识的类先单独保留清单再决定是忽略还是加进 classes。转换完建议随手抽三张图把 txt 标签画回原图看一眼。这一步很便宜但能发现大量坐标顺序搞反、框没包住目标、类别错标的问题。画回原图用 OpenCV 自带的方法几行就能搞定别直接闷头开始训练。3. 训练前把三件事定下来样本划分、增强策略、预训练权重3.1 按采集场景划分而不是纯随机切分3900 张图的规模说大不大说小不小。很多人在划分数据时直接用train_test_split(random_state42)但这在轨道场景里是错的。轨道图片很多来自视频抽帧连续几帧的背景几乎一样如果同一段视频的帧同时落进 train 和 val验证指标会虚高部署到新线路时立刻打回原形。正确做法是先看文件名的命名规律常见命名是scene_001_0001.jpg这种前置编号代表采集段。按采集段划分而不是按单帧划分import os, random from collections import defaultdict imgs os.listdir(JPEGImages) group defaultdict(list) for img in imgs: key img.rsplit(_, 1)[0] # 去掉帧号得到场景前缀 group[key].append(img) keys sorted(group.keys()) random.Random(42).shuffle(keys) n len(keys) train_keys keys[: int(n * 0.8)] val_keys keys[int(n * 0.8): int(n * 0.9)] test_keys keys[int(n * 0.9):] def write_list(path, scene_keys): with open(path, w) as f: for k in scene_keys: for img in sorted(group[k]): f.write(fJPEGImages/{img}\n) write_list(train.txt, train_keys) write_list(val.txt, val_keys) write_list(test.txt, test_keys)rsplit(_, 1)是按最后一个下划线切分去掉帧号保留场景前缀。如果你的命名不是这个规律就根据实际格式换切分点。划分完之后打印一下 train 和 val 里各自包含多少个场景、多少张图确认 val 没有和 train 来自同一个场景。这一步比后面任何调参都影响最终可信度。按场景划分还有个好处是能复现。固定随机种子 42 以后任何人用同样分组逻辑都会得到相同划分不会出现“你跑了 0.92 我跑了 0.88”这种对不上的尴尬。数据集调优本身就是个黑匣子能固定的环节一律固定下来。3.2 数据增强Mosaic 对轨道这种细长结构是把双刃剑YOLO 系列默认开启的 Mosaic 增强是把四张图拼成一张训练。对通用目标检测效果不错但在轨道场景里会让轨道线在中缝处错位模型被迫去学“两截没对齐的线”反而干扰轨道整体性判断。所以第一建议是不要直接用默认增强先关掉 Mosaic 或把概率降到 0.5 以下。以 Ultralytics YOLO 的训练配置为例data yaml 只需要指定路径和类别名path: /path/to/your/dataset train: train.txt val: val.txt names: 0: rail_track 1: obstacle然后在训练命令里通过参数覆盖默认增强配置yolo detect train \ datarail.yaml \ modelyolov8s.pt \ mosaic0.5 \ hsv_h0.015 \ hsv_s0.4 \ hsv_v0.3 \ degrees0.0 \ fliplr0.3参数含义拆开讲mosaic0.5表示只有一半训练样本走拼图另一半保留完整轨道结构hsv_h/s/v控制颜色扰动轨道场景的光照差异主要靠它补degrees0.0是关掉旋转增强轨道图旋转 90 度后语义完全变了这条线不是随便转的fliplr0.3是水平翻转概率轨道两侧的障碍物语义通常对称可以保留但如果障碍物里有信号灯这类有方向性的目标这项设成 0。另外要补的增强是亮度和灰度扰动。轨道数据大概率以白天晴朗为主晚上和雨天的样本天然稀少。把hsv_v调到 0.3 以上并给训练集随机加一点亮度衰减能让模型在夜间和阴影下多撑一阵。这是这类项目里最常做、也是投入产出比最高的一步。3.3 预训练权重从 COCO 起步别想着从零训练3900 张原始图片即便按 8:1:1 划开训练集也只有 3000 出头。这个规模想从零训练一个可用的检测模型基本不现实正确做法是从 COCO 预训练权重开始迁移。YOLO 系的modelyolov8s.pt会自动下载 COCO 预训练权重初始特征提取能力已经具备剩下的任务只是把轨道和障碍物的纹理模式学到。如果不用 YOLO换 RTMDet 或者其他框架也一样核心原则是选一个在 COCO 或 ImageNet 上预训练过的 backbone。有人会拿 MMRotate 训练 DOTA 数据集的方式来套轨道检测我建议不要照搬。DOTA 是航空影像的旋转目标检测场景预训练分布和铁路近景差异很大直接拿来当起点反而要花更多 epoch 去抹平特征分布差异。预训练选型上我常给的建议如下选择适用情况收敛速度备注COCO 预训练检测头通用检测迁移快首选直接全模型微调仅 backbone 预训练换自定义检测头时中检测头从零学会慢一些从零训练数据量 1 万张以上时慢3900 张不建议训练轮数方面以 100 epoch 为基准配合早停patience20。如果 30 epoch 时 mAP 还在 0.2 以下先回头查标签而不是死等。BATCH 大小按显存来16G 显卡跑 YOLOv8s 用 batch16 和 imgsz640 是安全的显存不够就把 batch 降到 8不要动 imgsz。轨道这种细长目标640 已经是下限再小就把小障碍物压没了。4. 把 93.7% 掰开看训练命令与 mAP、召回率、置信度阈值的关系4.1 最小训练与验证命令前面配置好 rail.yaml 之后直接跑训练。这里以 YOLOv8s 为例命令如下yolo detect train \ datarail.yaml \ modelyolov8s.pt \ epochs100 \ imgsz640 \ batch16 \ patience20 \ projectruns/rail \ nameexp01参数说明epochs100搭配早停不必死等到 100patience20表示验证集连续 20 个 epoch 没有更好就停并自动保存best.ptproject和name指定输出目录方便保存每一次实验做对比。训练结束看runs/rail/exp01/results.csv里的metrics/mAP50(B)那一列也就是 mAP0.5。这个值如果稳定在 0.9 以上说明基础训练没有问题。验证命令更简单yolo detect val \ modelruns/rail/exp01/weights/best.pt \ datarail.yaml \ splitval注意splitval要和你 data yaml 里的配置对上。默认情况下Ultralytics 会读 yaml 里的val.txt做验证。这一步输出的val/confusion_matrix.png和val/PR_curve.png要单独拿出来看不要只看一个数字。4.2 93.7% 到底是哪个数准确率、精确率、召回率别混着提标题里说识别准确率 93.7%但在目标检测语境下这个数字更可能是 mAP0.5也就是 IoU 阈值为 0.5 时的平均精度。mAP 和分类任务里的 accuracy 不是一回事accuracy 算的是“所有样本里猜对的比例”mAP 算的是“每个类别 PR 曲线下面积的均值”。轨道类别占比高即使障碍物一个没检出mAP 也可能被轨道类的高分拉上去这是长尾检测最典型的假象。和你日常看到的情感分析模型的准确率一样单看一个数完全看不出类别不平衡。轨道检测的验收必须拆开看precision 是“模型说它是障碍物的框里有多少真的框对了”recall 是“标注障碍物里模型找到了多少”。对轨交安全场景recall 比 precision 重要漏检一个落石就是事故误报几次最多是被值班员关掉。PR 曲线的读法也不是只看曲线下面积而是看右肩有没有塌下去。轨道检测模型如果障碍物类别的 recall 上不去PR 曲线的右边会在 0.8 左右急转直下这时候你要么换更大的模型要么回去补障碍物样本单纯调置信度阈值救不回来。4.3 用验证集找合适的置信度阈值Ultralytics 验证完会得到验证集预测结果剩下的工作就是在这个结果上做一次阈值扫描。具体逻辑是对障碍物类别统计在不同置信度阈值下的精确率和召回率找一个 F1 最高的点作为默认阈值。写起来类似这样import json import numpy as np with open(runs/rail/exp01/val/predictions.json) as f: preds json.load(f) def compute_f1(conf_thres, cls_id1): tp fp fn 0 # 这里按 image_id 聚合并与 ground truth 匹配 # 每个预测框和真值框算 IoU大于 0.5 记为 TP # 没匹配上的预测记为 FP没被预测到的真值记为 FN precision tp / (tp fp 1e-6) recall tp / (tp fn 1e-6) return 2 * precision * recall / (precision recall 1e-6) for th in np.arange(0.1, 0.6, 0.05): print(th, round(compute_f1(th), 4))这段代码里的匹配逻辑是唯一需要补全的部分核心就是在每个图上把预测框和真值框做 IoU 匹配。如果你的部署环境能接受更低的置信度且 F1 更高就别迷信默认的 0.25直接改推理参数。还需注意这个阈值是写给推理用的不是写给训练用的。训练时模型学习用的 loss 权重和置信度阈值没有直接关系很多人一上来就在推理命令里调 conf发现指标变化不大然后开始怀疑模型其实只是阈值没动对地方。5. 排查与避坑这五个问题最容易让轨道障碍物模型在部署现场翻车5.1 现象训练损失正常下降验证 mAP 却卡在 0.35 附近原因XML 里类别名带了隐藏空格或不同大小写同一个语义被拆成两个类。前面专门写name.strip()正因为这类标签真的会出现在 VOC 数据集里。如果没做这一步障碍物类别会变成obstacle和obstacle两个类模型训练时一个类只分到一半样本验证时又按两个类分别计算mAP 自然上不去。解决用脚本输出set(name - repr(name))找出所有变体把错误名称批量替换成标准名再重新转换标签。改完重训前记得清空旧的 cache 文件Ultralytics 会在数据集目录下生成.cache不删掉它可能一直读旧标签。5.2 现象模型把道砟、阴影、接触网杆误报为障碍物原因障碍物是个“语义开放”的类别什么都可以往里装但数据集的负样本里几乎没有“长得像障碍物但其实是正常线路部件”的图片。模型学到的是低层纹理特征不是真正的语义。解决不要只依靠数据增强去收集 200 到 300 张没有障碍物但含阴影、隧道口、道砟的难例图XML 里不标任何目标作为空负样本加进训练集。框架会自然把这部分归为背景模型能明确学到“这些区域不能产生候选框”。这一步对误报率的改善通常比换模型更明显。5.3 现象曲线轨道被检测成断断续续的小段弯道内圈直接漏检原因VOC 标签用的是水平框轨道这种细长目标在水平框里会带入大量枕木和道床背景弯道处的轨道再一弯曲水平框边界和真实轨道边缘更对不上。模型看到的是一个粗大的“棍状目标”无法稳定跟踪整条曲线。解决把 imgsz 从 640 提到 960 或 1280轨道在图上占的像素比例变大模型能感知到更长的一段线。同时可以考虑用实例分割这类“检测 分割”联合框架先把轨道分割出来再做拟合很多轨道检测场景里并线不是靠检测框而是靠分割 mask。注意别指望换模型自动解决标签本身是水平框才是根因后处理要跟上。5.4 现象验证指标挺高换一段新线路视频立刻崩原因划分数据时用了随机切分同一视频里相邻几帧同时进了 train 和 val。轨道视频抽帧的两个相邻画面差异极小模型相当于开卷考试验证时看到的是训练已经见过的角度。解决按场景而不是按帧划分具体脚本回看 3.1 节。如果是别人直接发布的划分已经带了随机切的 train/val那就先用感知哈希找一下重复帧把同一场景里间隔太近的帧从验证集里剔掉只保留间隔足够大的帧。这一步做完你会看到验证指标掉一些但那是真实水平。5.5 现象白天和晴天检测效果好傍晚、雨后、逆光就漏检原因数据集的样本光照条件太单一增强里的hsv_v也没能给模型补上真实的夜间质感。轨道检测最容易低估的就是光照分布因为正样本几乎都是白天采集来的。解决给训练集增加亮度扰动和灰度化概率再把几个典型时段的图片单独抽出来做小验证集。如果夜间确实达不到要求最快的补救是收集几百张夜间帧做微调而不是单纯拉长训练 epoch。loss 降得足够低也解决不了分布偏移这类问题只能用数据补。6. 收尾之前的高性价比检查10 张图烟雾测试与按类别调阈值6.1 先用 10 张图跑通全链路正式训 100 epoch 之前先拿 10 张图片、几分钟的验证流程把所有代码路径跑通包括读取数据、标签转换、模型 forward、验证脚本。这个动作看起来浪费实则是省时间的“后悔药”。尤其当数据集的 XML 里有坏样本时完整训练跑到一半才报错损失至少是半小时起步。用epochs1训练模型权重再差也无所谓只要不报错链路就是通的。6.2 用伪标签扩充真正的难点类别障碍物类别的样本通常不够与其手动标注不如用当前模型在无标注的轨道视频上做一次批量推理再按置信度 0.6 以上和 IoU 去重的条件筛出候选框人工快速确认后并入训练集。伪标签只用来补障碍物轨道类别多来自原标注。要注意伪标签会让模型产生“自证预言”所以每轮只选高置信度的框并保留部分人工抽检。6.3 部署前给每个类别单独定阈值类别精确率召回率推荐 conf说明rail_track0.980.970.45轨道几乎恒定提高阈值减少误框obstacle0.810.920.20保召回优先宁可误报这张表是模板实际数字以你自己验证集输出为准。轨交场景里一类一阈值在框架层面不一定直接支持但很多推理代码可以在后处理阶段按类别名分别过滤加 20 行代码的事。我自己的习惯是每改一版数据都同步更新这张表再拿两到三段现场视频做人工比对而不是看单个准确率数字决定通不通过。我自己也在这类项目上吃过亏第一次用 VOC 数据集训练轨道障碍物检测时只看了验证集 mAP 就兴冲冲拿去部署结果现场视频的误报率高到没人愿意用。后来把阈值按召回率调低、补充空负样本才真正把它推上线。这一套流程走完之后你手里这份数据集才算真正发挥出 93.7% 之外的价值。希望帮到你。本文还有配套的精品资源点击获取 
长河君 · 2026/10/10 22:41:11 · 阅读 1.2k 火车轨道检测数据集实战：VOC转YOLO训练与避坑指南
简介火车轨道检测数据集是一份面向目标检测任务的专业标注资源聚焦火车轨道与障碍物识别适合轨道交通安全监测、智能巡检等场景可供算法工程师、研究人员及学习者直接用于模型训练和效果验证。压缩包共2000个文件全部为VOC格式的XML标注文件整体约473.77MB标注内容包含轨道区域和障碍物的类别与边界框坐标可与对应原始图片配合方便接入YOLO、Faster R-CNN、SSD等检测框架同时兼容LabelImg等常见标注工具。整体基于3900张原始图片构建识别准确率可达93.7%说明标注逻辑与类别定义较为清晰能有效支撑轨道目标检测算法的基准测试与调优。目前已有3608人学习/浏览受到目标检测实践者的关注。获取后可节省大量人工标注时间快速获得结构化训练数据特别适合轨道交通视觉项目的起步阶段。1. 火车轨道检测数据集解决了什么问题火车轨道检测数据集这类项目最花时间的往往不是模型选型而是把数据整理到能喂给模型的状态。这个数据集把 3900 张原始图片按 VOC 格式整理好标注了火车轨道和障碍物两类目标识别准确率对外给到 93.7%。对做轨交巡检视觉方案的团队它省掉了采集和标注环节能直接进入训练和误报调优对做毕设或算法验证的学生也是难得的真实场景数据源。先说清楚目标检测里的“准确率”通常对应 mAP0.5 这个指标。93.7% 说明模型在这批数据上表现不错但离上线仍有距离。后面按“拿到数据先检查什么、训练参数怎么设、哪里容易翻车、最后怎么验证”展开同类轨道检测项目也能直接平移这里面的套路。2. 拿到 VOC 标注的 3900 张图先做目录体检与格式转换2.1 确认三件套JPEGImages、Annotations、ImageSets/MainVOC 的目录结构沿用自 Pascal VOCJPEGImages 放原始图片Annotations 放同名 XMLImageSets/Main 里通常是 train.txt、val.txt 这类划分文件。拿到数据集第一步不是急着训练而是确认这三者数量和文件名对得上。常出现的情况是图片 3900 张但 XML 只有 3880 个或者 XML 里引用的图片名与 JPEG 对不上直接训练只会报一堆 FileNotFoundError。先用两行命令看数量ls JPEGImages | wc -l ls Annotations | wc -l如果两个数字不一致再逐对检查for img in JPEGImages/*.jpg; do base$(basename $img .jpg) if [ ! -f Annotations/${base}.xml ]; then echo missing: $base fi done这段脚本的逻辑是按图片基底名找同名 XML找不到就打印出来。注意图片后缀不一定是 .jpg也可能是 .png 或 .jpeg用之前先ls JPEGImages | head -n 3看一眼实际后缀再改脚本里的通配符否则会误报。确认完文件对齐再看 ImageSets/Main 里的划分是否可用。有些发布者会把划分一起给出来有些则只放图片和标注如果只有 train.txt 没有 val.txt说明你需要自己切。读取 XML 时不要只对图片名还要对齐filename标签和实际文件名VOC 格式里 filename 和 path 经常不一致这是老坑。2.2 统计类别分布障碍物样本可能比你想象的少3900 张图听着不少但“障碍物”是典型的长尾类别。轨道几乎每张图都有障碍物可能只在其中一两百张里出现甚至一个 XML 里只标了一个小框。如果不先做统计训练出来的模型会对障碍物视而不见或者误检率高到没法用。先写一个极短脚本看清楚类别名和数量分布import glob import xml.etree.ElementTree as ET from collections import Counter anns sorted(glob.glob(Annotations/*.xml)) cls_count Counter() empty_xml [] for ann_path in anns: tree ET.parse(ann_path) objs tree.findall(object) if len(objs) 0: empty_xml.append(ann_path) continue for obj in objs: name obj.find(name).text cls_count[name.strip()] 1 print(empty xml:, len(empty_xml)) print(category distribution:, cls_count)这段代码做的事情很简单遍历所有 XML统计每个 object 的 name顺便记录没有标注的空文件。name.strip()这一行别省XML 里经常出现rail_track 或者obstacle 这种带空格的值不 strip 的话同一个类别会被拆成两个类训练时 mAP 计算也会跟着错。除了类别数量还值得看一眼目标框的尺寸分布。轨道框通常是横贯全图的细长条障碍物框往往很小。如果小框占大多数后面训练时 imgsz 要往上加或者开启多尺度训练。我习惯把 bbox 的宽高和长宽比也打印出来这步不需要额外代码在上面循环里加两个数组最后用 numpy 算一下百分位数就行。2.3 VOC 转 YOLO 格式转换脚本和四个边界坑现在很多检测框架已经能直接读 VOC但训练前我还是会转成 YOLO 格式的 txt。原因不是 YOLO 比 VOC 高级而是 YOLO 标签一行一个目标后续做标签清洗、抽检、伪标签合并都方便得多。这里给一个能直接跑的最小转换脚本import os import glob import xml.etree.ElementTree as ET classes [rail_track, obstacle] # 以实际 XML 里的 name 为准 os.makedirs(labels, exist_okTrue) def voc_to_yolo(size: tuple, box: tuple) - tuple: dw 1.0 / size[0] dh 1.0 / size[1] x (box[0] box[2]) / 2.0 y (box[1] box[3]) / 2.0 w box[2] - box[0] h box[3] - box[1] return (x * dw, y * dh, w * dw, h * dh) for xml_path in glob.glob(Annotations/*.xml): tree ET.parse(xml_path) size tree.find(size) img_w int(size.find(width).text) img_h int(size.find(height).text) lines [] for obj in tree.findall(object): name obj.find(name).text.strip() if name not in classes: continue box_elem obj.find(bndbox) x1 float(box_elem.find(xmin).text) y1 float(box_elem.find(ymin).text) x2 float(box_elem.find(xmax).text) y2 float(box_elem.find(ymax).text) x1 max(0, min(x1, img_w - 1)) y1 max(0, min(y1, img_h - 1)) x2 max(0, min(x2, img_w - 1)) y2 max(0, min(y2, img_h - 1)) if x2 x1 or y2 y1: continue cx, cy, w, h voc_to_yolo((img_w, img_h), (x1, y1, x2, y2)) cls_id classes.index(name) lines.append(f{cls_id} {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}) with open(xml_path.replace(Annotations, labels).replace(.xml, .txt), w) as f: f.write(\n.join(lines))转换前先说四个容易踩的边界坑第一VOC 坐标是像素值YOLO 需要归一化到 0~1 之间第二xmax、ymax有极少数标注会写成图片宽高本身甚至超出宽高转换前要 clamp 一下否则归一化后出现超过 1 的数训练时直接报错或产生 NaN第三clamp 后可能出现退化框也就是宽或高为 0必须跳过第四XML 里 object 的 name 不一定和预期一致脚本里先用 classes 过滤一遍不认识的类先单独保留清单再决定是忽略还是加进 classes。转换完建议随手抽三张图把 txt 标签画回原图看一眼。这一步很便宜但能发现大量坐标顺序搞反、框没包住目标、类别错标的问题。画回原图用 OpenCV 自带的方法几行就能搞定别直接闷头开始训练。3. 训练前把三件事定下来样本划分、增强策略、预训练权重3.1 按采集场景划分而不是纯随机切分3900 张图的规模说大不大说小不小。很多人在划分数据时直接用train_test_split(random_state42)但这在轨道场景里是错的。轨道图片很多来自视频抽帧连续几帧的背景几乎一样如果同一段视频的帧同时落进 train 和 val验证指标会虚高部署到新线路时立刻打回原形。正确做法是先看文件名的命名规律常见命名是scene_001_0001.jpg这种前置编号代表采集段。按采集段划分而不是按单帧划分import os, random from collections import defaultdict imgs os.listdir(JPEGImages) group defaultdict(list) for img in imgs: key img.rsplit(_, 1)[0] # 去掉帧号得到场景前缀 group[key].append(img) keys sorted(group.keys()) random.Random(42).shuffle(keys) n len(keys) train_keys keys[: int(n * 0.8)] val_keys keys[int(n * 0.8): int(n * 0.9)] test_keys keys[int(n * 0.9):] def write_list(path, scene_keys): with open(path, w) as f: for k in scene_keys: for img in sorted(group[k]): f.write(fJPEGImages/{img}\n) write_list(train.txt, train_keys) write_list(val.txt, val_keys) write_list(test.txt, test_keys)rsplit(_, 1)是按最后一个下划线切分去掉帧号保留场景前缀。如果你的命名不是这个规律就根据实际格式换切分点。划分完之后打印一下 train 和 val 里各自包含多少个场景、多少张图确认 val 没有和 train 来自同一个场景。这一步比后面任何调参都影响最终可信度。按场景划分还有个好处是能复现。固定随机种子 42 以后任何人用同样分组逻辑都会得到相同划分不会出现“你跑了 0.92 我跑了 0.88”这种对不上的尴尬。数据集调优本身就是个黑匣子能固定的环节一律固定下来。3.2 数据增强Mosaic 对轨道这种细长结构是把双刃剑YOLO 系列默认开启的 Mosaic 增强是把四张图拼成一张训练。对通用目标检测效果不错但在轨道场景里会让轨道线在中缝处错位模型被迫去学“两截没对齐的线”反而干扰轨道整体性判断。所以第一建议是不要直接用默认增强先关掉 Mosaic 或把概率降到 0.5 以下。以 Ultralytics YOLO 的训练配置为例data yaml 只需要指定路径和类别名path: /path/to/your/dataset train: train.txt val: val.txt names: 0: rail_track 1: obstacle然后在训练命令里通过参数覆盖默认增强配置yolo detect train \ datarail.yaml \ modelyolov8s.pt \ mosaic0.5 \ hsv_h0.015 \ hsv_s0.4 \ hsv_v0.3 \ degrees0.0 \ fliplr0.3参数含义拆开讲mosaic0.5表示只有一半训练样本走拼图另一半保留完整轨道结构hsv_h/s/v控制颜色扰动轨道场景的光照差异主要靠它补degrees0.0是关掉旋转增强轨道图旋转 90 度后语义完全变了这条线不是随便转的fliplr0.3是水平翻转概率轨道两侧的障碍物语义通常对称可以保留但如果障碍物里有信号灯这类有方向性的目标这项设成 0。另外要补的增强是亮度和灰度扰动。轨道数据大概率以白天晴朗为主晚上和雨天的样本天然稀少。把hsv_v调到 0.3 以上并给训练集随机加一点亮度衰减能让模型在夜间和阴影下多撑一阵。这是这类项目里最常做、也是投入产出比最高的一步。3.3 预训练权重从 COCO 起步别想着从零训练3900 张原始图片即便按 8:1:1 划开训练集也只有 3000 出头。这个规模想从零训练一个可用的检测模型基本不现实正确做法是从 COCO 预训练权重开始迁移。YOLO 系的modelyolov8s.pt会自动下载 COCO 预训练权重初始特征提取能力已经具备剩下的任务只是把轨道和障碍物的纹理模式学到。如果不用 YOLO换 RTMDet 或者其他框架也一样核心原则是选一个在 COCO 或 ImageNet 上预训练过的 backbone。有人会拿 MMRotate 训练 DOTA 数据集的方式来套轨道检测我建议不要照搬。DOTA 是航空影像的旋转目标检测场景预训练分布和铁路近景差异很大直接拿来当起点反而要花更多 epoch 去抹平特征分布差异。预训练选型上我常给的建议如下选择适用情况收敛速度备注COCO 预训练检测头通用检测迁移快首选直接全模型微调仅 backbone 预训练换自定义检测头时中检测头从零学会慢一些从零训练数据量 1 万张以上时慢3900 张不建议训练轮数方面以 100 epoch 为基准配合早停patience20。如果 30 epoch 时 mAP 还在 0.2 以下先回头查标签而不是死等。BATCH 大小按显存来16G 显卡跑 YOLOv8s 用 batch16 和 imgsz640 是安全的显存不够就把 batch 降到 8不要动 imgsz。轨道这种细长目标640 已经是下限再小就把小障碍物压没了。4. 把 93.7% 掰开看训练命令与 mAP、召回率、置信度阈值的关系4.1 最小训练与验证命令前面配置好 rail.yaml 之后直接跑训练。这里以 YOLOv8s 为例命令如下yolo detect train \ datarail.yaml \ modelyolov8s.pt \ epochs100 \ imgsz640 \ batch16 \ patience20 \ projectruns/rail \ nameexp01参数说明epochs100搭配早停不必死等到 100patience20表示验证集连续 20 个 epoch 没有更好就停并自动保存best.ptproject和name指定输出目录方便保存每一次实验做对比。训练结束看runs/rail/exp01/results.csv里的metrics/mAP50(B)那一列也就是 mAP0.5。这个值如果稳定在 0.9 以上说明基础训练没有问题。验证命令更简单yolo detect val \ modelruns/rail/exp01/weights/best.pt \ datarail.yaml \ splitval注意splitval要和你 data yaml 里的配置对上。默认情况下Ultralytics 会读 yaml 里的val.txt做验证。这一步输出的val/confusion_matrix.png和val/PR_curve.png要单独拿出来看不要只看一个数字。4.2 93.7% 到底是哪个数准确率、精确率、召回率别混着提标题里说识别准确率 93.7%但在目标检测语境下这个数字更可能是 mAP0.5也就是 IoU 阈值为 0.5 时的平均精度。mAP 和分类任务里的 accuracy 不是一回事accuracy 算的是“所有样本里猜对的比例”mAP 算的是“每个类别 PR 曲线下面积的均值”。轨道类别占比高即使障碍物一个没检出mAP 也可能被轨道类的高分拉上去这是长尾检测最典型的假象。和你日常看到的情感分析模型的准确率一样单看一个数完全看不出类别不平衡。轨道检测的验收必须拆开看precision 是“模型说它是障碍物的框里有多少真的框对了”recall 是“标注障碍物里模型找到了多少”。对轨交安全场景recall 比 precision 重要漏检一个落石就是事故误报几次最多是被值班员关掉。PR 曲线的读法也不是只看曲线下面积而是看右肩有没有塌下去。轨道检测模型如果障碍物类别的 recall 上不去PR 曲线的右边会在 0.8 左右急转直下这时候你要么换更大的模型要么回去补障碍物样本单纯调置信度阈值救不回来。4.3 用验证集找合适的置信度阈值Ultralytics 验证完会得到验证集预测结果剩下的工作就是在这个结果上做一次阈值扫描。具体逻辑是对障碍物类别统计在不同置信度阈值下的精确率和召回率找一个 F1 最高的点作为默认阈值。写起来类似这样import json import numpy as np with open(runs/rail/exp01/val/predictions.json) as f: preds json.load(f) def compute_f1(conf_thres, cls_id1): tp fp fn 0 # 这里按 image_id 聚合并与 ground truth 匹配 # 每个预测框和真值框算 IoU大于 0.5 记为 TP # 没匹配上的预测记为 FP没被预测到的真值记为 FN precision tp / (tp fp 1e-6) recall tp / (tp fn 1e-6) return 2 * precision * recall / (precision recall 1e-6) for th in np.arange(0.1, 0.6, 0.05): print(th, round(compute_f1(th), 4))这段代码里的匹配逻辑是唯一需要补全的部分核心就是在每个图上把预测框和真值框做 IoU 匹配。如果你的部署环境能接受更低的置信度且 F1 更高就别迷信默认的 0.25直接改推理参数。还需注意这个阈值是写给推理用的不是写给训练用的。训练时模型学习用的 loss 权重和置信度阈值没有直接关系很多人一上来就在推理命令里调 conf发现指标变化不大然后开始怀疑模型其实只是阈值没动对地方。5. 排查与避坑这五个问题最容易让轨道障碍物模型在部署现场翻车5.1 现象训练损失正常下降验证 mAP 却卡在 0.35 附近原因XML 里类别名带了隐藏空格或不同大小写同一个语义被拆成两个类。前面专门写name.strip()正因为这类标签真的会出现在 VOC 数据集里。如果没做这一步障碍物类别会变成obstacle和obstacle两个类模型训练时一个类只分到一半样本验证时又按两个类分别计算mAP 自然上不去。解决用脚本输出set(name - repr(name))找出所有变体把错误名称批量替换成标准名再重新转换标签。改完重训前记得清空旧的 cache 文件Ultralytics 会在数据集目录下生成.cache不删掉它可能一直读旧标签。5.2 现象模型把道砟、阴影、接触网杆误报为障碍物原因障碍物是个“语义开放”的类别什么都可以往里装但数据集的负样本里几乎没有“长得像障碍物但其实是正常线路部件”的图片。模型学到的是低层纹理特征不是真正的语义。解决不要只依靠数据增强去收集 200 到 300 张没有障碍物但含阴影、隧道口、道砟的难例图XML 里不标任何目标作为空负样本加进训练集。框架会自然把这部分归为背景模型能明确学到“这些区域不能产生候选框”。这一步对误报率的改善通常比换模型更明显。5.3 现象曲线轨道被检测成断断续续的小段弯道内圈直接漏检原因VOC 标签用的是水平框轨道这种细长目标在水平框里会带入大量枕木和道床背景弯道处的轨道再一弯曲水平框边界和真实轨道边缘更对不上。模型看到的是一个粗大的“棍状目标”无法稳定跟踪整条曲线。解决把 imgsz 从 640 提到 960 或 1280轨道在图上占的像素比例变大模型能感知到更长的一段线。同时可以考虑用实例分割这类“检测 分割”联合框架先把轨道分割出来再做拟合很多轨道检测场景里并线不是靠检测框而是靠分割 mask。注意别指望换模型自动解决标签本身是水平框才是根因后处理要跟上。5.4 现象验证指标挺高换一段新线路视频立刻崩原因划分数据时用了随机切分同一视频里相邻几帧同时进了 train 和 val。轨道视频抽帧的两个相邻画面差异极小模型相当于开卷考试验证时看到的是训练已经见过的角度。解决按场景而不是按帧划分具体脚本回看 3.1 节。如果是别人直接发布的划分已经带了随机切的 train/val那就先用感知哈希找一下重复帧把同一场景里间隔太近的帧从验证集里剔掉只保留间隔足够大的帧。这一步做完你会看到验证指标掉一些但那是真实水平。5.5 现象白天和晴天检测效果好傍晚、雨后、逆光就漏检原因数据集的样本光照条件太单一增强里的hsv_v也没能给模型补上真实的夜间质感。轨道检测最容易低估的就是光照分布因为正样本几乎都是白天采集来的。解决给训练集增加亮度扰动和灰度化概率再把几个典型时段的图片单独抽出来做小验证集。如果夜间确实达不到要求最快的补救是收集几百张夜间帧做微调而不是单纯拉长训练 epoch。loss 降得足够低也解决不了分布偏移这类问题只能用数据补。6. 收尾之前的高性价比检查10 张图烟雾测试与按类别调阈值6.1 先用 10 张图跑通全链路正式训 100 epoch 之前先拿 10 张图片、几分钟的验证流程把所有代码路径跑通包括读取数据、标签转换、模型 forward、验证脚本。这个动作看起来浪费实则是省时间的“后悔药”。尤其当数据集的 XML 里有坏样本时完整训练跑到一半才报错损失至少是半小时起步。用epochs1训练模型权重再差也无所谓只要不报错链路就是通的。6.2 用伪标签扩充真正的难点类别障碍物类别的样本通常不够与其手动标注不如用当前模型在无标注的轨道视频上做一次批量推理再按置信度 0.6 以上和 IoU 去重的条件筛出候选框人工快速确认后并入训练集。伪标签只用来补障碍物轨道类别多来自原标注。要注意伪标签会让模型产生“自证预言”所以每轮只选高置信度的框并保留部分人工抽检。6.3 部署前给每个类别单独定阈值类别精确率召回率推荐 conf说明rail_track0.980.970.45轨道几乎恒定提高阈值减少误框obstacle0.810.920.20保召回优先宁可误报这张表是模板实际数字以你自己验证集输出为准。轨交场景里一类一阈值在框架层面不一定直接支持但很多推理代码可以在后处理阶段按类别名分别过滤加 20 行代码的事。我自己的习惯是每改一版数据都同步更新这张表再拿两到三段现场视频做人工比对而不是看单个准确率数字决定通不通过。我自己也在这类项目上吃过亏第一次用 VOC 数据集训练轨道障碍物检测时只看了验证集 mAP 就兴冲冲拿去部署结果现场视频的误报率高到没人愿意用。后来把阈值按召回率调低、补充空负样本才真正把它推上线。这一套流程走完之后你手里这份数据集才算真正发挥出 93.7% 之外的价值。希望帮到你。本文还有配套的精品资源点击获取