简介这份资源面向夜间场景下的目标检测任务提供约9000张已标注的交通车辆与行人图像采用YOLO标注格式适合从事自动驾驶、智能交通或夜间监控研究的开发者与算法学习者使用。数据集共含4个类别bicycle、car、dog、person并已按7:3比例划分训练集与验证集可直接投入YOLO系列模型的训练与评估。压缩包共2000个文件以1999个txt标注文件和1个py脚本为主整体约371.05MB其中txt文件对应每张图像的边界框与类别标签py脚本可用于数据预览或格式检查。目前已有34人学习下载。资源配套了YOLOv5改进实战的系列内容读者可结合自身项目快速复现夜间目标检测流程并在此基础上尝试网络结构优化与调参省去从零标注与划分数据的时间成本。1. 夜间交通场景的目标检测数据集9000 张已标注图像到底能解决什么问题夜间交通场景的目标检测一直是计算机视觉落地里最容易被低估的一块。白天跑得挺欢的 YOLO 模型一到晚上就集体翻车——车灯眩光把车身轮廓吃掉、路灯下的行人只剩一团黑影、远处尾灯和刹车灯混在一起分不清是车还是反光。这不是模型不行是训练数据里夜间样本太少模型压根没见过这种光照分布。手上这份约 9000 张、已按 YOLO 标注格式整理好的夜间交通图像数据集价值就在这里它把车辆和行人这两类夜间高频目标用统一的 txt 标签格式固定下来省掉了从零采集、从零标注的大头成本。适合谁用做自动驾驶感知预研的、做园区/路口夜间监控的、拿 YOLOv8 或更新版本练手想找个真实场景数据集的都能直接上手。下面我按“先搞懂格式和分布再跑通训练最后避开夜间特有的坑”这条线把这份数据怎么用讲透。2. YOLO 标注格式拆解9000 张数据到手先别急着训练2.1 目录结构与标签文件的真实长相一份规范的 YOLO 格式数据集目录通常长这样你拿到手第一件事是核对结构对不对dataset/ ├── images/ │ ├── train/ # 训练集图像 │ ├── val/ # 验证集图像 │ └── test/ # 测试集图像可选 ├── labels/ │ ├── train/ # 与 train 图像一一对应的 txt │ ├── val/ │ └── test/ └── data.yaml # 数据集配置文件关键点在于 images 和 labels 必须严格同名同层级images/train/0001.jpg对应labels/train/0001.txt。少一个对应文件训练时不会报错但那张图会被静默跳过这是最常见的“数据明明有 9000 张训练日志里却只加载了 8700 张”的原因。单个标签 txt 的内容是每行一个目标格式为class_id x_center y_center width height后四个值全部是归一化到 0~1 的浮点数相对的是图像宽高不是像素。比如一行0 0.512 0.634 0.087 0.152意思是类别 0、目标中心在图像横向 51.2%、纵向 63.4% 处框宽占图宽 8.7%、框高占图高 15.2%。夜间车辆和行人两类常见约定是0vehicle、1pedestrian但具体以 data.yaml 里的 names 为准别想当然。2.2 用脚本体检三类必须提前发现的脏数据拿到数据先跑一遍体检脚本比训练到一半发现标签错位强得多。下面这段检查图像与标签配对、坐标越界、空标签import os from pathlib import Path IMG_DIR Path(dataset/images/train) LBL_DIR Path(dataset/labels/train) missing_label, empty_label, out_of_range [], [], [] for img in IMG_DIR.glob(*.jpg): lbl LBL_DIR / (img.stem .txt) if not lbl.exists(): missing_label.append(img.name) continue lines lbl.read_text().strip().splitlines() if not lines: empty_label.append(img.name) # 纯背景图允许但需统计 continue for ln in lines: parts ln.split() if len(parts) ! 5: out_of_range.append((img.name, 字段数不对)) continue _, x, y, w, h map(float, parts) # 归一化坐标必须落在 0~1且框不能超出边界 if not (0 x 1 and 0 y 1 and 0 w 1 and 0 h 1): out_of_range.append((img.name, ln)) print(缺标签:, len(missing_label)) print(空标签:, len(empty_label)) print(越界/异常:, len(out_of_range))逻辑说明遍历图像目录逐个找同名 txt空标签代表纯背景图夜间数据集里适当保留能降低误检但比例别超过 10%坐标越界几乎都是标注工具导出时坐标系搞错比如误用了像素值必须在训练前修掉否则 YOLO 会把这些框裁到边界学出一堆畸形目标。参数上0 w 1而不是0 w因为宽高为 0 的框是无意义的。2.3 data.yaml 怎么写才不出错配置文件是训练入口写错一个字段就是几小时白跑path: /abs/path/to/dataset # 数据集根目录建议绝对路径 train: images/train val: images/val nc: 2 # 类别数 names: 0: vehicle 1: pedestrianpath用绝对路径能避开“相对路径随启动目录漂移”的玄学问题。nc必须和 names 的条目数一致多写一个类别、names 少一行训练能启动但类别索引会错位模型把行人学成车你还找不到原因。改完 yaml 用python -c import yaml; print(yaml.safe_load(open(data.yaml)))过一遍确认解析无误。3. 用 YOLOv8 把这份夜间数据集跑通从环境到第一轮训练3.1 环境配置与依赖版本环境这块踩坑最多的是 CUDA 和 PyTorch 版本对不上。稳妥做法是先装匹配显卡驱动的 PyTorch再装 ultralytics# 以 CUDA 11.8 为例按自己驱动版本调整 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 pip install ultralytics # 验证 GPU 是否可用 python -c import torch; print(torch.cuda.is_available(), torch.cuda.get_device_name(0))如果is_available()返回 False别急着改代码先看驱动版本和 CUDA 版本是否匹配。V100 这类卡跑 YOLOv8 训练绰绰有余显存 16G 起步batch 能开到 16~32。CPU 训练不是不能跑但 9000 张图一轮要几小时不现实。3.2 训练命令与关键参数怎么设最小可跑通的训练命令yolo detect train \ data/abs/path/to/data.yaml \ modelyolov8n.pt \ epochs100 \ imgsz640 \ batch16 \ device0 \ projectruns/night \ nameexp1逐项说参数modelyolov8n.pt是官方预训练权重从 nano 起步验证流程通不通别一上来就上 x 版imgsz640是夜间场景的常用折中再大对小目标和远距离行人有利但显存吃紧batch16按显存调爆显存就降到 8epochs100配合早停默认 patience50够用夜间数据收敛通常比白天慢别设 30 轮就下结论。想换更大模型把 model 换成yolov8s.pt或yolov8m.pt其余不动。3.3 训练日志里该盯哪几个数启动后重点看三行box_loss、cls_loss、mAP50。box_loss 前期快速下降说明框回归在学cls_loss 不降反升多半是类别不平衡或标签有噪声mAP50 在夜间数据上第一轮能到 0.3 以上就算正常起步。如果 mAP 一直卡在 0.05 以下先回去查标签坐标是不是没归一化——这是新手最常翻的车。验证集 loss 开始上升而训练 loss 还在降就是过拟合信号该加数据增强或减轮数了。4. 夜间数据集的避坑清单5 个我踩过的真实坑4.1 车灯眩光导致框漂移现象模型对近光灯直射的车辆框总是偏大或偏移白天同类目标正常。原因眩光区域像素饱和边缘特征丢失标注时人眼也容易把光晕算进车身。解决训练时开hsv_v增强YOLOv8 默认 hsv_v0.4模拟不同曝光标注阶段对强眩光车辆框只贴车身实体轮廓别把光晕圈进去。4.2 行人被误标成车辆现象混淆矩阵里 pedestrian 大量被判成 vehicle。原因夜间行人穿深色衣服、被车灯拉出长影标注员赶工时把影子当车身。解决用 2.2 的脚本统计每类框的宽高比行人框宽高比通常接近 0.3~0.5车辆接近 1.0~2.0比例异常的挑出来人工复核。4.3 空标签比例过高拖垮召回现象模型召回率上不去漏检多。原因夜间数据集里纯背景图无目标占比过高模型学到“大部分图没东西”的偏置。解决统计空标签比例超过 15% 就抽掉一部分或在训练时用fraction参数控制采样比例。4.4 验证集和训练集同源导致虚高现象验证 mAP 很高实际部署一塌糊涂。原因train 和 val 是从同一段视频连续抽帧相邻帧几乎一样等于变相泄漏。解决按视频/时段切分别按帧随机切同一路口的图要么全进 train要么全进 val。4.5 归一化坐标用了像素值现象训练不报错但 mAP 极低可视化框全挤在左上角。原因标注导出时坐标系选错写进去的是像素坐标而非归一化值。解决跑 2.2 脚本凡是坐标大于 1 的直接判定异常批量除以图像宽高修正。5. 让夜间检测再上一个台阶增强策略与验证习惯把基础流程跑通只是及格线夜间场景真正拉开差距的是数据增强和验证方式。我一般会在 YOLOv8 默认增强基础上针对夜间特点额外调三个参数hsv_v拉到 0.5 模拟曝光波动hsv_s提到 0.7 应对路灯色温差异mosaic保持默认 1.0 但配合close_mosaic10在最后 10 轮关掉让模型在真实分布上收尾。如果显存允许把imgsz提到 768远距离行人的小目标召回会有肉眼可见的提升。验证环节别只看一个 mAP 数字。我习惯把预测结果按光照强度分桶——强眩光、普通路灯、极暗三类各抽 50 张分别算召回。往往整体 mAP 0.6但极暗桶只有 0.3这个短板才是部署时真正要命的。分桶验证的脚本思路是用图像平均亮度做阈值分组再对每组单独跑yolo detect val把结果记成表光照分桶平均亮度区间车辆召回行人召回强眩光 1200.820.61普通路灯60 ~ 1200.780.70极暗 600.550.38看到极暗桶行人只有 0.38就知道该补极暗样本或针对性做亮度增强而不是盲目加轮数。这套分桶习惯是我被“整体指标好看、上线就翻车”坑过之后逼出来的比任何调参技巧都值钱。9000 张夜间数据不算大但用对方法它足够让你把夜间检测这条路走扎实。希望帮到你。本文还有配套的精品资源点击获取
夜间交通目标检测数据集：9000张YOLO标注图像实战指南
简介这份资源面向夜间场景下的目标检测任务提供约9000张已标注的交通车辆与行人图像采用YOLO标注格式适合从事自动驾驶、智能交通或夜间监控研究的开发者与算法学习者使用。数据集共含4个类别bicycle、car、dog、person并已按7:3比例划分训练集与验证集可直接投入YOLO系列模型的训练与评估。压缩包共2000个文件以1999个txt标注文件和1个py脚本为主整体约371.05MB其中txt文件对应每张图像的边界框与类别标签py脚本可用于数据预览或格式检查。目前已有34人学习下载。资源配套了YOLOv5改进实战的系列内容读者可结合自身项目快速复现夜间目标检测流程并在此基础上尝试网络结构优化与调参省去从零标注与划分数据的时间成本。1. 夜间交通场景的目标检测数据集9000 张已标注图像到底能解决什么问题夜间交通场景的目标检测一直是计算机视觉落地里最容易被低估的一块。白天跑得挺欢的 YOLO 模型一到晚上就集体翻车——车灯眩光把车身轮廓吃掉、路灯下的行人只剩一团黑影、远处尾灯和刹车灯混在一起分不清是车还是反光。这不是模型不行是训练数据里夜间样本太少模型压根没见过这种光照分布。手上这份约 9000 张、已按 YOLO 标注格式整理好的夜间交通图像数据集价值就在这里它把车辆和行人这两类夜间高频目标用统一的 txt 标签格式固定下来省掉了从零采集、从零标注的大头成本。适合谁用做自动驾驶感知预研的、做园区/路口夜间监控的、拿 YOLOv8 或更新版本练手想找个真实场景数据集的都能直接上手。下面我按“先搞懂格式和分布再跑通训练最后避开夜间特有的坑”这条线把这份数据怎么用讲透。2. YOLO 标注格式拆解9000 张数据到手先别急着训练2.1 目录结构与标签文件的真实长相一份规范的 YOLO 格式数据集目录通常长这样你拿到手第一件事是核对结构对不对dataset/ ├── images/ │ ├── train/ # 训练集图像 │ ├── val/ # 验证集图像 │ └── test/ # 测试集图像可选 ├── labels/ │ ├── train/ # 与 train 图像一一对应的 txt │ ├── val/ │ └── test/ └── data.yaml # 数据集配置文件关键点在于 images 和 labels 必须严格同名同层级images/train/0001.jpg对应labels/train/0001.txt。少一个对应文件训练时不会报错但那张图会被静默跳过这是最常见的“数据明明有 9000 张训练日志里却只加载了 8700 张”的原因。单个标签 txt 的内容是每行一个目标格式为class_id x_center y_center width height后四个值全部是归一化到 0~1 的浮点数相对的是图像宽高不是像素。比如一行0 0.512 0.634 0.087 0.152意思是类别 0、目标中心在图像横向 51.2%、纵向 63.4% 处框宽占图宽 8.7%、框高占图高 15.2%。夜间车辆和行人两类常见约定是0vehicle、1pedestrian但具体以 data.yaml 里的 names 为准别想当然。2.2 用脚本体检三类必须提前发现的脏数据拿到数据先跑一遍体检脚本比训练到一半发现标签错位强得多。下面这段检查图像与标签配对、坐标越界、空标签import os from pathlib import Path IMG_DIR Path(dataset/images/train) LBL_DIR Path(dataset/labels/train) missing_label, empty_label, out_of_range [], [], [] for img in IMG_DIR.glob(*.jpg): lbl LBL_DIR / (img.stem .txt) if not lbl.exists(): missing_label.append(img.name) continue lines lbl.read_text().strip().splitlines() if not lines: empty_label.append(img.name) # 纯背景图允许但需统计 continue for ln in lines: parts ln.split() if len(parts) ! 5: out_of_range.append((img.name, 字段数不对)) continue _, x, y, w, h map(float, parts) # 归一化坐标必须落在 0~1且框不能超出边界 if not (0 x 1 and 0 y 1 and 0 w 1 and 0 h 1): out_of_range.append((img.name, ln)) print(缺标签:, len(missing_label)) print(空标签:, len(empty_label)) print(越界/异常:, len(out_of_range))逻辑说明遍历图像目录逐个找同名 txt空标签代表纯背景图夜间数据集里适当保留能降低误检但比例别超过 10%坐标越界几乎都是标注工具导出时坐标系搞错比如误用了像素值必须在训练前修掉否则 YOLO 会把这些框裁到边界学出一堆畸形目标。参数上0 w 1而不是0 w因为宽高为 0 的框是无意义的。2.3 data.yaml 怎么写才不出错配置文件是训练入口写错一个字段就是几小时白跑path: /abs/path/to/dataset # 数据集根目录建议绝对路径 train: images/train val: images/val nc: 2 # 类别数 names: 0: vehicle 1: pedestrianpath用绝对路径能避开“相对路径随启动目录漂移”的玄学问题。nc必须和 names 的条目数一致多写一个类别、names 少一行训练能启动但类别索引会错位模型把行人学成车你还找不到原因。改完 yaml 用python -c import yaml; print(yaml.safe_load(open(data.yaml)))过一遍确认解析无误。3. 用 YOLOv8 把这份夜间数据集跑通从环境到第一轮训练3.1 环境配置与依赖版本环境这块踩坑最多的是 CUDA 和 PyTorch 版本对不上。稳妥做法是先装匹配显卡驱动的 PyTorch再装 ultralytics# 以 CUDA 11.8 为例按自己驱动版本调整 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 pip install ultralytics # 验证 GPU 是否可用 python -c import torch; print(torch.cuda.is_available(), torch.cuda.get_device_name(0))如果is_available()返回 False别急着改代码先看驱动版本和 CUDA 版本是否匹配。V100 这类卡跑 YOLOv8 训练绰绰有余显存 16G 起步batch 能开到 16~32。CPU 训练不是不能跑但 9000 张图一轮要几小时不现实。3.2 训练命令与关键参数怎么设最小可跑通的训练命令yolo detect train \ data/abs/path/to/data.yaml \ modelyolov8n.pt \ epochs100 \ imgsz640 \ batch16 \ device0 \ projectruns/night \ nameexp1逐项说参数modelyolov8n.pt是官方预训练权重从 nano 起步验证流程通不通别一上来就上 x 版imgsz640是夜间场景的常用折中再大对小目标和远距离行人有利但显存吃紧batch16按显存调爆显存就降到 8epochs100配合早停默认 patience50够用夜间数据收敛通常比白天慢别设 30 轮就下结论。想换更大模型把 model 换成yolov8s.pt或yolov8m.pt其余不动。3.3 训练日志里该盯哪几个数启动后重点看三行box_loss、cls_loss、mAP50。box_loss 前期快速下降说明框回归在学cls_loss 不降反升多半是类别不平衡或标签有噪声mAP50 在夜间数据上第一轮能到 0.3 以上就算正常起步。如果 mAP 一直卡在 0.05 以下先回去查标签坐标是不是没归一化——这是新手最常翻的车。验证集 loss 开始上升而训练 loss 还在降就是过拟合信号该加数据增强或减轮数了。4. 夜间数据集的避坑清单5 个我踩过的真实坑4.1 车灯眩光导致框漂移现象模型对近光灯直射的车辆框总是偏大或偏移白天同类目标正常。原因眩光区域像素饱和边缘特征丢失标注时人眼也容易把光晕算进车身。解决训练时开hsv_v增强YOLOv8 默认 hsv_v0.4模拟不同曝光标注阶段对强眩光车辆框只贴车身实体轮廓别把光晕圈进去。4.2 行人被误标成车辆现象混淆矩阵里 pedestrian 大量被判成 vehicle。原因夜间行人穿深色衣服、被车灯拉出长影标注员赶工时把影子当车身。解决用 2.2 的脚本统计每类框的宽高比行人框宽高比通常接近 0.3~0.5车辆接近 1.0~2.0比例异常的挑出来人工复核。4.3 空标签比例过高拖垮召回现象模型召回率上不去漏检多。原因夜间数据集里纯背景图无目标占比过高模型学到“大部分图没东西”的偏置。解决统计空标签比例超过 15% 就抽掉一部分或在训练时用fraction参数控制采样比例。4.4 验证集和训练集同源导致虚高现象验证 mAP 很高实际部署一塌糊涂。原因train 和 val 是从同一段视频连续抽帧相邻帧几乎一样等于变相泄漏。解决按视频/时段切分别按帧随机切同一路口的图要么全进 train要么全进 val。4.5 归一化坐标用了像素值现象训练不报错但 mAP 极低可视化框全挤在左上角。原因标注导出时坐标系选错写进去的是像素坐标而非归一化值。解决跑 2.2 脚本凡是坐标大于 1 的直接判定异常批量除以图像宽高修正。5. 让夜间检测再上一个台阶增强策略与验证习惯把基础流程跑通只是及格线夜间场景真正拉开差距的是数据增强和验证方式。我一般会在 YOLOv8 默认增强基础上针对夜间特点额外调三个参数hsv_v拉到 0.5 模拟曝光波动hsv_s提到 0.7 应对路灯色温差异mosaic保持默认 1.0 但配合close_mosaic10在最后 10 轮关掉让模型在真实分布上收尾。如果显存允许把imgsz提到 768远距离行人的小目标召回会有肉眼可见的提升。验证环节别只看一个 mAP 数字。我习惯把预测结果按光照强度分桶——强眩光、普通路灯、极暗三类各抽 50 张分别算召回。往往整体 mAP 0.6但极暗桶只有 0.3这个短板才是部署时真正要命的。分桶验证的脚本思路是用图像平均亮度做阈值分组再对每组单独跑yolo detect val把结果记成表光照分桶平均亮度区间车辆召回行人召回强眩光 1200.820.61普通路灯60 ~ 1200.780.70极暗 600.550.38看到极暗桶行人只有 0.38就知道该补极暗样本或针对性做亮度增强而不是盲目加轮数。这套分桶习惯是我被“整体指标好看、上线就翻车”坑过之后逼出来的比任何调参技巧都值钱。9000 张夜间数据不算大但用对方法它足够让你把夜间检测这条路走扎实。希望帮到你。本文还有配套的精品资源点击获取
![3个免费降AIGC网站，让你的论文彻底告别AI痕迹[必看]](http://pic.xiahunao.cn/yaotu/3个免费降AIGC网站，让你的论文彻底告别AI痕迹[必看])
