简介面向人脸数据集构建与深度学习训练场景这份基于YOLOv5的智能标注工具可减少人工框选负担支持自定义人脸检测模型并输出PASCAL VOC、MS COCO、YOLO TXT等多种标签格式适合算法工程师、数据标注人员快速生成训练数据。压缩包共59个文件、约78.68MB主要包含11个Python脚本覆盖检测调用与VOC、COCO、YOLO格式转换、2个预训练模型、8个Markdown教程文档以及示例图片、演示视频和配置文件目录结构清晰便于按需取用。已有338人学习下载。读者可得到一套完整可运行的标注方案既能调用摄像头实时标注a键捕获帧、q键退出也能对指定目录的图片或视频进行批量标注支持jpg/png/bmp/tif/webp图片与mp4视频输入最终导出PASCAL VOC、MS COCO、YOLO TXT等标准标签文件方便直接融入现有数据生产管线显著降低人工标注成本。1. 为什么我劝你别再手动画人脸框这个标注工具把 YOLOv5 变成了预标注引擎做目标检测的人脸项目最磨人的往往不是调参而是标注。一张图里几十张脸用 labelimg 一张张框过去框到后面眼睛发花漏标一个正样本训练出来的模型就多一次误检。市面上的数据标注工具 labelstudio、CVAT 确实强大但部署重、学习成本高单机处理几千张人脸图反而杀鸡用牛刀。这个「基于YOLOv5的智能人脸数据集标注工具」本质上是一条「预标注 人工修正」的流水线先用一个现成的 YOLOv5 人脸检测模型跑一遍数据集把每个检测框转成标注文件再提供可视化界面让你只改错框、补漏框。对于手里已经攒了一批人脸图、想快速产出 VOC 或 YOLO 格式训练集的团队它能把标注时间压缩到原来的三分之一以下。适合谁适合那些不想在标注环节投入太多人力、又希望数据集质量可控的算法工程师和独立开发者。2. 看懂这条标注流水线的三个关键模块检测、转换、人工修正2.1 为什么选 YOLOv5 而不是 YOLOv8 或更重的检测头聊这个工具之前先说清楚它为什么锁定 YOLOv5。不是 YOLOv8 不好而是预标注这个场景对模型的要求很特殊推理速度要快安装依赖要少权重文件要小而且必须有一大堆现成的、开箱即用的人脸预训练权重。YOLOv5 的官方仓库把 detect.py 写得很干净单张图片推理在普通 GTX 1660 上就能跑到几十毫秒配合 torch.hub 加载模型只需要三五行代码。更重要的是 YOLOv5 的输出格式足够「原始」。detect.py 输出的 txt 文件默认就是 class x_center y_center width height 的归一化坐标这恰好是 YOLO 训练集需要的格式而 VOC 格式的 xml 需要左上角和右下角的绝对像素坐标中间只差一个坐标换算。相比之下YOLOv8 的推理输出是一个 Results 对象坐标提取要走 boxes.xyxy对新手反而多了一层封装。2.2 核心链路拆解从图片目录到可训练的标注文件整个工具的工作流可以压缩成四个阶段读取图片 → 模型推理得到 xyxy 坐标 → 坐标归一化或反算 → 写入 txt/xml 并生成可视化回看。下面这段伪代码是常见实现的核心骨架我在本地复现时基本就是照着这个思路写的import cv2 import torch # 加载 YOLOv5 模型weights 指向人脸检测权重 model torch.hub.load(ultralytics/yolov5, custom, pathweights/face.pt, force_reloadTrue) model.conf 0.25 # 置信度阈值预标注阶段建议偏低宁多勿漏 model.iou 0.45 # NMS 的 IoU 阈值人脸密集场景可以调低到 0.3 img_dir raw_images/ output_dir labels/ for img_name in os.listdir(img_dir): img_path os.path.join(img_dir, img_name) results model(img_path, size640) # 推理尺寸人脸小目标多就升到 800 # results.xyxy[0] 是 [x1, y1, x2, y2, conf, class] for *box, conf, cls in results.xyxy[0]: x1, y1, x2, y2 [int(b) for b in box] # 转成 YOLO 归一化坐标 img_h, img_w cv2.imread(img_path).shape[:2] x_center ((x1 x2) / 2) / img_w y_center ((y1 y2) / 2) / img_h w (x2 - x1) / img_w h (y2 - y1) / img_h with open(f{output_dir}/{img_name}.txt, a) as f: f.write(f0 {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}\n)这段代码的逻辑不难先通过 torch.hub 加载 YOLOv5 的 custom 模型conf 阈值在预标注阶段不要设得太高原因后面会讲。循环里每张图推理一次拿到的是像素坐标必须用图片宽高归一化否则训练时会因为坐标尺度不一致导致 loss 直接爆炸。写入 txt 时类别固定写 0因为人脸检测通常只有一个类别如果你的人脸数据集还要区分戴口罩和没戴口罩这里就要改成从 results 里取 cls 并映射到你的类别表。2.3 预标注结果的回看策略漏检比误检更可怕预标注做完最忌讳的就是直接拿去训练。YOLOv5 的权重在公开人脸数据集上表现不错但你的数据如果包含俯拍、侧脸、逆光、密集人群模型一定会有漏检和误检。我的习惯是把 conf 阈值放到 0.15 到 0.2 之间宁可多出几十个假框也要把难例先捞出来。因为人工修正时删掉一个框比画一个框快得多。回看工具不必做得很复杂用 OpenCV 的窗口循环就能实现左边显示原图右边叠加检测框按键盘方向键切换图片按 d 删除当前框按 a 新增一个框。这类交互逻辑在很多开源标注工具里都有现成实现比如 labelimg 的 opencv 版本但预标注工具的独特之处在于它默认已经有一组框人工只需做差分修正。这一步省掉的时间才是这个方案真正的价值所在。3. 数据集格式的转换细节YOLO txt、VOC xml、JSON 之间的边界坑3.1 三种格式的坐标换算错一个小数点就废一整批拿到一批预标注的 YOLO txt 后最常见的需求是转成 VOC xml 喂给 Detectron2 或转成 JSON 喂给 labelstudio 继续精修。三种格式的坐标系统完全不同我见过太多人在这里翻车YOLO 用的是归一化的中心点加宽高VOC 用的是绝对的左上右下像素值COCO JSON 用的是绝对的左上坐标加宽高。下面是 YOLO 转 VOC 的可靠写法import xml.etree.ElementTree as ET def yolo_to_voc(txt_path, img_w, img_h, class_nameface): # 读取 YOLO 归一化坐标 with open(txt_path) as f: lines [l.strip().split() for l in f.readlines()] root ET.Element(annotation) size ET.SubElement(root, size) ET.SubElement(size, width).text str(img_w) ET.SubElement(size, height).text str(img_h) ET.SubElement(size, depth).text 3 for line in lines: _, x_center, y_center, w, h [float(v) for v in line] # 反归一化注意边界裁剪 x1 int((x_center - w / 2) * img_w) y1 int((y_center - h / 2) * img_h) x2 int((x_center w / 2) * img_w) y2 int((y_center h / 2) * img_h) x1, x2 max(0, x1), min(img_w, x2) y1, y2 max(0, y1), min(img_h, y2) obj ET.SubElement(root, object) ET.SubElement(obj, name).text class_name bndbox ET.SubElement(obj, bndbox) ET.SubElement(bndbox, xmin).text str(x1) ET.SubElement(bndbox, ymin).text str(y1) ET.SubElement(bndbox, xmax).text str(x2) ET.SubElement(bndbox, ymax).text str(y2) tree ET.ElementTree(root) tree.write(txt_path.replace(.txt, .xml), encodingutf-8)这段代码有三个必须注意的点。第一x_center 和 w 相乘时必须先除以 2 再加回来顺序反了会得到整张图偏移一半的错框第二反归一化后一定要做 min/max 裁剪因为模型预测的框可能略微超出图像边界不裁剪会让 VOC 读取器在算 IoU 时出现负数面积第三depth 固定写 3除非你的数据集是灰度图。JSON 格式同理只是把 ET 操作换成 dict 和 json.dump但坐标含义完全一致。3.2 类别映射和空标注文件的处理策略人脸数据集通常只有一个类别所以类别映射看似简单实则容易埋雷。YOLO 格式的类别是从 0 开始的整数VOC 的 name 是字符串COCO 的 category_id 可以任意起。如果你后续要在这个人脸数据集上做戴口罩检测或年龄估计一开始就要把类别表设计成 ID 和名称的显式映射否则等标了五千张图再想加类别所有 txt 里的数字都要批量改。空标注文件是个容易被忽略的问题。YOLOv5 训练时如果一张图的 txt 文件为空会被视为负样本参与背景学习这是合理的但如果你用同一份 txt 转 VOC空的 xml 里没有 object 节点某些目标检测框架在读数据集时会直接报错。我的做法是在转换脚本里对空文件写一个只有 size 节点、不含任何 object 的最小 xml这样两边都不会炸。另外预标注阶段如果某张图完全没检出任何人脸建议把它单独挪到 hard_examples 目录不进入自动标注流程等模型精修后再补标而不是直接丢弃。4. 把预标注接入训练闭环让模型自己迭代自己的训练集4.1 用第一次预标注训练一个初始模型预标注工具的价值不只在于省人工还在于它天然构成一个自举闭环。第一轮用公开权重预标注人工修正后得到初始训练集训练出一个你自己数据分布下的模型然后用这个新模型重新跑一遍原始图片检测框会更贴合你的场景漏检少很多。这个过程循环两到三轮数据集质量会明显提升后两轮的预标注人工修正量可能不到第一轮的一半。下面是我常用的两阶段训练脚本骨架# 第一阶段只训练检测头冻结 backbone model torch.hub.load(ultralytics/yolov5, yolov5s, pretrainedTrue) for param in model.model.parameters(): param.requires_grad False # 只解冻检测头部分的参数 for name, param in model.model.named_parameters(): if Detect in name: param.requires_grad True # 第二阶段正常微调 optimizer torch.optim.Adam(filter(lambda p: p.requires_grad, model.parameters()), lr1e-4)这段代码的思路是先用小学习率微调检测头让模型先适应你数据集的框分布再解冻全部参数做完整微调。为什么要分两阶段因为公开人脸数据集和你的数据在分布上总有差异直接全量微调容易造成灾难性遗忘模型会把你的数据里特有的背景纹理学到权重里。先冻 backbone 训几轮再解冻是我在这些年训练目标检测模型时比较稳的做法。4.2 置信度阈值、IoU 阈值和 batch size 的联动调整YOLOv5 训练时hyp.scratch.yaml 里的 fl_gamma、hsv_h、hsv_s 这些超参数对最终效果影响很大但预标注工具场景下更需要关注的是推理阶段的 conf 和 iou 两个阈值。记住一个规律预标注阶段 conf 要低训练阶段的数据筛选 conf 要高两者不是同一个值。在密集人脸场景里NMS 的 IoU 阈值默认 0.45 会把两个挨得很近的人脸合并成一个框导致框偏大、包含两个人脸。这是人脸检测里最经典的翻车现场。我的建议是把 iou 调到 0.3让 NMS 更激进地保留重叠框虽然会多出一些重复检测但人工修正时删除重复框的成本远低于补画漏掉的框。如果你用 batch size 16 在单卡上训练显存不够时不要直接降 batch size优先把图片分辨率从 640 降到 480对训练质量的影响更小。4.3 用模型预测结果反向筛选「脏数据」这个技巧是我自己在做人脸项目时养成的习惯用训练好的模型对训练集本身做一次推理把置信度低于 0.5 的样本统计出来观察这些图片的标注是不是有问题。效果非常明显——你会发现一部分低置信度样本根本是标注错位的比如框画在了额头上或者把耳朵当成了一张脸。这类脏数据如果不清理模型会一直学着错误的框而且因为标注错误导致的 loss 波动很难在训练曲线里察觉。反向筛选的操作本身不需要额外工具对每张训练图跑一次 model(img_path)把 results.xyxy[0] 和当前标注做 IoU 比较IoU 低于 0.3 的视为可疑样本输出到 suspicious.txt。人工只需要看这个文件里的几十张图而不是重新看全部几千张。5. 避坑指南预标注落地时最容易踩的四个坑5.1 torch.hub 加载模型失败卡在下载权重这一步现象代码运行到 torch.hub.load 时长时间无响应最后报 ConnectionError或者提示找不到指定的 weights 路径。原因torch.hub 默认会去 GitHub 拉取模型定义文件如果你的网络环境访问 GitHub 不稳定下载就会卡住。另外权重文件路径如果写的是相对路径而工作目录不在仓库根目录下一样会报找不到文件。解决把 YOLOv5 仓库 git clone 到本地用 repo_or_dir 参数指定本地路径权重文件也改为绝对路径。这样既绕开 GitHub 的下载依赖也能保证模型定义和权重版本匹配。model torch.hub.load(/local/path/to/yolov5, custom, path/local/path/to/weights/face.pt, sourcelocal)5.2 预标注的框全部偏左上或偏右下偏移量恒定现象生成的 txt 框位置总是不对而且所有图的偏移方向一致、偏移量差不多看起来像是整体平移。原因这是从 YOLOv5 推理结果取坐标时搞混了两种坐标系统。results.xyxy 返回的是像素坐标如果代码里拿它做了归一化之后又乘以一次图像尺寸或者 xyxy 顺序写成了 x1, y1, w, h就会产生系统性偏移。解决先用单张图调试把 results.xyxy[0] 打印出来手动算一遍期望坐标再对比输出。确认顺序是 x1, y1, x2, y2且归一化时分母用的是当前图片的宽高而不是统一用 640。5.3 密集人脸场景下一个小脸都没框出来现象model.conf 已经放到 0.15但图片里明显有大量小尺寸人脸预标注输出却一张脸都没检测到。原因YOLOv5 推理时默认会把图片 resize 到 640如果你的原图是 4K 分辨率的群体照缩放后小脸可能只剩下十几个像素模型受限于训练时的尺度分布自然检测不到。解决推理时把 size 参数提高到 960 或 1280。代价是推理时间变长但预标注是一次性任务慢几分钟完全可以接受。为了验证效果可以对同一张图分别用 size640 和 size1280 跑一遍对比检测框数量差异通常会非常直观。5.4 人工修正后的标注被后续脚本覆盖白改一场现象在可视化界面里删掉误检框、补上漏检框保存后再次跑预标注流程所有修正全部丢失。原因预标注脚本的输出文件命名和人工修正后的文件命名不一致或者每次运行脚本都会清空 labels 目录重新写入没有做文件级幂等保护。解决把人工修正后的标注文件移到 verified_labels 目录预标注脚本只处理 raw_images 里没有对应标注的图片。用文件名比对做增量标注而不是每次全量重写。这个习惯能帮你避免大量重复劳动。6. 进阶技巧把预标注工具改造成半自动数据清洗器预标注工具跑顺之后我通常还会加一个附加功能让模型输出每张图的人脸数并用这个数字做数据分布分析。比如统计你的数据集里单图人脸数从 1 到 50 的分布曲线如果某一档的数量特别少说明你的应用场景可能更侧重单人或多人后续训练时要有针对性地做数据增强。下面的代码可以快速生成人脸数量分布帮助你决定是否需要对密集人脸做特殊处理import matplotlib.pyplot as plt from collections import Counter counts [] for img_name in os.listdir(raw_images): results model(fraw_images/{img_name}, size640) counts.append(len(results.xyxy[0])) dist Counter(counts) # 输出人脸数分布观察 1 人、2 人、10 人以上各占多少比例 plt.bar(dist.keys(), dist.values()) plt.xlabel(faces per image) plt.ylabel(image count) plt.savefig(face_distribution.png)另一个值得优先投入的方向是难例挖掘。把预标注结果中置信度在 0.2 到 0.4 之间的框单独导出一个文件这些框大概率是模型没把握的样本人工修正时优先处理这批比从头刷一遍全量数据的收益高得多。我一般会把修正后的难例框备份到一个独立目录下一轮训练时做重复采样增强让模型多「看」几遍这些难例。做人脸检测项目这几年我最大的教训是永远不要让模型在脏数据上训练也永远不要花三天时间手标一个模型两小时就能预标注完的数据集。这个工具的价值不在模型本身而在它提供的循环——预标注、人工修正、训练、再预标注每一轮都在用上一轮的模型知识降低下一轮的人工成本。这个思路本身是通用的换到行人检测、车辆检测一样成立。希望帮到你。本文还有配套的精品资源点击获取
基于YOLOv5的智能人脸标注工具：预标注+人工修正，告别手动画框
简介面向人脸数据集构建与深度学习训练场景这份基于YOLOv5的智能标注工具可减少人工框选负担支持自定义人脸检测模型并输出PASCAL VOC、MS COCO、YOLO TXT等多种标签格式适合算法工程师、数据标注人员快速生成训练数据。压缩包共59个文件、约78.68MB主要包含11个Python脚本覆盖检测调用与VOC、COCO、YOLO格式转换、2个预训练模型、8个Markdown教程文档以及示例图片、演示视频和配置文件目录结构清晰便于按需取用。已有338人学习下载。读者可得到一套完整可运行的标注方案既能调用摄像头实时标注a键捕获帧、q键退出也能对指定目录的图片或视频进行批量标注支持jpg/png/bmp/tif/webp图片与mp4视频输入最终导出PASCAL VOC、MS COCO、YOLO TXT等标准标签文件方便直接融入现有数据生产管线显著降低人工标注成本。1. 为什么我劝你别再手动画人脸框这个标注工具把 YOLOv5 变成了预标注引擎做目标检测的人脸项目最磨人的往往不是调参而是标注。一张图里几十张脸用 labelimg 一张张框过去框到后面眼睛发花漏标一个正样本训练出来的模型就多一次误检。市面上的数据标注工具 labelstudio、CVAT 确实强大但部署重、学习成本高单机处理几千张人脸图反而杀鸡用牛刀。这个「基于YOLOv5的智能人脸数据集标注工具」本质上是一条「预标注 人工修正」的流水线先用一个现成的 YOLOv5 人脸检测模型跑一遍数据集把每个检测框转成标注文件再提供可视化界面让你只改错框、补漏框。对于手里已经攒了一批人脸图、想快速产出 VOC 或 YOLO 格式训练集的团队它能把标注时间压缩到原来的三分之一以下。适合谁适合那些不想在标注环节投入太多人力、又希望数据集质量可控的算法工程师和独立开发者。2. 看懂这条标注流水线的三个关键模块检测、转换、人工修正2.1 为什么选 YOLOv5 而不是 YOLOv8 或更重的检测头聊这个工具之前先说清楚它为什么锁定 YOLOv5。不是 YOLOv8 不好而是预标注这个场景对模型的要求很特殊推理速度要快安装依赖要少权重文件要小而且必须有一大堆现成的、开箱即用的人脸预训练权重。YOLOv5 的官方仓库把 detect.py 写得很干净单张图片推理在普通 GTX 1660 上就能跑到几十毫秒配合 torch.hub 加载模型只需要三五行代码。更重要的是 YOLOv5 的输出格式足够「原始」。detect.py 输出的 txt 文件默认就是 class x_center y_center width height 的归一化坐标这恰好是 YOLO 训练集需要的格式而 VOC 格式的 xml 需要左上角和右下角的绝对像素坐标中间只差一个坐标换算。相比之下YOLOv8 的推理输出是一个 Results 对象坐标提取要走 boxes.xyxy对新手反而多了一层封装。2.2 核心链路拆解从图片目录到可训练的标注文件整个工具的工作流可以压缩成四个阶段读取图片 → 模型推理得到 xyxy 坐标 → 坐标归一化或反算 → 写入 txt/xml 并生成可视化回看。下面这段伪代码是常见实现的核心骨架我在本地复现时基本就是照着这个思路写的import cv2 import torch # 加载 YOLOv5 模型weights 指向人脸检测权重 model torch.hub.load(ultralytics/yolov5, custom, pathweights/face.pt, force_reloadTrue) model.conf 0.25 # 置信度阈值预标注阶段建议偏低宁多勿漏 model.iou 0.45 # NMS 的 IoU 阈值人脸密集场景可以调低到 0.3 img_dir raw_images/ output_dir labels/ for img_name in os.listdir(img_dir): img_path os.path.join(img_dir, img_name) results model(img_path, size640) # 推理尺寸人脸小目标多就升到 800 # results.xyxy[0] 是 [x1, y1, x2, y2, conf, class] for *box, conf, cls in results.xyxy[0]: x1, y1, x2, y2 [int(b) for b in box] # 转成 YOLO 归一化坐标 img_h, img_w cv2.imread(img_path).shape[:2] x_center ((x1 x2) / 2) / img_w y_center ((y1 y2) / 2) / img_h w (x2 - x1) / img_w h (y2 - y1) / img_h with open(f{output_dir}/{img_name}.txt, a) as f: f.write(f0 {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}\n)这段代码的逻辑不难先通过 torch.hub 加载 YOLOv5 的 custom 模型conf 阈值在预标注阶段不要设得太高原因后面会讲。循环里每张图推理一次拿到的是像素坐标必须用图片宽高归一化否则训练时会因为坐标尺度不一致导致 loss 直接爆炸。写入 txt 时类别固定写 0因为人脸检测通常只有一个类别如果你的人脸数据集还要区分戴口罩和没戴口罩这里就要改成从 results 里取 cls 并映射到你的类别表。2.3 预标注结果的回看策略漏检比误检更可怕预标注做完最忌讳的就是直接拿去训练。YOLOv5 的权重在公开人脸数据集上表现不错但你的数据如果包含俯拍、侧脸、逆光、密集人群模型一定会有漏检和误检。我的习惯是把 conf 阈值放到 0.15 到 0.2 之间宁可多出几十个假框也要把难例先捞出来。因为人工修正时删掉一个框比画一个框快得多。回看工具不必做得很复杂用 OpenCV 的窗口循环就能实现左边显示原图右边叠加检测框按键盘方向键切换图片按 d 删除当前框按 a 新增一个框。这类交互逻辑在很多开源标注工具里都有现成实现比如 labelimg 的 opencv 版本但预标注工具的独特之处在于它默认已经有一组框人工只需做差分修正。这一步省掉的时间才是这个方案真正的价值所在。3. 数据集格式的转换细节YOLO txt、VOC xml、JSON 之间的边界坑3.1 三种格式的坐标换算错一个小数点就废一整批拿到一批预标注的 YOLO txt 后最常见的需求是转成 VOC xml 喂给 Detectron2 或转成 JSON 喂给 labelstudio 继续精修。三种格式的坐标系统完全不同我见过太多人在这里翻车YOLO 用的是归一化的中心点加宽高VOC 用的是绝对的左上右下像素值COCO JSON 用的是绝对的左上坐标加宽高。下面是 YOLO 转 VOC 的可靠写法import xml.etree.ElementTree as ET def yolo_to_voc(txt_path, img_w, img_h, class_nameface): # 读取 YOLO 归一化坐标 with open(txt_path) as f: lines [l.strip().split() for l in f.readlines()] root ET.Element(annotation) size ET.SubElement(root, size) ET.SubElement(size, width).text str(img_w) ET.SubElement(size, height).text str(img_h) ET.SubElement(size, depth).text 3 for line in lines: _, x_center, y_center, w, h [float(v) for v in line] # 反归一化注意边界裁剪 x1 int((x_center - w / 2) * img_w) y1 int((y_center - h / 2) * img_h) x2 int((x_center w / 2) * img_w) y2 int((y_center h / 2) * img_h) x1, x2 max(0, x1), min(img_w, x2) y1, y2 max(0, y1), min(img_h, y2) obj ET.SubElement(root, object) ET.SubElement(obj, name).text class_name bndbox ET.SubElement(obj, bndbox) ET.SubElement(bndbox, xmin).text str(x1) ET.SubElement(bndbox, ymin).text str(y1) ET.SubElement(bndbox, xmax).text str(x2) ET.SubElement(bndbox, ymax).text str(y2) tree ET.ElementTree(root) tree.write(txt_path.replace(.txt, .xml), encodingutf-8)这段代码有三个必须注意的点。第一x_center 和 w 相乘时必须先除以 2 再加回来顺序反了会得到整张图偏移一半的错框第二反归一化后一定要做 min/max 裁剪因为模型预测的框可能略微超出图像边界不裁剪会让 VOC 读取器在算 IoU 时出现负数面积第三depth 固定写 3除非你的数据集是灰度图。JSON 格式同理只是把 ET 操作换成 dict 和 json.dump但坐标含义完全一致。3.2 类别映射和空标注文件的处理策略人脸数据集通常只有一个类别所以类别映射看似简单实则容易埋雷。YOLO 格式的类别是从 0 开始的整数VOC 的 name 是字符串COCO 的 category_id 可以任意起。如果你后续要在这个人脸数据集上做戴口罩检测或年龄估计一开始就要把类别表设计成 ID 和名称的显式映射否则等标了五千张图再想加类别所有 txt 里的数字都要批量改。空标注文件是个容易被忽略的问题。YOLOv5 训练时如果一张图的 txt 文件为空会被视为负样本参与背景学习这是合理的但如果你用同一份 txt 转 VOC空的 xml 里没有 object 节点某些目标检测框架在读数据集时会直接报错。我的做法是在转换脚本里对空文件写一个只有 size 节点、不含任何 object 的最小 xml这样两边都不会炸。另外预标注阶段如果某张图完全没检出任何人脸建议把它单独挪到 hard_examples 目录不进入自动标注流程等模型精修后再补标而不是直接丢弃。4. 把预标注接入训练闭环让模型自己迭代自己的训练集4.1 用第一次预标注训练一个初始模型预标注工具的价值不只在于省人工还在于它天然构成一个自举闭环。第一轮用公开权重预标注人工修正后得到初始训练集训练出一个你自己数据分布下的模型然后用这个新模型重新跑一遍原始图片检测框会更贴合你的场景漏检少很多。这个过程循环两到三轮数据集质量会明显提升后两轮的预标注人工修正量可能不到第一轮的一半。下面是我常用的两阶段训练脚本骨架# 第一阶段只训练检测头冻结 backbone model torch.hub.load(ultralytics/yolov5, yolov5s, pretrainedTrue) for param in model.model.parameters(): param.requires_grad False # 只解冻检测头部分的参数 for name, param in model.model.named_parameters(): if Detect in name: param.requires_grad True # 第二阶段正常微调 optimizer torch.optim.Adam(filter(lambda p: p.requires_grad, model.parameters()), lr1e-4)这段代码的思路是先用小学习率微调检测头让模型先适应你数据集的框分布再解冻全部参数做完整微调。为什么要分两阶段因为公开人脸数据集和你的数据在分布上总有差异直接全量微调容易造成灾难性遗忘模型会把你的数据里特有的背景纹理学到权重里。先冻 backbone 训几轮再解冻是我在这些年训练目标检测模型时比较稳的做法。4.2 置信度阈值、IoU 阈值和 batch size 的联动调整YOLOv5 训练时hyp.scratch.yaml 里的 fl_gamma、hsv_h、hsv_s 这些超参数对最终效果影响很大但预标注工具场景下更需要关注的是推理阶段的 conf 和 iou 两个阈值。记住一个规律预标注阶段 conf 要低训练阶段的数据筛选 conf 要高两者不是同一个值。在密集人脸场景里NMS 的 IoU 阈值默认 0.45 会把两个挨得很近的人脸合并成一个框导致框偏大、包含两个人脸。这是人脸检测里最经典的翻车现场。我的建议是把 iou 调到 0.3让 NMS 更激进地保留重叠框虽然会多出一些重复检测但人工修正时删除重复框的成本远低于补画漏掉的框。如果你用 batch size 16 在单卡上训练显存不够时不要直接降 batch size优先把图片分辨率从 640 降到 480对训练质量的影响更小。4.3 用模型预测结果反向筛选「脏数据」这个技巧是我自己在做人脸项目时养成的习惯用训练好的模型对训练集本身做一次推理把置信度低于 0.5 的样本统计出来观察这些图片的标注是不是有问题。效果非常明显——你会发现一部分低置信度样本根本是标注错位的比如框画在了额头上或者把耳朵当成了一张脸。这类脏数据如果不清理模型会一直学着错误的框而且因为标注错误导致的 loss 波动很难在训练曲线里察觉。反向筛选的操作本身不需要额外工具对每张训练图跑一次 model(img_path)把 results.xyxy[0] 和当前标注做 IoU 比较IoU 低于 0.3 的视为可疑样本输出到 suspicious.txt。人工只需要看这个文件里的几十张图而不是重新看全部几千张。5. 避坑指南预标注落地时最容易踩的四个坑5.1 torch.hub 加载模型失败卡在下载权重这一步现象代码运行到 torch.hub.load 时长时间无响应最后报 ConnectionError或者提示找不到指定的 weights 路径。原因torch.hub 默认会去 GitHub 拉取模型定义文件如果你的网络环境访问 GitHub 不稳定下载就会卡住。另外权重文件路径如果写的是相对路径而工作目录不在仓库根目录下一样会报找不到文件。解决把 YOLOv5 仓库 git clone 到本地用 repo_or_dir 参数指定本地路径权重文件也改为绝对路径。这样既绕开 GitHub 的下载依赖也能保证模型定义和权重版本匹配。model torch.hub.load(/local/path/to/yolov5, custom, path/local/path/to/weights/face.pt, sourcelocal)5.2 预标注的框全部偏左上或偏右下偏移量恒定现象生成的 txt 框位置总是不对而且所有图的偏移方向一致、偏移量差不多看起来像是整体平移。原因这是从 YOLOv5 推理结果取坐标时搞混了两种坐标系统。results.xyxy 返回的是像素坐标如果代码里拿它做了归一化之后又乘以一次图像尺寸或者 xyxy 顺序写成了 x1, y1, w, h就会产生系统性偏移。解决先用单张图调试把 results.xyxy[0] 打印出来手动算一遍期望坐标再对比输出。确认顺序是 x1, y1, x2, y2且归一化时分母用的是当前图片的宽高而不是统一用 640。5.3 密集人脸场景下一个小脸都没框出来现象model.conf 已经放到 0.15但图片里明显有大量小尺寸人脸预标注输出却一张脸都没检测到。原因YOLOv5 推理时默认会把图片 resize 到 640如果你的原图是 4K 分辨率的群体照缩放后小脸可能只剩下十几个像素模型受限于训练时的尺度分布自然检测不到。解决推理时把 size 参数提高到 960 或 1280。代价是推理时间变长但预标注是一次性任务慢几分钟完全可以接受。为了验证效果可以对同一张图分别用 size640 和 size1280 跑一遍对比检测框数量差异通常会非常直观。5.4 人工修正后的标注被后续脚本覆盖白改一场现象在可视化界面里删掉误检框、补上漏检框保存后再次跑预标注流程所有修正全部丢失。原因预标注脚本的输出文件命名和人工修正后的文件命名不一致或者每次运行脚本都会清空 labels 目录重新写入没有做文件级幂等保护。解决把人工修正后的标注文件移到 verified_labels 目录预标注脚本只处理 raw_images 里没有对应标注的图片。用文件名比对做增量标注而不是每次全量重写。这个习惯能帮你避免大量重复劳动。6. 进阶技巧把预标注工具改造成半自动数据清洗器预标注工具跑顺之后我通常还会加一个附加功能让模型输出每张图的人脸数并用这个数字做数据分布分析。比如统计你的数据集里单图人脸数从 1 到 50 的分布曲线如果某一档的数量特别少说明你的应用场景可能更侧重单人或多人后续训练时要有针对性地做数据增强。下面的代码可以快速生成人脸数量分布帮助你决定是否需要对密集人脸做特殊处理import matplotlib.pyplot as plt from collections import Counter counts [] for img_name in os.listdir(raw_images): results model(fraw_images/{img_name}, size640) counts.append(len(results.xyxy[0])) dist Counter(counts) # 输出人脸数分布观察 1 人、2 人、10 人以上各占多少比例 plt.bar(dist.keys(), dist.values()) plt.xlabel(faces per image) plt.ylabel(image count) plt.savefig(face_distribution.png)另一个值得优先投入的方向是难例挖掘。把预标注结果中置信度在 0.2 到 0.4 之间的框单独导出一个文件这些框大概率是模型没把握的样本人工修正时优先处理这批比从头刷一遍全量数据的收益高得多。我一般会把修正后的难例框备份到一个独立目录下一轮训练时做重复采样增强让模型多「看」几遍这些难例。做人脸检测项目这几年我最大的教训是永远不要让模型在脏数据上训练也永远不要花三天时间手标一个模型两小时就能预标注完的数据集。这个工具的价值不在模型本身而在它提供的循环——预标注、人工修正、训练、再预标注每一轮都在用上一轮的模型知识降低下一轮的人工成本。这个思路本身是通用的换到行人检测、车辆检测一样成立。希望帮到你。本文还有配套的精品资源点击获取
