简介面向目标检测与YOLO系列算法实践者的仓库工人场景数据集是训练、验证与测试YOLOv5、v8、v7、v9、v10、v11等检测模型的直接素材适合算法学习者、企业安防研发或毕业设计使用。资源包共含1666个文件以555张JPG图像为核心配套555个YOLO格式TXT标注和555个VOC格式XML标注另含1个YAML配置文件整体压缩包约28.82MB目录结构清晰、开箱即用。数据集已预先划分好训练集与验证集无需自行拆分TXT标注完整记录类别索引、归一化中心点坐标及宽高比例XML标注遵循Pascal VOC标准两种格式分文件夹存放既可直接被YOLO系列原生读取也便于在不同标注工具与训练框架间迁移。yaml文件内置类别定义与路径配置可帮助快速搭建训练环境、节省格式转换时间。该资源尤其适用于仓储物流中的人员检测、安全帽佩戴识别等场景也可作为“检测任务与格式适配”教学案例或用于复现论文实验。目前已有57人学习下载。1. 仓库工人数据集YOLO算法落地前最该先拿到的555张带标签底料在YOLO算法项目里数据永远是第一个瓶颈。仓库工人检测这个场景很典型背景复杂、货架遮挡多、光线不均匀、人员姿态变化大拿通用数据集去训练模型拿到真实仓库里基本是废的。这个仓库工人数据集有555张已标注图像标签同时提供YOLO格式txt和VOC格式xmltrain/val/test已经分好yolov5、v7、v8、v9、v10、v11都能直接训练和验证。适合两类人一是刚接触YOLO训练想用一份结构完整的数据集跑通全流程的新手二是做智慧仓储、人员检测与行为分析项目的工程师拿它当基线数据校验自己的训练配置和标签脚本。整包解压后不用改目录结构就能开跑这一点对赶时间的人来说很关键。2. 数据集的目录与标签解剖先搞清楚555张图和两种标签怎么共存2.1 目录结构train/val/test划分与两个标签文件夹的真实关系拿到zip解压后第一件事不是急着训练而是先把目录结构看清。常见做法是把images和labels分成两个顶层目录各自再挂train、val、test三个子目录。这套数据集也是这种风格但有个容易忽略的细节标签本身拆成两个子文件夹yolo格式的txt放一个voc格式的xml放另一个文件名和图像保持同名前缀。用tree命令扫一遍确认布局unzip yolo算法-仓库工人数据集-555张图像带标签-warehouse-skj9z.zip -d warehouse_dataset find warehouse_dataset -maxdepth 4 -type d | sort正常的目录树是这样warehouse_skj9z/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── yolo_format/ │ │ ├── train/ │ │ ├── val/ │ │ └── test/ │ └── voc_format/ │ ├── train/ │ ├── val/ │ └── test/ └── dataset.yaml这里藏着第一个坑yolo训练时默认去images同级的labels目录找标签也就是images/train对应labels/train。这套数据把txt放在labels/yolo_format/train等于多隔了一层。训练前要么把txt拷到顶层labels/train要么在配置里把路径写对否则直接报找不到标签。我第一次拿到这种结构时没细看就跑训练丢了一堆标签后来才意识到是子目录层级的问题。数据集划分好指的是图像层面已经分好train/val/test标签层面需要你按框架规则对齐。2.2 YOLO格式归一化坐标为什么用0到1的比例值YOLO的txt标签每行一个目标格式是五个空格分隔的值class x_center y_center width height关键是x_center、y_center、width、height全部是相对于图像宽度和高度的比例范围0到1不是像素绝对值。这样设计的好处是不管输入图像缩放到416×416还是640×640标签都不用改模型在letterbox或resize之后把比例值乘上当前宽高就能还原框位置。具体换算举个例子。某张640×480的图像里一个工人框的像素坐标是x160、y120、宽320、高240归一化后是x_center 160 / 640 0.25 y_center 120 / 480 0.25 width 320 / 640 0.50 height 240 / 480 0.50所以txt里记录的是0 0.25 0.25 0.5 0.5。yolov8、v9、v10这些新版本训练时会先对图像做letterbox保持长宽比填充灰边到目标尺寸。如果直接拿像素坐标当标签模型在resize后的图上做回归框的位置就是错的。这是所有YOLO官方数据集强制归一化的根本原因也是新手最容易犯的错误。2.3 VOC格式XML标签结构细节VOC格式的表达完全不同它记录的是绝对像素坐标和图像元信息。典型的xml标签annotation foldertrain/folder filenameimg_0807_59.jpg/filename size width640/width height480/height depth3/depth /size object nameworker/name bndbox xmin160/xmin ymin120/ymin xmax480/xmax ymax360/ymax /bndbox /object /annotation同一张图在txt里写0 0.25 0.25 0.5 0.5在xml里写160 120 480 360表达的是同一个目标框。格式不同各有用途。VOC格式的优势是能直接读出坐标范围便于人工核查和后续做图像裁剪YOLO格式的好处是省去了解析成本直接进训练管线。不少标注工具默认输出xml而YOLO训练要txt最终都要过一道转换。这份数据集两种都给等于把最容易出错的环节提前解决了。需要注意xml里的xmin、ymin、xmax、ymax通常用整数像素值如果标注工具导出的是浮点坐标做目标检测训练前最好先取整避免后续坐标换算不一致。另外解析xml时object节点不保证按类别分组用iter(object)遍历比findall更稳因为findall只找直接子节点而iter会递归查完整棵对象树。2.4 训练前的标签完整性校验无论哪份数据集训练前都要过一遍完整性检查。我的习惯是写个小脚本统计每个图对应的标签是否存在、坐标是否越界、类别索引是否合理import os from collections import Counter image_dir warehouse_skj9z/images/train label_dir warehouse_skj9z/labels/yolo_format/train imgs [f for f in os.listdir(image_dir) if f.endswith(.jpg)] missing, invalids, cls_counter [], [], Counter() for img in imgs: base os.path.splitext(img)[0] txt os.path.join(label_dir, base .txt) if not os.path.exists(txt): missing.append(img) continue for line in open(txt, r).read().strip().splitlines(): parts line.split() if len(parts) ! 5: invalids.append((img, line)) continue cls, cx, cy, w, h map(float, parts) if not (0 cx 1 and 0 cy 1 and 0 w 1 and 0 h 1): invalids.append((img, line)) cls_counter[int(cls)] 1 print(缺失标签图片数:, len(missing)) print(非法标签行数:, len(invalids)) print(类别分布:, cls_counter)脚本逐行检查五个值是否完整、归一化坐标是否落在0到1区间、类别索引是否集中在0。对这个仓库工人数据集只有一个worker类类别索引固定是0。如果统计结果里出现1或2说明标签配置和训练配置没对上训练前必须修。标签合法性检查看起来是小事实际上大部分训练翻车都源于脏数据没提前清洗这个步骤值得每次训练前都跑一遍换机器换数据也一样。3. 把数据集跑进YOLO从dataset.yaml到训练参数全解3.1 dataset.yaml的正确写法YOLO系列训练前要一份数据集配置。yolov5叫data.yamlyolov8/9/10/11叫dataset.yaml写法几乎一致。新建warehouse.yaml# warehouse.yaml path: warehouse_skj9z train: images/train val: images/val test: images/test nc: 1 names: 0: worker几句配置解决三个核心映射path指定数据集根目录train和val告诉框架去哪找图和标签nc和names声明类别信息。path最容易出问题很多人图省事写绝对路径换机器或移动项目目录后直接报错找不到图像。我一般用相对路径只要训练命令在warehouse_skj9z的上一级目录执行yaml就能正确解析。yolov8的yaml里test字段可选但如果你要跑最终测试集评估最好还是写出来。还有一个隐含约定YOLO找标签的基准路径是images路径自动把images替换为labels去找同名txt。这意味着images/train对应的标签在labels/train。这套数据的yolo标签在labels/yolo_format/train和默认路径对不上。我的建议是训练前做一次扁平化复制mkdir -p warehouse_skj9z/labels/train cp warehouse_skj9z/labels/yolo_format/train/*.txt warehouse_skj9z/labels/train/ mkdir -p warehouse_skj9z/labels/val cp warehouse_skj9z/labels/yolo_format/val/*.txt warehouse_skj9z/labels/val/ mkdir -p warehouse_skj9z/labels/test cp warehouse_skj9z/labels/yolo_format/test/*.txt warehouse_skj9z/labels/test/复制是成本最低的解决方案。不想复制就得改框架源码里的label路径逻辑但那样等于给后续每个版本升级埋雷没必要为省一次拷贝去动框架。3.2 训练命令与关键参数以yolov8为例yolo detect train modelyolov8s.pt datawarehouse.yaml epochs100 imgsz640 batch16 device0参数逐个拆开讲。epochs100表示训练100轮对555张图来说100轮够模型收敛再往上容易过拟合。imgsz640是输入图像边长YOLO会自动等比缩放并填充到640×640。batch16是批量大小取决于显存8G显存从16开始试报OOM就降8。device0指定第一块GPU只有CPU就改devicecpu但训练速度会慢很多555张图也可能要跑几个小时。yolov5的命令风格不一样python train.py --data warehouse.yaml --weights yolov5s.pt --img 640 --batch 16 --epochs 100v7也是类似train.py加参数v9、v10、v11走ultralytics风格和v8命令一致。这份数据集覆盖了两种命令行体系掌握v8的写法切到v5/v7只是换个参数名的事。根据这个数据规模我一般先跑30轮看loss曲线是否稳定下降再决定要不要加长。555张图不算多模型可能30轮左右就收敛硬跑100轮反而见过拟合。3.3 训练监控loss曲线与验证指标训练开始后终端里会输出每轮指标重点看这几项val/box_loss 目标框回归损失 val/cls_loss 分类损失 metrics/precision 精确率 metrics/recall 召回率 metrics/mAP50 IoU0.5的平均精度 metrics/mAP50-95 IoU阈值0.5到0.95综合平均精度单类别检测场景里mAP50能到0.9是合理目标mAP50-95一般在0.6到0.75之间。如果PR曲线右上角不贴坐标轴说明置信度分布不够干净要回去查标签质量或调整推理阈值。训练过程中一旦发现验证loss开始回升就要准备早停不要只看训练loss。训练结束默认生成best.pt和last.pt两个权重best.pt按验证集表现保存部署用这个last.pt是最后一轮的继续训练用这个。yolov8训练完在runs/detect/train下生成混淆矩阵、PR曲线和验证样例图值得逐个看一眼能直观发现哪类场景容易漏检。3.4 验证与测试训练完成用detect模式跑测试集yolo detect predict modelruns/detect/train/weights/best.pt sourcewarehouse_skj9z/images/test save_dirruns/detect/test这条命令用best.pt逐张推理test目录图像保存带预测框的结果图。跑完打开图检查框是否完整包住人体、有没有把货架或叉车误判成工人。这一步是模型能不能用的最终判断。yolov5对应的是python detect.py --weights ... --source ...逻辑一样。有个高发问题训练imgsz640推理时为了提速改成320结果框的位置明显偏移。推理imgsz必须和训练一致要提速只能在训练阶段就选小图尺寸不能训练和推理各定各的。4. 标签格式互转实战YOLO格式与VOC格式的转换脚本与边界处理4.1 坐标换算公式YOLO txt和VOC xml互转核心是两套表达式换算。设图像宽W、高H。YOLO到VOCxmin (cx - w / 2) * W ymin (cy - h / 2) * H xmax (cx w / 2) * W ymax (cy h / 2) * HVOC到YOLOcx (xmin xmax) / 2 / W cy (ymin ymax) / 2 / H w (xmax - xmin) / W h (ymax - ymin) / H所有转换脚本都建立在这两组公式上。写的时候要注意两点除法必须用浮点图像的宽高必须从xml的size节点或实际图片读取不能硬编码。如果图像带EXIF旋转信息要先修正方向再读宽高否则横竖直接看反。这套数据两种格式都给意味着你可以随时拿一份txt和同图xml交叉验证检查自己的转换逻辑有没有偏差。4.2 双向转换脚本下面给一个双向转换实现只依赖Python标准库import os import xml.etree.ElementTree as ET def yolo_to_voc(txt_path, xml_path, image_width, image_height, class_names): root ET.Element(annotation) ET.SubElement(root, filename).text os.path.basename(txt_path).replace(.txt, .jpg) size ET.SubElement(root, size) ET.SubElement(size, width).text str(image_width) ET.SubElement(size, height).text str(image_height) ET.SubElement(size, depth).text 3 with open(txt_path, r) as f: for line in f: parts line.strip().split() if len(parts) ! 5: continue cls, cx, cy, w, h map(float, parts) if not (0 cx 1 and 0 cy 1): continue obj ET.SubElement(root, object) ET.SubElement(obj, name).text class_names[int(cls)] bndbox ET.SubElement(obj, bndbox) xmin int((cx - w / 2) * image_width) ymin int((cy - h / 2) * image_height) xmax int((cx w / 2) * image_width) ymax int((cy h / 2) * image_height) ET.SubElement(bndbox, xmin).text str(xmin) ET.SubElement(bndbox, ymin).text str(ymin) ET.SubElement(bndbox, xmax).text str(xmax) ET.SubElement(bndbox, ymax).text str(ymax) ET.ElementTree(root).write(xml_path, encodingutf-8, xml_declarationTrue) # 调用示例 # yolo_to_voc(img_0807_59.txt, img_0807_59.xml, 640, 480, [worker])脚本把每行五段值解析后反归一化写成VOC的object节点。两处防护值得注意跳过字段不完整的行跳过归一化越界的行。标注工具偶尔会产出cx1.2这类非法值直接写进xml等于把框顶出图像边界训练时干扰极大宁可丢弃也不要带病入训。反向转换import os import xml.etree.ElementTree as ET def voc_to_yolo(xml_path, txt_path, class_names): tree ET.parse(xml_path) root tree.getroot() width int(root.find(size/width).text) height int(root.find(size/height).text) lines [] for obj in root.iter(object): name obj.find(name).text if name not in class_names: continue cls class_names.index(name) bndbox obj.find(bndbox) xmin int(float(bndbox.find(xmin).text)) ymin int(float(bndbox.find(ymin).text)) xmax int(float(bndbox.find(xmax).text)) ymax int(float(bndbox.find(ymax).text)) cx (xmin xmax) / 2 / width cy (ymin ymax) / 2 / height w (xmax - xmin) / width h (ymax - ymin) / height lines.append(f{cls} {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}) with open(txt_path, w) as f: f.write(\n.join(lines)) # 调用示例 # voc_to_yolo(img_0807_59.xml, img_0807_59.txt, [worker])反向转换里类别映射通过class_names列表的index实现。VOC存的name是字符串转YOLO时靠列表顺序对应整数索引。这个列表一旦调整顺序所有txt的类别索引都要跟着变。当前数据集只有worker一个类顺序简单以后如果要加forklift、box等新类务必用脚本批量更新全部txt不要手改。4.3 转换中的边界坑先说小数精度。VOC的xmin、ymin是整数像素YOLO转换回来的cx、cy、w、h至少保留6位小数。只保留2位框位置误差会放大到几个像素大目标问题不大小目标直接偏出目标体。格式化统一用{:.6f}。然后是空标签文件。有些图里没有任何工人txt内容为空行数零。脚本要兼容这种情况xml转yolo时输出空字符串文件就行。框架能接受空标签图作为负样本参与训练这也是合理的。最后是类别索引偏移这是最隐蔽的问题。类别索引从0开始是YOLO的约定但不少人写脚本时从1开始结果所有框变成相邻的错误类别。最坑的是整体指标还正常——loss低、mAP也不差推理出来类别名永远是错的。血泪经验每次拿到新数据集先统计标签里的最大类别索引一旦大于等于类别数立即全量排查别等训练完才看。5. 避坑与排查555张图训练中常见的5个翻车现场5.1 报错“No labels found in …”现象yolov8启动训练后控制台提示找不到标签文件有些版本直接不加载任何样本loss从第一轮起就是零或者异常。原因YOLO框架默认从images同级的labels目录读取标签这份数据的txt在labels/yolo_format子目录里目录层级对不上。解决训练前把txt复制到与images匹配的扁平labels目录复制后用脚本核对每张图有没有同名txt。这一条基本能解决九成的标签读取问题复制完再跑一遍2.4的校验脚本双保险。5.2 类别数不匹配导致识别错乱现象训练能跑通验证loss很低但部署推理时框出的类别名和实际目标完全对不上或者类别名显示成奇怪的东西。原因warehouse.yaml的nc或者names与训练框架默认配置冲突。如果没指定配置文件框架用了内置coco80类定义模型会按coco的类别索引解释输出worker被当成其他类别对象。解决检查yaml里nc1、names只含worker且索引从0开始。用命令行训练时显式datawarehouse.yaml不要依赖框架内置的coco.yaml。如果跑出来的结果里出现多个类别名优先怀疑这里。5.3 置信度阈值过高导致漏检现象推理时真实工人在画面里却没框出来只留下置信度最高的少数几个框检查源图确认目标明明存在。原因仓库场景中部分人员被货架遮挡或距离镜头较远模型对这类目标的置信度偏低只有0.3到0.5。默认conf0.25或0.5把这些都过滤掉了。解决推理参数加conf0.1先看全量输出再按业务需求找合适阈值。检测框宁可多出几个假阳性也不要漏掉真实人员尤其安防场景下漏检代价远高于误检。确认阈值后再做最终部署配置。5.4 letterbox尺寸不一致导致框偏移现象训练用640推理临时改320框能出来但位置明显偏移看起来像整体向左上或右下漂移。原因训练时letterbox填充灰边框坐标是在补边图上预测的。推理用不同输入尺寸缩放比例和补边不同坐标映射全部偏移。解决推理imgsz强制等于训练imgsz。如果推理速度是硬指标只能在训练阶段就使用更小尺寸不能训练和推理分别定。改完imgsz后重新训练或至少重新验证一轮不要只改推理端。5.5 数据量不足过拟合现象训练到30轮后训练loss还在降验证loss开始回升。训练集上模型几乎完美验证集上错误增加。原因555张图相对yolov8s参数量来说偏少后期模型在记忆训练集细节没在学工人的一般特征。仓库场景里同类背景反复出现更容易加速过拟合。解决调大YOLO内置数据增强如hsv_h、flipud、mosaic等参数适当增加。或者启用预训练权重做迁移学习模型先有通用视觉特征再适配仓库场景收敛路径完全不同。若要进一步扩数据采集不同时间段和光照条件下的图像但至少在现有资源下迁移学习是性价比最高的手段。6. 进阶用迁移学习压缩训练时间从预训练权重一小时收敛6.1 先冻结骨干做头部适配再解冻微调对555张图这种规模的数据最不值得做的就是从随机权重开始。我拿到这份仓库工人数据集后的标准做法是迁移学习两段式。第一步用预训练权重冻结前半段网络训练yolo detect train modelyolov8s.pt datawarehouse.yaml epochs30 imgsz640 batch16 freeze10freeze10表示冻结yolov8s的前10层也就是骨干网络里负责边缘、纹理、轮廓等底层特征提取的卷积层。这些特征在coco上已经学得很扎实仓库工人和通用目标在这些底层特征上差别不大没必要重复训练。冻结后只有检测头和部分颈部在更新对数据量的要求低很多30轮能看出清晰的收敛趋势。第二步解冻全部层用更小学习率微调yolo detect train modelruns/detect/train/weights/last.pt datawarehouse.yaml epochs30 imgsz640 batch16 lr00.001 freeze0这里用last.pt而不是best.pt因为best.pt可能保存的是第一阶段的某个局部最优接续训练容易把后续更新带偏。解冻后所有层都参与更新但学习率压到0.001以下防止破坏预训练出来的通用特征。两步合计在一小时稍多点跑完效果与从零训练100轮持平。从那以后我拿任何小规模数据集做YOLO目标检测都强制先跑标签校验脚本再写yaml然后冻结训练、最后解冻微调整套流程下来翻车率低了很多。这也是这份数据集最值得照着复现的工作流。希望帮到你。本文还有配套的精品资源点击获取
YOLO仓库工人数据集实战：555张带标签图像的训练与标签转换指南
简介面向目标检测与YOLO系列算法实践者的仓库工人场景数据集是训练、验证与测试YOLOv5、v8、v7、v9、v10、v11等检测模型的直接素材适合算法学习者、企业安防研发或毕业设计使用。资源包共含1666个文件以555张JPG图像为核心配套555个YOLO格式TXT标注和555个VOC格式XML标注另含1个YAML配置文件整体压缩包约28.82MB目录结构清晰、开箱即用。数据集已预先划分好训练集与验证集无需自行拆分TXT标注完整记录类别索引、归一化中心点坐标及宽高比例XML标注遵循Pascal VOC标准两种格式分文件夹存放既可直接被YOLO系列原生读取也便于在不同标注工具与训练框架间迁移。yaml文件内置类别定义与路径配置可帮助快速搭建训练环境、节省格式转换时间。该资源尤其适用于仓储物流中的人员检测、安全帽佩戴识别等场景也可作为“检测任务与格式适配”教学案例或用于复现论文实验。目前已有57人学习下载。1. 仓库工人数据集YOLO算法落地前最该先拿到的555张带标签底料在YOLO算法项目里数据永远是第一个瓶颈。仓库工人检测这个场景很典型背景复杂、货架遮挡多、光线不均匀、人员姿态变化大拿通用数据集去训练模型拿到真实仓库里基本是废的。这个仓库工人数据集有555张已标注图像标签同时提供YOLO格式txt和VOC格式xmltrain/val/test已经分好yolov5、v7、v8、v9、v10、v11都能直接训练和验证。适合两类人一是刚接触YOLO训练想用一份结构完整的数据集跑通全流程的新手二是做智慧仓储、人员检测与行为分析项目的工程师拿它当基线数据校验自己的训练配置和标签脚本。整包解压后不用改目录结构就能开跑这一点对赶时间的人来说很关键。2. 数据集的目录与标签解剖先搞清楚555张图和两种标签怎么共存2.1 目录结构train/val/test划分与两个标签文件夹的真实关系拿到zip解压后第一件事不是急着训练而是先把目录结构看清。常见做法是把images和labels分成两个顶层目录各自再挂train、val、test三个子目录。这套数据集也是这种风格但有个容易忽略的细节标签本身拆成两个子文件夹yolo格式的txt放一个voc格式的xml放另一个文件名和图像保持同名前缀。用tree命令扫一遍确认布局unzip yolo算法-仓库工人数据集-555张图像带标签-warehouse-skj9z.zip -d warehouse_dataset find warehouse_dataset -maxdepth 4 -type d | sort正常的目录树是这样warehouse_skj9z/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── yolo_format/ │ │ ├── train/ │ │ ├── val/ │ │ └── test/ │ └── voc_format/ │ ├── train/ │ ├── val/ │ └── test/ └── dataset.yaml这里藏着第一个坑yolo训练时默认去images同级的labels目录找标签也就是images/train对应labels/train。这套数据把txt放在labels/yolo_format/train等于多隔了一层。训练前要么把txt拷到顶层labels/train要么在配置里把路径写对否则直接报找不到标签。我第一次拿到这种结构时没细看就跑训练丢了一堆标签后来才意识到是子目录层级的问题。数据集划分好指的是图像层面已经分好train/val/test标签层面需要你按框架规则对齐。2.2 YOLO格式归一化坐标为什么用0到1的比例值YOLO的txt标签每行一个目标格式是五个空格分隔的值class x_center y_center width height关键是x_center、y_center、width、height全部是相对于图像宽度和高度的比例范围0到1不是像素绝对值。这样设计的好处是不管输入图像缩放到416×416还是640×640标签都不用改模型在letterbox或resize之后把比例值乘上当前宽高就能还原框位置。具体换算举个例子。某张640×480的图像里一个工人框的像素坐标是x160、y120、宽320、高240归一化后是x_center 160 / 640 0.25 y_center 120 / 480 0.25 width 320 / 640 0.50 height 240 / 480 0.50所以txt里记录的是0 0.25 0.25 0.5 0.5。yolov8、v9、v10这些新版本训练时会先对图像做letterbox保持长宽比填充灰边到目标尺寸。如果直接拿像素坐标当标签模型在resize后的图上做回归框的位置就是错的。这是所有YOLO官方数据集强制归一化的根本原因也是新手最容易犯的错误。2.3 VOC格式XML标签结构细节VOC格式的表达完全不同它记录的是绝对像素坐标和图像元信息。典型的xml标签annotation foldertrain/folder filenameimg_0807_59.jpg/filename size width640/width height480/height depth3/depth /size object nameworker/name bndbox xmin160/xmin ymin120/ymin xmax480/xmax ymax360/ymax /bndbox /object /annotation同一张图在txt里写0 0.25 0.25 0.5 0.5在xml里写160 120 480 360表达的是同一个目标框。格式不同各有用途。VOC格式的优势是能直接读出坐标范围便于人工核查和后续做图像裁剪YOLO格式的好处是省去了解析成本直接进训练管线。不少标注工具默认输出xml而YOLO训练要txt最终都要过一道转换。这份数据集两种都给等于把最容易出错的环节提前解决了。需要注意xml里的xmin、ymin、xmax、ymax通常用整数像素值如果标注工具导出的是浮点坐标做目标检测训练前最好先取整避免后续坐标换算不一致。另外解析xml时object节点不保证按类别分组用iter(object)遍历比findall更稳因为findall只找直接子节点而iter会递归查完整棵对象树。2.4 训练前的标签完整性校验无论哪份数据集训练前都要过一遍完整性检查。我的习惯是写个小脚本统计每个图对应的标签是否存在、坐标是否越界、类别索引是否合理import os from collections import Counter image_dir warehouse_skj9z/images/train label_dir warehouse_skj9z/labels/yolo_format/train imgs [f for f in os.listdir(image_dir) if f.endswith(.jpg)] missing, invalids, cls_counter [], [], Counter() for img in imgs: base os.path.splitext(img)[0] txt os.path.join(label_dir, base .txt) if not os.path.exists(txt): missing.append(img) continue for line in open(txt, r).read().strip().splitlines(): parts line.split() if len(parts) ! 5: invalids.append((img, line)) continue cls, cx, cy, w, h map(float, parts) if not (0 cx 1 and 0 cy 1 and 0 w 1 and 0 h 1): invalids.append((img, line)) cls_counter[int(cls)] 1 print(缺失标签图片数:, len(missing)) print(非法标签行数:, len(invalids)) print(类别分布:, cls_counter)脚本逐行检查五个值是否完整、归一化坐标是否落在0到1区间、类别索引是否集中在0。对这个仓库工人数据集只有一个worker类类别索引固定是0。如果统计结果里出现1或2说明标签配置和训练配置没对上训练前必须修。标签合法性检查看起来是小事实际上大部分训练翻车都源于脏数据没提前清洗这个步骤值得每次训练前都跑一遍换机器换数据也一样。3. 把数据集跑进YOLO从dataset.yaml到训练参数全解3.1 dataset.yaml的正确写法YOLO系列训练前要一份数据集配置。yolov5叫data.yamlyolov8/9/10/11叫dataset.yaml写法几乎一致。新建warehouse.yaml# warehouse.yaml path: warehouse_skj9z train: images/train val: images/val test: images/test nc: 1 names: 0: worker几句配置解决三个核心映射path指定数据集根目录train和val告诉框架去哪找图和标签nc和names声明类别信息。path最容易出问题很多人图省事写绝对路径换机器或移动项目目录后直接报错找不到图像。我一般用相对路径只要训练命令在warehouse_skj9z的上一级目录执行yaml就能正确解析。yolov8的yaml里test字段可选但如果你要跑最终测试集评估最好还是写出来。还有一个隐含约定YOLO找标签的基准路径是images路径自动把images替换为labels去找同名txt。这意味着images/train对应的标签在labels/train。这套数据的yolo标签在labels/yolo_format/train和默认路径对不上。我的建议是训练前做一次扁平化复制mkdir -p warehouse_skj9z/labels/train cp warehouse_skj9z/labels/yolo_format/train/*.txt warehouse_skj9z/labels/train/ mkdir -p warehouse_skj9z/labels/val cp warehouse_skj9z/labels/yolo_format/val/*.txt warehouse_skj9z/labels/val/ mkdir -p warehouse_skj9z/labels/test cp warehouse_skj9z/labels/yolo_format/test/*.txt warehouse_skj9z/labels/test/复制是成本最低的解决方案。不想复制就得改框架源码里的label路径逻辑但那样等于给后续每个版本升级埋雷没必要为省一次拷贝去动框架。3.2 训练命令与关键参数以yolov8为例yolo detect train modelyolov8s.pt datawarehouse.yaml epochs100 imgsz640 batch16 device0参数逐个拆开讲。epochs100表示训练100轮对555张图来说100轮够模型收敛再往上容易过拟合。imgsz640是输入图像边长YOLO会自动等比缩放并填充到640×640。batch16是批量大小取决于显存8G显存从16开始试报OOM就降8。device0指定第一块GPU只有CPU就改devicecpu但训练速度会慢很多555张图也可能要跑几个小时。yolov5的命令风格不一样python train.py --data warehouse.yaml --weights yolov5s.pt --img 640 --batch 16 --epochs 100v7也是类似train.py加参数v9、v10、v11走ultralytics风格和v8命令一致。这份数据集覆盖了两种命令行体系掌握v8的写法切到v5/v7只是换个参数名的事。根据这个数据规模我一般先跑30轮看loss曲线是否稳定下降再决定要不要加长。555张图不算多模型可能30轮左右就收敛硬跑100轮反而见过拟合。3.3 训练监控loss曲线与验证指标训练开始后终端里会输出每轮指标重点看这几项val/box_loss 目标框回归损失 val/cls_loss 分类损失 metrics/precision 精确率 metrics/recall 召回率 metrics/mAP50 IoU0.5的平均精度 metrics/mAP50-95 IoU阈值0.5到0.95综合平均精度单类别检测场景里mAP50能到0.9是合理目标mAP50-95一般在0.6到0.75之间。如果PR曲线右上角不贴坐标轴说明置信度分布不够干净要回去查标签质量或调整推理阈值。训练过程中一旦发现验证loss开始回升就要准备早停不要只看训练loss。训练结束默认生成best.pt和last.pt两个权重best.pt按验证集表现保存部署用这个last.pt是最后一轮的继续训练用这个。yolov8训练完在runs/detect/train下生成混淆矩阵、PR曲线和验证样例图值得逐个看一眼能直观发现哪类场景容易漏检。3.4 验证与测试训练完成用detect模式跑测试集yolo detect predict modelruns/detect/train/weights/best.pt sourcewarehouse_skj9z/images/test save_dirruns/detect/test这条命令用best.pt逐张推理test目录图像保存带预测框的结果图。跑完打开图检查框是否完整包住人体、有没有把货架或叉车误判成工人。这一步是模型能不能用的最终判断。yolov5对应的是python detect.py --weights ... --source ...逻辑一样。有个高发问题训练imgsz640推理时为了提速改成320结果框的位置明显偏移。推理imgsz必须和训练一致要提速只能在训练阶段就选小图尺寸不能训练和推理各定各的。4. 标签格式互转实战YOLO格式与VOC格式的转换脚本与边界处理4.1 坐标换算公式YOLO txt和VOC xml互转核心是两套表达式换算。设图像宽W、高H。YOLO到VOCxmin (cx - w / 2) * W ymin (cy - h / 2) * H xmax (cx w / 2) * W ymax (cy h / 2) * HVOC到YOLOcx (xmin xmax) / 2 / W cy (ymin ymax) / 2 / H w (xmax - xmin) / W h (ymax - ymin) / H所有转换脚本都建立在这两组公式上。写的时候要注意两点除法必须用浮点图像的宽高必须从xml的size节点或实际图片读取不能硬编码。如果图像带EXIF旋转信息要先修正方向再读宽高否则横竖直接看反。这套数据两种格式都给意味着你可以随时拿一份txt和同图xml交叉验证检查自己的转换逻辑有没有偏差。4.2 双向转换脚本下面给一个双向转换实现只依赖Python标准库import os import xml.etree.ElementTree as ET def yolo_to_voc(txt_path, xml_path, image_width, image_height, class_names): root ET.Element(annotation) ET.SubElement(root, filename).text os.path.basename(txt_path).replace(.txt, .jpg) size ET.SubElement(root, size) ET.SubElement(size, width).text str(image_width) ET.SubElement(size, height).text str(image_height) ET.SubElement(size, depth).text 3 with open(txt_path, r) as f: for line in f: parts line.strip().split() if len(parts) ! 5: continue cls, cx, cy, w, h map(float, parts) if not (0 cx 1 and 0 cy 1): continue obj ET.SubElement(root, object) ET.SubElement(obj, name).text class_names[int(cls)] bndbox ET.SubElement(obj, bndbox) xmin int((cx - w / 2) * image_width) ymin int((cy - h / 2) * image_height) xmax int((cx w / 2) * image_width) ymax int((cy h / 2) * image_height) ET.SubElement(bndbox, xmin).text str(xmin) ET.SubElement(bndbox, ymin).text str(ymin) ET.SubElement(bndbox, xmax).text str(xmax) ET.SubElement(bndbox, ymax).text str(ymax) ET.ElementTree(root).write(xml_path, encodingutf-8, xml_declarationTrue) # 调用示例 # yolo_to_voc(img_0807_59.txt, img_0807_59.xml, 640, 480, [worker])脚本把每行五段值解析后反归一化写成VOC的object节点。两处防护值得注意跳过字段不完整的行跳过归一化越界的行。标注工具偶尔会产出cx1.2这类非法值直接写进xml等于把框顶出图像边界训练时干扰极大宁可丢弃也不要带病入训。反向转换import os import xml.etree.ElementTree as ET def voc_to_yolo(xml_path, txt_path, class_names): tree ET.parse(xml_path) root tree.getroot() width int(root.find(size/width).text) height int(root.find(size/height).text) lines [] for obj in root.iter(object): name obj.find(name).text if name not in class_names: continue cls class_names.index(name) bndbox obj.find(bndbox) xmin int(float(bndbox.find(xmin).text)) ymin int(float(bndbox.find(ymin).text)) xmax int(float(bndbox.find(xmax).text)) ymax int(float(bndbox.find(ymax).text)) cx (xmin xmax) / 2 / width cy (ymin ymax) / 2 / height w (xmax - xmin) / width h (ymax - ymin) / height lines.append(f{cls} {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}) with open(txt_path, w) as f: f.write(\n.join(lines)) # 调用示例 # voc_to_yolo(img_0807_59.xml, img_0807_59.txt, [worker])反向转换里类别映射通过class_names列表的index实现。VOC存的name是字符串转YOLO时靠列表顺序对应整数索引。这个列表一旦调整顺序所有txt的类别索引都要跟着变。当前数据集只有worker一个类顺序简单以后如果要加forklift、box等新类务必用脚本批量更新全部txt不要手改。4.3 转换中的边界坑先说小数精度。VOC的xmin、ymin是整数像素YOLO转换回来的cx、cy、w、h至少保留6位小数。只保留2位框位置误差会放大到几个像素大目标问题不大小目标直接偏出目标体。格式化统一用{:.6f}。然后是空标签文件。有些图里没有任何工人txt内容为空行数零。脚本要兼容这种情况xml转yolo时输出空字符串文件就行。框架能接受空标签图作为负样本参与训练这也是合理的。最后是类别索引偏移这是最隐蔽的问题。类别索引从0开始是YOLO的约定但不少人写脚本时从1开始结果所有框变成相邻的错误类别。最坑的是整体指标还正常——loss低、mAP也不差推理出来类别名永远是错的。血泪经验每次拿到新数据集先统计标签里的最大类别索引一旦大于等于类别数立即全量排查别等训练完才看。5. 避坑与排查555张图训练中常见的5个翻车现场5.1 报错“No labels found in …”现象yolov8启动训练后控制台提示找不到标签文件有些版本直接不加载任何样本loss从第一轮起就是零或者异常。原因YOLO框架默认从images同级的labels目录读取标签这份数据的txt在labels/yolo_format子目录里目录层级对不上。解决训练前把txt复制到与images匹配的扁平labels目录复制后用脚本核对每张图有没有同名txt。这一条基本能解决九成的标签读取问题复制完再跑一遍2.4的校验脚本双保险。5.2 类别数不匹配导致识别错乱现象训练能跑通验证loss很低但部署推理时框出的类别名和实际目标完全对不上或者类别名显示成奇怪的东西。原因warehouse.yaml的nc或者names与训练框架默认配置冲突。如果没指定配置文件框架用了内置coco80类定义模型会按coco的类别索引解释输出worker被当成其他类别对象。解决检查yaml里nc1、names只含worker且索引从0开始。用命令行训练时显式datawarehouse.yaml不要依赖框架内置的coco.yaml。如果跑出来的结果里出现多个类别名优先怀疑这里。5.3 置信度阈值过高导致漏检现象推理时真实工人在画面里却没框出来只留下置信度最高的少数几个框检查源图确认目标明明存在。原因仓库场景中部分人员被货架遮挡或距离镜头较远模型对这类目标的置信度偏低只有0.3到0.5。默认conf0.25或0.5把这些都过滤掉了。解决推理参数加conf0.1先看全量输出再按业务需求找合适阈值。检测框宁可多出几个假阳性也不要漏掉真实人员尤其安防场景下漏检代价远高于误检。确认阈值后再做最终部署配置。5.4 letterbox尺寸不一致导致框偏移现象训练用640推理临时改320框能出来但位置明显偏移看起来像整体向左上或右下漂移。原因训练时letterbox填充灰边框坐标是在补边图上预测的。推理用不同输入尺寸缩放比例和补边不同坐标映射全部偏移。解决推理imgsz强制等于训练imgsz。如果推理速度是硬指标只能在训练阶段就使用更小尺寸不能训练和推理分别定。改完imgsz后重新训练或至少重新验证一轮不要只改推理端。5.5 数据量不足过拟合现象训练到30轮后训练loss还在降验证loss开始回升。训练集上模型几乎完美验证集上错误增加。原因555张图相对yolov8s参数量来说偏少后期模型在记忆训练集细节没在学工人的一般特征。仓库场景里同类背景反复出现更容易加速过拟合。解决调大YOLO内置数据增强如hsv_h、flipud、mosaic等参数适当增加。或者启用预训练权重做迁移学习模型先有通用视觉特征再适配仓库场景收敛路径完全不同。若要进一步扩数据采集不同时间段和光照条件下的图像但至少在现有资源下迁移学习是性价比最高的手段。6. 进阶用迁移学习压缩训练时间从预训练权重一小时收敛6.1 先冻结骨干做头部适配再解冻微调对555张图这种规模的数据最不值得做的就是从随机权重开始。我拿到这份仓库工人数据集后的标准做法是迁移学习两段式。第一步用预训练权重冻结前半段网络训练yolo detect train modelyolov8s.pt datawarehouse.yaml epochs30 imgsz640 batch16 freeze10freeze10表示冻结yolov8s的前10层也就是骨干网络里负责边缘、纹理、轮廓等底层特征提取的卷积层。这些特征在coco上已经学得很扎实仓库工人和通用目标在这些底层特征上差别不大没必要重复训练。冻结后只有检测头和部分颈部在更新对数据量的要求低很多30轮能看出清晰的收敛趋势。第二步解冻全部层用更小学习率微调yolo detect train modelruns/detect/train/weights/last.pt datawarehouse.yaml epochs30 imgsz640 batch16 lr00.001 freeze0这里用last.pt而不是best.pt因为best.pt可能保存的是第一阶段的某个局部最优接续训练容易把后续更新带偏。解冻后所有层都参与更新但学习率压到0.001以下防止破坏预训练出来的通用特征。两步合计在一小时稍多点跑完效果与从零训练100轮持平。从那以后我拿任何小规模数据集做YOLO目标检测都强制先跑标签校验脚本再写yaml然后冻结训练、最后解冻微调整套流程下来翻车率低了很多。这也是这份数据集最值得照着复现的工作流。希望帮到你。本文还有配套的精品资源点击获取
