简介本资源为面向YOLO系列目标检测学习者的车牌检测数据集适合需要快速开展车牌识别训练与验证的开发者、学生及算法工程师使用。数据集已按训练与测试需求划分完毕并附带data.yaml配置文件可直接接入yolov5、yolov8、yolov9、yolov7、yolov10及yolo11等主流框架省去自行整理与划分数据的繁琐步骤。压缩包共2000个文件包含1019个xml标注、980个txt标注和1个yaml配置整体约47.28MB其中txt为YOLO格式标注记录类别索引与归一化后的中心点、宽高比例xml为VOC格式标注两种格式分别存放于独立文件夹便于按需选用。目前已有153人学习下载可作为车牌检测任务的练手与验证素材帮助读者快速跑通训练流程、对比不同YOLO版本的检测效果并在此基础上进行模型调优与迁移实验。1. 车牌检测数据集怎么选1019 张带标签的 YOLO 实战包值不值得下做车牌检测的项目最耗时的环节往往不是调模型而是搞数据。自己拍图、标注、划分训练验证集一套流程走下来少说两三天标完还得检查坐标有没有越界、类别有没有写错。这份 1019 张图像带标签的车牌检测数据集解决的就是这个前置痛点——它已经把图像、YOLO 格式标签、VOC 格式标签、data.yaml 配置文件全部整理好目录结构直接对齐 YOLOv5 到 YOLO11 的训练入口。适合两类人一是想快速跑通车牌检测 baseline 的算法工程师二是拿它做课程设计或验证自己训练脚本的从业者。数据集规模不算大但胜在格式规范、双标签格式齐全拿来验证训练链路是否通畅非常合适。2. 数据集结构与标签格式先看清目录再动手2.1 目录组织与文件命名规律拿到压缩包解压后第一件事不是急着跑训练而是把目录结构摸清楚。从项目正文给出的文件名来看图像和标签采用同名配对的方式比如img_0201_2.txt对应img_0201_2.jpgimg_0567_409.txt对应img_0567_409.jpg。这种命名方式的好处是配对关系一目了然写脚本检查漏标、多标时直接按文件名比对即可。常见的目录组织方式是这样plate_dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ ├── annotations/ # VOC 格式 xml │ ├── train/ │ └── val/ └── data.yamlimages下放图像labels下放 YOLO 格式 txtannotations下放 VOC 格式 xml。两个标签文件夹是同一批图的不同标注格式不是两份独立数据。这一点新手容易搞混以为有两千多张图实际就是 1019 张图配两套标签。2.2 YOLO 格式标签的坐标含义YOLO 格式每行代表一个目标框格式为class x_center y_center width height五个字段全部是归一化后的值。class是类别索引从 0 开始x_center和y_center是框中心点相对图像宽高的比例范围 0 到 1width和height是框宽高相对图像宽高的比例同样在 0 到 1 之间。车牌检测通常只有一个类别所以class基本都是 0。这里有个血泪经验归一化坐标一旦算错训练时 loss 会异常震荡但模型不一定报错只是 mAP 死活上不去。验证方法很简单写个脚本把坐标反算回像素值看框有没有超出图像边界。import os from PIL import Image def check_yolo_labels(img_dir, label_dir): 检查 YOLO 标签坐标是否越界 issues [] for txt_file in os.listdir(label_dir): if not txt_file.endswith(.txt): continue img_name txt_file.replace(.txt, .jpg) img_path os.path.join(img_dir, img_name) if not os.path.exists(img_path): issues.append(f缺图: {img_name}) continue w, h Image.open(img_path).size with open(os.path.join(label_dir, txt_file)) as f: for line_no, line in enumerate(f, 1): parts line.strip().split() if len(parts) ! 5: issues.append(f{txt_file}:{line_no} 字段数不对) continue cls, xc, yc, bw, bh map(float, parts) # 反算像素坐标 x1 (xc - bw / 2) * w y1 (yc - bh / 2) * h x2 (xc bw / 2) * w y2 (yc bh / 2) * h if x1 0 or y1 0 or x2 w or y2 h: issues.append(f{txt_file}:{line_no} 框越界) return issues issues check_yolo_labels(plate_dataset/images/train, plate_dataset/labels/train) print(f发现 {len(issues)} 个问题) for i in issues[:10]: print(i)这段脚本做三件事按文件名配对图像和标签、反算归一化坐标到像素坐标、检查框是否越界。参数上img_dir和label_dir分别指向图像和标签目录运行后如果输出问题数为 0说明标签质量过关可以进入训练环节。如果有越界框需要回到标注工具里修正或者用脚本裁剪到边界内。2.3 VOC 格式与 YOLO 格式的转换关系VOC 格式用 xml 存储每个目标一个object节点包含name类别名和bndbox下的xmin、ymin、xmax、ymax四个像素坐标。和 YOLO 格式的换算关系是x_center (xmin xmax) / 2 / img_width y_center (ymin ymax) / 2 / img_height width (xmax - xmin) / img_width height (ymax - ymin) / img_height数据集同时提供两种格式好处是既能直接喂给 YOLO 系列也能用于需要 VOC 格式的评估脚本或转换到 COCO 格式。常见做法是训练用 YOLO 格式验证时用 VOC 格式的 xml 做可视化对比两边交叉检查标注一致性。3. data.yaml 配置与训练入口把数据集接进 YOLOv8/v113.1 data.yaml 的关键字段data.yaml是 YOLO 系列训练时读取数据集信息的配置文件核心字段有四个path: ./plate_dataset train: images/train val: images/val nc: 1 names: [plate]path是数据集根目录train和val是相对path的训练集和验证集图像路径nc是类别数names是类别名列表。车牌检测只有一类所以nc: 1names里写plate或license_plate都行但要和标签里的类别索引对应——索引 0 对应names列表第一个元素。注意path建议用绝对路径或相对于训练脚本的路径用相对路径时容易因为工作目录不同而找不到数据。我一般会先os.path.abspath打印一下确认。3.2 YOLOv8 训练命令与参数说明YOLOv8 的训练入口是yolo detect train最小可用命令yolo detect train \ dataplate_dataset/data.yaml \ modelyolov8n.pt \ epochs100 \ imgsz640 \ batch16 \ projectruns/plate \ nameexp1逐项说明data指向 data.yamlmodel用预训练权重yolov8n.pt是最小的 nano 版本适合快速验证epochs训练轮数1019 张图的数据集 100 轮通常够收敛imgsz输入尺寸640 是默认值车牌目标较小可以试 960batch批大小显存不够就降到 8 或 4project和name控制输出目录。训练过程中重点看三个指标box_loss是否稳定下降、mAP50是否上升、precision和recall是否平衡。如果box_loss震荡剧烈先检查标签坐标如果mAP50卡在低位可能是学习率太大或数据量不足。3.3 YOLOv5 与 YOLO11 的差异YOLOv5 用train.py脚本参数写法类似但入口不同python train.py \ --data plate_dataset/data.yaml \ --weights yolov5n.pt \ --epochs 100 \ --img 640 \ --batch-size 16YOLO11 则沿用 YOLOv8 的 CLI 风格把model换成yolo11n.pt即可。三个版本对 data.yaml 的字段要求基本一致所以同一份配置可以跨版本复用。差异主要在预训练权重和部分超参默认值上迁移时注意版本对应的权重文件名。3.4 训练前用脚本做一次数据自检在正式训练前跑一个自检脚本能省下大量排查时间import yaml from pathlib import Path def validate_dataset(yaml_path): with open(yaml_path) as f: cfg yaml.safe_load(f) root Path(cfg[path]) for split in [train, val]: img_dir root / cfg[split] label_dir root / labels / split imgs {p.stem for p in img_dir.glob(*.jpg)} labels {p.stem for p in label_dir.glob(*.txt)} print(f{split}: 图像 {len(imgs)} 张, 标签 {len(labels)} 个) print(f 缺标签: {len(imgs - labels)}) print(f 多标签: {len(labels - imgs)}) print(f类别数: {cfg[nc]}, 类别名: {cfg[names]}) validate_dataset(plate_dataset/data.yaml)这个脚本检查训练集和验证集的图像与标签是否一一对应输出缺标签和多标签的数量。正常情况下两个数字都应该是 0。如果缺标签数量不为 0说明有图没标多标签则说明有标签文件找不到对应图像可能是文件名后缀不一致比如.jpeg和.jpg。4. 从零跑通训练与验证完整流程与参数调优4.1 环境准备与依赖安装训练前先把环境搭好。YOLOv8 和 YOLO11 用 ultralytics 包pip install ultralyticsYOLOv5 需要克隆仓库装依赖git clone https://github.com/ultralytics/yolov5 cd yolov5 pip install -r requirements.txt显卡驱动和 CUDA 版本要匹配torch.cuda.is_available()返回 True 才算 GPU 可用。如果只有 CPU把batch降到 4 以下imgsz降到 416否则训练会慢到怀疑人生。4.2 训练过程监控与日志解读训练启动后控制台会逐轮输出指标。重点关注指标含义正常表现box_loss边界框回归损失逐轮下降后期趋于平稳cls_loss分类损失逐轮下降mAP50IoU0.5 时的平均精度逐轮上升最终 0.9 以上mAP50-95多 IoU 阈值平均精度逐轮上升最终 0.6 以上precision查准率与 recall 平衡recall查全率与 precision 平衡如果mAP50在 0.5 附近就上不去了常见原因是学习率太大、数据量太少或标签有噪声。可以先把lr0从默认的 0.01 降到 0.001 试一轮或者用cos_lr开启余弦退火。4.3 验证与推理用训练好的权重跑测试训练完成后权重保存在runs/plate/exp1/weights/best.pt。用验证集评估yolo detect val \ modelruns/plate/exp1/weights/best.pt \ dataplate_dataset/data.yaml \ imgsz640单张图推理yolo detect predict \ modelruns/plate/exp1/weights/best.pt \ sourcetest_image.jpg \ conf0.25 \ saveTrueconf是置信度阈值默认 0.25。车牌检测场景下如果漏检多可以降到 0.1如果误检多提到 0.5。推理结果默认保存在runs/detect/predict下图像上会画出检测框和类别置信度。4.4 小数据集训练的增强策略1019 张图在目标检测里属于小数据集容易过拟合。常见做法是开启数据增强yolo detect train \ dataplate_dataset/data.yaml \ modelyolov8n.pt \ epochs200 \ imgsz640 \ batch16 \ hsv_h0.015 \ hsv_s0.7 \ hsv_v0.4 \ degrees10 \ translate0.1 \ scale0.5 \ fliplr0.5 \ mosaic1.0hsv_h/s/v控制色调、饱和度、亮度扰动车牌颜色相对固定这三个值别开太大degrees旋转角度车牌有倾斜场景可以开到 15translate平移比例scale缩放比例fliplr水平翻转概率车牌文字翻转后不自然建议设 0 或 0.5 谨慎用mosaic马赛克增强小数据集上效果明显保持 1.0。5. 避坑与排查车牌检测训练中最容易翻车的五个点5.1 现象训练 loss 正常下降但 mAP 始终为 0原因标签类别索引和 data.yaml 的names不匹配。比如标签里写的是0但names列表为空或类别数nc写成了 0。解决打开一个标签文件确认第一列的值再检查 data.yaml 的nc和names。nc必须等于names列表长度标签里的类别索引必须在0到nc-1之间。5.2 现象训练报错 No labels found in ...原因YOLO 默认按images/train找图、按labels/train找标签如果目录名不是这个对应关系或者标签文件后缀不是.txt就会报这个错。解决确认目录结构是images/train配labels/train标签文件是.txt后缀。如果目录名不同在 data.yaml 里显式指定train和val的路径但标签目录 YOLO 会自动把images替换成labels所以图像和标签的父目录名必须对应。5.3 现象训练到一半显存溢出原因batch太大或imgsz太高。1019 张图里如果有些图分辨率很高统一 resize 到 640 后显存占用会上升。解决先把batch减半还不行就降imgsz到 416。也可以用--cache ram或--cache disk控制数据缓存方式ram 快但吃内存disk 慢但省内存。5.4 现象验证集 mAP 比训练集低很多原因过拟合。小数据集上模型记住了训练样本泛化能力差。解决增加数据增强、加 dropout、减小模型规模从yolov8m换回yolov8n、早停patience20。另外检查训练集和验证集是否同分布如果验证集里都是某种角度的车牌而训练集没有也会导致指标差距大。5.5 现象推理时框位置偏移或框太大原因标签坐标归一化时用错了图像尺寸。比如标注时用的是原图尺寸但训练时图像被 resize 了如果标签没同步更新就会偏移。解决YOLO 格式的归一化坐标是相对于原图宽高的训练时的 resize 由框架自动处理不需要手动改标签。如果确认标签没问题但框还是偏检查推理时的imgsz是否和训练时一致不一致会导致框位置换算误差。6. 进阶技巧用这份数据集做跨版本对比与标签质量复核数据集跑通之后别急着换更大的模型。我一般会拿同一份 data.yaml 在 YOLOv8n、YOLO11n、YOLOv5n 上各跑一轮 100 epoch固定随机种子对比 mAP50 和推理速度。这样能直观看出不同版本在这个数据分布上的表现差异比看论文里的通用指标靠谱得多。对比时注意把imgsz、batch、epochs保持一致否则变量不唯一结论没有参考价值。# 三个版本各跑一轮输出到不同目录 yolo detect train dataplate_dataset/data.yaml modelyolov8n.pt epochs100 imgsz640 batch16 projectruns/compare namev8n yolo detect train dataplate_dataset/data.yaml modelyolo11n.pt epochs100 imgsz640 batch16 projectruns/compare namev11n python yolov5/train.py --data plate_dataset/data.yaml --weights yolov5n.pt --epochs 100 --img 640 --batch-size 16 --project runs/compare --namev5n跑完后看runs/compare下三个目录的results.csv重点对比最终metrics/mAP50-95和每轮平均训练时间。如果某个版本明显掉点先排查权重加载是否正常再检查该版本对 data.yaml 字段的解析是否有差异。另一个值得做的动作是标签质量复核。用训练好的模型在训练集上推理一遍把预测框和标注框做 IoU 对比IoU 低于 0.5 的样本挑出来人工看。这些样本要么是标注框画偏了要么是模型没学好。如果是标注问题修正后重新训练往往能涨几个点。这个流程我每次拿到新数据集都会走一遍比盲目调参有效得多。从那以后我每次拿到带标签的数据集都强制先跑一遍坐标越界检查和标签配对检查再跑一轮小模型快速验证确认数据没问题才上大模型。希望帮到你。本文还有配套的精品资源点击获取
车牌检测数据集实战：1019张YOLO格式标签与训练全流程
简介本资源为面向YOLO系列目标检测学习者的车牌检测数据集适合需要快速开展车牌识别训练与验证的开发者、学生及算法工程师使用。数据集已按训练与测试需求划分完毕并附带data.yaml配置文件可直接接入yolov5、yolov8、yolov9、yolov7、yolov10及yolo11等主流框架省去自行整理与划分数据的繁琐步骤。压缩包共2000个文件包含1019个xml标注、980个txt标注和1个yaml配置整体约47.28MB其中txt为YOLO格式标注记录类别索引与归一化后的中心点、宽高比例xml为VOC格式标注两种格式分别存放于独立文件夹便于按需选用。目前已有153人学习下载可作为车牌检测任务的练手与验证素材帮助读者快速跑通训练流程、对比不同YOLO版本的检测效果并在此基础上进行模型调优与迁移实验。1. 车牌检测数据集怎么选1019 张带标签的 YOLO 实战包值不值得下做车牌检测的项目最耗时的环节往往不是调模型而是搞数据。自己拍图、标注、划分训练验证集一套流程走下来少说两三天标完还得检查坐标有没有越界、类别有没有写错。这份 1019 张图像带标签的车牌检测数据集解决的就是这个前置痛点——它已经把图像、YOLO 格式标签、VOC 格式标签、data.yaml 配置文件全部整理好目录结构直接对齐 YOLOv5 到 YOLO11 的训练入口。适合两类人一是想快速跑通车牌检测 baseline 的算法工程师二是拿它做课程设计或验证自己训练脚本的从业者。数据集规模不算大但胜在格式规范、双标签格式齐全拿来验证训练链路是否通畅非常合适。2. 数据集结构与标签格式先看清目录再动手2.1 目录组织与文件命名规律拿到压缩包解压后第一件事不是急着跑训练而是把目录结构摸清楚。从项目正文给出的文件名来看图像和标签采用同名配对的方式比如img_0201_2.txt对应img_0201_2.jpgimg_0567_409.txt对应img_0567_409.jpg。这种命名方式的好处是配对关系一目了然写脚本检查漏标、多标时直接按文件名比对即可。常见的目录组织方式是这样plate_dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ ├── annotations/ # VOC 格式 xml │ ├── train/ │ └── val/ └── data.yamlimages下放图像labels下放 YOLO 格式 txtannotations下放 VOC 格式 xml。两个标签文件夹是同一批图的不同标注格式不是两份独立数据。这一点新手容易搞混以为有两千多张图实际就是 1019 张图配两套标签。2.2 YOLO 格式标签的坐标含义YOLO 格式每行代表一个目标框格式为class x_center y_center width height五个字段全部是归一化后的值。class是类别索引从 0 开始x_center和y_center是框中心点相对图像宽高的比例范围 0 到 1width和height是框宽高相对图像宽高的比例同样在 0 到 1 之间。车牌检测通常只有一个类别所以class基本都是 0。这里有个血泪经验归一化坐标一旦算错训练时 loss 会异常震荡但模型不一定报错只是 mAP 死活上不去。验证方法很简单写个脚本把坐标反算回像素值看框有没有超出图像边界。import os from PIL import Image def check_yolo_labels(img_dir, label_dir): 检查 YOLO 标签坐标是否越界 issues [] for txt_file in os.listdir(label_dir): if not txt_file.endswith(.txt): continue img_name txt_file.replace(.txt, .jpg) img_path os.path.join(img_dir, img_name) if not os.path.exists(img_path): issues.append(f缺图: {img_name}) continue w, h Image.open(img_path).size with open(os.path.join(label_dir, txt_file)) as f: for line_no, line in enumerate(f, 1): parts line.strip().split() if len(parts) ! 5: issues.append(f{txt_file}:{line_no} 字段数不对) continue cls, xc, yc, bw, bh map(float, parts) # 反算像素坐标 x1 (xc - bw / 2) * w y1 (yc - bh / 2) * h x2 (xc bw / 2) * w y2 (yc bh / 2) * h if x1 0 or y1 0 or x2 w or y2 h: issues.append(f{txt_file}:{line_no} 框越界) return issues issues check_yolo_labels(plate_dataset/images/train, plate_dataset/labels/train) print(f发现 {len(issues)} 个问题) for i in issues[:10]: print(i)这段脚本做三件事按文件名配对图像和标签、反算归一化坐标到像素坐标、检查框是否越界。参数上img_dir和label_dir分别指向图像和标签目录运行后如果输出问题数为 0说明标签质量过关可以进入训练环节。如果有越界框需要回到标注工具里修正或者用脚本裁剪到边界内。2.3 VOC 格式与 YOLO 格式的转换关系VOC 格式用 xml 存储每个目标一个object节点包含name类别名和bndbox下的xmin、ymin、xmax、ymax四个像素坐标。和 YOLO 格式的换算关系是x_center (xmin xmax) / 2 / img_width y_center (ymin ymax) / 2 / img_height width (xmax - xmin) / img_width height (ymax - ymin) / img_height数据集同时提供两种格式好处是既能直接喂给 YOLO 系列也能用于需要 VOC 格式的评估脚本或转换到 COCO 格式。常见做法是训练用 YOLO 格式验证时用 VOC 格式的 xml 做可视化对比两边交叉检查标注一致性。3. data.yaml 配置与训练入口把数据集接进 YOLOv8/v113.1 data.yaml 的关键字段data.yaml是 YOLO 系列训练时读取数据集信息的配置文件核心字段有四个path: ./plate_dataset train: images/train val: images/val nc: 1 names: [plate]path是数据集根目录train和val是相对path的训练集和验证集图像路径nc是类别数names是类别名列表。车牌检测只有一类所以nc: 1names里写plate或license_plate都行但要和标签里的类别索引对应——索引 0 对应names列表第一个元素。注意path建议用绝对路径或相对于训练脚本的路径用相对路径时容易因为工作目录不同而找不到数据。我一般会先os.path.abspath打印一下确认。3.2 YOLOv8 训练命令与参数说明YOLOv8 的训练入口是yolo detect train最小可用命令yolo detect train \ dataplate_dataset/data.yaml \ modelyolov8n.pt \ epochs100 \ imgsz640 \ batch16 \ projectruns/plate \ nameexp1逐项说明data指向 data.yamlmodel用预训练权重yolov8n.pt是最小的 nano 版本适合快速验证epochs训练轮数1019 张图的数据集 100 轮通常够收敛imgsz输入尺寸640 是默认值车牌目标较小可以试 960batch批大小显存不够就降到 8 或 4project和name控制输出目录。训练过程中重点看三个指标box_loss是否稳定下降、mAP50是否上升、precision和recall是否平衡。如果box_loss震荡剧烈先检查标签坐标如果mAP50卡在低位可能是学习率太大或数据量不足。3.3 YOLOv5 与 YOLO11 的差异YOLOv5 用train.py脚本参数写法类似但入口不同python train.py \ --data plate_dataset/data.yaml \ --weights yolov5n.pt \ --epochs 100 \ --img 640 \ --batch-size 16YOLO11 则沿用 YOLOv8 的 CLI 风格把model换成yolo11n.pt即可。三个版本对 data.yaml 的字段要求基本一致所以同一份配置可以跨版本复用。差异主要在预训练权重和部分超参默认值上迁移时注意版本对应的权重文件名。3.4 训练前用脚本做一次数据自检在正式训练前跑一个自检脚本能省下大量排查时间import yaml from pathlib import Path def validate_dataset(yaml_path): with open(yaml_path) as f: cfg yaml.safe_load(f) root Path(cfg[path]) for split in [train, val]: img_dir root / cfg[split] label_dir root / labels / split imgs {p.stem for p in img_dir.glob(*.jpg)} labels {p.stem for p in label_dir.glob(*.txt)} print(f{split}: 图像 {len(imgs)} 张, 标签 {len(labels)} 个) print(f 缺标签: {len(imgs - labels)}) print(f 多标签: {len(labels - imgs)}) print(f类别数: {cfg[nc]}, 类别名: {cfg[names]}) validate_dataset(plate_dataset/data.yaml)这个脚本检查训练集和验证集的图像与标签是否一一对应输出缺标签和多标签的数量。正常情况下两个数字都应该是 0。如果缺标签数量不为 0说明有图没标多标签则说明有标签文件找不到对应图像可能是文件名后缀不一致比如.jpeg和.jpg。4. 从零跑通训练与验证完整流程与参数调优4.1 环境准备与依赖安装训练前先把环境搭好。YOLOv8 和 YOLO11 用 ultralytics 包pip install ultralyticsYOLOv5 需要克隆仓库装依赖git clone https://github.com/ultralytics/yolov5 cd yolov5 pip install -r requirements.txt显卡驱动和 CUDA 版本要匹配torch.cuda.is_available()返回 True 才算 GPU 可用。如果只有 CPU把batch降到 4 以下imgsz降到 416否则训练会慢到怀疑人生。4.2 训练过程监控与日志解读训练启动后控制台会逐轮输出指标。重点关注指标含义正常表现box_loss边界框回归损失逐轮下降后期趋于平稳cls_loss分类损失逐轮下降mAP50IoU0.5 时的平均精度逐轮上升最终 0.9 以上mAP50-95多 IoU 阈值平均精度逐轮上升最终 0.6 以上precision查准率与 recall 平衡recall查全率与 precision 平衡如果mAP50在 0.5 附近就上不去了常见原因是学习率太大、数据量太少或标签有噪声。可以先把lr0从默认的 0.01 降到 0.001 试一轮或者用cos_lr开启余弦退火。4.3 验证与推理用训练好的权重跑测试训练完成后权重保存在runs/plate/exp1/weights/best.pt。用验证集评估yolo detect val \ modelruns/plate/exp1/weights/best.pt \ dataplate_dataset/data.yaml \ imgsz640单张图推理yolo detect predict \ modelruns/plate/exp1/weights/best.pt \ sourcetest_image.jpg \ conf0.25 \ saveTrueconf是置信度阈值默认 0.25。车牌检测场景下如果漏检多可以降到 0.1如果误检多提到 0.5。推理结果默认保存在runs/detect/predict下图像上会画出检测框和类别置信度。4.4 小数据集训练的增强策略1019 张图在目标检测里属于小数据集容易过拟合。常见做法是开启数据增强yolo detect train \ dataplate_dataset/data.yaml \ modelyolov8n.pt \ epochs200 \ imgsz640 \ batch16 \ hsv_h0.015 \ hsv_s0.7 \ hsv_v0.4 \ degrees10 \ translate0.1 \ scale0.5 \ fliplr0.5 \ mosaic1.0hsv_h/s/v控制色调、饱和度、亮度扰动车牌颜色相对固定这三个值别开太大degrees旋转角度车牌有倾斜场景可以开到 15translate平移比例scale缩放比例fliplr水平翻转概率车牌文字翻转后不自然建议设 0 或 0.5 谨慎用mosaic马赛克增强小数据集上效果明显保持 1.0。5. 避坑与排查车牌检测训练中最容易翻车的五个点5.1 现象训练 loss 正常下降但 mAP 始终为 0原因标签类别索引和 data.yaml 的names不匹配。比如标签里写的是0但names列表为空或类别数nc写成了 0。解决打开一个标签文件确认第一列的值再检查 data.yaml 的nc和names。nc必须等于names列表长度标签里的类别索引必须在0到nc-1之间。5.2 现象训练报错 No labels found in ...原因YOLO 默认按images/train找图、按labels/train找标签如果目录名不是这个对应关系或者标签文件后缀不是.txt就会报这个错。解决确认目录结构是images/train配labels/train标签文件是.txt后缀。如果目录名不同在 data.yaml 里显式指定train和val的路径但标签目录 YOLO 会自动把images替换成labels所以图像和标签的父目录名必须对应。5.3 现象训练到一半显存溢出原因batch太大或imgsz太高。1019 张图里如果有些图分辨率很高统一 resize 到 640 后显存占用会上升。解决先把batch减半还不行就降imgsz到 416。也可以用--cache ram或--cache disk控制数据缓存方式ram 快但吃内存disk 慢但省内存。5.4 现象验证集 mAP 比训练集低很多原因过拟合。小数据集上模型记住了训练样本泛化能力差。解决增加数据增强、加 dropout、减小模型规模从yolov8m换回yolov8n、早停patience20。另外检查训练集和验证集是否同分布如果验证集里都是某种角度的车牌而训练集没有也会导致指标差距大。5.5 现象推理时框位置偏移或框太大原因标签坐标归一化时用错了图像尺寸。比如标注时用的是原图尺寸但训练时图像被 resize 了如果标签没同步更新就会偏移。解决YOLO 格式的归一化坐标是相对于原图宽高的训练时的 resize 由框架自动处理不需要手动改标签。如果确认标签没问题但框还是偏检查推理时的imgsz是否和训练时一致不一致会导致框位置换算误差。6. 进阶技巧用这份数据集做跨版本对比与标签质量复核数据集跑通之后别急着换更大的模型。我一般会拿同一份 data.yaml 在 YOLOv8n、YOLO11n、YOLOv5n 上各跑一轮 100 epoch固定随机种子对比 mAP50 和推理速度。这样能直观看出不同版本在这个数据分布上的表现差异比看论文里的通用指标靠谱得多。对比时注意把imgsz、batch、epochs保持一致否则变量不唯一结论没有参考价值。# 三个版本各跑一轮输出到不同目录 yolo detect train dataplate_dataset/data.yaml modelyolov8n.pt epochs100 imgsz640 batch16 projectruns/compare namev8n yolo detect train dataplate_dataset/data.yaml modelyolo11n.pt epochs100 imgsz640 batch16 projectruns/compare namev11n python yolov5/train.py --data plate_dataset/data.yaml --weights yolov5n.pt --epochs 100 --img 640 --batch-size 16 --project runs/compare --namev5n跑完后看runs/compare下三个目录的results.csv重点对比最终metrics/mAP50-95和每轮平均训练时间。如果某个版本明显掉点先排查权重加载是否正常再检查该版本对 data.yaml 字段的解析是否有差异。另一个值得做的动作是标签质量复核。用训练好的模型在训练集上推理一遍把预测框和标注框做 IoU 对比IoU 低于 0.5 的样本挑出来人工看。这些样本要么是标注框画偏了要么是模型没学好。如果是标注问题修正后重新训练往往能涨几个点。这个流程我每次拿到新数据集都会走一遍比盲目调参有效得多。从那以后我每次拿到带标签的数据集都强制先跑一遍坐标越界检查和标签配对检查再跑一轮小模型快速验证确认数据没问题才上大模型。希望帮到你。本文还有配套的精品资源点击获取
