简介面向柜台、电梯、候车厅等公共场所的智能安防需求这套数据集围绕2173张真实场景下的贵重物品图片提供涵盖车钥匙、手提包、钱包、手机、笔记本、身份卡片、电脑等52类常见遗失物的VOC与YOLO双格式标注免去自行数据整理的繁琐过程适合目标检测模型训练、算法验证与落地评估。资源包共2000个文件以1999个XML标注文件为主另有1个说明文本压缩后约80.98MB标注同时提供VOC和YOLO两种格式XML与TXT均记录目标边界框及类别信息可直接用于YOLO系列、Faster R-CNN、SSD等主流检测框架也便于进行交叉验证。图片来自日常场景包含不同角度、光照与遮挡情况有助于提升模型在真实环境中的泛化能力52类细粒度标注既可用于课堂教学和算法对比也可作为失物提醒、柜台遗留物识别等应用的训练基础。已有556人学习浏览适合计算机视觉学习者和智能安防研发人员使用。1. 遗失物检测是个“找不同”问题为什么需要一份带双格式标注的数据集把“遗失物遗落物检测数据集VOCYOLO格式2173张52类别.7z”丢给训练脚本之前我先说清楚这东西到底解决什么问题机场候机厅、高铁站、商场休息区、档案室这类场景落单的背包、手机、证件、雨伞就是典型的“遗落物”。它和常规目标检测最大的差别是目标小、视角乱、类别长尾——一个钱包可能只占画面的 2%还被椅子腿挡住一半。没有一份带双格式标注的数据集你光是把图片整理成 YOLO 能吃的 txt 就要耗掉两三天而且极容易在坐标归一化上翻车。这个 2173 张、52 类的数据集就是拿来当训练和验证的底料VOC 的 XML 方便人读、方便做数据增广和审核YOLO 的 txt 直接喂给训练脚本省去格式转换的重复劳动。适合谁做安防巡检、室内监控、失物招领系统算法选型的工程师以及被导师丢一句“做个遗落物检测”的研究生。2. 拆开 2173 张图看看VOC 与 YOLO 两套标注的目录结构与格式差异2.1 拿到 7z 压缩包先做什么校验完整性再解压7z 压缩率比 zip 高不少但代价是解压中一有坏块就整个失败。我见过有人解压到 80% 报错然后重新下载整个包其实先用测试命令就能避免。拿到“遗失物遗落物检测数据集 VCOYOLO 格式 2173 张 52 类别.7z”后第一步不是双击解压而是校验# 测试压缩包完整性不释放文件 7z t 遗失物遗落物检测数据集VOCYOLO格式2173张52类别.7z如果输出结尾没有Everything is Ok说明文件在传输过程中损坏了。此时优先重新下载而不是反复尝试解压。Linux 下没装 7z 的话先装 p7zip# Ubuntu/Debian sudo apt install p7zip-full # 解压到指定目录-o 后面没有冒号 7z x 遗失物遗落物检测数据集VOCYOLO格式2173张52类别.7z -o./abandoned_dataset参数说明x是解压并保留目录结构-o指定输出目录且后面不能加空格写错了会被当成文件名处理。Windows 上用 7-Zip 图形界面就行但命令行同样支持。解压完后先数文件个数# 统计图片数量 find . -name *.jpg | wc -l # 统计 XML 和 txt 标注数量 find . -name *.xml | wc -l find . -name *.txt | wc -l注意这里会踩到第一个坑VOC 和 YOLO 格式是同一批图片的两种标注表达不是各 2173 张。如果图片有 2173 张、xml 和 txt 也各 2173 个说明双格式齐全如果某个格式少文件多半是原始标注漏了或者解压不完整。2.2 VOC 的 XML 标注长什么样像素坐标与 size 区块VOCPascal VOC格式的标注文件是 XML核心信息集中在size和object两个节点。随便打开一张标注看看annotation folderJPEGImages/folder filenameimg_000123.jpg/filename size width1920/width height1080/height /size object namebackpack/name bndbox xmin642/xmin ymin380/ymin xmax831/xmax ymax612/ymax /bndbox /object object namephone/name bndbox xmin910/xmin ymin455/ymin xmax952/xmax ymax497/ymax /bndbox /object /annotation逻辑说明size里的宽高是必须的因为之后转 YOLO 时要拿它做分母object节点可以重复多次对应一张图里的多个遗落物。bndbox四个值都是像素绝对坐标左上角为原点。这类标注适合人类阅读也适合做基于坐标的数据筛选比如“把宽度小于 30 像素的小目标单独拎出来验证”。但训练脚本不能直接用因为每张图尺寸不同像素坐标不具备可比性这就是需要 YOLO 格式的原因。2.3 YOLO 的 txt 标注长什么样归一化坐标与三组小数同一条标注在 YOLO 格式下只有一行文本存放于labels/目录文件名和图片同名5 0.3837 0.4603 0.0984 0.2148 2 0.4849 0.4407 0.0219 0.0389参数说明每行五个字段依次是类别ID x_中心 y_中心 w h。关键点在于后四个数全是归一化的——中心点和宽高都除以了图片宽/高取值都在 0 到 1 之间。上面第一行还原回去就是类别 ID 为 5中心点在画面 (0.3837×1920, 0.4603×1080) ≈ (736, 497)宽度 0.0984×1920 ≈ 189 像素高度 0.2148×1080 ≈ 232 像素。可以看到第二行那个phone的框宽度只有约 42 像素这就是遗落物检测最头疼的小目标形态。2.4 52 类是什么概念类别清单、ID 顺序和长尾分布先说结论52 类看起来很多但实际分布极不平均很可能是“30 类占了 90% 的框剩下 22 类每类不到 100 个框”。类别 ID 是训练时nc52的分母类的排序方式直接决定 ID 值常见做法是按首字母或按标注出现频率排序。你拿到手后第一件事是把类别映射表备份出来# 从全部 txt 中提取所有类别ID按出现次数排序 cat labels/train/*.txt | awk {print $1} | sort | uniq -c | sort -rn从 VOC 的 XML 里提取名字更直观grep -h name JPEGImages/*.xml | sort | uniq -c这个统计结果很重要它决定你后面训练时要不要做类别重加权或者干脆把某些样本量过少的类别合并掉。比如power_bank充电宝和umbrella雨伞如果只有几十个框模型大概率会把它们学成背景。另外检查一下有没有类别名大小写双份Phone和phone有的话先统一不然后面转换脚本会把同一个东西当成两类。3. 把 VOC 转成 YOLO转换脚本与四个边界坑3.1 分离训练集和验证集先切分再转换虽然标题说数据集自带 VOCYOLO 双格式但很多第三方压缩包解压后只有一个大目录验证集要自己切。我一般按 8:2 切先切分图片再根据文件名同步标注import os import random from pathlib import Path random.seed(42) image_dir Path(JPEGImages) xml_dir Path(Annotations) train_list [] val_list [] images sorted(image_dir.glob(*.jpg)) sorted(image_dir.glob(*.jpeg)) random.shuffle(images) val_num int(len(images) * 0.2) val_images set(images[:val_num]) for img in images: if img in val_images: val_list.append(img.stem) else: train_list.append(img.stem) # 输出文件列表之后按 stem 移动文件 with open(train.txt, w) as f: f.write(\n.join([str(x) for x in train_list])) with open(val.txt, w) as f: f.write(\n.join([str(x) for x in val_list])) print(ftrain: {len(train_list)}, val: {len(val_list)})参数说明random.seed(42)固定随机种子保证多次运行切分结果一致别小看这一点——很多人不设 seed迭代模型时训练集每次都不一样效果波动根本没法归因。stem拿的是不带后缀的文件名后面移动图片和标注都靠它配对。3.2 VOC 转 YOLO 的核心脚本坐标归一化与类别映射这是一段我反复用的转换脚本稳、且把边界情况都处理了import os import xml.etree.ElementTree as ET from pathlib import Path # 类别映射表顺序要和训练时 names 保持一致 class_names [ backpack, phone, wallet, umbrella, keys, bottle, hat, glasses, bag, laptop, charger, power_bank, book, id_card, tissue, # ... 按数据集实际类别补齐到 52 个 ] def voc_to_yolo(xml_file: Path, class_names: list, out_dir: Path): tree ET.parse(xml_file) root tree.getroot() size root.find(size) img_w int(size.find(width).text) img_h int(size.find(height).text) out_lines [] for obj in root.iter(object): name obj.find(name).text if name not in class_names: print(f跳过未知类别{name} {xml_file.stem}) continue cls_id class_names.index(name) bndbox obj.find(bndbox) xmin float(bndbox.find(xmin).text) ymin float(bndbox.find(ymin).text) xmax float(bndbox.find(xmax).text) ymax float(bndbox.find(ymax).text) # 边界裁剪越界像素会导致训练时 loss 变成 nan xmin max(0, min(xmin, img_w)) ymin max(0, min(ymin, img_h)) xmax max(0, min(xmax, img_w)) ymax max(0, min(ymax, img_h)) if xmax - xmin 0 or ymax - ymin 0: print(f跳过空框{xml_file.stem} - {name}) continue cx (xmin xmax) / 2.0 / img_w cy (ymin ymax) / 2.0 / img_h bw (xmax - xmin) / img_w bh (ymax - ymin) / img_h out_lines.append(f{cls_id} {cx:.6f} {cy:.6f} {bw:.6f} {bh:.6f}) if out_lines: out_path out_dir / (xml_file.stem .txt) out_path.write_text(\n.join(out_lines), encodingutf-8) xml_dir Path(Annotations) yolo_dir Path(labels_all) yolo_dir.mkdir(exist_okTrue) xml_files list(xml_dir.glob(*.xml)) for xml_file in xml_files: voc_to_yolo(xml_file, class_names, yolo_dir) print(f转换完成{len(xml_files)} 个 XML 文件)逻辑说明先从size节点读出宽高作为归一化分母遍历所有object只认已知类别cls_id是class_names.index(name)所以这个列表的顺序就是最终训练的类别顺序中途不要变更否则模型前几次的权重全废。坐标裁剪那段是血泪经验——VOC 标注里偶尔会出现xmax超出图片宽度的情况不裁剪的话 YOLO 的损失函数计算会出 NaN。最后.6f保留 6 位小数足够表达亚像素精度别用str()拼接。3.3 转完必须做的三件事可视化、统计、查空文件转换完不是直接开训三件事缺一不可。第一件是可视化抽查把标注画回图上人眼核对import cv2 img cv2.imread(JPEGImages/img_000123.jpg) label_path labels_all/img_000123.txt h, w img.shape[:2] with open(label_path) as f: for line in f: cls_id, cx, cy, bw, bh map(float, line.split()) x1 int((cx - bw / 2) * w) y1 int((cy - bh / 2) * h) x2 int((cx bw / 2) * w) y2 int((cy bh / 2) * h) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(img, str(int(cls_id)), (x1, y1 - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2) cv2.imwrite(check_img_000123.jpg, img)第二件事是统计标签分布确认没有类别缺失、没有空文件import os from pathlib import Path labels_dir Path(labels_all) empty_files [] for txt in labels_dir.glob(*.txt): if txt.stat().st_size 0: empty_files.append(txt.name) print(f空文件数{len(empty_files)}) # 顺带统计每类框数量 from collections import Counter counts Counter() for txt in labels_dir.glob(*.txt): for line in txt.read_text().strip().splitlines(): counts[int(line.split()[0])] 1 print(counts)第三件事是核对图片和标签是否一一对应labels_all里的 txt 文件名应该在JPEGImages里找得到同名 jpg反之亦然。用集合差集一行搞定img_stems {p.stem for p in Path(JPEGImages).glob(*.jpg)} txt_stems {p.stem for p in Path(labels_all).glob(*.txt)} print(图片无标签, img_stems - txt_stems) print(标签无图片, txt_stems - img_stems)3.4 四个边界坑越界框、空框、类别名不一致、文件名不匹配第一个坑是越界框上面脚本里已经用min/max裁掉了但我要专门说一下为什么这么做YOLOv8 训练时如果 ground truth 的宽高出现负数损失函数里的 IoU 计算会得到异常值轻则 loss 震荡重则直接NaN。第二个坑是width0或height0的退化框成因通常是标注时手滑把xmin和xmax填反了处理方式是打印出来人工修正。第三个坑是类别名不一致——XML 里写的是Mobile Phone类别列表里写的是phone转换结果就是这一整张图的标注被全部跳过训练时图片被当成背景mAP 天然就低一截。修法是先对类别名做统一清洗比如全部转小写、去空格再进脚本。第四个坑是文件名不匹配图片叫IMG_20231001_001.jpgXML 叫img_20231001_001.xml看起来像同一个但字符串不相等脚本按stem配对时就漏了。我一般会写个模糊匹配或者直接看.xml文件里的filename节点来交叉校验这比猜文件名靠谱。4. 用 YOLOv8 在自带的数据上训练数据 yaml 与训练参数4.1 组装 YOLO 项目目录images 和 labels 必须镜像排列YOLOv8 要求的目录结构是 images 和 labels 两棵镜像树train 和 val 要分开。常见做法是把上一步切出来的 train/val 文件列表拿过来移动文件mkdir -p dataset/images/train dataset/images/val mkdir -p dataset/labels/train dataset/labels/val # 按 train.txt 移动图片和对应 txt while read stem; do mv JPEGImages/${stem}.jpg dataset/images/train/ mv labels_all/${stem}.txt dataset/labels/train/ done train.txt while read stem; do mv JPEGImages/${stem}.jpg dataset/images/val/ mv labels_all/${stem}.txt dataset/labels/val/ done val.txt注意labels_all里可能有只有 txt 没有 jpg 的孤儿文件移动前先跑一遍“图片无标签、标签无图片”的差集检查不然训练时 YOLO 会报assertion failed: no labels found看起来特别像数据集损坏其实就是路径没配对。4.2 写 data.yamlpath、train、val、nc、names 一个都不能少数据集组织好后在项目根目录建一个data.yaml# 数据集根目录绝对路径最省心 path: D:/projects/abandoned_detect/dataset train: images/train val: images/val nc: 52 names: 0: backpack 1: phone 2: wallet 3: umbrella 4: keys 5: bottle # ... 按转换脚本里的 class_names 顺序逐项列出参数说明path写绝对路径可以避免“相对路径取决于你从哪里启动终端”的玄学问题train和val是相对于path的子目录路径nc必须等于names的长度不一致时 YOLOv8 会直接报错告诉你类别数对不上。这里最常见的翻车方式是训练脚本里nc写了 52names只列了 50 个训练能跑但混淆矩阵和标签映射全乱。另外注意 YAML 不支持 tab 缩进用空格不然解析直接挂。4.3 训练命令与必调参数从预训练权重开始我用 YOLOv8n 起步做基准命令如下yolo detect train \ datadata.yaml \ modelyolov8n.pt \ epochs100 \ imgsz640 \ batch16 \ patience20 \ projectruns/detect \ nameabandoned_v8n参数说明modelyolov8n.pt会自动下载 COCO 预训练权重拿它做初始化比随机权重收敛快非常多这就是热词里“yolo预训练模型下载”的实际用途头一次跑会下载大约 6MB 权重。epochs100是保留量配合patience20实现早停——如果连续 20 轮验证集 mAP 没提升就自动停省时间。batch16看显存下面是几个典型配置显卡显存推荐参数备注8GByolov8n.ptbatch8imgsz 降到 64016GByolov8n.ptbatch16默认配置24GByolov8s.ptbatch16可以尝试 s 模型40GByolov8m.ptbatch32追求精度时再升 mimgsz640对 1080P 原图意味着会做缩放「缩到 640 后很多小目标只剩十几个像素」这个点要心里有数——之后验证时发现手机类别全漏检原因多半就在这。显存不够时优先降batch再不行降imgsz到 512最后才考虑换更小的模型不要一上来就换模型因为 52 类 2173 张的体量换大模型容易过拟合。4.4 遇到 BN 崩溃怎么办loss 变成 NaN 的排查路径“yolo训练中bn崩溃”这个现象在 52 类小数据集上出现的概率不低。现象是训练到某个 epoch 后 loss 突然变成nan终端里一行行刷下去全是警告验证集的 mAP 归零。原因通常有两种学习率太大导致 BatchNorm 的 running statistics 失稳或者是数据里混了像素值异常的全黑/全白图前向传播时方差为 0。排查路径按顺序走# 先看训练日志里 loss 爆炸前最后几个 epoch 的指标 yolo detect train ... # 重新跑时加上# 检查数据集里有没有纯色图片方差极低的图 import cv2 import numpy as np from pathlib import Path bad_images [] for img_path in Path(dataset/images/train).glob(*.jpg): img cv2.imread(str(img_path), cv2.IMREAD_GRAYSCALE) if img is None: bad_images.append((img_path.name, 无法读取)) continue if img.std() 5: bad_images.append((img_path.name, fstd{img.std():.2f})) print(bad_images)如果查出低方差图片直接删掉对应图片和标签再训练。如果是学习率问题把初始 lr 从默认的 0.01 降到 0.001或者开启 warmup 时长到 10 个 epoch都能压住 BN 崩溃。5. 避坑训练这个数据集常见的 5 个问题5.1 7z 解压时提示密码错误但密码明明是对的现象压缩包密码确定正确但7z x一直报Wrong password。原因常见原因有三个文件名包含非 ASCII 字符时终端编码不对中文文件名在部分 Linux 环境下被错误解析磁盘空间不足解压到一半写不进去也报密码错压缩包本身分卷了单独解压最后一个分卷必然失败。解决先7z t只测试不解压确认包完整再看磁盘剩余空间至少留出解压后体积的 2 倍如果是分卷包确保所有*.7z.001、*.7z.002都在同一目录且从 001 开始解压。顺带提一句解压到中文路径也容易出幺蛾子我一般先在纯英文路径下解压再改名。5.2 图片 2173 张但 XML 和 TXT 数量对不上现象find统计结果是 2173 张 jpg、2160 个 xml、2173 个 txt——txt 全但 xml 少了 13 个。原因标注人到后期漏标了一批图或者某几张图的 xml 在打包时被跳过但 YOLO 格式是后来自动转换补生成的。解决先找出缺 xml 的文件名用 txt 的存在性反推for f in JPEGImages/*.jpg; do stem$(basename $f .jpg) if [ ! -f Annotations/${stem}.xml ] [ ! -f labels_all/${stem}.txt ]; then echo $stem fi done如果 txt 存在而 xml 缺失说明转换源有问题要么找原始 xml 补回来要么丢弃这几张图——不要自己手工补框200 多张图里少 13 张不会影响整体分布手工标注反而可能引入坐标系错误。5.3 训练时 loss 正常但验证集 mAP 一直为零现象训练 loss 在降val 集 mAP 始终是0.000预测结果全是空框。原因最大的嫌疑是类别 ID 映射错位。比如你写names时把backpack排到了第 0 位但训练脚本读取的 txt 里类别 ID 是按另一种排序生成的phone的 ID 本来是 1 却被当成 0导致模型在学“类别特征错位”的任务loss 能降但验证集上完全对不上。解决回到 3.2 的转换脚本确认运行时用的class_names列表顺序和data.yaml的names顺序完全一致这两个地方通常是分两次写的最容易不一致。再跑一次可视化脚本把预测框画在图上直接看标签 ID 和实际物体的匹配关系一眼就能发现问题。5.4 混淆矩阵总合不唯一理解 YOLOv8 的混淆矩阵输出现象训练完看confusion_matrix.png发现每行加总不是 1热词里搜“yolo混淆矩阵总合不唯一”能搜出一堆人问。原因YOLOv8 的混淆矩阵统计的是“模型预测出的所有框中各类别占比”背景类background和漏检的框也在矩阵里所以行和列不仅包含真值类别还有background这一列。它不是一个严格的行归一化概率矩阵。解决不用改代码去“修正”。读矩阵时只看对角线数字那是真正预测对的比例再看background那一列谁最高那对应的是“模型最常漏掉什么类别”。如果phone大量被预测成background要么加这类样本要么针对小目标调imgsz或加数据增广。这个图的价值是定性地告诉你类别之间的混淆模式不是用来算精度的。5.5 验证集图片上下颠倒导致 mAP 虚高又虚低现象训练时验证集 loss 波动极大一张图特别准、下一张图 mAP 掉一半检查图片发现部分 jpg 自带 EXIF 旋转信息显示时是正的但模型读取的原始像素是横的。原因很多手机拍的照片用 EXIF orientation 字段存储旋转方向图片查看器会自动纠正但 OpenCV 和 YOLO 的解码库默认不读这个字段直接按原始像素训练。带 EXIF 的图和标注之间发生了 90°/180° 旋转错位等于一部分标签跑到了错误位置。解决在组装数据集时统一把图片重写一遍去掉 EXIF 旋转信息from PIL import Image from pathlib import Path for img_path in Path(dataset/images/train).glob(*.jpg): img Image.open(img_path) img img.convert(RGB) # 保存时不保留 EXIForientation 被清除 img.save(img_path, JPEG, quality95)这个坑最恶心的地方是不报错、不明显只有看验证集逐图输出时才能发现。转完后重新跑一次可视化检查重点看文字、指示牌这类有明确方向的物体方向对了再开训。6. 验证成果用混淆矩阵和 mAP 看模型是否真的学到了“遗失物”训练结束后不要在results.csv看到mAP50-950.45就急着收工那是平均指标会掩盖小目标类别翻车的问题。我习惯把混淆矩阵和 per-class 的 mAP 一起读。先看验证集上每一类单独的表现yolo detect val \ modelruns/detect/abandoned_v8n/weights/best.pt \ datadata.yaml输出里会列出每一类的mAP50和mAP50-95我一般按三个档次分类mAP50 0.7 的类别算及格0.4 到 0.7 的类别需要加数据低于 0.4 的类别基本等于没学会回数据集看它们的框数量有多少——多半是样本量个位数。混淆矩阵旁边会生成一张confusion_matrix_normalized.png注意看两类典型错误一是hat和head之类的同类异型物互相混淆说明语义边界不清解决方向是检查标签是否贴错二是wallet大量落在背景列说明小目标漏检解决方向是提升输入分辨率或者用多尺度测试。这个验证环节不是走流程它直接告诉你下一轮迭代该做什么而不是盲目加 epoch。进阶做法是用imgsz1024做一次 test-time augmentation 验证。训练时是 640验证时用 1024 推理小目标 IoU 计算空间变大对手机、钥匙这类类别有明显提升。实测这个数据集上imgsz 从 640 提到 1024 后 mAP50 一般能涨 2 到 5 个点代价是单张推理时间翻倍。实测时留意显存batch 降到 1 就行。我的习惯是部署阶段如果硬性要求实时性就只在验证策略里用高分辨率做离线评估选模型部署时回到 640 输入并观察掉点幅度再决定要不要优化输入预处理。这套流程走下来52 类的遗落物检测模型就能达到可接受的范围也希望这个方案帮你在自己的数据集上少走几步弯路。本文还有配套的精品资源点击获取
遗失物遗落物检测数据集VOC+YOLO双格式解析与YOLOv8训练实战
简介面向柜台、电梯、候车厅等公共场所的智能安防需求这套数据集围绕2173张真实场景下的贵重物品图片提供涵盖车钥匙、手提包、钱包、手机、笔记本、身份卡片、电脑等52类常见遗失物的VOC与YOLO双格式标注免去自行数据整理的繁琐过程适合目标检测模型训练、算法验证与落地评估。资源包共2000个文件以1999个XML标注文件为主另有1个说明文本压缩后约80.98MB标注同时提供VOC和YOLO两种格式XML与TXT均记录目标边界框及类别信息可直接用于YOLO系列、Faster R-CNN、SSD等主流检测框架也便于进行交叉验证。图片来自日常场景包含不同角度、光照与遮挡情况有助于提升模型在真实环境中的泛化能力52类细粒度标注既可用于课堂教学和算法对比也可作为失物提醒、柜台遗留物识别等应用的训练基础。已有556人学习浏览适合计算机视觉学习者和智能安防研发人员使用。1. 遗失物检测是个“找不同”问题为什么需要一份带双格式标注的数据集把“遗失物遗落物检测数据集VOCYOLO格式2173张52类别.7z”丢给训练脚本之前我先说清楚这东西到底解决什么问题机场候机厅、高铁站、商场休息区、档案室这类场景落单的背包、手机、证件、雨伞就是典型的“遗落物”。它和常规目标检测最大的差别是目标小、视角乱、类别长尾——一个钱包可能只占画面的 2%还被椅子腿挡住一半。没有一份带双格式标注的数据集你光是把图片整理成 YOLO 能吃的 txt 就要耗掉两三天而且极容易在坐标归一化上翻车。这个 2173 张、52 类的数据集就是拿来当训练和验证的底料VOC 的 XML 方便人读、方便做数据增广和审核YOLO 的 txt 直接喂给训练脚本省去格式转换的重复劳动。适合谁做安防巡检、室内监控、失物招领系统算法选型的工程师以及被导师丢一句“做个遗落物检测”的研究生。2. 拆开 2173 张图看看VOC 与 YOLO 两套标注的目录结构与格式差异2.1 拿到 7z 压缩包先做什么校验完整性再解压7z 压缩率比 zip 高不少但代价是解压中一有坏块就整个失败。我见过有人解压到 80% 报错然后重新下载整个包其实先用测试命令就能避免。拿到“遗失物遗落物检测数据集 VCOYOLO 格式 2173 张 52 类别.7z”后第一步不是双击解压而是校验# 测试压缩包完整性不释放文件 7z t 遗失物遗落物检测数据集VOCYOLO格式2173张52类别.7z如果输出结尾没有Everything is Ok说明文件在传输过程中损坏了。此时优先重新下载而不是反复尝试解压。Linux 下没装 7z 的话先装 p7zip# Ubuntu/Debian sudo apt install p7zip-full # 解压到指定目录-o 后面没有冒号 7z x 遗失物遗落物检测数据集VOCYOLO格式2173张52类别.7z -o./abandoned_dataset参数说明x是解压并保留目录结构-o指定输出目录且后面不能加空格写错了会被当成文件名处理。Windows 上用 7-Zip 图形界面就行但命令行同样支持。解压完后先数文件个数# 统计图片数量 find . -name *.jpg | wc -l # 统计 XML 和 txt 标注数量 find . -name *.xml | wc -l find . -name *.txt | wc -l注意这里会踩到第一个坑VOC 和 YOLO 格式是同一批图片的两种标注表达不是各 2173 张。如果图片有 2173 张、xml 和 txt 也各 2173 个说明双格式齐全如果某个格式少文件多半是原始标注漏了或者解压不完整。2.2 VOC 的 XML 标注长什么样像素坐标与 size 区块VOCPascal VOC格式的标注文件是 XML核心信息集中在size和object两个节点。随便打开一张标注看看annotation folderJPEGImages/folder filenameimg_000123.jpg/filename size width1920/width height1080/height /size object namebackpack/name bndbox xmin642/xmin ymin380/ymin xmax831/xmax ymax612/ymax /bndbox /object object namephone/name bndbox xmin910/xmin ymin455/ymin xmax952/xmax ymax497/ymax /bndbox /object /annotation逻辑说明size里的宽高是必须的因为之后转 YOLO 时要拿它做分母object节点可以重复多次对应一张图里的多个遗落物。bndbox四个值都是像素绝对坐标左上角为原点。这类标注适合人类阅读也适合做基于坐标的数据筛选比如“把宽度小于 30 像素的小目标单独拎出来验证”。但训练脚本不能直接用因为每张图尺寸不同像素坐标不具备可比性这就是需要 YOLO 格式的原因。2.3 YOLO 的 txt 标注长什么样归一化坐标与三组小数同一条标注在 YOLO 格式下只有一行文本存放于labels/目录文件名和图片同名5 0.3837 0.4603 0.0984 0.2148 2 0.4849 0.4407 0.0219 0.0389参数说明每行五个字段依次是类别ID x_中心 y_中心 w h。关键点在于后四个数全是归一化的——中心点和宽高都除以了图片宽/高取值都在 0 到 1 之间。上面第一行还原回去就是类别 ID 为 5中心点在画面 (0.3837×1920, 0.4603×1080) ≈ (736, 497)宽度 0.0984×1920 ≈ 189 像素高度 0.2148×1080 ≈ 232 像素。可以看到第二行那个phone的框宽度只有约 42 像素这就是遗落物检测最头疼的小目标形态。2.4 52 类是什么概念类别清单、ID 顺序和长尾分布先说结论52 类看起来很多但实际分布极不平均很可能是“30 类占了 90% 的框剩下 22 类每类不到 100 个框”。类别 ID 是训练时nc52的分母类的排序方式直接决定 ID 值常见做法是按首字母或按标注出现频率排序。你拿到手后第一件事是把类别映射表备份出来# 从全部 txt 中提取所有类别ID按出现次数排序 cat labels/train/*.txt | awk {print $1} | sort | uniq -c | sort -rn从 VOC 的 XML 里提取名字更直观grep -h name JPEGImages/*.xml | sort | uniq -c这个统计结果很重要它决定你后面训练时要不要做类别重加权或者干脆把某些样本量过少的类别合并掉。比如power_bank充电宝和umbrella雨伞如果只有几十个框模型大概率会把它们学成背景。另外检查一下有没有类别名大小写双份Phone和phone有的话先统一不然后面转换脚本会把同一个东西当成两类。3. 把 VOC 转成 YOLO转换脚本与四个边界坑3.1 分离训练集和验证集先切分再转换虽然标题说数据集自带 VOCYOLO 双格式但很多第三方压缩包解压后只有一个大目录验证集要自己切。我一般按 8:2 切先切分图片再根据文件名同步标注import os import random from pathlib import Path random.seed(42) image_dir Path(JPEGImages) xml_dir Path(Annotations) train_list [] val_list [] images sorted(image_dir.glob(*.jpg)) sorted(image_dir.glob(*.jpeg)) random.shuffle(images) val_num int(len(images) * 0.2) val_images set(images[:val_num]) for img in images: if img in val_images: val_list.append(img.stem) else: train_list.append(img.stem) # 输出文件列表之后按 stem 移动文件 with open(train.txt, w) as f: f.write(\n.join([str(x) for x in train_list])) with open(val.txt, w) as f: f.write(\n.join([str(x) for x in val_list])) print(ftrain: {len(train_list)}, val: {len(val_list)})参数说明random.seed(42)固定随机种子保证多次运行切分结果一致别小看这一点——很多人不设 seed迭代模型时训练集每次都不一样效果波动根本没法归因。stem拿的是不带后缀的文件名后面移动图片和标注都靠它配对。3.2 VOC 转 YOLO 的核心脚本坐标归一化与类别映射这是一段我反复用的转换脚本稳、且把边界情况都处理了import os import xml.etree.ElementTree as ET from pathlib import Path # 类别映射表顺序要和训练时 names 保持一致 class_names [ backpack, phone, wallet, umbrella, keys, bottle, hat, glasses, bag, laptop, charger, power_bank, book, id_card, tissue, # ... 按数据集实际类别补齐到 52 个 ] def voc_to_yolo(xml_file: Path, class_names: list, out_dir: Path): tree ET.parse(xml_file) root tree.getroot() size root.find(size) img_w int(size.find(width).text) img_h int(size.find(height).text) out_lines [] for obj in root.iter(object): name obj.find(name).text if name not in class_names: print(f跳过未知类别{name} {xml_file.stem}) continue cls_id class_names.index(name) bndbox obj.find(bndbox) xmin float(bndbox.find(xmin).text) ymin float(bndbox.find(ymin).text) xmax float(bndbox.find(xmax).text) ymax float(bndbox.find(ymax).text) # 边界裁剪越界像素会导致训练时 loss 变成 nan xmin max(0, min(xmin, img_w)) ymin max(0, min(ymin, img_h)) xmax max(0, min(xmax, img_w)) ymax max(0, min(ymax, img_h)) if xmax - xmin 0 or ymax - ymin 0: print(f跳过空框{xml_file.stem} - {name}) continue cx (xmin xmax) / 2.0 / img_w cy (ymin ymax) / 2.0 / img_h bw (xmax - xmin) / img_w bh (ymax - ymin) / img_h out_lines.append(f{cls_id} {cx:.6f} {cy:.6f} {bw:.6f} {bh:.6f}) if out_lines: out_path out_dir / (xml_file.stem .txt) out_path.write_text(\n.join(out_lines), encodingutf-8) xml_dir Path(Annotations) yolo_dir Path(labels_all) yolo_dir.mkdir(exist_okTrue) xml_files list(xml_dir.glob(*.xml)) for xml_file in xml_files: voc_to_yolo(xml_file, class_names, yolo_dir) print(f转换完成{len(xml_files)} 个 XML 文件)逻辑说明先从size节点读出宽高作为归一化分母遍历所有object只认已知类别cls_id是class_names.index(name)所以这个列表的顺序就是最终训练的类别顺序中途不要变更否则模型前几次的权重全废。坐标裁剪那段是血泪经验——VOC 标注里偶尔会出现xmax超出图片宽度的情况不裁剪的话 YOLO 的损失函数计算会出 NaN。最后.6f保留 6 位小数足够表达亚像素精度别用str()拼接。3.3 转完必须做的三件事可视化、统计、查空文件转换完不是直接开训三件事缺一不可。第一件是可视化抽查把标注画回图上人眼核对import cv2 img cv2.imread(JPEGImages/img_000123.jpg) label_path labels_all/img_000123.txt h, w img.shape[:2] with open(label_path) as f: for line in f: cls_id, cx, cy, bw, bh map(float, line.split()) x1 int((cx - bw / 2) * w) y1 int((cy - bh / 2) * h) x2 int((cx bw / 2) * w) y2 int((cy bh / 2) * h) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(img, str(int(cls_id)), (x1, y1 - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2) cv2.imwrite(check_img_000123.jpg, img)第二件事是统计标签分布确认没有类别缺失、没有空文件import os from pathlib import Path labels_dir Path(labels_all) empty_files [] for txt in labels_dir.glob(*.txt): if txt.stat().st_size 0: empty_files.append(txt.name) print(f空文件数{len(empty_files)}) # 顺带统计每类框数量 from collections import Counter counts Counter() for txt in labels_dir.glob(*.txt): for line in txt.read_text().strip().splitlines(): counts[int(line.split()[0])] 1 print(counts)第三件事是核对图片和标签是否一一对应labels_all里的 txt 文件名应该在JPEGImages里找得到同名 jpg反之亦然。用集合差集一行搞定img_stems {p.stem for p in Path(JPEGImages).glob(*.jpg)} txt_stems {p.stem for p in Path(labels_all).glob(*.txt)} print(图片无标签, img_stems - txt_stems) print(标签无图片, txt_stems - img_stems)3.4 四个边界坑越界框、空框、类别名不一致、文件名不匹配第一个坑是越界框上面脚本里已经用min/max裁掉了但我要专门说一下为什么这么做YOLOv8 训练时如果 ground truth 的宽高出现负数损失函数里的 IoU 计算会得到异常值轻则 loss 震荡重则直接NaN。第二个坑是width0或height0的退化框成因通常是标注时手滑把xmin和xmax填反了处理方式是打印出来人工修正。第三个坑是类别名不一致——XML 里写的是Mobile Phone类别列表里写的是phone转换结果就是这一整张图的标注被全部跳过训练时图片被当成背景mAP 天然就低一截。修法是先对类别名做统一清洗比如全部转小写、去空格再进脚本。第四个坑是文件名不匹配图片叫IMG_20231001_001.jpgXML 叫img_20231001_001.xml看起来像同一个但字符串不相等脚本按stem配对时就漏了。我一般会写个模糊匹配或者直接看.xml文件里的filename节点来交叉校验这比猜文件名靠谱。4. 用 YOLOv8 在自带的数据上训练数据 yaml 与训练参数4.1 组装 YOLO 项目目录images 和 labels 必须镜像排列YOLOv8 要求的目录结构是 images 和 labels 两棵镜像树train 和 val 要分开。常见做法是把上一步切出来的 train/val 文件列表拿过来移动文件mkdir -p dataset/images/train dataset/images/val mkdir -p dataset/labels/train dataset/labels/val # 按 train.txt 移动图片和对应 txt while read stem; do mv JPEGImages/${stem}.jpg dataset/images/train/ mv labels_all/${stem}.txt dataset/labels/train/ done train.txt while read stem; do mv JPEGImages/${stem}.jpg dataset/images/val/ mv labels_all/${stem}.txt dataset/labels/val/ done val.txt注意labels_all里可能有只有 txt 没有 jpg 的孤儿文件移动前先跑一遍“图片无标签、标签无图片”的差集检查不然训练时 YOLO 会报assertion failed: no labels found看起来特别像数据集损坏其实就是路径没配对。4.2 写 data.yamlpath、train、val、nc、names 一个都不能少数据集组织好后在项目根目录建一个data.yaml# 数据集根目录绝对路径最省心 path: D:/projects/abandoned_detect/dataset train: images/train val: images/val nc: 52 names: 0: backpack 1: phone 2: wallet 3: umbrella 4: keys 5: bottle # ... 按转换脚本里的 class_names 顺序逐项列出参数说明path写绝对路径可以避免“相对路径取决于你从哪里启动终端”的玄学问题train和val是相对于path的子目录路径nc必须等于names的长度不一致时 YOLOv8 会直接报错告诉你类别数对不上。这里最常见的翻车方式是训练脚本里nc写了 52names只列了 50 个训练能跑但混淆矩阵和标签映射全乱。另外注意 YAML 不支持 tab 缩进用空格不然解析直接挂。4.3 训练命令与必调参数从预训练权重开始我用 YOLOv8n 起步做基准命令如下yolo detect train \ datadata.yaml \ modelyolov8n.pt \ epochs100 \ imgsz640 \ batch16 \ patience20 \ projectruns/detect \ nameabandoned_v8n参数说明modelyolov8n.pt会自动下载 COCO 预训练权重拿它做初始化比随机权重收敛快非常多这就是热词里“yolo预训练模型下载”的实际用途头一次跑会下载大约 6MB 权重。epochs100是保留量配合patience20实现早停——如果连续 20 轮验证集 mAP 没提升就自动停省时间。batch16看显存下面是几个典型配置显卡显存推荐参数备注8GByolov8n.ptbatch8imgsz 降到 64016GByolov8n.ptbatch16默认配置24GByolov8s.ptbatch16可以尝试 s 模型40GByolov8m.ptbatch32追求精度时再升 mimgsz640对 1080P 原图意味着会做缩放「缩到 640 后很多小目标只剩十几个像素」这个点要心里有数——之后验证时发现手机类别全漏检原因多半就在这。显存不够时优先降batch再不行降imgsz到 512最后才考虑换更小的模型不要一上来就换模型因为 52 类 2173 张的体量换大模型容易过拟合。4.4 遇到 BN 崩溃怎么办loss 变成 NaN 的排查路径“yolo训练中bn崩溃”这个现象在 52 类小数据集上出现的概率不低。现象是训练到某个 epoch 后 loss 突然变成nan终端里一行行刷下去全是警告验证集的 mAP 归零。原因通常有两种学习率太大导致 BatchNorm 的 running statistics 失稳或者是数据里混了像素值异常的全黑/全白图前向传播时方差为 0。排查路径按顺序走# 先看训练日志里 loss 爆炸前最后几个 epoch 的指标 yolo detect train ... # 重新跑时加上# 检查数据集里有没有纯色图片方差极低的图 import cv2 import numpy as np from pathlib import Path bad_images [] for img_path in Path(dataset/images/train).glob(*.jpg): img cv2.imread(str(img_path), cv2.IMREAD_GRAYSCALE) if img is None: bad_images.append((img_path.name, 无法读取)) continue if img.std() 5: bad_images.append((img_path.name, fstd{img.std():.2f})) print(bad_images)如果查出低方差图片直接删掉对应图片和标签再训练。如果是学习率问题把初始 lr 从默认的 0.01 降到 0.001或者开启 warmup 时长到 10 个 epoch都能压住 BN 崩溃。5. 避坑训练这个数据集常见的 5 个问题5.1 7z 解压时提示密码错误但密码明明是对的现象压缩包密码确定正确但7z x一直报Wrong password。原因常见原因有三个文件名包含非 ASCII 字符时终端编码不对中文文件名在部分 Linux 环境下被错误解析磁盘空间不足解压到一半写不进去也报密码错压缩包本身分卷了单独解压最后一个分卷必然失败。解决先7z t只测试不解压确认包完整再看磁盘剩余空间至少留出解压后体积的 2 倍如果是分卷包确保所有*.7z.001、*.7z.002都在同一目录且从 001 开始解压。顺带提一句解压到中文路径也容易出幺蛾子我一般先在纯英文路径下解压再改名。5.2 图片 2173 张但 XML 和 TXT 数量对不上现象find统计结果是 2173 张 jpg、2160 个 xml、2173 个 txt——txt 全但 xml 少了 13 个。原因标注人到后期漏标了一批图或者某几张图的 xml 在打包时被跳过但 YOLO 格式是后来自动转换补生成的。解决先找出缺 xml 的文件名用 txt 的存在性反推for f in JPEGImages/*.jpg; do stem$(basename $f .jpg) if [ ! -f Annotations/${stem}.xml ] [ ! -f labels_all/${stem}.txt ]; then echo $stem fi done如果 txt 存在而 xml 缺失说明转换源有问题要么找原始 xml 补回来要么丢弃这几张图——不要自己手工补框200 多张图里少 13 张不会影响整体分布手工标注反而可能引入坐标系错误。5.3 训练时 loss 正常但验证集 mAP 一直为零现象训练 loss 在降val 集 mAP 始终是0.000预测结果全是空框。原因最大的嫌疑是类别 ID 映射错位。比如你写names时把backpack排到了第 0 位但训练脚本读取的 txt 里类别 ID 是按另一种排序生成的phone的 ID 本来是 1 却被当成 0导致模型在学“类别特征错位”的任务loss 能降但验证集上完全对不上。解决回到 3.2 的转换脚本确认运行时用的class_names列表顺序和data.yaml的names顺序完全一致这两个地方通常是分两次写的最容易不一致。再跑一次可视化脚本把预测框画在图上直接看标签 ID 和实际物体的匹配关系一眼就能发现问题。5.4 混淆矩阵总合不唯一理解 YOLOv8 的混淆矩阵输出现象训练完看confusion_matrix.png发现每行加总不是 1热词里搜“yolo混淆矩阵总合不唯一”能搜出一堆人问。原因YOLOv8 的混淆矩阵统计的是“模型预测出的所有框中各类别占比”背景类background和漏检的框也在矩阵里所以行和列不仅包含真值类别还有background这一列。它不是一个严格的行归一化概率矩阵。解决不用改代码去“修正”。读矩阵时只看对角线数字那是真正预测对的比例再看background那一列谁最高那对应的是“模型最常漏掉什么类别”。如果phone大量被预测成background要么加这类样本要么针对小目标调imgsz或加数据增广。这个图的价值是定性地告诉你类别之间的混淆模式不是用来算精度的。5.5 验证集图片上下颠倒导致 mAP 虚高又虚低现象训练时验证集 loss 波动极大一张图特别准、下一张图 mAP 掉一半检查图片发现部分 jpg 自带 EXIF 旋转信息显示时是正的但模型读取的原始像素是横的。原因很多手机拍的照片用 EXIF orientation 字段存储旋转方向图片查看器会自动纠正但 OpenCV 和 YOLO 的解码库默认不读这个字段直接按原始像素训练。带 EXIF 的图和标注之间发生了 90°/180° 旋转错位等于一部分标签跑到了错误位置。解决在组装数据集时统一把图片重写一遍去掉 EXIF 旋转信息from PIL import Image from pathlib import Path for img_path in Path(dataset/images/train).glob(*.jpg): img Image.open(img_path) img img.convert(RGB) # 保存时不保留 EXIForientation 被清除 img.save(img_path, JPEG, quality95)这个坑最恶心的地方是不报错、不明显只有看验证集逐图输出时才能发现。转完后重新跑一次可视化检查重点看文字、指示牌这类有明确方向的物体方向对了再开训。6. 验证成果用混淆矩阵和 mAP 看模型是否真的学到了“遗失物”训练结束后不要在results.csv看到mAP50-950.45就急着收工那是平均指标会掩盖小目标类别翻车的问题。我习惯把混淆矩阵和 per-class 的 mAP 一起读。先看验证集上每一类单独的表现yolo detect val \ modelruns/detect/abandoned_v8n/weights/best.pt \ datadata.yaml输出里会列出每一类的mAP50和mAP50-95我一般按三个档次分类mAP50 0.7 的类别算及格0.4 到 0.7 的类别需要加数据低于 0.4 的类别基本等于没学会回数据集看它们的框数量有多少——多半是样本量个位数。混淆矩阵旁边会生成一张confusion_matrix_normalized.png注意看两类典型错误一是hat和head之类的同类异型物互相混淆说明语义边界不清解决方向是检查标签是否贴错二是wallet大量落在背景列说明小目标漏检解决方向是提升输入分辨率或者用多尺度测试。这个验证环节不是走流程它直接告诉你下一轮迭代该做什么而不是盲目加 epoch。进阶做法是用imgsz1024做一次 test-time augmentation 验证。训练时是 640验证时用 1024 推理小目标 IoU 计算空间变大对手机、钥匙这类类别有明显提升。实测这个数据集上imgsz 从 640 提到 1024 后 mAP50 一般能涨 2 到 5 个点代价是单张推理时间翻倍。实测时留意显存batch 降到 1 就行。我的习惯是部署阶段如果硬性要求实时性就只在验证策略里用高分辨率做离线评估选模型部署时回到 640 输入并观察掉点幅度再决定要不要优化输入预处理。这套流程走下来52 类的遗落物检测模型就能达到可接受的范围也希望这个方案帮你在自己的数据集上少走几步弯路。本文还有配套的精品资源点击获取
