简介VOC格式目标检测脚手架数据集包含1322张真实场景图片及对应XML标注文件面向需要进行目标检测模型训练、验证与算法调试的开发者或学生尤其适合作为基准数据集进行迁移学习、流程测试与检测器对比实验。压缩包共2000个文件主体为jpg图像与Pascal VOC格式的xml标注文件另附1个说明txt整体约202.49MB目录结构清晰可直接配合labelImg等标注工具理解格式并快速上手。数据集仅含“jsj”一个类别标注框数1341全部采用矩形框精准标注适合单类别检测任务也可作为多类别扩展或数据增强实验的基础数据因不包含分割路径及YOLO格式文件可减少干扰、专注目标检测核心流程。作者声明仅保证标注准确合理不承诺模型精度使用者可放心用于训练、验证与参赛准备。目前已有525人学习下载适合需要现成VOC格式数据以快速启动目标检测项目的读者。1. 1322张VOC格式的脚手架数据集小样本目标检测的练兵场做施工安全监测的同行应该都有同感工地场景的公开数据集本来就稀缺脚手架这种细分类别更是找不到现成的。1322张、VOC格式、目标检测脚手架数据集这三个关键词凑在一起基本就是给“想验证脚手架检测可行性但没预算自己采数据”的人准备的。适合谁呢第一类是刚接触目标检测、需要用真实标注数据跑通YOLO训练全流程的初学者第二类是有工地监控场景、想快速评估脚手架检测能否落地的工程师。1322张的规模说大不大但对单类别检测来说足够把网络收敛到能看的程度也足够把数据处理的坑全部暴露一遍。这篇文章就顺着“数据长什么样—怎么转格式—怎么训练—坑在哪—怎么迭代”这条线讲透。2. VOC格式拆到底从数据集目录到XML标注字段2.1 1322张的构成图片、XML和类别分布的摸底拿到手先别急着训练第一步是搞清楚这个数据集的结构。标准的VOC格式数据集目录长这样scaffold_dataset/ ├── JPEGImages/ # 1322张jpg图文件名一般是000001.jpg这种 ├── Annotations/ # 1322个同名xml标注 └── ImageSets/ └── Main/ # train.txt / val.txt 这种划分文件我先会跑一个命令看图片尺寸分布因为训练时候的imgsz参数要参考它python -c import os from PIL import Image from collections import Counter sizes Counter() for f in os.listdir(JPEGImages): img Image.open(os.path.join(JPEGImages, f)) sizes[img.size] 1 print(sizes.most_common(10)) 多数情况你会看到类似(1920, 1080)为主、混着少量(1280, 720)的结果。这说明数据集来自监控视频抽帧或无人机航拍分辨率不统一。后面转YOLO格式时归一化坐标可以无视分辨率差异但训练时如果混着极端长宽比imgsz640的resize策略要留个心眼。类别分布也要摸清楚。VOC格式的XML里每个object都有一个name拿Python统计一下import xml.etree.ElementTree as ET import os, glob cls_count {} box_count [] for xml in glob.glob(Annotations/*.xml): t ET.parse(xml) n 0 for obj in t.findall(object): name obj.find(name).text cls_count[name] cls_count.get(name, 0) 1 n 1 box_count.append(n) print(cls_count) # 各类别实例总数 print(平均每张框数:, sum(box_count) / len(box_count))这个数据决定了你要不要做类别均衡。单类别的话就不用操心了但如果是“脚手架安全帽人员”多类别大概率会看到严重的头部类别倾斜。2.2 XML标注里的6个字段哪个影响训练哪个是噪音VOC的XML标注里有这些关键字段我逐个说它们在训练里的命运字段取值示例对训练的影响filename000001.jpg只用于图片关联转格式时对齐用size的 width/height1920/1080坐标归一化必须靠它错一个全盘皆错objectnamescaffold类别名直接映射到类别idbndboxxmin/ymin/xmax/ymax检测框坐标训练和验证的直接输入truncated0/1目标被截断转YOLO时一般忽略difficult0/1难样本标志转YOLO时建议直接丢弃最容易翻车的是difficult。VOC原始定义里difficult1表示目标极难辨认比如遮挡超过70%在PASCAL VOC评测里这些样本不计入AP计算。但YOLO训练没有difficult概念如果你不处理这些框会被当成正常标注参与训练轻则损失爆炸重则让模型学到错误特征。我一般转换时直接过滤difficult1的框。truncated相对温和截断目标本身也是目标保留就行但如果截断比例过高比如脚手架在画面边缘被切了一半框的坐标会紧贴图片边界这会触发后面说的边界裁剪问题。2.3 用脚本统计标注质量先看再动手标注质量检查是很多人跳过的步骤但1322张的数据集只要混进去一批渣标注后面所有努力都白费。我会跑一个快速检查脚本看三种问题框越界、零面积框、类别名拼写不一致。import xml.etree.ElementTree as ET import glob for xml in glob.glob(Annotations/*.xml): t ET.parse(xml) root t.getroot() width int(root.find(size/width).text) height int(root.find(size/height).text) for obj in root.findall(object): name obj.find(name).text box obj.find(bndbox) xmin float(box.find(xmin).text) ymin float(box.find(ymin).text) xmax float(box.find(xmax).text) ymax float(box.find(ymax).text) # 检查越界 if xmin 0 or ymin 0 or xmax width or ymax height: print(f{xml}: {name} 越界 {xmin},{ymin},{xmax},{ymax}) # 检查零面积 if (xmax - xmin) 0 or (ymax - ymin) 0: print(f{xml}: {name} 零面积)这段代码的输出会帮你决定要不要先做一轮标注清洗。越界的框一般源自标注工具的手抖零面积框则是XML里填了重复坐标。这种脏数据不需要重新标注用后面的转换脚本顺手修掉就行。但如果发现大量越界且偏移值很大那说明标注工具的参数配置有问题建议直接检查原标注流程而不是靠脚本硬修。3. 把VOC转成YOLO训练格式转换脚本与坐标换算3.1 为什么训练首选YOLO格式而不是直接吃XMLYOLO系列训练时读的是txt标注不是XML。原因很实在YOLO的坐标是归一化的class x_center y_center width height模型在训练前不需要再解析XML树Dataloader用numpy直接读浮点数IOU计算和锚框匹配都在这个坐标系下完成。数据加载路径短了训练速度能快一截。另一个关键点是归一化坐标天然免疫分辨率变化。VOC的XML里size写的是1920x1080但如果有人把图片resize成了960x540XML里的bndbox数值不会跟着变直接训练会全盘错乱。转成YOLO格式后坐标是相对值resize图片不影响标注的正确性。常见的格式转换工具是labelimg自带的转换功能或者ultralytics提供的脚本。但第三方工具对difficult字段的处理往往很隐晦我自己会动手写转换脚本逻辑透明出了问题也好排查。3.2 目录拆分与代码实现这一步的核心动作是“解析XML→归一化坐标→生成txt”。我给的脚本是单类别版本多类别只需改一行映射字典import xml.etree.ElementTree as ET import os, random # 类别映射XML里的name - 数字id # 多类别时在这里追加比如 {scaffold:0, helmet:1} class_map {scaffold: 0} IMG_DIR JPEGImages ANN_DIR Annotations OUT_DIR labels os.makedirs(OUT_DIR, exist_okTrue) def convert_bbox(size, box): dw 1.0 / size[0] dh 1.0 / size[1] x_center (box[0] box[2]) / 2.0 y_center (box[1] box[3]) / 2.0 w box[2] - box[0] h box[3] - box[1] # 归一化并clip到[0,1]防止越界 x_center min(max(x_center * dw, 0), 1) y_center min(max(y_center * dh, 0), 1) w min(max(w * dw, 0), 1) h min(max(h * dh, 0), 1) return (x_center, y_center, w, h) for xml in os.listdir(ANN_DIR): if not xml.endswith(.xml): continue tree ET.parse(os.path.join(ANN_DIR, xml)) 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.findall(object): # 过滤difficult1的标注 if obj.find(difficult) is not None and obj.find(difficult).text 1: continue name obj.find(name).text if name not in class_map: continue box obj.find(bndbox) # 转float再参与计算避免字符串拼接错误 bbox [float(box.find(tag).text) for tag in (xmin, ymin, xmax, ymax)] cx, cy, w, h convert_bbox((img_w, img_h), bbox) out_lines.append(f{class_map[name]} {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}) # 写txt文件名与图片同名 txt_path os.path.join(OUT_DIR, xml[:-4] .txt) with open(txt_path, w) as f: f.write(\n.join(out_lines)) print(转换完成, 标签文件在:, OUT_DIR)这段代码有几个细节值得展开说。第一float()转换放在循环外先处理好避免XML里的字符串被反复解析第二归一化后clip到[0,1]这一步直接消掉了2.3节说的越界问题但要注意clip本身会让边缘框的坐标失真后面避坑章节细说第三过滤difficult的判断条件同时兼容了标签缺失和显式赋值两种情况。3.3 类别文件与数据集YAML路径和参数的对应关系转换出txt只是第一步训练前还要准备好两个文件classes.txt和数据集yaml。前者给labelimg等标注工具做可视化验证用后者直接喂给YOLO训练器。# scaffold.yaml path: /data/scaffold_dataset # 数据集根目录建议写绝对路径 train: images/train # 训练图片目录 val: images/val # 验证图片目录 nc: 1 # 类别数 names: [scaffold] # 类别名列表顺序必须与txt里的数字id一致这里我吃过一次亏names里的顺序和转换脚本里class_map的value不是一一对应导致验证集可视化时框的颜色和名字全错位了。后来我就在转换脚本里直接把class_map的key按value排序后打印出来训练前核对一眼比训练完再看可视化省事得多。目录结构建议从源头就规范好别两边飘scaffold_dataset/ ├── images/ │ ├── train/ # 从JPEGImages里按划分移动 │ └── val/ ├── labels/ │ ├── train/ # 对应txt │ └── val/ └── scaffold.yaml图片和标签的train/val划分必须严格对应images/train里出现的图片labels/train里必须有同名txt反过来labels里有多余的txt训练时会因为读不到图片直接报错。这个对应关系可以用一个简单的os.listdir对比脚本做校验写进流程里省得每次手动检查。4. 用YOLOv8训练脚手架检测模型参数配置与收敛调优4.1 训练命令与关键超参格式转换完毕进入训练环节。我用YOLOv8来演示因为Ultralytics的CLI接口对新手最友好命令参数也直观。训练1318张过滤掉difficult和多出的重复样本后的数据集命令长这样yolo detect train \ datascaffold.yaml \ modelyolov8n.pt \ epochs200 \ imgsz640 \ batch16 \ lr00.005 \ patience30 \ projectscaffold_runs \ nameexp1参数逐个说。modelyolov8n.pt是nano版本430万参数对1322张的小数据集来说n和s的参数量级都有点冒险稍微大一点的模型在小数据上极易过拟合后面讲模型选择的时候再展开。epochs200看起来多但配合patience3030个epoch验证集不涨就早停实际跑多久取决于数据复杂度。lr00.005比默认的0.01降了一半小数据集上大学习率很容易让loss震荡我一般起步就调低。训练过程中盯着两个曲线train/loss和metrics/mAP50(B)。如果loss稳步下降、mAP同步上升说明学进去了如果loss下降但mAP纹丝不动大概率是数据里有脏标注或者类别不平衡。不要只盯loss曲线loss低不代表检测准。4.2 数据增强参数在小数据集上的加成1322张图片对目标检测来说属于“略有盈余但微不足道”的水平数据增强就是这阶段的主要靠山。YOLOv8的增强参数可以直接在训练命令里改我常用这一组yolo detect train \ datascaffold.yaml \ modelyolov8n.pt \ epochs200 \ imgsz640 \ batch16 \ lr00.005 \ mosaic1.0 \ mixup0.2 \ fliplr0.5 \ hsv_h0.015 \ hsv_s0.7 \ hsv_v0.4 \ scale0.5 \ translate0.1脚手架检测的特殊性在这里体现得很明显。fliplr0.5是通用的左右翻转脚手架结构虽然对称但工地场景里人员和吊车的分布方向性很强翻转相当于把数据量翻倍hsv_*三个参数控制色调、饱和度和亮度的扰动幅度工地图片经常在日出日落时段拍摄亮度扰动能让模型对逆光和阴影更鲁棒。mosaic1.0是四张图拼一张的训练策略对提升小目标检测效果明显。但这里有个小数据集的悖论mosaic会做随机裁剪和缩放如果原图里脚手架本身很小比如远处的塔吊mosaic裁剪后可能只剩一半脚手架反而制造了低质量样本。我看到mosaic1.0在某些项目上把mAP拉低是因为训练中后期这种极端样本占比太高。稳妥的做法是前100个epoch用mosaic1.0后面降到0.5或者直接用Ultralytics的close_mosaic10参数让最后10个epoch自动关闭mosaic。4.3 模型选择n/s/m哪一档适合1322张这个选择直接决定你后续所有调试成本。我拿脚手架检测的实测经验说结论优先选yolov8n或者yolov8s不要上m。模型参数量训练显存(bs16,640)小数据表现yolov8n430万约6GB收敛快mAP50可达0.75-0.85yolov8s1110万约10GB和n差距不大显存不够就别硬上yolov8m2580万约16GB在小数据集上容易过拟合验证mAP波动大我之前做过一组对照同一份786张的工地脚手架数据yolov8n的验证mAP50是0.812yolov8m反而掉到0.793。原因不玄学m模型的容量太大1322张图提供的梯度信号不足以约束那么多参数于是泛化反而变差。你如果是要部署到工地的边缘盒子设备上n模型在Jetson Orin Nano上能跑到30FPS以上性价比最高的选择。还有个容易被忽略的坑yolov8n.pt是COCO预训练权重COCO里没有脚手架这个类别。别担心迁移学习的问题预训练权重给的是底层特征提取能力边缘、纹理、形状不是类别语义。在目标检测微调中骨干网络的前几层参数基本学的是通用视觉特征新类别数据的梯度会更新后面的检测头这个机制决定了小数据集用预训练权重是稳定正收益。5. 避坑指南小样本VOC数据集训练中的5个常见问题5.1 坐标越界与零面积框转换脚本的边界坑现象转换脚本跑完后某些txt里出现了-0.003或者1.057这种越界值或者训练时某一张图的loss突然变成nan。原因XML里bndbox坐标超过了图片宽度/高度或者xmax和xmin填了相同值。这类脏数据在手工标注时很常见尤其是标注到画面边缘的目标时。解决在3.2的转换脚本里已经做了clip但clip本身也有副作用——它把越界坐标强行矫正到图片边界如果越界值是负数clip后框的尺寸会大于真实目标。我现在的习惯是转换时打印报警信息但不中断转换完成后单独统计越界框数量。如果越界框超过总数的1%就把这些图挑出来人工复检低于1%就让clip兜底不影响训练。5.2 类别极其不平衡时谁拉低了mAP现象多类别标注脚手架人员安全帽训练结束时安全帽类的mAP只有0.1其他两类达到0.8。原因类别实例数差距超过了10倍。1322张数据里可能有800个脚手架框但安全帽只有150个。模型把多数类的特征学得滚瓜烂熟对少数类的响应在损失函数中被多数类淹没。解决两个方向。第一是在数据层面做少数类过采样把包含安全帽的图片在训练epoch中多抽几轮Ultralytics支持datasets的repeat参数但手写起来容易出错我更倾向直接修改损失权重loss_om5这种调参方式对不同类别给不同梯度倍率效果直观。第二是用目标检测常用标注工具比如X-AnyLabeling给少数类补标把安全帽框数拉到500以上这是治本方案。5.3 训练集和验证集同源泄露造成的假mAP现象训练mAP50高达0.95但部署到新场景的视频流里检测效果惨不忍睹漏检一大堆。原因数据划分用了完全随机的方式但没有考虑数据来源。工地脚手架的图片往往来自同一条视频的连续抽帧如果某一段视频的80%帧进了训练集、20%进了验证集验证集和训练集的画面高度相似mAP虚高是必然的。解决按“场景”划分而不是按“图片”划分。先把所有数据的文件名按拍摄机位、日期或视频源分组比如cam01_20250101_f01234.jpg这种命名方式然后确保同一个组的数据全部落在训练集或验证集。这个逻辑用脚本实现不难关键是数据采集时的命名规范就要预留分组信息。5.4 模型微调崩了学习率与冻结层的玄学现象loss在前50个epoch正常下降突然某个epoch后训练loss反弹到原来的两倍验证mAP跟着崩再也回不去。原因这种“训练崩了”绝大多数是学习率过大加上warmup结束后的momentum冲击。尤其在小数据集上每个batch的梯度方向差异大学习率稍微高一点就可能冲过损失函数的低谷。解决第一反应是把lr0从0.01降到0.003再试。如果还崩用freeze10冻结前10层骨干网络只训练检测头和后面几层特征层梯度更新的参数变少、噪声变小模型更稳。Ultralytics的freeze参数按模型层序号划分yolov8n总共约73层冻结前10层相当于把backbone的前半段锁死对脚手架这种纹理相对单一的场景影响不大。5.5 标注框过紧NMS参数失控的根源现象模型推理时同一根脚手架杆件上叠了五六个框NMS前score很高但NMS后全被压制最终漏检。原因VOC数据集的标注框习惯紧贴目标边缘而脚手架这种重复结构密集的物体标注框之间高度重叠——两根相邻立杆的框IoU可能超过0.6。YOLOv8默认的NMS IoU阈值是0.7两个高置信度且高IOU的框会互相抑制。解决训练阶段调整nms_iou_thres0.45威压重叠框或者conf_thres0.25更根本的解法是在转换脚本里对标注框做外扩。给每个bndbox的坐标向外扩展5~10像素让人工标注的“紧框”变成略微宽松的学习目标模型学到的框边框更自然推理时NMS的竞争也小一点。这个操作在3.2脚本的convert_bbox函数里加两行就行。6. 验证与进阶用法从mAP到难例挖掘再到数据扩充6.1 用Ultralytics内置脚本做验证与混淆矩阵训练完别急着部署先用验证集做一次完整评估拿到的不只是mAP数字还有模型的行为画像yolo detect val \ modelruns/scaffold/exp1/weights/best.pt \ datascaffold.yaml \ conf0.25 \ iou0.5 \ save_jsonTrue \ save_txtTruesave_jsonTrue会输出一个predictions.json里面每一行对应一个检测结果save_txtTrue会把验证集每张图的预测框写成txt。我拿到这两个输出后习惯用一个小脚本把“高置信度但预测错误”的样本挑出来具体逻辑是对每张验证图如果预测框的置信度大于0.7但和任意标注框的IoU小于0.3就计入误检池存到单独的目录里。这些图片就是模型“自信地犯错”的难例比盲目看mAP数字有价值得多。6.2 难例挖掘把漏检样本送回标注流程难例挖掘不是只有学术论文里的复杂流程落地做法很朴实用训练好的模型去预测一批没标注过的工地图片然后人工看那些置信度在0.3~0.5之间的模糊预测。对应到脚手架场景我一般是攒一批新机位或不同光照条件的照片直接跑推理yolo detect predict \ modelruns/scaffold/exp1/weights/best.pt \ sourcenew_frames/ \ conf0.3 \ save_txtTrue \ save_confTrue把输出txt里置信度在0.3~0.45之间的框导出成一个list再用标注工具我用的X-AnyLabeling半自动修正把漏检的脚手架框补上。这一轮补充的标注量不用太多150~200张图就能明显提升模型在新场景的泛化能力。难例挖掘的本质是“让模型告诉你它哪里没学会”比你自己盲猜哪里弱高效得多。6.3 数据扩充的三个方向负样本、场景迁移与开放词汇到这一步如果模型在你的验证集上mAP已经能看0.7以上但仍不满足部署要求数据扩充是下一步的关键。脚手架检测的数据扩充有三个具体方向按性价比排序第一是负样本。现在数据集里几乎每张图都有脚手架但工地场景的真实监控画面是大量无脚手架的背景帧。收集200张纯背景图工地围墙、材料堆、水泥地面标注为空标签能显著降低误检率。这是最便宜且容易被忽略的提升手段。第二是场景迁移。用预训练权重做跨域微调之前先把脚手架检测模型在公开的建筑工地数据上做一轮中间训练比如CALTECH建筑的图片再回到你的数据集精调。这个“先粗后细”的二阶段微调在小样本场景里效果极佳但实现成本稍高需要额外的中间数据。第三是开放词汇目标检测留作长期演进。如果未来需要检测的物体类型不可枚举比如各种施工设备可以先拿当前模型生成一批伪标注再用开放词汇模型做类别扩充。这一步对经验要求高建议至少人手能把YOLO训练闭环跑顺之后再碰。做目标检测数据集和模型迭代这几年我养成的一个习惯是每跑一轮训练都把“训练参数验证指标结论”写进一个简单的训练日志文件哪怕只是命令行跑的记录。这个习惯帮你省掉大量的“这个mAP是哪个模型跑出来的”的后悔药时刻。希望这篇从VOC格式拆解到YOLO训练调优的笔记帮到你愿你的模型第一次跑就能收敛。本文还有配套的精品资源点击获取
