电塔鸟巢检测数据集：1165张VOC+YOLO双格式与YOLOv8微调实战

简介面向电塔上鸟巢检测场景的专业目标检测数据集提供Pascal VOC与YOLO两种主流标注格式便于直接用于YOLO系列、Faster R-CNN等常见检测模型的训练也可服务于生态观测、电网安全巡检等实际项目。压缩包整体约87.32MB共2000个文件以xml与txt标注文件为核心对应1165张电塔鸟巢图片标注类别统一为“nest”鸟巢共1187个真实标注框全部由labelImg工具按矩形框规则绘制标注信息清晰规范可直接开展模型训练与精度评估。目前已有202人学习并下载非常适合刚入门目标检测的开发者以及电网、生态领域的研究人员快速上手使用。除规范标注外数据集中还覆盖多角度、多尺度的电塔鸟巢样本可帮助训练模型在复杂背景中更稳定地识别鸟巢降低电网人工巡检强度提升监测自动化水平。1. 电塔鸟巢检测为什么值得单独做一份数据集电网巡检里电塔上的鸟巢一直是个让人头疼的目标。它不像车辆、行人那样轮廓清晰鸟巢由树枝、枯草、塑料杂物堆叠而成形状随机、颜色和背景高度接近而且往往挂在绝缘子串、横担、塔身角钢这些结构复杂的位置。很多做目标检测的团队拿通用数据集预训练模型直接往巡检画面上套结果漏检率高得离谱——不是模型不行是训练数据里根本没有这种“野生”形态的目标。本文要说的这份目标检测电塔上鸟巢检测数据集1165张、VOCYOLO双格式就是一个把鸟巢检测当成独立任务来做的典型方案数据量不大但类别聚焦、标注格式齐全拿去做YOLOv8或其他检测模型的微调落地步骤清晰门槛低。适合谁看手里有巡检图像但不知道怎么组织数据集的人、正在做输电线路视觉缺陷检测的算法工程师、以及想用YOLO系列跑通一个真实垂直场景的新手。下面我按“数据集结构 → 数据质检与统计 → 训练配置 → 避坑 → 进阶验证”这条路径把整套落地方法讲透。2. 1165张的双格式数据集VOC和YOLO分别解决什么问题2.1 一份数据集为什么要同时给两种格式很多第一次接触数据集的人会问VOC和YOLO不都是目标检测的标注格式吗给一种不就行了实际工程里这两种格式各有各的不可替代性。VOC格式是PASCAL VOC比赛定下的标准每个图像对应一个同名XML文件里面用object标签记录目标的类别名和bndbox边界框坐标坐标是整数像素值人眼可读、方便调试。YOLO格式则是Darknet/Ultralytics生态采用的txt文本格式每行一个目标格式为类别id x_center y_center width height这四个值全部归一化到0到1之间。在真实项目流转中标注团队一般用labelimg打标导出成VOC的XML而训练YOLO系列模型时ultralytics库的DatasetLabeler和训练接口直接认YOLO格式。如果只给VOC我得自己写转换脚本如果只给YOLO新手想可视化检查标注框又得转回VOC。这份数据集把两个都给了省掉的是工程里最烦的“格式转换踩坑”环节。常见的目录组织方式是dataset/ ├── VOC/ # VOC格式全套 │ ├── JPEGImages/ # 原始图片 │ ├── Annotations/ # XML标注 │ └── ImageSets/Main/ # train/val划分 ├── YOLO/ # YOLO格式全套 │ ├── images/ # 图片通常按train/val分目录 │ └── labels/ # txt标注文件名与图片一一对应 └── classes.txt # 类别清单我用过很多公开数据集凡是只给一种格式的到手第一件事永远是写转换脚本。这份双格式看起来只是多了一批文件实际上是省了一整天的预处理时间。2.2 VOC转YOLO的核心逻辑与完整脚本如果哪天你拿到一份只有VOC标注的数据集或者你想校验这份数据集的YOLO格式是否正确自己写转换脚本依然是基本功。VOC的XML里size节点给出了图像的宽高bndbox节点给出了xmin, ymin, xmax, ymaxYOLO要的是归一化后的中心点坐标和宽高换算关系很简单x_center (xmin xmax) / 2 / widthy_center (ymin ymax) / 2 / heightw (xmax - xmin) / widthh (ymax - ymin) / height下面是我在实际项目中反复用的转换脚本直接处理整个VOC目录import os import xml.etree.ElementTree as ET from pathlib import Path def voc_to_yolo(xml_path, out_txt_path, class_names): 将单张VOC XML标注转为YOLO txt class_names: 类别列表顺序决定类别id tree ET.parse(xml_path) root tree.getroot() img_w int(root.find(size/width).text) img_h 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 # 跳过未定义类别 cls_id class_names.index(name) bbox obj.find(bndbox) xmin float(bbox.find(xmin).text) ymin float(bbox.find(ymin).text) xmax float(bbox.find(xmax).text) ymax float(bbox.find(ymax).text) # 边界保护防止越界和零尺寸 xmin max(0, min(xmin, img_w - 1)) xmax max(0, min(xmax, img_w - 1)) ymin max(0, min(ymin, img_h - 1)) ymax max(0, min(ymax, img_h - 1)) if xmax xmin or ymax ymin: print(f跳过异常框: {xml_path} - {name}) continue x_center round((xmin xmax) / 2.0 / img_w, 6) y_center round((ymin ymax) / 2.0 / img_h, 6) w round((xmax - xmin) / img_w, 6) h round((ymax - ymin) / img_h, 6) lines.append(f{cls_id} {x_center} {y_center} {w} {h}) with open(out_txt_path, w) as f: f.write(\n.join(lines)) # 批量转换示例 voc_dir VOC/Annotations yolo_label_dir YOLO/labels/val class_names [bird_nest] # 单类别数据集id为0 os.makedirs(yolo_label_dir, exist_okTrue) for xml_file in Path(voc_dir).glob(*.xml): out_txt Path(yolo_label_dir) / (xml_file.stem .txt) voc_to_yolo(str(xml_file), str(out_txt), class_names)这段脚本的逻辑很简单解析XML → 读取宽高 → 遍历每个object→ 换算归一化坐标 → 写出txt。我特意加了三个细节类别不在清单里就跳过、边界框做越界裁剪、宽高为零的异常框直接过滤。这三个细节看起来不起眼实际跑数据的时候救过我好几次——标注员经常手滑把xmax标得比图像宽度还大或者框退化成一条线不过滤的话YOLO训练时会直接报错或者把这个框当成负样本损失函数直接崩掉。这里也顺带说下转换版本的口径差异VOC2012的XML里坐标是整数有些工具导出的坐标会带小数点脚本里用float()统一接收完全没问题另外如果XML里没有size节点说明这张图本身就是坏的建议直接跳过而不是猜一个尺寸。3. 训练之前先做数据质检把1165张的底细摸清楚3.1 标签分布、图片尺寸、框面积的统计脚本数据集拿到手我做的第一件事永远不是直接开训而是先写一个统计脚本。1165张这个规模不算大但正因为不大任何数据质量瑕疵都会被放大——几十张坏图就相当于百分之几的训练样本被污染。我一般统计三个维度类别数量分布、图像尺寸分布、边界框面积分布。这三个维度能快速暴露标注漏标、标注偏移、小目标占比过高三类问题。import os from PIL import Image from pathlib import Path import collections def analyze_dataset(images_dir, labels_dir): img_sizes [] box_areas [] box_counts [] total_boxes 0 for img_path in sorted(Path(images_dir).glob(*.jpg)): with Image.open(img_path) as im: w, h im.size img_sizes.append((w, h)) label_file Path(labels_dir) / (img_path.stem .txt) count 0 if label_file.exists(): for line in label_file.read_text().strip().splitlines(): parts line.split() if len(parts) ! 5: print(f格式异常: {label_file} - {line}) continue _, xc, yc, bw, bh map(float, parts) area bw * bh # 归一化面积 box_areas.append(area) count 1 box_counts.append(count) total_boxes count print(f图像数量: {len(img_sizes)}) print(f目标框总数: {total_boxes}) print(f平均每张图框数: {total_boxes / len(img_sizes):.2f}) print(f图像尺寸范围: {min(w for w, h in img_sizes)}x{min(h for w, h in img_sizes)} ~ f{max(w for w, h in img_sizes)}x{max(h for w, h in img_sizes)}) print(f框面积分布(归一化): p50{sorted(box_areas)[len(box_areas)//2]:.4f}, fp90{sorted(box_areas)[int(len(box_areas)*0.9)]:.4f}) print(f无标注的图片数: {sum(1 for c in box_counts if c 0)})这个脚本输出的几个指标里最值得关注的是“无标注的图片数”和“框面积分布的p90值”。如果无标注图片超过总量的百分之五说明漏标问题严重需要回炉如果p90面积小于0.01说明九成的目标框都是小目标训练时imgsz就得往大了设否则这些小目标在缩放时直接被踩碎。3.2 巡检图像的特点大图、多尺度、小目标电塔巡检图像有个鲜明特点图片尺寸普遍偏大常见的是4K甚至更高分辨率而鸟巢在整张图里往往只占很小一块区域。用YOLOv8训练时如果默认imgsz640一个只占原图百分之二面积的鸟巢缩放后可能只剩十几个像素特征几乎完全丢失。这也是很多人拿通用模型在电塔图片上翻车的根本原因。针对这个情况我通常的做法是两选一要么训练时把imgsz调到1280甚至1536要么在预处理阶段把原图按滑窗切成若干块再训练。滑窗方案的效果通常更好因为切块后鸟巢的相对尺度变大模型能学到更多纹理细节但代价是推理时要写拼接逻辑工程复杂度上升。如果只想快速验证先把imgsz1280跑起来看效果是最省事的路径。另外值得注意的一点是曝光问题。电塔巡检图很多是逆光拍摄鸟巢处于阴影中肉眼都难分辨。做数据增强时hsv_h、hsv_s、hsv_v这三个参数对这类暗光场景非常有用实测把hsv_v扰动调到0.02左右能明显提升模型对光照变化的鲁棒性。4. 用YOLOv8微调从yaml配置到训练命令4.1 组织数据集目录与编写data.yamlultralytics框架训练的第一步是准备好data.yaml它告诉训练器去哪找图片和标签。针对这份1165张的双格式数据集常见做法是把YOLO目录下的images和labels按train/val划分好然后写一个简洁的yaml文件# data.yaml path: /path/to/dataset/YOLO # 数据集根目录 train: images/train # 训练集图片目录 val: images/val # 验证集图片目录 nc: 1 # 类别数1类鸟巢 names: [bird_nest] # 类别名列表这里有个容易踩的坑path、train、val三个字段是拼接关系如果用绝对路径写在path里train和val必须给相对路径如果写死完整路径反而容易因为路径拼接出错。我习惯统一用相对路径方案代码可移植性最好。划分比例方面1165张的规模我一般按8:2划分即932张训练、233张验证。不用单独分测试集因为这类垂直场景数据集的核心诉求是“在真实巡检图上能不能用”而非发论文刷榜单。4.2 训练命令与关键参数调整ultralytics的训练命令非常简单但参数选择才是决定效果的关键yolo detect train \ modelyolov8s.pt \ datadata.yaml \ epochs100 \ imgsz1280 \ batch8 \ workers4 \ patience20 \ optimizerAdamW \ lr00.001 \ hsv_h0.015 \ hsv_s0.7 \ hsv_v0.02 \ degrees10 \ translate0.1 \ scale0.3 \ fliplr0.5逐参数说下怎么调。modelyolov8s.pt我从s版本起步而不是n因为鸟巢纹理复杂n的骨干网络太浅特征提取能力吃紧如果显存够直接上m或l效果更稳。imgsz1280是上文提到的小目标对策这是本任务里最重要的一个参数不要省。batch8对应1280分辨率下大约需要10-12GB显存如果你的显卡只有8GB显存把batch降到4或者imgsz降到960两者必须保住一个。patience20表示验证集指标20个epoch不提升就早停防止过拟合。数据增强方面degrees10给一个轻微旋转——电塔图像里鸟巢姿态多样但叶片类物体会因为旋转产生方向歧义10度足够scale0.3控制缩放扰动配合imgsz1280让小目标有更多尺度变化。训练完用这个命令验证效果yolo detect val \ modelruns/detect/train/weights/best.pt \ datadata.yaml \ imgsz1280 \ conf0.25conf0.25是我的习惯默认值低于这个阈值的框全被丢掉。如果验证结果里mAP50在0.85以上但mAP50-95明显偏低说明框的定位精度不够优先怀疑标注框是否贴边其次再考虑加大imgsz。4.3 推理部署时必调的两个参数conf和iou训练结束后进入推理阶段很多人直接拿默认参数跑发现一堆误检。如果用的是YOLOv8的predict模式核心要调的是conf和iou两个参数。conf是置信度阈值只保留分数大于该值的框巡检场景我通常设0.3到0.35——设太高会漏检小鸟巢设太低会有大量误报。iou是NMS的IoU阈值控制重叠框的合并策略。鸟巢密集出现的场景一个塔上多个鸟巢挨在一起需要把iou调低到0.4左右否则相邻的两个鸟巢会被合并成一个漏掉其中一个。from ultralytics import YOLO model YOLO(runs/detect/train/weights/best.pt) results model.predict( sourcetest_images/, conf0.30, iou0.40, imgsz1280, saveTrue, save_txtTrue, save_confTrue )这里save_txtTrue会输出YOLO格式的检测结果txt文件save_confTrue会把置信度一并写入方便后续做阈值分析。这两个开关在生产环境里很有用——你要给巡检系统上报告警信息时必须知道每个框的置信度来做二次筛选。5. 电塔鸟巢数据集常见坑标注、训练、推理三个环节的排错记录5.1 坑一标注把遮挡目标当成背景漏标现象训练完的模型在测试图上漏检漏掉的全是树枝遮挡严重的鸟巢没有遮挡的几乎全检出来。原因看回原始标注发现大量被塔材、绝缘子串遮挡了三分之一以上的鸟巢被标注员直接忽略。这在VOC里看不出来因为XML里少一个object不报错但在训练时这些区域被隐式当成背景模型学到的是“被遮挡的鸟巢背景”。解决这是数据质量最隐蔽也最致命的问题。我的做法是写个小脚本把标注框画到图上做全量可视化审查重点看漏标。如果不想全人工复核就先用当前模型预测一遍训练集把“预测框与所有真值框IoU都小于0.1”的检测结果导出来这些大概率是漏标样本。确认后补标再训练这类数据补上比单纯堆epoch管用得多。5.2 坑二YOLO标签归一化坐标越界导致训练损失异常现象训练的前几个epochbox_loss突然飙到几十甚至上百然后训练直接卡死或者loss变成nan。原因XML转YOLO时没做边界检查或者标注框本身超出了图像边界。比如xmin-5这种标注转出来归一化坐标就是负数YOLO的损失函数对越界框极其敏感一个坏框就能毁掉整个训练。解决训练前对所有txt做一次合法性检查——坐标必须在0到1之间宽度高度必须大于0。用上文2.2节里的转换脚本时这些检查已经内置了如果你是手工标注或从第三方拿数据务必跑一遍这段校验逻辑。我曾经被一个越界框折腾了整整两天最后用下面的脚本筛出来的从那以后这个校验成了我的固定流程。import os from pathlib import Path def validate_yolo_labels(labels_dir): bad_files [] for txt_file in Path(labels_dir).glob(*.txt): for line in txt_file.read_text().strip().splitlines(): parts line.split() if len(parts) ! 5: bad_files.append((str(txt_file), 字段数不对)) break _, xc, yc, w, h map(float, parts) if not (0 xc 1 and 0 yc 1 and 0 w 1 and 0 h 1): bad_files.append((str(txt_file), 坐标越界)) break if w 0.001 or h 0.001: bad_files.append((str(txt_file), 框尺寸过小)) break return bad_files5.3 坑三验证集划分不当造成成绩虚高现象训练时mAP50到了0.9以上看起来很漂亮但一放到新的巡检照片上立刻现原形漏检严重。原因很多数据集发布时只给了一个train/val划分如果没有打乱而是按拍摄批次划分同一基塔的连续航拍帧很可能同时出现在训练集和验证集里模型背下了场景而不是学到了鸟巢。解决拿到数据集先检查划分方式。如果是按文件名前缀排序划分的大概率有问题。稳妥做法是自己做一次随机划分并且尽量保证同源图片进同一集。这份1165张的数据集我一般先按文件名打乱再按8:2切分。另一个更严格的办法是直接把一批连续帧整组划分而不是逐张随机——这才是对真实场景的有效评估。5.4 坑四背景误检把绝缘子串当成鸟巢现象推理时模型在绝缘子串和均压环上频繁给出高置信度框形状确实有点像鸟巢的团状杂物。原因数据增强没做够或者训练集里负样本没有鸟巢、但有类似纹理的图像太少。模型没有见过足够多的“绝缘子上没有鸟巢”的例子分不清特征边界。解决有两个方向。一是收集几十张不含鸟巢的巡检图放进验证集专门看误检率二是在训练时加入更多的Mosaic增强让模型适应更多背景组合。实测调高mosaic1.0并让close_mosaic10最后10个epoch关闭mosaic能明显压住这类误检。6. 进阶用法用滑窗推理处理4K大图把成果落到巡检流程里最后的进阶技巧回到电塔鸟巢检测最实际的场景——4K大图推理。直接整图送进模型显存吃不消直接缩放小目标全丢。滑窗推理是行业里常用的解法。核心思路是把大图切成若干个1280×1280的窗口每个窗口独立推理最后把所有窗口的检测框映射回原图坐标再做一次跨窗口的NMS合并。import cv2 import numpy as np from ultralytics import YOLO model YOLO(best.pt) img cv2.imread(tower_4k.jpg) H, W img.shape[:2] window_size 1280 stride 960 # 步长小于窗口保证重叠 boxes [] for y in range(0, H, stride): for x in range(0, W, stride): x2 min(x window_size, W) y2 min(y window_size, H) crop img[y:y2, x:x2] results model.predict(crop, imgszwindow_size, conf0.3, iou0.4) for box in results[0].boxes: cx, cy, bw_, bh_ box.xywh[0].tolist() # 窗口坐标 - 原图坐标 abs_x x cx - bw_ / 2 abs_y y cy - bh_ / 2 boxes.append([abs_x, abs_y, abs_x bw_, abs_y bh_, box.conf[0].item()]) # 跨窗口NMS合并 from ultralytics.utils.ops import non_max_suppression # 将boxes转为tensor后调用nms滑窗的stride设置是个权衡stride越小重叠越多漏检越少但推理耗时线性上升。我通常取窗口大小的75%即1280窗口步长960在漏检和耗时之间取平衡。窗口边缘的鸟巢如果被切开模型可能识别不全重叠区域能让NMS有机会把残框合并成完整框。这件事做完我一般还会把输出结果里的检测框坐标换算成经纬度挂到巡检工单系统里。运维人员要的不是一张画了框的图而是“哪座塔、哪个朝向、什么高度有鸟巢”的可执行信息。数据集的终点不是模型指标是能不能让巡检工人少爬一次塔。这些年做垂直场景检测我最大的感受是像电塔鸟巢这种小目标识别数据集的质量和针对性永远比模型结构的复杂度重要。先把手头的数据摸透比盲目堆改进模块实在得多。希望帮到你。本文还有配套的精品资源点击获取