YOLO公交车检测实战：VOC数据集转换与训练避坑指南

简介公交车检测是智能交通与自动驾驶中的常见需求。该数据集从PASCAL VOC 2012训练验证集中筛选出所有含公交车的图像整理为单类别YOLO检测数据压缩包共1402个文件其中467张JPEG原始图片与467个XML标注一一对应另有468个TXT标签转换文件整体约55.82MB。XML标注记录了边界框精确坐标、物体宽高比例等细节TXT文件则提供简洁的边界框信息便于直接生成YOLO训练所需的格式适合初学目标检测或专注公交车场景的开发者快速上手。目前已有643人学习下载资源既可用于YOLOv3/v4/v5等模型的训练与评估也可作为交通监控、车流统计等方向的前期实验数据是练习数据标注格式转换和单类别目标检测的实用素材。1. 先聊聊这份YOLO公交车检测数据集到底能干什么公交车检测在交通监控和辅助驾驶里是个很具体又很烦的场景白天逆光、晚上灯牌反光、车身广告遮挡、公交站台多车重叠想把公交车从车流里稳定挑出来比单纯检测小汽车要难不少。这就是我拆这份bus_VOCtrainval2012.zip的初衷——它是从 PASCAL VOC 2012 数据集中把 bus 类别单独筛出来的单类别数据集共 467 张图片每张图至少包含一个公交车实例标签同时给了 txt 和 xml 两种格式方便直接转成 YOLO 训练所需的格式省去自己从完整 VOC 里筛类别的麻烦。如果你正准备用 YOLOC 系列做公交车检测、或者只是想让一套流程快速跑通验证思路这份数据能帮你把“找数据、清标签”的阶段直接跳过把时间花在训练和调参上。2. 数据集结构解析VOC XML 与 YOLO TXT 到底差在哪2.1 VOCtrainval2012 的原始结构与 bus 子集的筛选逻辑数据集的源头是 PASCAL VOC 2012 的 trainval 集这个基准大家应该都听过里面一共 20 个物体类别图片按照年份和用途分在 JPEGImages、Annotations、ImageSets 这些目录下。完整 VOCtrainval2012 大概有 17000 多张图全量下载再筛类别会很占时间而且训练时大部分图片都用不上。这份数据集的制作者直接帮你做了减法只保留含 bus 标注的 467 张图片标签单独整理好不再按 VOC 原始的目录结构摆放而是把图片和标签打包成一个 zip开箱即用。VOC 的标注格式是 XML里面记录的是 object 级别的信息包括类别名、边界框坐标左上角和右下角的像素值、以及 truncated、occluded、difficult 这些标志位。XML 是 VOC 生态的标准产物也是 labelImg 这类打标工具的默认输出格式所以很多老项目、老脚本第一手数据都是 XML。而 YOLO 训练时要求的是 txt 格式每行一个目标记录类别 ID 和四个归一化坐标两者的信息组织和表达方式完全不同。这也是为什么这份数据集同时保留两种格式xml 是原始信息是“底账”txt 是给训练直接吃的“口粮”。2.2 压缩包内的文件组织与标签内容对照解压之后目录结构大致是这么安排的图片和对应标签同名只是扩展名不同bus_VOCtrainval2012/ ├── images/ │ ├── 2009_003018.jpg │ ├── 2009_000054.jpg │ └── ... ├── labels_txt/ │ ├── 2009_003018.txt │ ├── 2009_000054.txt │ └── ... └── labels_xml/ ├── 2009_003018.xml ├── 2009_000054.xml └── ...txt 标签的具体内容长这样每行代表一个公交车目标0 0.5123 0.4421 0.1834 0.2098 0 0.7512 0.3654 0.1422 0.1887每行字段依次是类别 ID、边界框中心点的归一化 x 坐标、中心点 y 坐标、归一化宽度、归一化高度。由于这份数据是单类别类别 ID 全是 0。xml 里的信息量明显更多它不仅包含边界框坐标还记录了图片尺寸、物体是否被遮挡、是否被截断、是否是 difficult 样本下面是简化后的结构annotation filename2009_003018.jpg/filename size width500/width height375/height depth3/depth /size object namebus/name bndbox xmin231/xmin ymin89/ymin xmax489/xmax ymax316/ymax /bndbox truncated0/truncated occluded0/occluded difficult0/difficult /object /annotationXML 转 YOLO TXT 时的尺寸信息就在这里取如果你转换时拿不到size字段归一化坐标就没法算准这一点后面会专门讲。2.3 为什么不能直接用 XML 训练 YOLO非要多出 txt 一份了解一个细节能帮你避开后续的很多麻烦YOLO 系列在训练时从 dataloader 到 loss 计算都默认读 txt 格式的标注这个格式约定是从早期 Darknet 框架延续下来的后续的 YOLOv5、YOLOv6、YOLOv8 也都继承了这个习惯。txt 格式的优势非常明显一行一个目标不需要解析嵌套的 XML 结构坐标已经做过归一化模型在预测时对图片尺寸变化天然免疫类别 ID 是纯数字省去字符串到数字的映射环节。这就是为什么光有 XML 还不够你仍然需要一份 txt 标签的原因。另外给大家一个实操提示如果后续你自己打标了新数据想补充进这个数据集建议直接用 labelImg 并选择 YOLO 输出格式这样同一份数据既能得到 txt也能通过 labelImg 的“PascalVOC to YOLO”功能导出 XML。如果你拿到的数据只给了 txt想反推 VOC XML也是可以的因为归一化坐标结合图片宽高可以倒算出绝对坐标只是注意精度可能丢失一到两个像素对训练影响不大但对像素级评估有影响时就要谨慎处理。3. 把 VOC 格式转成 YOLO 格式转换脚本与四个边界坑3.1 核心转换脚本从 XML 到归一化 TXT拿到这份数据集之后你首先要想清楚一件事直接放在里面的 txt 标签到底够不够用。如果你用的是 YOLOv5 或 YOLOv8 官方仓库txt 是可以直接用的但如果你拿到的版本只有 XML或者你想自定义类别顺序就得写转换脚本。另外我强烈建议你从头到尾跑一遍转换脚本既能验证数据完整性也能理解标签格式的本质。下面这个脚本是我平时最常用的一套兼容 VOC 和 YOLO 的格式迁移import xml.etree.ElementTree as ET import os from pathlib import Path def voc_xml_to_yolo_txt(xml_path, output_txt_path, class_list): 将 VOC XML 转换为 YOLO 格式的 TXT class_list: 类别列表如 [bus]索引即类别ID tree ET.parse(xml_path) root tree.getroot() img_width int(root.find(size/width).text) img_height int(root.find(size/height).text) lines [] for obj in root.iter(object): name obj.find(name).text if name not in class_list: # 只保留指定类别其他类别直接跳过 continue class_id class_list.index(name) # VOC bndbox 是左上角和右下角的绝对像素坐标 xmin float(obj.find(bndbox/xmin).text) ymin float(obj.find(bndbox/ymin).text) xmax float(obj.find(bndbox/xmax).text) ymax float(obj.find(bndbox/ymax).text) # 关键转成中心点坐标 宽高并做归一化 x_center (xmin xmax) / 2 / img_width y_center (ymin ymax) / 2 / img_height width (xmax - xmin) / img_width height (ymax - ymin) / img_height lines.append(f{class_id} {x_center:.6f} {y_center:.6f} {width:.6f} {height:.6f}) # 写文件即便没有目标也生成空文件方便排查 with open(output_txt_path, w) as f: f.write(\n.join(lines)) if __name__ __main__: xml_dir labels_xml txt_dir labels_txt_converted os.makedirs(txt_dir, exist_okTrue) # 单类别数据集类别列表只有 bus classes [bus] for xml_file in Path(xml_dir).glob(*.xml): txt_file os.path.join(txt_dir, xml_file.stem .txt) voc_xml_to_yolo_txt(str(xml_file), txt_file, classes) print(f转换完成: {xml_file.stem})这段脚本的核心逻辑分成三步先读 XML 里的图片宽高再逐个遍历 object 节点读类别和边界框坐标最后把边框坐标转成归一化的中心点格式写入 txt。需要注意的细节是x_center (xmin xmax) / 2 / img_width有些第一次写脚本的新手容易写成(xmax - xmin) / 2那是宽度的一半不是中心点坐标方向就搞反了。3.2 坐标归一化公式里的小数位陷阱上面脚本里我特意把坐标保留到小数点后 6 位这不是随意定的。YOLO 的边界框回归目标是用 sigmoid 配合网格偏移来预测的标签精度达不到一定程度损失函数就学不稳。6 位小数对应的坐标精度大约是图片像素的百万分之一对通用数据集已经足够。如果只保留 4 位在 1920x1080 这种大图上坐标误差能达到 0.1 个像素级别看似不大但传给框回归头之后小目标容易出现几个像素的抖动。另外VOC 的坐标在原标注中都是整数转换之后 xmin、ymin 这些绝对坐标也可以直接使用不需要额外处理。但有一个常见问题VOC 部分标注存在 xmin xmax 的情况这是打标时手误造成的转换前最好用assert或条件判断过滤掉这种异常框否则训练时损失函数会突然飙升现象非常像学习率设太大导致的发散。我一般会在转换脚本里加一段检查if xmin xmax or ymin ymax: print(f警告: {xml_file} 中存在异常框 ({xmin}, {ymin}, {xmax}, {ymax})已跳过) continue3.3 训练集和验证集的划分策略467 张图片不算多划分比例和划分方式对最终模型效果影响不小。常见做法是 82 划分即 374 张训练、93 张验证。但要注意一点VOC 原始数据里有些图片之间是同一个场景的多帧连续截图比如同一辆公交在同一个路口连续拍摄了多帧。如果随机划分时这些相似图片恰好被分到训练集和验证集模型在验证集上的表现就会有虚高成分因为验证图片在内容上与训练图片高度相似。更稳妥的做法是按图片前缀分组再划分。VOC 的图片命名规则比较友好前四位代表拍摄年份比如 2009可以直接利用这个信息做分组划分。我一般会写一个分组脚本先把同前缀的图片归到一组然后按组做随机划分import os import random from collections import defaultdict image_dir images train_ratio 0.8 # 按图片名前缀(即源视频组)分组 groups defaultdict(list) for img in os.listdir(image_dir): if not img.endswith(.jpg): continue group_key img[:4] # 如 2009_003018.jpg - 2009 groups[group_key].append(img) # 按组划分 all_groups list(groups.keys()) random.shuffle(all_groups) split_idx int(len(all_groups) * train_ratio) train_groups set(all_groups[:split_idx]) val_groups set(all_groups[split_idx:]) train_imgs [] val_imgs [] for group, imgs in groups.items(): if group in train_groups: train_imgs.extend(imgs) else: val_imgs.extend(imgs) # 写入 yolo 训练和验证列表 with open(train.txt, w) as f: for img in train_imgs: f.write(fimages/{img}\n) with open(val.txt, w) as f: for img in val_imgs: f.write(fimages/{img}\n) print(f训练集 {len(train_imgs)} 张验证集 {len(val_imgs)} 张)这段脚本的分组逻辑是先按图片名前四位提取场景组号再以组为单位划分避免同源图片既出现在训练集又出现在验证集。你有更好的元信息时也可以换用其他分组键比如拍摄时间戳或地点编号。另外train.txt和val.txt里的路径是相对路径实际训练时需要根据你的数据目录位置调整这一点 YOLO 官方仓库并不感知路径错了会直接报FileNotFoundError。3.4 转换完成后必须做的一致性和空标签检查转换活动和划分完成之后别急着开训。找几个关键指标检查一下否则训练到一半发现问题再回来改标签既费时间又影响心态。第一个要检查的是图片和 txt 标签是否同名一一对应我习惯用一行命令快速扫出来cd bus_VOCtrainval2012 for img in images/*.jpg; do base${img%.jpg} if [ ! -f labels_txt/${base##*/}.txt ]; then echo 缺少标签: $img fi done第二个要检查的是有没有空标签文件。如果一张图明明有公交车转换后 txt 里却一行都没有多半是 XML 里的类别名和 class_list 对不上号。对于 VOC 原版数据bus 类别的 name 字段一定是bus大小写也不会错但如果你后续加入了自定义数据很可能出现Bus、BUS这样的变体检查时直接搜名称即可。第三个检查点是可视化。选出大概二十张训练图片把 txt 里的归一化坐标换算回绝对坐标并画框出来。这一步能帮你发现标签是否有整体偏移、比例是否错乱。代码可以临时用 OpenCV 写一个简单版本import cv2 import os def draw_yolo_boxes(image_path, txt_path): img cv2.imread(image_path) h, w, _ img.shape with open(txt_path, r) as f: for line in f.readlines(): parts line.strip().split() if len(parts) 5: continue _, xc, yc, bw, bh map(float, parts[:5]) xmin int((xc - bw / 2) * w) ymin int((yc - bh / 2) * h) box_w int(bw * w) box_h int(bh * h) cv2.rectangle(img, (xmin, ymin), (xmin box_w, ymin box_h), (0, 255, 0), 2) return img for img_name in os.listdir(images)[:20]: base img_name[:-4] img draw_yolo_boxes(fimages/{img_name}, flabels_txt/{base}.txt) cv2.imwrite(fcheck_{img_name}, img)这段可视化的核心是坐标换算(xc - bw / 2) * w把归一化中心点转换成左上角的绝对像素位置。画完的图建议直接目测如果发现框比车身大或小一圈就说明转格式时出了问题尤其是 VOC 里有 truncated 或 occluded 样本时边界框是包含整个车的不完全贴合可见部分是正常的。4. 用 YOLO 训练公交车检测配置文件、损失函数与置信度门限4.1 data.yaml 配置和通路检查当你拿到了可靠的 txt 标签和划分好的文件列表下一步就是搭建训练配置。以 YOLOv5 和 YOLOv8 为例训练之前要写一个data.yaml指定数据集路径和类别信息,内容如下# bus.yaml path: /your/absolute/path/to/bus_VOCtrainval2012 train: train.txt # 刚才生成的训练图片列表 val: val.txt # 验证图片列表 nc: 1 names: 0: bus其中的path建议写成绝对路径特别是你换了机器或者换目录之后相对路径经常出现找不到文件的问题。train和val指向的 txt 文件里每一行是一张图片的路径我上面生成的就是这种形式。有一个容易被忽略的细节train.txt和val.txt里的图片路径是相对路径时YOLO 仓库会以path为基准拼接如果你的 txt 里写的是images/2009_003018.jpg那拼接出来就是bus_VOCtrainval2012/images/2009_003018.jpg路径必须真实存在。我建议训练前先做一次快速校验python - EOF import yaml from pathlib import Path with open(bus.yaml) as f: cfg yaml.safe_load(f) base Path(cfg[path]) for line in open(cfg[train]): img_path base / line.strip() if not img_path.exists(): print(f训练集图片不存在: {img_path}) break else: print(训练集路径全部通过检查) EOF4.2 损失函数与置信度门限对 bus 检测的实际影响训练过程中损失函数会直接影响模型对公交车的学习倾向。拿 YOLOv8 举例它的损失由三部分构成box_loss负责边界框回归cls_loss负责分类判断dfl_loss负责让框的边缘更贴合目标。对 bus 这种相对大而规整的物体box_loss 和 dfl_loss 的作用更明显你需要让框更贴合车身。如果你的显卡资源有限只想快速验证数据集可以把box的权重从默认 7.5 调到 10dfl 权重保持默认即可。置信度门限是另一个实战中经常被忽视的点。模型训练完做推理时conf_thres决定一个框是否被保留默认是 0.25。但在公交车场景里如果你发现误检率高比如把卡车、集装箱车当成公交车就可以把置信度阈值提高到 0.4 或 0.5。反过来如果之前训练数据量不够模型本身偏保守框都画出来了但置信度很低这时就要降低阈值到 0.15 左右否则公交车会漏检。所以判断置信度阈值怎么调核心依据是你的应用更在意误检还是漏检交通卡口是宁可多报一个框让人工筛选还是宁可少报避免干扰统计场景不同结论就不同。YOLO 目标检测的损失函数是一个综合回归问题它要同时优化“这个格子里有没有目标”、“目标的类别是什么”、“目标的框贴合到什么程度”三个维度。公交车数据集里如果正样本数量不均衡比如远处公交车在整张图里占比很小建议开启 mosaic 增强默认在 YOLOv5 里是开启的。mosaic 会把四张图拼在一起训练相当于变相增加了小目标的训练样本。4.3 训练命令与超参数设置建议如果用 YOLOv5 官方仓库最简训练命令是python train.py --data bus.yaml --weights yolov5s.pt --img 640 --batch 16 --epochs 100 --device 0各参数的作用和选型建议--img控制输入分辨率公交车属于大目标不需要太高分辨率640 就是性价比很高的选择--batch大小取决于显存大小8GB 显存跑yolov5s用 16 是比较稳的--epochs结合数据量来定467 张图 100 个 epoch 基本足够再长收益会明显衰减。训练结束后权重默认保存在runs/train/exp*/weights/best.pt评估时直接用best.pt不要用last.pt因为last.pt是最后一个 epoch 的状态不一定是最优的。如果你想快速看本次训练靠不靠谱也可以先跑 30 个 epoch 做一次小验证看 loss 曲线是否会持续下降。如果 30 轮 loss 纹丝不动那大概率是标签或者路径出了问题别傻等 100 轮跑完再去排查。5. 避坑标签转换、训练和验证环节的六个常见问题问题一训练时 loss 直接出 NaN 或者突然起飞现象前几个 epoch loss 正常跑到某一个 epoch 突然变成 NaN之后所有输出都是垃圾。原因通常有两个一是输入图片里存在全黑/全白等异常图片经过大量归一化之后在特定分支上产生极端梯度二是标签坐标出现了0 0 0 0这种零面积框导致损失值计算除以零。解决训练前对标签做一次全面体检用脚本过滤掉任何宽度或高度小于等于 1 像素的框并检查所有 txt 文件的第一个数字是否都在0 ~ nc-1范围内。格式上虽然 yolov5 在加载时也会检查一遍但它只是跳过这些框不会帮你修复数据。问题二训练完成但验证集 mAP 只有 0.2 左右明显不对劲先查是不是标签ID错了现象训练过程很顺loss 降得也不错但 mAP 偏低、精确率还行、召回率特别差。原因大概率是验证时类别映射对不上如果训练时用的类别 ID 是 0bus但验证脚本里的 classes 列表用的是 1那所有预测结果在计算 mAP 时都被当成了背景。解决确认data.yaml里的nc是 1确认训练时生成的类别映射文件和验证时使用的是同一份不要手动去改classes.txt。如果自己写评估脚本要把names和标签里的 ID 对齐别用默认 COCO 80 类的映射去验证单类别模型。问题三图片在 src 目录下能找到但训练时打不开现象报错信息类似AssertionError: train: No images in ...检查路径没错但就是加载不了。原因一般出在 train.txt 里的路径含有特殊字符比如反斜杠或者中文字符OpenCV 的 imread 对某些非 ASCII 路径支持不好。解决路径统一用正斜杠并且全部改成纯英文路径。数据集所在目录不要有中文或空格尤其不要放在含中文的桌面路径下训练。这个我踩过很多次Linux 上没问题但 Windows 上频繁出现。问题四mAP 虚高部署到真实摄像头后漏检一大堆现象训练集 mAP0.5 达到 0.9 以上拿到真实公交站场景一测公交车稍微远一点就漏检测。原因验证集和训练集本身同源场景高度重叠。VOC 数据取材于真实道路同一条路上的公交车在训练集和验证集里出现次数不少模型可能记住了场景而不是识别了公交车这个概念。解决如果只是做作业或者流程验证mAP 虚高问题可以忍。但要做真实场景的验证建议额外找 50-100 张从没见过的图片做外部验证集比如从自己的监控截图里挑。用这些图片测召回率比任何训练指标都有说服力。问题五batch size 太大会让训练不收敛和显存大小无关现象调大 batch size 之后loss 曲线来回震荡甚至越训越高。原因是大 batch 的梯度估计更平均但这个数据集只有 467 张图数据方差原本就大batch size 太大反而导致每个 batch 之间差异明显训练不稳定。解决对这类小数据集batch size 设在 8 到 16 之间比较稳妥。先小 batch 跑通流程再去调其它参数。这不是玄学是小数据集的统计特性导致的。问题六训练时把 bus 和 truck 混在一起精度上不去的根因现象损失函数已经收敛但最终预测时经常把卡车当公交车。原因是 VOC 数据里 bus 和 truck 外观相似且部分标注存在误标这类标注噪声在单类别数据里会直接变成正样本干扰。解决先检查训练集中有没有明显被截断且车身结构介于公交和卡车之间的图找到后用 labelImg 把错的标注修正或删掉。这类样本往往数量不多但影响比几十张正常图还大。如果你不想逐张检查也可以用训练好的模型先预测一遍训练集挑出预测置信度极低的图大概率是标注有问题的图。6. 上线前最后一步用预测可视化与 mAP 验证模型可用性训练完成后不要只盯着终端打印出来的 mAP 数字我习惯把验证集里的预测结果画出来肉眼扫一遍。这一步能发现很多指标反映不出的问题比如框整体偏左但大小正确、公交车灯牌被框进去一部分、远处的公交车完全没检测到。用 YOLOv5 官方代码其实自带detect.py但为了看清细节我一般自己写一个推理脚本把预测框和置信度直接打在图上import cv2 import torch from pathlib import Path # 加载训练好的模型 model torch.hub.load(ultralytics/yolov5, custom, pathruns/train/exp/weights/best.pt, force_reloadTrue) model.conf 0.35 # 推理置信度阈值 model.iou 0.45 # NMS 的 IoU 阈值 img_dir Path(val_images) for img_path in img_dir.glob(*.jpg): results model(str(img_path)) # results.pandas().xyxy[0] 里是每个框的坐标和置信度 df results.pandas().xyxy[0] img cv2.imread(str(img_path)) for _, row in df.iterrows(): x1, y1, x2, y2 int(row[xmin]), int(row[ymin]), int(row[xmax]), int(row[ymax]) conf row[confidence] cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(img, fbus {conf:.2f}, (x1, y1 - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2) cv2.imwrite(fpred_{img_path.name}, img)model.conf的取值会影响可视化结果里框的密度后面参数调优时直接改这里就行。如果担心车上人被当成遮挡物干扰目标可以考虑把 NMS 的iou阈值调低到 0.4 附近让重叠的框更容易被合并。mAP 的计算和调优也要遵循一套固定流程mAP0.5指的是 IoU 阈值在 0.5 时各类别 AP 的均值mAP0.5:0.95是对 0.5 到 0.95 之间的多个 IoU 阈值取平均后者更严格对框的贴合度要求更高。如果你发现 mAP0.5 不错但 mAP0.5:0.95 很低说明你的框“大差不差但不够精细”这种差距往往不是调阈值能解决的而是需要增加训练轮数、调高输入分辨率或者改进损失函数中的 box 权重。公交车检测如果框的贴合度不够上路做距离判断时会非常危险所以从训练阶段就要把 mAP0.5:0.95 作为重要指标而非仅供参考。最后还建议你做一次数据增强的对照实验。默认的 mosaic 增强对这个小数据集几乎肯定是有益的但mosaic 在最后 10 个 epoch 里最好关掉让模型在接近真实分布的单一图片上精调。YOLOv5 里--close_mosaic 10就能实现这个效果。我第一次训练 bus 数据集时没有关 mosaic最终验证集上 mAP 是 0.871关掉之后直接提升到 0.895提升幅度快两个点。从那以后我每次训练前都会强制检查一遍增强配置用单独的 30 轮小实验验证增强开与关的差异确认了再用全部数据跑正式训练。这份数据集是验证 YOLO 从数据准备到训练评估全流程的合适样本数据量小、类别单一、问题相对聚焦适合你把流程跑通、把套路练熟。希望这篇拆解能帮你在自己的实验里少踩几个坑。本文还有配套的精品资源点击获取