人行道检测数据集实战：VOC转YOLO格式与YOLOv8训练全流程

简介面向目标检测入门与模型训练需求的人行道/斑马线检测数据集统一标注目标为cross类别共标注805个目标框类别单一纯净适合用于智慧交通、自动驾驶感知等视觉任务的训练与评估。压缩包共2000个文件包含793个VOC格式xml标注文件、795个YOLO格式txt标签文件以及jpg图片样本整体约39.45MB数据仅保留图片与标签不附带分割路径等额外配置下载后解压即可使用。两种标注格式目录清晰可直接导入YOLO系列、Faster R-CNN、SSD等主流检测框架省去格式转换与标注整理的时间。目前已有144人学习浏览适合目标检测学习者、算法工程师以及需要快速获得交通场景标注数据的开发者在本地搭建训练环境时选用。1. 人行道检测数据集700 张双格式图包够不够当目标检测的起点拿到一份人行道检测数据集 zip 做目标检测冷启动是很多做智慧路口、无障碍导航、道路巡检的团队绕不开的一步。标题里这包我见过不止一次700 多张人行道实拍图VOC 和 YOLO 两套标注格式都给全解压就能喂给模型省掉几天标图时间。700 张听起来不多但人行道是静态目标纹理和路缘结构特征稳定不像行人那样有姿态和遮挡的复杂度配合 COCO 预训练权重微调单类 mAP50 跑到 0.75~0.85 是常见范围足够当基线。适合三类人刚开始跑 YOLO 训练的新手、要快速验证人行道检测效果的工程师、以及不想为标注规范扯皮的算法小组。下面从格式摸底、训练配置、踩坑点讲到最终检验中间给的脚本可以直接改改就上手顺着做一遍这包数据就能变成你的 mAP 和可演示的检测效果。2. 先把 zip 里的两套标注摸清楚VOC 与 YOLO 格式怎么换VOC 是这类路侧数据集最常见的交付格式YOLO 是训练时真正能一键喂进去的格式。数据包声称「VOCYOLO 双格式」实际解压后一般有两种结构一种是 JPEGImages 配 Annotations另一种是别人已经替你转好的 images 配 labels。两种我都碰到过共同点是必须自己检查一遍再训练别信文件名字面意思。2.1 VOCXML标注字段逐个看folder、size、bndbox 各是什么VOC 是 PASCAL VOC 竞赛时代传下来的老格式目标检测常用标注工具 labelImg 的 PascalVOC 保存模式导出的就是这一套。一图一个 XML 文件文件名与图片同名内容长这样annotation folderJPEGImages/folder filename000021.jpg/filename size width1920/width height1080/height depth3/depth /size object namesidewalk/name poseUnspecified/pose truncated0/truncated difficult0/difficult bndbox xmin420/xmin ymin630/ymin xmax1580/xmax ymax1020/ymax /bndbox /object /annotation这里面真正关键的就几个字段size 下的 width、height 是可信任的后面算归一化坐标全靠它object 可以有多个一个 object 就是一个人行道框name 是类别名bndbox 里是绝对像素坐标左、上、右、下依次排。folder 经常是脏值filename 也经常和实际图片对不上我后面写转换脚本时一律不读这两个字段。还有一个容易被忽略的字段difficult。部分打包方把遮挡严重、边缘模糊的框标成 difficult1训练和评价时要不要算这类框各家口径不同。我的处理很简单忽略 difficult因为人行道是地面目标遮挡情况比行人少得多700 张里就算有几十个困难样本也不值得为它单独写逻辑。真正值得在训练前做的是把整个包的类别名统计算一遍防止里面混着别的标注import xml.etree.ElementTree as ET from collections import Counter from pathlib import Path names Counter() for xml_file in Path(Annotations).glob(*.xml): root ET.parse(xml_file).getroot() for obj in root.iter(object): names[obj.find(name).text.strip()] 1 print(names.most_common())这段代码在跑任何转换之前用。如果输出只有 sidewalk 一个类直接进入 2.3如果出现 pavement、walkway、crosswalk先想清楚业务口径再决定映射还是去掉。这个决策直接影响后面的类别区分度第 4 章会专门展开。2.2 YOLOTXT标签为什么全是小数归一化坐标手算一遍YOLO 格式一图一个 txt一行一个目标内容是五列类别索引、中心点 x、中心点 y、宽 w、高 h全部除以图片宽高做归一化。所以看 .txt 时全是 0 到 1 之间的小数字符串形式的分类名变成了整数索引。拿 2.1 那个框举例图片 1920x1080XML 里 (xmin, ymin, xmax, ymax) (420, 630, 1580, 1020)img_w, img_h 1920, 1080 xmin, ymin, xmax, ymax 420, 630, 1580, 1020 x_center (xmin xmax) / 2 / img_w # 0.5208 y_center (ymin ymax) / 2 / img_h # 0.7639 w (xmax - xmin) / img_w # 0.6042 h (ymax - ymin) / img_h # 0.3611 # 最终写进 txt0 0.5208 0.7639 0.6042 0.3611索引从 0 开始所以第一个字段是 0。如果以后引入斑马线类它就是 1以此类推。这个顺序一旦定下来后面 data.yaml 的 names 数组必须完全一致否则模型输出的类别索引和你以为的标签对不上。在 labelImg 里切到 YOLO 模式保存生成的正是这个结构但手工维护 700 份 txt 不现实还是交给脚本。提示转换前随机打开几个 txt确认不是空文件、没有超过 1 的数。一行少于五个数字的文件后面训练日志里会以奇奇怪怪的方式报错。VOC 和 YOLO 两种格式的差别用一张表对比最直观对比项VOCXMLYOLOTXT框坐标xmin, ymin, xmax, ymax 绝对像素x_center, y_center, w, h 归一化类别记录name 字符串整数索引文件粒度一图一个 XML一图一个 TXT一行一个目标训练前处理必须转格式YOLOv5/v8 直接读人眼排查可直接读需配合图片换算像素2.3 VOC 转 YOLO 的批量脚本边界裁剪、退化框过滤一次做完不管包给的是 XML 还是已经转好的 txt我建议你都用下面这份脚本自己再转一遍顺便做一次标签清洗。脚本按 XML 的 stem 找文件不读 filename 字段类别不在白名单里的 object 直接跳过坐标裁剪到图像边界内宽度或高度不足 2 像素的退化框直接丢#!/usr/bin/env python3 # -*- coding: utf-8 -*- VOC XML - YOLO TXT 批量转换带边界裁剪和非法框过滤 import xml.etree.ElementTree as ET from pathlib import Path # 类别顺序定了就别改训练 data.yaml 的 names 要与之一致 CLASSES {sidewalk: 0} def voc2yolo(xml_path: Path, out_dir: Path): tree ET.parse(xml_path) root tree.getroot() size root.find(size) img_w int(size.find(width).text) img_h int(size.find(height).text) lines [] for obj in root.iter(object): name obj.find(name).text.strip() if name not in CLASSES: continue cls_id CLASSES[name] 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) # 边界裁剪标注点落图外的全拉回图内防止归一化坐标越界 xmin max(0.0, min(xmin, img_w - 1)) xmax max(0.0, min(xmax, img_w - 1)) ymin max(0.0, min(ymin, img_h - 1)) ymax max(0.0, min(ymax, img_h - 1)) box_w xmax - xmin box_h ymax - ymin if box_w 2 or box_h 2: # 退化框会干扰损失丢掉 continue x_center (xmin xmax) / 2.0 / img_w y_center (ymin ymax) / 2.0 / img_h w_norm box_w / img_w h_norm box_h / img_h lines.append(f{cls_id} {x_center:.6f} {y_center:.6f} {w_norm:.6f} {h_norm:.6f}) txt_path out_dir / (xml_path.stem .txt) txt_path.write_text(\n.join(lines), encodingutf-8) if __name__ __main__: xml_dir Path(Annotations) out_dir Path(labels) out_dir.mkdir(exist_okTrue) for xml_file in sorted(xml_dir.glob(*.xml)): voc2yolo(xml_file, out_dir) print(转换完成请在 labels 目录抽查几个 txt)三个参数点值得说CLASSES 白名单决定哪些目标进训练集遇到 pavement、crosswalk 就先在这里改映射裁剪阈值用图片宽高减一避免坐标落在 0 到 w-1 的有效像素区间之外2 像素的退化框阈值是经验值小于 2 的框就算模型预测出来也没有业务意义。转换完如果 labels 目录下文件数量对不上 Annotations多半是 XML 里 object 全被过滤了回第 4 章找原因。3. 按 YOLOv8 的目录要求整理数据训练自己的数据集从 data.yaml 开始这个标题对应的数据集包真实价值在于省去标图时间。但是 700 张图不会自己变成训练集——YOLOv5 之后的 ultralytics 系列统一吃 images labels 的目录结构VOC 的 JPEGImages 和 Annotations 不能直接喂。先把目录摆对再配好 data.yaml这是 yolov8 训练自己的数据集最短的路径。3.1 重建 images/labels 目录划分脚本与类别索引对齐目标目录长这样sidewalk-dataset/ ├── images/ │ ├── train/ │ └── val/ └── labels/ ├── train/ └── val/labels 下的 txt 与 images 下的图片同名同分集。如果数据包自带 ImageSets/Main 里的划分清单直接按清单复制没有就用 8:2 自己切。我建议比例再保守一点验证集稍微多留因为 140 张验证图统计出的 mAP 比 70 张稳定得多import shutil import random from pathlib import Path random.seed(42) img_dir Path(JPEGImages) all_imgs sorted(img_dir.glob(*.jpg)) random.shuffle(all_imgs) val_num int(len(all_imgs) * 0.2) val_imgs all_imgs[:val_num] train_imgs all_imgs[val_num:] for split, imgs in [(train, train_imgs), (val, val_imgs)]: (Path(dataset/images) / split).mkdir(parentsTrue, exist_okTrue) (Path(dataset/labels) / split).mkdir(parentsTrue, exist_okTrue) for img in imgs: shutil.copy(img, Path(dataset/images) / split / img.name) txt Path(labels) / (img.stem .txt) if txt.exists(): shutil.copy(txt, Path(dataset/labels) / split / txt.name) else: # 图片存在却没标签宁可报出来不要静默跳过去 print(f图片缺少标签: {img.name})两个点注意random.seed(42) 固定随机种子保证别人能复现你的划分复制而不是移动原包留着做后悔药。如果同一地点连续帧超过 10 张这份随机划分有数据泄露风险先看 4.2 决定是否改为按来源分组。data.yaml 放在 sidewalk-dataset 根目录下# 人行道检测单类数据集 path: /home/user/sidewalk-dataset # 绝对路径最省心 train: images/train val: images/val nc: 1 names: [sidewalk]path 是数据目录的根train 和 val 相对 path 写目录级路径不用写到具体文件。nc 为 1names 的顺序必须和转换脚本 CLASSES 里定义的一致这里 sidewalk 对应 0顺序反了模型输出的类别索引就是反的。3.2 训练命令与四个必调参数epochs、imgsz、batch、lr0目录和 yaml 就绪后训练一条命令cd /home/user/sidewalk-dataset yolo detect train \ datasidewalk.yaml \ modelyolov8n.pt \ epochs120 \ imgsz640 \ batch16 \ patience30 \ lr00.005说明几个选择逻辑。model 用 yolov8n.ptnano 是整个系列里最小的模型700 张图喂大模型只会更快过拟合同时它带了 COCO 预训练权重首次运行会自动拉取权重文件离线环境就把权重提前放到当前目录。epochs 100 到 150 足够单类场景收敛再多就开始震荡。imgsz 默认 640若你的痛点是小目标检测——远处人行道在画面里只占几十像素——就提高到 1280显存按 8G 起步要留意。batch 从 16 开始报 OOM 就降到 8不建议为了凑 batch 把 imgsz 降到 512对小目标损失更大。lr0 我习惯压到 0.005700 张数据用默认 0.01 略激进loss 曲线容易出现锯齿。参数常用值什么时候改epochs100~150换新场景训练延长到 200imgsz640 / 1280小目标占比高用 1280batch8~16显存不足直接减半lr00.005~0.01数据量更少降到 0.003patience20~30追求速度可降到 15训练日志里的 box_loss、cls_loss、dfl_loss在人行道单类任务里 box_loss 占比最高cls_loss 通常贴地一个类没什么可分不清的。如果 cls_loss 居高不下大概率不是模型问题是标签索引错位或者类别混标回到第 4 章查。中途停了想继续把训练命令最后加 resumeTrue 就行best.pt 和 last.pt 都在 runs/detect/train/weights/ 下续训从 last.pt 接着走。3.3 训练完看什么混淆矩阵、PR 曲线和 mAP50-95训练结束两件事先看训练集本身的 loss再看验证集指标。验证一条命令yolo detect val \ datasidewalk.yaml \ modelruns/detect/train/weights/best.ptval 输出在 runs/detect/val/ 下重点看三样confusion_matrix.png、PR_curve.png、results.csv。对单类模型混淆矩阵最有信息量的格子是「背景列」有多少背景区域被模型预测成 sidewalk这就是误检率。PR 曲线看曲线下的面积mAP50 是它的数值化mAP50-95 则是 IoU 阈值从 0.5 到 0.95 每隔 0.05 的平均比 mAP50 更严格。如果 mAP50 不错而 mAP50-95 偏低说明框的位置和大小贴合度一般优先复查标注质量而不是加训练轮数。700 张数据单类正常水平大致在 mAP50 0.75~0.85、mAP50-95 0.55~0.65 区间明显低于这个范围先去第 4 章找坑。4. 人行道检测的避坑指南五个让模型翻车的隐藏问题700 张数据的小项目调参翻来覆去就那么几个原因。这五条是我在类似路侧数据上踩过或帮人排查过的按频率排基本覆盖了「loss 异常、指标虚高、学不会、误检多」四类现象。4.1 到 epoch 5 loss 直接变 NaN坐标越界是头号黑匣子现象训练没几轮日志里 loss 从 0.07 突然变 nan后续轮次一直不恢复。原因XML 里标注框顶点落在图像外侧转换时如果没有边界裁剪归一化坐标会算出小于 0 或大于 1 的数CIoU 损失反传时梯度直接爆炸。如果数据包自带 labels没经过 2.3 的清洗这个问题第一个见面。解决训练前扫一遍标签把越界文件和宽高非法文件全部挑出来import numpy as np from pathlib import Path bad 0 for txt in Path(labels/train).glob(*.txt): try: data np.loadtxt(txt) except ValueError: print(f空文件或格式错: {txt.name}) bad 1 continue if data.ndim 1: data data.reshape(1, -1) if data.size 0: continue # 归一化坐标必须在 0~1宽高必须大于 0 if (data[:, 1:] 0).any() or (data[:, 1:] 1).any(): print(f坐标溢出: {txt.name}) bad 1 if (data[:, 3] 0).any() or (data[:, 4] 0).any(): print(f宽高非法: {txt.name}) bad 1 print(f共 {bad} 个问题标签文件)扫描结果出来后回对应 XML 或原图修正把框拉到图内。跑过 2.3 脚本的包一般不会有这个问题自带 labels 的包必查。4.2 验证集 mAP 虚高换条街就崩划分没按来源分组现象验证集 mAP50 接近 0.9很漂亮。把另一段街景视频喂进去漏检率肉眼可见地上升。原因随机划分时同一条街连续抽出的几帧被分别放进了训练集和验证集模型等于提前看过验证题的答案这就是数据泄露。道路采集数据几乎每一批都会踩原因是采集车一条街能扫几百帧随机 8:2 必然中招。解决划分单元从「单张图」改成「拍摄段」。假设文件名前缀是地点代码groups {} for img in sorted(Path(JPEGImages).glob(*.jpg)): prefix img.name.split(_)[0] # 按数据实际命名规则调整 groups.setdefault(prefix, []).append(img) val_imgs [] for prefix, imgs in groups.items(): # 整个组进验证集组内不再拆分 if len(val_imgs) len(imgs) 140: val_imgs.extend(imgs)跑完后用验证集清单去划分数据集同时把这些图从训练集里剔除。如果包里没带地点信息退一步的方法是把模型没见过的 20 张异路况图留作冻结集训练和验证全程不碰这个做法在第 6 章展开。4.3 sidewalk 和 crosswalk 混标类别怎么都分不清现象模型把斑马线、人行横道也框成 sidewalk或者预测框在地上画满。原因不同标注员对「人行道」口径不一致。有的把路边砖铺区域全算有的把过街斑马线也算进去VOC 的 name 字段可能混着 sidewalk、pavement、walkway、crosswalk。模型学出来的「人行道」边界就是你误检的边界。解决直接跑一遍 2.1 那段 Counter 统计看各类数量。crosswalk 只有几十个框直接过滤掉不参与训练两类都有可观数量就把 nc 改成 2names 改为 [sidewalk, crosswalk]让模型学习区分。最怕的是「先不管一起学」结果就是 4.3 现象里的整片误检。注意统计结果如果只有 sidewalk 一个类别自己脑补让它顺带学斑马线。模型只会忠实复刻标注里的边界。4.4 增强参数照搬行人模型把路面纹理洗没了现象训练 loss 掉得很快验证 mAP 上不去预测框经常飘到路边或把整段路包进去。原因行人检测常用的强 mosaic 和大幅 HSV 扰动对路面这种静态目标过度了。mosaic 把不同路段的颜色混合砖缝、路缘石的边缘被平均掉模型学不到「人行道」该有的纹理只能靠颜色猜。解决把增强参数从默认往下调yolo detect train ... mosaic0.5 hsv_h0.01 hsv_s0.5 hsv_v0.4mosaic 从默认降到 0.5HSV 扰动整体压一档。增强的目的是让模型看到更多样的人行道不是把纹理洗成色块。如果夜间、雨天的样本本身不足靠调强增强没用正确姿势是第 5 章的离线补场景。4.5 XML 里的 filename 和实际图片对不上用 stem 匹配别用字段现象转换完成后 labels 目录下 txt 数量正常训练时报「image 找不到 label」或者大量图片没有标签。原因数据包分发前重命名过 JPEGImages 里的文件XML 里的 filename 字段没有同步还是旧名。解决转换脚本不用 filename改用 XML 的 stem 去找同名图片。开始转换前先做一次映射检查from pathlib import Path xml_dir Path(Annotations) img_dir Path(JPEGImages) missing [] for xml_file in sorted(xml_dir.glob(*.xml)): stem xml_file.stem # 不读 XML 里的 filename 字段 if not list(img_dir.glob(f{stem}.*)): missing.append(xml_file.name) if missing: print(找不到对应图片的 XML, missing) else: print(所有 XML 都有同名图片可以继续转换)一旦出现 missing就把这些 XML 对应的图片名找出来统一重命名再进流程。小数据集最怕这种静默的脏数据它会让你在很多个下午怀疑模型的稳定性。5. 700 张不够用怎么办离线增强与标注可视化验证5.1 在线增强优先离线增强只补场景短板YOLOv8 训练时的在线增强默认就开着mosaic、随机翻转、HSV 扰动图像在每次迭代都有轻微变化相当于免费扩样。700 张数据先跑基线不要急着批量生成增强图。离线增强只该做一件事补数据分布里缺失的场景。白天晴天占了大头夜间和雨天的样本只有零星几张这时候整体翻倍增强没有意义增强后依然没有夜间纹理。常见做法是把夜间和雨天样本单独抽出来用 albumentations 生成增强变体。写这类脚本最容易错的是 bbox 没有跟着图片一起变手工实现翻转时 x_center 要做 1 - x_center 的映射忘记就成了「图翻过来了框还留在老位置」训练出来的模型等于用错误标签。借助库的 Compose 一步完成import albumentations as A import cv2 import numpy as np from pathlib import Path transform A.Compose([ A.HorizontalFlip(p0.5), A.RandomBrightnessContrast(brightness_limit0.15, contrast_limit0.15, p0.5), A.GaussNoise(var_limit(10.0, 30.0), p0.2), ]) img_path Path(JPEGImages/night_003.jpg) img cv2.imread(str(img_path)) txt np.loadtxt(img_path.with_suffix(.txt)).reshape(-1, 5) # 把 YOLO 归一化坐标转成 albumentations 的像素 bbox boxes [] for cls_id, xc, yc, w, h in txt: x1 (xc - w / 2) * img.shape[1] y1 (yc - h / 2) * img.shape[0] x2 (xc w / 2) * img.shape[1] y2 (yc h / 2) * img.shape[0] boxes.append([x1, y1, x2, y2, int(cls_id)]) aug transform(imageimg, bboxes[b[:4] for b in boxes], class_labels[b[4] for b in boxes]) out_img aug[image] out_boxes aug[bboxes] # 再把像素坐标转回归一化写入新 txt图片命名加 night_ 前缀增强图片数量控制在原样本两倍以内比较稳妥翻太多同类噪声会让模型对增强痕迹过拟合。每一张增强图的标签必须跟着图像同一套变换走用 albumentations 的 bboxes 参数就是为了保证这一点。5.2 训练前把 GT 框画出来10 分钟人眼清洗训练前花 10 分钟人眼检查比训练后花一下午调参划算。用脚本把归一化坐标画回图片import cv2 from pathlib import Path Path(check).mkdir(exist_okTrue) for img_path in sorted(Path(JPEGImages).glob(*.jpg))[:20]: img cv2.imread(str(img_path)) txt_path Path(labels) / (img_path.stem .txt) if not txt_path.exists(): print(f缺标签: {img_path.name}) continue for line in txt_path.read_text(encodingutf-8).strip().splitlines(): cls_id, xc, yc, w, h map(float, line.split()) x1 int((xc - w / 2) * img.shape[1]) y1 int((yc - h / 2) * img.shape[0]) x2 int((xc w / 2) * img.shape[1]) y2 int((yc h / 2) * img.shape[0]) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(img, fsidewalk, (x1, max(0, y1 - 8)), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2) cv2.imwrite(fcheck/{img_path.name}, img)随机抽 20 张扫两遍重点看三种情况框把树影、井盖、停车位画进去明显的人行道没被框框比实际人行道大出一大截。抽样错误率超过三分之一先回标注工具修别带着脏标签训练。抽看没问题才轮到后面的训练后分析。5.3 用混淆矩阵和 PR 曲线判断下一步补什么训练完的 runs/detect/val/confusion_matrix.png 是判断样本短板最快的入口。单类模型重点看「背景被预测成 sidewalk」的比例背景误检集中在地面裂缝、井盖、阴影就说明模型把纹理特征学宽了下一步补一批完全没有人行道的街道负样本图labels 放空 txt让模型明白「不该框的不框」。预测阶段别死守默认的 conf0.25分场景跑一遍yolo detect predict modelruns/detect/train/weights/best.pt \ sourcenight_samples \ conf0.25 \ save_txtTrue白天、夜间、雨天分目录放逐目录统计漏检和误检。漏检集中出现在夜间补数据方向就是夜间的亮度、对比度增强样本误检集中出现在交叉口补数据方向就是交叉口的路面负样本。这一步跑完你对这套 700 张图的短板认识比任何指标都清楚。6. 冻结一组测试图用四个指标决定模型能不能上线用 700 张数据做训练最大的风险是把验证集调没了。我的习惯是包里的图怎么切都行但另留 20 到 30 张没见过的人行道照片白天、夜间、雨天、逆光、遮挡各凑几张单独放一个目录永远不进训练和验证只做最终检验。这组冻结集才是模型能不能上线的裁判。四个指标按顺序看指标怎么算不达标先做什么mAP50IoU0.5 时的平均精度先复查标签质量再动训练参数mAP50-95IoU 0.5~0.95 平均框贴合差就查标注边界和 imgsz漏检率有 GT 无匹配预测的比例下调 conf、补该场景的增强样本误检率无 GT 匹配的预测比例加负样本、上调 conf、调 NMS漏检集中在夜间说明初始数据里白天占比过高离线增强的方向不是全部图翻一倍而是把夜间亮度和色温的变化生成出来误检集中在井盖和路面文字就补负样本让模型的「人行道」边界收敛。NMS 阈值和置信度阈值我最后都会在冻结集上定而不是验证集因为验证集上的最优置信度通常是虚高的它已经参与了你的反复调参。后面真要接部署流程best.pt 导出 ONNX 或 TensorRT 是常用路线那是题外话。做过几轮这种小数据集项目后我的顺序固定了先洗标签再定评估方式最后才动手调参。顺序反了700 张图能让你在 mAP 的虚假繁荣里耗掉一整周这是真金白银换来的习惯写在这里当个提醒。希望帮到你。本文还有配套的精品资源点击获取