人行道检测数据集实战：VOC与YOLO双格式转换及yolov8微调全流程

简介人行道检测数据集面向计算机视觉学习者与目标检测模型训练需求提供793张街道场景图像专门用于训练“cross”人行横道类别检测模型解决真实场景下人行道目标标注数据短缺或格式转换繁琐的问题。全部图像均已配套VOC格式XML标签文件与YOLO格式TXT标签文件其中VOC格式便于经典检测框架直接读取YOLO格式则适合接入YOLO系列模型训练省去自行转换标注的环节。包体共2000个文件包含412张jpg图片、793个xml标注、795个txt文件含类别说明资源包大小约39.45MB结构简洁清晰便于按图像与对应标签一一配对使用。标注类别仅含cross总计805个标注框覆盖白天、夜间、不同路段等多样场景适合检测算法入门实验、模型调参与行人过街场景应用验证。目前已有144人学习下载适合需要快速获取带标注行人过街数据、开展目标检测模型训练或对比实验的开发者使用。1. 人行道检测数据集793张图、双格式标注先用起来再调优做目标检测的同行应该都有体会找数据集最难受的不是图少而是拿到手发现标注格式跟自己的训练框架对不上。这份人行道检测数据集把这件事处理得比较省心——793张jpg图片每张都配了VOC格式的xml和YOLO格式的txt类别只有“cross”一个总共805个框。也就是说这张图的典型场景就是红绿灯路口、人行横道线上的目标检测训练数据量不大但胜在格式干净、类别单一特别适合用来做yolov8或yolo系列模型的人行道识别验证、迁移学习起点、以及整个数据管线下载→检查→划分→训练→评估的完整演练。我拿到手第一反应不是急着训练而是先把两种格式的对齐关系和标注质量过了一遍这篇文章就把这个过程里值得注意的点全部拆开讲。2. 读懂VOC与YOLO双格式xml和txt怎么对应、怎么互转2.1 两种格式的核心差异绝对坐标与归一化坐标VOC格式的xml把标注信息以树状结构存下来最关键的bndbox节点里是xmin、ymin、xmax、ymax四个值单位是像素指的是标注框在原始图片上的绝对坐标。而YOLO格式的txt每一行对应一个目标结构是class_id cx cy w h其中cx、cy是框中心点的坐标w、h是框的宽高这四个值全部做了归一化范围在0到1之间分母是图片的宽和高。两者表达的是同一个几何对象只是坐标系不同。这份数据集的设计思路是xml和txt一一对应793张jpg对应793个xml对应793个txt文件名前缀统一是firc_crosswalk_xxx。训练YOLO系模型直接读txt训练SSD、Faster R-CNN这类框架读xml想换格式不用重新标注。下面这个脚本可以快速验证一张图的xml和txt是否描述同一个框。import xml.etree.ElementTree as ET def xml_to_yolo(xml_path, img_w, img_h): tree ET.parse(xml_path) root tree.getroot() boxes [] for obj in root.iter(object): name obj.find(name).text bndbox obj.find(bndbox) xmin int(bndbox.find(xmin).text) ymin int(bndbox.find(ymin).text) xmax int(bndbox.find(xmax).text) ymax int(bndbox.find(ymax).text) cx (xmin xmax) / 2 / img_w cy (ymin ymax) / 2 / img_h w (xmax - xmin) / img_w h (ymax - ymin) / img_h boxes.append(f0 {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}) return boxes # 调用示例 yolo_lines xml_to_yolo(firc_crosswalk_206.xml, 1920, 1080) with open(firc_crosswalk_206.txt, w) as f: f.write(\n.join(yolo_lines))这段代码做的事是把VOC的像素坐标换算成YOLO的归一化坐标。参数里img_w和img_h必须和xml里size节点的宽高一致否则算出来的cx、cy会整体偏移。我在实际核对时发现这个数据集的图片尺寸不是统一的不同照片分辨率有差异所以不能用固定值去换算必须从xml的size节点读取每张图的真实尺寸。2.2 用脚本全面校验图片、xml、txt三方是否对齐下载完数据集后我建议先写一个校验脚本跑一遍全量确认三个文件是严格一一对应的。这个步骤很多人会跳过但恰恰是数据集能不能直接用的关键。常见的问题是某张jpg没有对应的xml、txt内容为空、或者txt里的class_id不是0。import os from collections import Counter jpg_dir images xml_dir xmls txt_dir txts jpgs set(f.split(.)[0] for f in os.listdir(jpg_dir) if f.endswith(.jpg)) xmls set(f.split(.)[0] for f in os.listdir(xml_dir) if f.endswith(.xml)) txts set(f.split(.)[0] for f in os.listdir(txt_dir) if f.endswith(.txt)) print(仅jpg:, len(jpgs - xmls - txts)) print(仅xml:, len(xmls - jpgs - txts)) print(仅txt:, len(txts - jpgs - xmls)) # 统计txt为空文件的数量 empty_txts [] for name in txts: path os.path.join(txt_dir, name .txt) if os.path.getsize(path) 0: empty_txts.append(name) print(f空txt数量: {len(empty_txts)}) for n in empty_txts[:5]: print(n)这段脚本先取三个目录的文件主名集合做差集就能找出“孤儿文件”。然后遍历所有txt检查空文件空txt意味着这张图没有目标被标注在训练时要特别处理。我跑出来的结果是不存在只有图片没有标注的情况空txt也是0个说明这份资源的标注是完整的。这种全量校验习惯我建议保持到每一次数据集处理里别只看文件数量相等就以为万事大吉。2.3 单类别数据集的特殊处理class_id恒为0这个数据集只有一个类别“cross”对应的class_id是0。在YOLO训练时data.yaml里只需要写一行names: [cross]。单类别的优势在于不需要考虑类别不均衡问题也不用做类别权重调整模型容量可以全部用来拟合“人行横道”这一个语义。缺点也很明显如果你最终的业务场景里还有红绿灯、斑马线、停止线等其他交通要素只能把其他数据集的标注并进来一起训练。我一般会先在这个单类别数据集上把baseline跑出来确认流程通了再考虑加类。迁移学习时如果底模已经在COCO上训练过而COCO里没有cross这个类别那么Head输出层的类别数要从80改成1这一层必须重新初始化。yolov8的配置文件里nc参数改掉以后模型会自动处理最后一层的维度不用手动改代码但心里要清楚这个维度变化的代价Head层随机初始化后前面若干轮epoch的loss下降速度会偏慢这是正常的。3. 训练前的数据准备划分、统计与增强策略3.1 数据划分固定随机种子按7:2:1切分拿到数据集之后要做的第一件事不是训练而是划分。这个数据集没有提供现成的train/val/test目录结构需要自己分。我的习惯是按7:2:1切训练集70%、验证集20%、测试集10%。划分时样本量不大但要保证类别分布均匀尤其是某些图片里有两个cross框时尽量让这些多目标样本在三个集合里都有分布。import os import random import shutil random.seed(42) jpg_files [f for f in os.listdir(images) if f.endswith(.jpg)] random.shuffle(jpg_files) train_ratio, val_ratio 0.7, 0.2 train_files jpg_files[:int(len(jpg_files) * train_ratio)] val_files jpg_files[int(len(jpg_files) * train_ratio):int(len(jpg_files) * (train_ratio val_ratio))] test_files jpg_files[int(len(jpg_files) * (train_ratio val_ratio)):] def copy_files(file_list, dest): os.makedirs(dest, exist_okTrue) for f in file_list: base f.replace(.jpg, ) shutil.copy(fimages/{f}, f{dest}/images/{f}) shutil.copy(fxmls/{base}.xml, f{dest}/xmls/{base}.xml) shutil.copy(ftxts/{base}.txt, f{dest}/txts/{base}.txt) copy_files(train_files, dataset/train) copy_files(val_files, dataset/val) copy_files(test_files, dataset/test)这段脚本的核心是random.seed(42)固定随机种子保证每次运行划分结果完全一致实验结果可复现。划分比例按你的实际情况调整如果数据量涨到几千张验证集和测试集每类保持几百个框就够评估用了不用机械遵循7:2:1。注意copy_files函数里三个目录同时复制保证任何一张图都有配套的xml和txt。3.2 标注分布统计弄清805个框到底怎么分布的805个框、793张图片意味着平均每张图约1.015个框。这说明绝大部分图片只有一个目标少部分图有两个框理论上也可能有个别图片没框但前面校验过空txt为0所以实际上每张图都有至少一个目标。这个分布特点对训练策略有直接影响模型学到的是“单目标为主”的场景分布推理时如果遇到一个画面里出现三四个人行横道可能漏检。统计每张图的框数分布用一个简单的Counter就行但更重要的是统计框的尺寸分布。人行横道在画面里通常是长条形宽高比比较大这会影响anchor的选择。yolov8虽然用anchor-free的设计不用手动调anchor但了解目标框的尺度范围仍然有助于选择训练分辨率。import os def analyze_boxes(txt_dir): sizes [] ratios [] total_boxes 0 for f in os.listdir(txt_dir): if not f.endswith(.txt): continue with open(os.path.join(txt_dir, f)) as fh: for line in fh: parts line.strip().split() if len(parts) 5: continue cls, cx, cy, w, h parts[:5] w, h float(w), float(h) sizes.append((w * 640, h * 640)) # 按640分辨率估算像素尺寸 if h 0: ratios.append(w / h) total_boxes 1 print(f总框数: {total_boxes}) print(f平均宽度(640尺度): {sum(s[0] for s in sizes)/len(sizes):.1f}px) print(f平均高度(640尺度): {sum(s[1] for s in sizes)/len(sizes):.1f}px) print(f平均宽高比: {sum(ratios)/len(ratios):.2f}) analyze_boxes(txts)这里有个细节值得注意txt里存的是归一化坐标乘以训练分辨率才能得到实际像素尺寸。上面的分析脚本乘以640是为了和yolov8默认训练分辨率对齐。算出来的平均宽高比如果明显大于1说明人行横道标注框整体偏宽——斑马线在正拍视角下确实是横向延伸的。这个信息在调试检测效果时有用如果模型在斜视角下检测不稳可能是因为训练样本中正拍比例偏高。3.3 数据增强策略人行横道场景不能乱用颜色增强人行横道检测有一个容易被忽略的点斑马线的视觉特征是白色条纹和路面颜色的对比如果你在增强时用了大幅度的色调抖动、颜色扰动把白色条纹的对比度拉低了模型学到的是“变了色的斑马线”反而干扰特征提取。我的建议是在yolov8的增强参数里hsv_h、hsv_s、hsv_v这三个值不要拉太高hsv_v控制在0.2以内hsv_s在0.3以内。几何增强反而是收益更大的方向。人行横道在真实场景里有各种视角——俯拍、平视、斜45度所以随机旋转、透视变换、上下翻转都是合理的。但左右翻转要慎重如果后续要部署到特定路口而那个路口的斑马线有固定方向左右翻转反而引入分布外样本。yolov8里对应的参数是fliplr默认0.5我一般会根据最终部署场景调成0或0.3。Mosaic增强对这个小数据集帮助很大它把4张图拼成一张训练样本等于放大了有效样本量。但要注意人行横道标注框里如果只占独立小图的一部分Mosaic拼接后目标相对变小对小目标检测有负面影响。我一般会把mosaic参数保持默认的1.0同时在训练后期关闭Mosaic增强——yolov8从第100个epoch开始会自动递减Mosaic概率如果用的旧版脚本没有这个机制可以手动把mosaic设为0再fine-tune几十个epoch。4. 避坑记录标注文件与图片对不上的四个典型问题4.1 运行验证时报KeyError图片主名带后缀xml里的filename字段不一致这个数据集的文件统一叫firc_crosswalk_编号.jpg但有些工具打标后xml里的filename节点会带路径前缀或者大小写不一致。如果只按文件名去匹配xml和jpg用字典装载映射时大概率跑着跑着就报错。我用第一个校验脚本时没有遇到这个问题但如果你自己打标或合并过别的数据集一定要检查xml的filename字段和实际文件名是否完全一致。解决方式是不信任xml里的filename字段全部用文件系统里的实际文件名作为主键。读取xml时只读取object节点的标注内容文件名一概以遍历目录时拿到的为准。经验是第三方数据集里xml的filename字段大概有六成概率不可靠。4.2 训练时loss异常高或标注框乱飞txt里混入了难例样本VOC格式有一个difficult字段表示这个目标是否难以辨认。通常打标工具默认值为0但也有部分标注员会把遮挡严重、模糊的框标成difficult1。转化成YOLO格式时如果转换脚本没过滤difficult1的object这些低质量框会被当成正常框参与训练导致loss下不去。检查方法是统计xml里difficult字段为1的框数量。这个数据集总共805个框如果全部都是difficult0说明不存在这个问题。但如果后续在这个数据集基础上做二次标注或者合并了其他来源的数据转换时务必加一行过滤逻辑。for obj in root.iter(object): difficult int(obj.find(difficult).text) if difficult 1: continue4.3 目标太小导致模型学不到特征要针对框尺寸单独调参道路场景拍摄的人行横道如果相机安装位置高、拍摄距离远标注框可能在640分辨率下只有20×50像素左右属于典型的小目标。yolov8默认的检测头对8×8、16×16、32×32下采样的特征图分别负责大、中、小目标如果小目标居多可以考虑把输入分辨率从640提高到960这比改模型结构更直接有效。代价是显存占用变大显存不够时先降batch size。另外这个数据集如果存在大量小目标样本做增强时不要用随机裁剪因为裁剪后目标可能直接被切掉一半标注框中心点偏移到画面外。解决方法是把scale参数控制在小范围比如0.5~1.5之间。4.4 验证集mAP高但实际视频流检测稀碎训练和推理分辨率不一致很多人训练时用640×640部署推理时为了省性能直接按原始分辨率或320×320跑检测效果断崖式下跌。人行横道本身在画面里占比不大分辨率降一半目标像素面积缩到四分之一这对特征提取影响极大。踩过这个坑之后我现在的习惯是训练固定一个分辨率之后推理只允许在0.5倍到1.5倍范围内浮动超出就强制插值回训练分辨率。解决办法是部署端写一段预处理代码把输入帧resize到训练时的尺寸再做推理而不是随便传原图。推理完再把框坐标映射回原始分辨率。这个映射关系很多人写错记得要按原图宽高和实际传入模型的宽高做比例换算而不是简单相加。5. 把训练跑通yolov8微调参数与效果验收5.1 训练命令与参数表yolov8训练这份数据集的命令很直接关键是data.yaml的编写和几个核心参数的设定。data.yaml放在项目根目录即可内容只需要三行path: dataset train: train/images val: val/images names: 0: cross训练命令示例yolo detect train \ modelyolov8n.pt \ datadata.yaml \ epochs120 \ imgsz640 \ batch16 \ patience20 \ cacheTrue \ projectruns/crosswalk \ nameexp1几个参数的调整逻辑model选择yolov8n还是yolov8s取决于你对速度的容忍度。793张图的数据量不大yolov8n从COCO预训练权重起步120个epoch在单张3080级别显卡上大约40分钟到1小时能跑完。batch大小按显存调整12GB显存跑batch16比较稳妥显存够可以上32。cacheTrue把图片预加载进内存数据量小完全没压力能省去每轮epoch读盘的I/O开销。patience20是早停参数连续20个epoch验证集指标没有提升就停。5.2 结果验收看什么不只看mAP50还要看置信度分布训练结束后yolov8会在runs/crosswalk/exp1目录下输出结果。重点看两个指标mAP50和mAP50-95。mAP50反映的是IoU阈值0.5下的平均精度对人行横道检测这类语义相对简单、框比较规整的目标来说mAP50做到0.85以上是及格线。mAP50-95对框的定位精度更敏感人行横道的框如果是长条形且边缘贴合不好这个指标会明显偏低。还有一个容易被忽略的角度检出来的框的置信度分数分布。如果所有正样本的置信度集中在0.9以上说明模型很有把握如果大量样本只有0.5~0.7说明模型的鲁棒性不够此时不要急着调低置信度阈值去强行召回而是回到数据层面看是不是某些视角的样本不够。置信度阈值的调整属于部署后置动作训练阶段先把模型的输出分布跑出来。验证集的可视化结果在val_batch0_pred.jpg里我用这张图做了第一轮人工筛查标注框是否贴住斑马线边缘、斜视角样本是否漏检、俯拍图是否误检到人行道旁边的路面纹理。人工筛查这一步不能省指标再漂亮画面看起来不对就是不对。5.3 一个有用的验证技巧用测试集单独评估很多人在yolov8里只用train和val测试集完全没用上。我的习惯是训练完以后用训练好的权重跑一遍test集的预测把预测结果和gt的txt做逐框匹配统计精确率和召回率。这一步用的代码很简单但能暴露验证集上看不出的过拟合问题——如果val指标很高但test掉点明显说明模型已经把验证集的分布记住了泛化不行。from ultralytics import YOLO model YOLO(runs/crosswalk/exp1/weights/best.pt) results model.predict( sourcedataset/test/images, conf0.25, save_txtTrue, save_confTrue, imgsz640 ) print(f共检测到 {sum(len(r.boxes) for r in results)} 个目标)这段代码把test集所有图片跑了一遍预测save_txtTrue会把每个预测框按YOLO格式写进txt保存目录是runs/detect/predict/labels。conf0.25是置信度阈值低于这个分数的目标被过滤掉。用一个脚本把预测txt和gt txt逐框算IoU大于0.5视为命中就能得到独立的测试集P/R值。从那以后我每次处理新的数据集都会强制走一遍「校验→划分→统计→训练→测试集独立评估」这个流程哪怕数据集再简单也不跳过。这套流程会帮你少走很多弯路希望帮到你。本文还有配套的精品资源点击获取