380张轨道故障图如何训练YOLOv8？小样本目标检测全流程详解

简介面向铁路轨道图像分类任务这份已标注数据集包含约380张轨道实拍图片聚焦损坏与未损坏两种状态判定并预先划分训练集、验证集和测试集图像按类别文件组织json中记录分类编号show脚本可直接加载数据进行可视化预览便于快速掌握数据分布。压缩包共387个文件以368个jpg和15个jpeg图像为主体另含webp、png等少量图像格式py脚本提供可视化与预览功能json为标注配置文件整体约159.73MB目录结构清晰且划分明确。配套作者发布的CNN分类与YOLOv5分类工程教程可支撑从数据准备、模型训练到结果评估的完整流程演练无论是做深度学习分类练手还是用于铁路设施巡检算法验证都能直接复用。目前已有191人学习浏览适合计算机视觉初学者、铁路巡检研究人员以及分类算法开发者选用。1. 铁路轨道故障图像识别数据集只有380张先想清楚这个规模能做什么拿到一份铁路轨道故障图像识别数据集打开一看已标注的图片只有380张第一反应多半是“这也太少了吧”。但我在现场项目里转过一圈后可以负责任地说这几乎是轨道巡检类视觉项目的常态。故障本身是小概率事件能拍到、能标注出来的有效故障图本就有限380张已经够你把流程跑通甚至够做出一个能预警的检测模型。问题的关键从“数据够不够”变成了“你会不会用”——类别分布是否合理、标注质量是否可靠、训练策略是不是针对小样本设计的。这篇文章就沿着这条线把数据校验、格式转换、YOLOv8训练、数据增强和上线验证逐个讲透适合刚入手这份数据、想用图像识别算法做轨道病害检测的工程师。2. 先拆标注内容类别分布、标注质量与格式转换2.1 轨道故障检测一般标什么先认清类别边界轨道故障图像识别数据集里最常见的标注目标一般围绕钢轨和扣件两大类展开。轨面缺陷有裂纹、剥离、掉块这类目标像素少、形状细长标注时容易框得忽大忽小扣件类问题是缺失、断裂、松动特征是目标小而密集一个视野里可能有几十个扣件标漏一个就是一次漏检。除此之外还有部分数据集会把轨枕裂纹、道床异物也纳入标注范围取决于项目当初是给巡道工用还是给探伤车用。拿到数据后的第一件事不是急着训练而是把标注类别和实际业务对一遍。比如你发现数据里只有“扣件缺失”而没有“扣件正常”——那模型天然学不会什么是正常态现场误报率会高得没法看。我一般会把类别清单拉出来逐个问这个类别现场能不能拍得到、误报之后要付出什么代价、类间是否容易混淆。轨面裂纹和轨面划痕在低分辨率下长得几乎一样如果标注时没把它们区分开模型最后学到的特征就是乱的。2.2 写个小脚本检查标签质量类别分布、空标签和畸形框这份数据既然标注过第一步就应该对标签做体检。常见的数据集组织方式是图片放在 images 文件夹、YOLO 格式的 txt 标签放在 labels 文件夹也可能是 Pascal VOC 的 xml 或 COCO 的 json。不管哪种格式先看每个类别的样本数量是否均衡再看有没有空标签文件、框坐标是否越界、宽高是否为负。import os from pathlib import Path labels_dir Path(labels) # YOLO格式标签目录 stats {} empty_files [] bad_boxes [] for txt in labels_dir.glob(*.txt): lines [l.strip() for l in txt.read_text().splitlines() if l.strip()] if not lines: empty_files.append(txt.name) continue for line in lines: parts line.split() cls int(parts[0]) x_center, y_center, w, h map(float, parts[1:]) stats[cls] stats.get(cls, 0) 1 # 框宽高为负或中心点越界都说明标注有问题 if w 0 or h 0 or not (0 x_center 1) or not (0 y_center 1): bad_boxes.append((txt.name, line)) print(类别统计:, stats) print(空标签文件:, len(empty_files), empty_files[:10]) print(畸形框数量:, len(bad_boxes), bad_boxes[:5])这段脚本用最朴素的方式做体检。YOLO 格式的坐标是相对图片宽高的比例值所以检查点落在“中心点是否在 0 到 1 之间”和“宽高是否大于 0”上。空标签文件说明这张图没有任何目标如果这样的图进了训练集它会被当成背景样本数据量小的时候背景样本太少反而会让模型把背景里的轨枕纹理误检成故障需要留意。2.3 VOC、COCO 与 YOLO 三种格式的互换转换脚本与命名对应很多已标注数据集给的是 Pascal VOC 的 xml但训练脚本只认 YOLO 格式。转换的坑不在坐标换算而在文件名对应xml 里的 filename 字段经常不带路径而你的图片文件名可能被批量重命名过转换前要先核对两边文件名是否一一对应。我见过不止一次转换脚本跑完训练时一半标签找不到图报错信息全是 “image not found”。import xml.etree.ElementTree as ET from pathlib import Path def voc_to_yolo(xml_path, out_dir, class_names): tree ET.parse(xml_path) root tree.getroot() img_w int(root.find(size/width).text) img_h int(root.find(size/height).text) out_lines [] for obj in root.findall(object): name obj.find(name).text if name not in class_names: continue # 类别不在映射表里直接跳过 cls_id class_names.index(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) # 坐标夹紧避免边界框超出图片范围 xmin max(0, xmin); ymin max(0, ymin) xmax min(img_w, xmax); ymax min(img_h, ymax) x_center (xmin xmax) / 2 / img_w y_center (ymin ymax) / 2 / img_h w (xmax - xmin) / img_w h (ymax - ymin) / img_h out_lines.append(f{cls_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}) if out_lines: out_path out_dir / (Path(xml_path).stem .txt) out_path.write_text(\n.join(out_lines))转换逻辑本身不难但四个边界坑要记住第一类别名必须和 class_names 列表顺序严格对齐训练时的 data yaml 里类别顺序要一致第二坐标要夹紧在图片范围内因为标注软件偶尔会拖出超出边界的框第三空目标文件不要生成直接跳过并记录日志第四转换完成后抽查三到五张图把框画回去看位置对不对别完全信任脚本输出。3. 用 YOLOv8 在 380 张图上跑通训练划分、命令与参数3.1 只有 380 张怎么划分训练集、验证集和测试集380 张的规模按常规 7:2:1 划分会出问题验证集只有 38 张一次训练掉点就分不清是模型问题还是 38 张图片本身太偏。我的做法是留出 40 张做测试集这部分严格封存、只在最后评估时碰一次剩下 340 张做训练和验证再用 k-fold 交叉验证补足。k-fold 的做法是把 340 张分成 5 份轮换其中 1 份做验证训练 5 次最后看平均 mAP。对小数据集来说这比一次性划分可信得多。代价是训练时间变成 5 倍但 YOLOv8 在 340 张小图上单轮训练也就几分钟到十几分钟完全值得。划分时还要注意类别在训练/验证间的均衡。如果扣件缺失类集中在某几张图里随机切分很可能把这类的验证样本全切走训练集里该类一张不剩。稳妥做法是按类别做分层抽样统计每张图包含哪些类别确保每个类别在训练集和验证集中都占相近比例。3.2 最小训练命令与影响结果的参数清单环境装好 ultralytics 包之后第一步要把数据集按 YOLO 目录风格组织好然后写一个 data yaml# rail_fault.yaml train: datasets/rail/images/train val: datasets/rail/images/val test: datasets/rail/images/test nc: 4 names: [crack, missing_clip, sleeper_break, foreign_object]这个 yaml 只干三件事指定三个图片目录、声明类别数量、给类别起名字。注意 train 和 val 指向的是图片目录YOLOv8 会自动去相邻的 labels 目录里找同名 txt 标签所以目录结构必须严格对应。接下来是最小训练命令yolo train \ modelyolov8n.pt \ datarail_fault.yaml \ epochs200 \ imgsz640 \ batch16 \ lr00.005 \ augmentFalse \ patience50 \ projectrail_fault \ nameexp_base这条命令里有几个参数是针对小数据集专门调的。epochs 给到 200 是因为数据少模型需要更多轮次才能收敛但配合 patience50验证集 50 轮不涨就自动停不会盲目跑完。lr0 从默认的 0.01 降到 0.005学习率大容易在几百张图上快速过拟合收敛到泛化差的局部最优。augmentFalse 先关掉增强是为了先拿到一个不加干预的基准后面再逐步打开增强对比效果。模型选 yolov8nn 是最小版本后验告诉我们 380 张图用 s 或 m 基本撑不住会严重过拟合。3.3 第一次训练结束后先看这四个输出训练结束不是看 final mAP 就完事要依次看四个东西。第一是 results.png 里的 loss 曲线如果验证集 loss 在某个 epoch 后持续上升而训练集 loss 还在下降说明已经过拟合这时候该看早停发生的位置第二是训练集和验证集的 mAP50 差距差距超过 15 个点就要警惕第三是 5 张验证图的推理可视化注意模型有没有在背景上画出高置信度的假框第四是类别分布和错误预测的对应关系比如某类样本只有 20 个mAP 却可能虚高因为这类样本少蒙对几个就能拉高整体。我用这个流程跑过几次后发现第一次训练的结果几乎不用来直接评判模型而是用来判断数据质量。如果 baseline 的 mAP50 连 0.5 都不到最常见原因是标注框偏差大模型被互相矛盾的框给搞糊涂了这种情况加大训练量没有意义回头修数据才见效。4. 把 380 张用出翻倍效果数据增强、迁移学习与伪标签迭代4.1 在线增强参数怎么配Mosaic、MixUp 和 HSV 抖动在小数据集上增强策略是决定模型能不能泛化的关键但也不是开得越猛越好。YOLOv8 的增强在训练时由超参数控制常见的做法是先打开 Mosaic 和 HSV 抖动再逐步加 MixUp。# augment.yaml通过 hyp 参数传递 mosaic: 1.0 # 4张图拼1张小目标上下文更丰富 mixup: 0.2 # 两张图混合类别边界变模糊降低过拟合 hsv_h: 0.02 # 色调扰动幅度 hsv_s: 0.6 # 饱和度扰动轨道场景光线变化大时才调到0.7 hsv_v: 0.3 # 亮度扰动阴影和夜间场景依赖这个 degrees: 5.0 # 左右小角度旋转角度太大框会失真 translate: 0.1 # 平移比例10%以内 scale: 0.3 # 缩放抖动模拟相机远近变化 fliplr: 0.5 # 水平翻转轨道结构左右对称这个项收益很高Mosaic 在数据少时收益最大它把四张图拼成一张相当于变相增加了每张图里的目标上下文。扣件缺失这种小目标平常一张图里可能只有两三个Mosaic 之后一张图里能同时看到十几个模型学到的特征更稳定。MixUp 不要开太大0.2 到 0.3 足够开大了会把裂纹这类细长目标混成糊状反而破坏纹理特征。degrees 我控制在 5 度以内轨道图像是固定的俯视视角现场不会有大幅转动。增强开起来之后原来 200 轮的训练会变得更慢因为每次 epoch 模型看到的图都不同收敛轮次自然上移。这没关系早停机制会帮你卡住训练量。4.2 迁移学习的关键细节冻结、解冻与学习率重置380 张图从头训练是死路一定要加载预训练权重。yolov8n.pt 是在 COCO 上训过的模型前几层提取的是通用边缘、纹理、颜色特征这些知识可以完全迁移到轨道场景。真正要改的是后几层检测头它得重新学会“扣件缺失长什么样”。常见做法分两步# 第一步冻结 backbone只训练检测头 yolo train \ modelyolov8n.pt \ datarail_fault.yaml \ epochs60 \ imgsz640 \ batch16 \ freeze10 \ lr00.002 \ nameexp_freeze # 第二步解冻全部层用小学习率微调 yolo train \ modelrail_fault/exp_freeze/weights/last.pt \ datarail_fault.yaml \ epochs100 \ imgsz640 \ batch16 \ freeze0 \ lr00.0005 \ nameexp_unfreezefreeze10 表示冻结模型前 10 层backbone 部分这时只有检测头在更新不容易把预训练的特征破坏掉。第二步解冻后学习率要降一个量级0.0005 左右让 backbone 只做微调、不大改。如果跳过冻结直接训练或者解冻后还用大学习率现场效果通常表现为轨面裂纹这类纹理细节识别还行扣件缺失这类需要上下文推理的目标反而变差。加载训练过一轮的 last.pt 继续训练这种模式叫 resume/不断点续训比每次从头开始更稳妥。4.3 伪标签迭代把现场无标注图变成训练集的一部分380 张标注图之外大多数团队手上还有几百张拍回来的现场图只是没标。这些图可以拿来做半监督学习先用当前模型对未标注图做预测把置信度高于 0.9 的预测结果当成伪标签筛选后加入训练集。# 对未标注图片批量推理输出带置信度的标签 yolo predict \ modelrail_fault/exp_unfreeze/weights/best.pt \ sourcedatasets/rail/raw_images \ conf0.9 \ save_txt \ save_conf生成 txt 后要过一遍筛选去掉类别置信度低于 0.9 的框、去掉框面积小于图片面积 0.5% 的目标通常是噪声、去掉同一位置重复框。伪标签的类别分布也可能不平衡如果某一类占了伪标签主体建议按比例抽样别让伪标签改变原有类别比例。整个过程迭代两到三轮。实测效果好过再加几十张人工标注因为伪标签扩充的是模型最难判别的边界样本——那些 0.9 置信度的目标恰好跟人工标注高度一致。但迭代轮次多了要防止容错性下降模型会越来越相信自己的错误预测所以每轮伪标签只加新图中高置信度的部分。5. 小样本训练避坑清单五个让模型翻车的真实细节5.1 类别不平衡扣件类占八成裂纹类只有二十个框现象训练结束看 PR 曲线扣件缺失类 mAP 到了 0.85裂纹类只有 0.3但整体 mAP 看着有 0.7感觉还行一上现场裂纹一个都漏了。原因数据集本身类别分布不均380 张图里扣件相关占了约 80%裂纹样本很少。模型把所有注意力都放在了样本多的类别上对裂纹根本没学到有效特征。解决先做类别重采样。YOLOv8 可以给每个类别单独配置采样权重让少样本类别每 epoch 被重复抽到更直接的办法是把裂纹类图片复制几份做离线增强。注意不要简单复制原图要带不同的增强变换翻转、亮度、裁剪复制否则模型会记住图而不是特征。治本的办法是回头补采数据380 张里至少每个类别要有 50 个以上框才算能用。5.2 过拟合训练集 mAP 接近 1.0测试集不到一半现象训练结果里 train loss 降到 0.02val mAP50 在 0.85 左右拿封存的 40 张测试集一跑mAP50 直接腰斩到 0.4。图像识别新手很容易在这里误判为环境差异。原因这已经不是环境差异而是模型把 340 张训练图的背景、光照、拍摄角度全背下来了。测试集里的轨道图光照稍暗一点模型就找不到“记忆中的”特征。解决三个手段同时上。第一把增强参数里的 scale 和 translate 加大让目标尺寸和位置变化更剧烈第二用 DropOut 类似的机制——YOLOv8 里对应的是减少卷积通道数可以把模型从 n 换成更小或加 weight_decay 正则默认 0.0005 可以提到 0.001第三最有效的是从源头减少记忆空间用 k-fold 交叉验证训练 5 次如果 5 次的 val mAP 方差很大说明某一份验证集被严重过拟合需要重新划分或补数据。5.3 标注框不一致同一目标有人框紧、有人框松现象训练后模型预测出的框比实际目标大一圈或者同一张图推理两次框的位置漂移明显。用 LabelImg 打开标签看发现数据里同一个扣件缺失有的框只包住缺扣件的区域有的框把周围两厘米的轨枕也包了进去。原因多个人标注框的紧松标准不统一。目标检测对框的边界没那么敏感但在小数据集上这种不一致会被放大模型学到的目标中心点是偏的。解决修数据比调参更优先。写个脚本统计每张图的标注框宽高比分布把比例明显偏离同类别的框筛选出来人工复核。统一标准时我给团队定的规则是“目标最小外接矩形再外扩 2 到 3 个像素”细长裂纹不要为了框住全部纹理把两端多余背景包进来。这个投入非常值380 张图最多花半天但能把 mAP 抬高三到五个点。5.4 光照与阴影变化白天拍的模型阴天就失灵现象训练集里阳光直射、光影分明模型在测试集阴天场景下把大片阴影误检成轨面剥离检测框疯狂抖动。原因数据采集在晴天完成HSV 增强里的 hsv_v 没调够模型对亮度分布的记忆太单一。轨道现场早晨、中午、傍晚的光照角度完全不同桥下阴影和隧道灯光又是另一套分布。解决把 hsv_v 从 0.3 提到 0.5同时加随机灰度增强。实在没把握时把训练集里的高光、暗光图各分一份先单独评估模型在两个子集上的表现看掉点主要发生在哪个亮度区间。另一个办法是对测试集做简单的直方图均衡化再推理可以缓解一部分光照差但这是治标。5.5 小目标漏检轨面裂纹只有 20 个像素imgsz640 根本看不清现象mAP50 还算正常但用 mAP50-95 一栏来看分数很低现场告警全靠大目标在撑。轨面裂纹实框宽度只有 10 到 20 像素模型把它当噪声滤掉了。原因imgsz640 时原图缩放到 640 分辨率小目标可能只剩几个像素。模型的特征图下采样后小目标连一个锚点都占不到。解决把 imgsz 从 640 提升到 1280但 380 张小数据在 1280 下训练会明显变慢且更容易过拟合。折中方案是保持 640 训练但推理时用 1280 跑YOLOv8 支持训练和推理分辨率不一致。另一个有效手段是截块训练把原图按 512 的滑窗切成重叠块裂纹被放大两倍后再进入模型。这个办法在轨道巡检项目里常用缺点是推理时间变长要结合现场算力权衡。6. 上线前验证一个技巧让你判断 380 张数据训出的模型敢不敢投用6.1 用一条命令把评估跑完整不要只看 mAP50模型训练完最后的验证要跑在封存的 40 张测试集上而且要同时看 mAP50 和 mAP50-95。mAP50 是框与真值重叠 50% 就算命中比较宽松mAP50-95 从 0.5 到 0.95 每 0.05 算一个阈值然后平均对框的定位精度敏感得多。裂纹检测这种小目标任务mAP50-95 比 mAP50 有参考价值得多它低说明框虽然找到了目标但位置和大小偏差大。yolo val \ modelrail_fault/exp_unfreeze/weights/best.pt \ datarail_fault.yaml \ splittest \ conf0.25 \ iou0.5 \ save_json \ save_conf输出里主要看三个数mAP50、mAP50-95、per-class mAP。还有每个类别的 recall这个对小样本尤其重要——漏检在轨道场景里比误报致命得多。6.2 混淆矩阵与坏 case 检查找到模型真正搞混的类别YOLOv8 训练结束后会在 run 目录生成 confusion_matrix.png这个图是判断模型能不能上线的第一手材料。轨道场景里最常见的混淆有两类轨面裂纹和轨面水渍/阴影扣件缺失和背景。如果混淆矩阵里这两处有超过 20% 的误分说明特征区分度不够要靠补数据或提高输入分辨率解决单纯调阈值救不回来。坏 case 检查更直接把测试集推理结果里置信度大于 0.5 的错检图挑出来每张肉眼看一下错在哪。我一般要求自己回答三个问题错检目标在视觉上是否和真值很像、位置是否总在某个固定区域比如道床边缘、类别是否符合常理比如把扣件缺检成裂纹就是特征没学好。如果错检目标看起来真的像故障这条错误可以接受如果一眼是背景纹理说明模型学到了背景特征要回到增强或标注质量环节排查。6.3 置信度阈值调整用小技巧压误报率模型评估完最后一个动作是给现场选置信度阈值。YOLOv8 默认 conf0.25但小数据训练出的模型在低置信度区间会带大量假阳性。我的习惯是先用 conf0.5 和 conf0.7 各跑一遍测试集对比召回和误报的变化。如果从 0.5 提到 0.7 时 recall 只掉了 3%但误报少了 50%那现场阈值就定 0.7如果 recall 掉了 15%说明模型在正样本上的置信度本来就低阈值不能硬提要从数据侧补救。这是我自己踩过的坑比较多的地方以前总想着靠阈值调出漂亮的误报率后来明白阈值只是最后一道闸门模型特征质量才是根本。现在我的习惯是每轮训练都把 best.pt 和 last.pt 都留着best.pt 用于演示last.pt 用于下一轮迭代然后跑一次完整评估把 mAP、混淆矩阵、坏 case 截图归档到训练日志里方便一个月后回看。这套流程跑顺了380 张图最终能在测试集稳定到 0.6 以上的 mAP50覆盖扣件缺失和异物检测绰绰有余前提是别贪心别指望它一个模型解决轨面裂纹加扣件加道床全部问题。希望这些细节能帮你少走几步弯路。本文还有配套的精品资源点击获取