簡(jiǎn)介交通車輛目標(biāo)檢測(cè)數(shù)據(jù)集是面向自動(dòng)駕駛與智能交通場(chǎng)景的YOLO格式行業(yè)數(shù)據(jù)集聚焦自行車、公交車、轎車、摩托車、卡車五類道路參與者可用于車輛識(shí)別、交通流量監(jiān)控與ADAS感知模型訓(xùn)練。資源共包含兩千個(gè)文件以一千二百五十一個(gè)txt標(biāo)注文件、七百四十七張jpg真實(shí)場(chǎng)景圖像為主另有一個(gè)yaml配置文件和一份docx說明文檔壓縮包整體大小六十八點(diǎn)六五MB目錄結(jié)構(gòu)清晰便于按需取用。當(dāng)前已有二百五十八人學(xué)習(xí)下載。數(shù)據(jù)采集自真實(shí)交通場(chǎng)景覆蓋不同光照條件、車輛遮擋與多尺度目標(biāo)等真實(shí)挑戰(zhàn)所有標(biāo)注均經(jīng)過嚴(yán)格質(zhì)量驗(yàn)證邊界框定位準(zhǔn)確、類別標(biāo)記一致原生YOLO格式可直接用于YOLOv5/v7/v8/v12等主流框架開箱即用。除基礎(chǔ)檢測(cè)任務(wù)外還可擴(kuò)展到車輛計(jì)數(shù)、軌跡預(yù)測(cè)等衍生應(yīng)用具備良好的實(shí)戰(zhàn)驗(yàn)證與算法研究?jī)r(jià)值。1. 交通車輛目標(biāo)檢測(cè)數(shù)據(jù)集為什么 yolov12 也得先過數(shù)據(jù)關(guān)做目標(biāo)檢測(cè)這些年我最深的感受是模型迭代速度永遠(yuǎn)趕不上數(shù)據(jù)翻車的速度。前段時(shí)間要訓(xùn)練一個(gè)交通場(chǎng)景下的車輛檢測(cè)模型拿到這份「交通車輛目標(biāo)檢測(cè)數(shù)據(jù)集.zip」解壓后第一反應(yīng)是松了口氣——沒有亂七八糟的嵌套目錄images 和 labels 清清楚楚標(biāo)簽文件全是 YOLO 格式的 txt。也就是說無論你準(zhǔn)備跑 yolov8、yolov11 還是社區(qū)復(fù)現(xiàn)的 yolov12這份數(shù)據(jù)都可以直接對(duì)接不需要先做格式轉(zhuǎn)換。它解決的核心問題是省掉從零整理自動(dòng)駕駛/交通監(jiān)控?cái)?shù)據(jù)集的體力活把時(shí)間花在訓(xùn)練和調(diào)參上。適合的目標(biāo)人群是正在做車輛檢測(cè)、交通流量分析、自動(dòng)駕駛感知相關(guān)項(xiàng)目但不想自己爬圖標(biāo)注的從業(yè)者。2. 數(shù)據(jù)集內(nèi)部結(jié)構(gòu)拆解images/labels 組織與 YOLO 標(biāo)簽格式2.1 目錄結(jié)構(gòu)與命名規(guī)則這類行業(yè)數(shù)據(jù)集最怕什么怕的是目錄結(jié)構(gòu)千奇百怪標(biāo)簽格式五花八門。這份資源走的是最主流的組織方式壓縮包內(nèi)部分成 images 和 labels 兩個(gè)主目錄images 下面按場(chǎng)景或采集時(shí)間分子目錄labels 目錄結(jié)構(gòu)與 images 一一對(duì)應(yīng)。交通車輛目標(biāo)檢測(cè)數(shù)據(jù)集/ ├── images/ │ ├── highway/ │ │ ├── 000001.jpg │ │ ├── 000002.jpg │ │ └── ... │ ├── urban/ │ │ ├── 000101.jpg │ │ └── ... │ └── night/ │ ├── 000201.jpg │ └── ... ├── labels/ │ ├── highway/ │ │ ├── 000001.txt │ │ └── ... │ ├── urban/ │ │ └── ... │ └── night/ │ └── ... └── classes.txt命名規(guī)則是按場(chǎng)景前綴加序號(hào)圖片和同名 txt 在同名子目錄下成對(duì)出現(xiàn)。這種設(shè)計(jì)的好處是后續(xù)做數(shù)據(jù)劃分、按場(chǎng)景評(píng)估都很方便不用再寫復(fù)雜的路徑解析邏輯。我在拿到數(shù)據(jù)集后的第一個(gè)習(xí)慣動(dòng)作就是跑一段腳本檢查 images 和 labels 的文件名是否一一對(duì)應(yīng)后面第 4 章會(huì)給出具體代碼。2.2 labels 目錄下 txt 文件的格式規(guī)范YOLO 格式的標(biāo)簽文件是純文本每一行代表一個(gè)目標(biāo)框格式固定為五個(gè)數(shù)值類別ID 中心點(diǎn)x 中心點(diǎn)y 寬度w 高度h注意x、y、w、h 全部是相對(duì)于圖像寬度和高度的歸一化值范圍在 0 到 1 之間。比如一個(gè)實(shí)際位于畫面中心、占畫面寬度 30%、高度 40% 的車輛它的標(biāo)簽行大致是0 0.50 0.45 0.30 0.40打開一個(gè) txt 文件你會(huì)看到類似下面的內(nèi)容0 0.4821 0.5312 0.2187 0.2543 1 0.1147 0.6874 0.1598 0.3012 0 0.8432 0.4156 0.1976 0.2289這里的數(shù)字含義必須搞清楚第一列的 0 和 1 是類別 ID后面四列是歸一化坐標(biāo)。類別 ID 是從 0 開始計(jì)數(shù)的對(duì)應(yīng) classes.txt 里的行序號(hào)。常見的錯(cuò)誤是把類別號(hào)從 1 開始數(shù)結(jié)果訓(xùn)練出來的模型類別全錯(cuò)位了——這是很多新手第一道坎后面避坑章節(jié)會(huì)展開講。2.3 classes.txt 與類別映射classes.txt 是這個(gè)數(shù)據(jù)集的「字典」一行一個(gè)類別名順序就是 ID 順序。以交通車輛檢測(cè)場(chǎng)景來說常見類別名包括 car、truck、bus、motorcycle、bicycle 等。但具體到這份數(shù)據(jù)遵循的是包內(nèi) classes.txt 為準(zhǔn)的原則——不要想當(dāng)然地認(rèn)為所有車輛數(shù)據(jù)集都是同一套類別定義。值得說的是不同數(shù)據(jù)集的類別體系差異很大。比如 CCPD 數(shù)據(jù)集專注于中國(guó)車牌檢測(cè)HRSC2016 是遙感艦船檢測(cè)BDD100K 則是包含車輛、行人、交通燈等 10 個(gè)大類的自動(dòng)駕駛視頻數(shù)據(jù)集。這份資源聚焦的是「交通車輛」本身類別體系相對(duì)精簡(jiǎn)但正因?yàn)榫劢诡悇e之間的區(qū)分質(zhì)量和邊界框標(biāo)注精度通常比通用數(shù)據(jù)集好。做行業(yè)落地時(shí)精簡(jiǎn)但標(biāo)注準(zhǔn)確的類別集比追求大而全的類別集更有價(jià)值。3. 把數(shù)據(jù)集喂給 yolov8/yolov11目錄改造、yaml 與訓(xùn)練參數(shù)3.1 目錄結(jié)構(gòu)調(diào)整成 Ultralytics 約定格式這份數(shù)據(jù)集的結(jié)構(gòu)本身已經(jīng)接近 YOLO 慣例但要直接跑 Ultralytics 系列的訓(xùn)練還需要做一點(diǎn)微調(diào)。Ultralytics 框架期望的目標(biāo)是在訓(xùn)練時(shí)通過 dataset.yaml 指定數(shù)據(jù)集路徑images 和 labels 可以不在同一個(gè)根目錄下但內(nèi)部路徑結(jié)構(gòu)要一致。我一般會(huì)先建一個(gè)干凈的目錄把數(shù)據(jù)整理成下面的結(jié)構(gòu)datasets/ └── vehicle_det/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── dataset.yaml如果你不想手動(dòng)調(diào)整子目錄也可以寫一個(gè)三五十行的腳本來自動(dòng)劃分。常見做法是先把整個(gè)數(shù)據(jù)集的 8:1:1 或 9:1 比例劃分好訓(xùn)練集多放,驗(yàn)證集和測(cè)試集留出足夠樣本。注意劃分必須在圖片和標(biāo)簽之間同步進(jìn)行不能只移動(dòng) images 不移動(dòng) labels否則訓(xùn)練時(shí) YOLO 會(huì)報(bào)「label 不存在」的錯(cuò)誤。3.2 dataset.yaml 的路徑與關(guān)鍵參數(shù)下面是這份交通車輛數(shù)據(jù)集的 dataset.yaml 配置直接放在 datasets/vehicle_det/ 下即可path: /path/to/datasets/vehicle_det # 數(shù)據(jù)集根目錄建議寫絕對(duì)路徑 train: images/train # 訓(xùn)練集圖片目錄相對(duì) path val: images/val # 驗(yàn)證集圖片目錄相對(duì) path test: images/test # 測(cè)試集圖片目錄可選 nc: 5 # 類別數(shù)量必須與 classes.txt 行數(shù)一致 names: [car, truck, bus, motorcycle, bicycle] # 類別名稱順序與 ID 對(duì)應(yīng)這里的nc是最關(guān)鍵的一項(xiàng)它必須和 classes.txt 里的類別數(shù)完全一致。names列表的索引就是標(biāo)簽文件里的類別 ID。如果 classes.txt 里有 5 行那么 ID 范圍是 0 到 4如果你把 nc 寫成 4訓(xùn)練過程中讀到 ID 為 4 的標(biāo)簽時(shí)會(huì)直接報(bào)錯(cuò)或者靜默跳過導(dǎo)致召回率虛低。3.3 訓(xùn)練命令與關(guān)鍵超參數(shù)配置好 yaml 之后訓(xùn)練命令很簡(jiǎn)單。下面以 yolov8n 為例說明參數(shù)的含義yolo train \ modelyolov8n.pt \ datadatasets/vehicle_det/dataset.yaml \ epochs100 \ imgsz640 \ batch16 \ device0 \ lr00.01 \ patience20幾個(gè)參數(shù)按我的習(xí)慣來調(diào)model選擇 yolov8n/yolov8s/yolov11s 取決于顯存和精度要求初次跑通先用最小的模型驗(yàn)證數(shù)據(jù)沒問題再往大的換epochs100對(duì)這類場(chǎng)景足夠配合patience20做早停驗(yàn)證集指標(biāo) 20 輪不提升就自動(dòng)結(jié)束imgsz用 640 是速度和精度的平衡點(diǎn)如果目標(biāo)是小車、遠(yuǎn)距離密集場(chǎng)景可以試試 1280但顯存占用會(huì)大很多。如果是社區(qū)復(fù)現(xiàn)的 yolov12訓(xùn)練入口和參數(shù)基本沿襲 Ultralytics 風(fēng)格常見的做法是python train.py --data dataset.yaml --cfg yolov12.yaml --weights yolov12.pt參數(shù)名略有差異但 dataset.yaml 的格式可以直接復(fù)用——這份數(shù)據(jù)本身不綁定模型版本這是它最大的兼容性優(yōu)勢(shì)。3.4 訓(xùn)練日志怎么看訓(xùn)練開始后終端會(huì)滾動(dòng)輸出每一輪的指標(biāo)關(guān)鍵的幾個(gè)數(shù)值要盯住box_loss和cls_loss這兩項(xiàng)應(yīng)該在訓(xùn)練初期快速下降然后趨于平緩。如果 cls_loss 一直居高不下先懷疑類別定義或標(biāo)簽錯(cuò)位。mAP50和mAP50-95mAP50 反映框位置是否大致準(zhǔn)確mAP50-95 更嚴(yán)格考察不同 IoU 閾值下的綜合表現(xiàn)。車輛檢測(cè)場(chǎng)景 mAP50 一般能到 0.95 以上才算合格mAP50-95 則看數(shù)據(jù)難度0.7 左右是可接受的水平。variance如果訓(xùn)練集和驗(yàn)證集的指標(biāo)差距越拉越大說明過擬合了可以加數(shù)據(jù)增強(qiáng)或降低 epochs。4. 先用可視化驗(yàn)證再開訓(xùn)幾分鐘檢查標(biāo)注質(zhì)量的腳本組合4.1 檢查標(biāo)簽-圖像文件對(duì)應(yīng)關(guān)系我裁過的跟頭不計(jì)其數(shù)有一次是 labels 里多了一個(gè)文件有一次是某張圖片的 txt 內(nèi)容為空但圖片正常。這類問題最惡性的在于不報(bào)錯(cuò)——訓(xùn)練照樣跑但精度上不去非常像玄學(xué)。所以我現(xiàn)在每次拿到新數(shù)據(jù)集的第一件事永遠(yuǎn)是先跑一遍對(duì)應(yīng)關(guān)系檢查。import os from pathlib import Path img_dir Path(datasets/vehicle_det/images/train) label_dir Path(datasets/vehicle_det/labels/train) img_files {f.stem for f in img_dir.glob(*.jpg)} label_files {f.stem for f in label_dir.glob(*.txt)} only_img img_files - label_files only_label label_files - img_files print(f只有圖片沒有標(biāo)簽: {len(only_img)} 張) if only_img: for name in list(only_img)[:10]: print(f {name}.jpg) print(f只有標(biāo)簽沒有圖片: {len(only_label)} 個(gè)) if only_label: for name in list(only_label)[:10]: print(f {name}.txt)這段代碼的核心邏輯是用集合差運(yùn)算找出不對(duì)應(yīng)的文件。正常的項(xiàng)目應(yīng)該輸出兩個(gè) 0如果出現(xiàn)大量「只有標(biāo)簽沒有圖片」的情況說明數(shù)據(jù)整理時(shí) labels 目錄有殘留文件直接刪除即可。如果「只有圖片沒有標(biāo)簽」那就要回源頭找原因可能是導(dǎo)出中斷。4.2 隨機(jī)采樣并疊加邊界框文件名檢查通過之后下一步是可視化抽查。我習(xí)慣隨機(jī)挑 20 張圖把邊界框畫上去看一眼——這一步能發(fā)現(xiàn)坐標(biāo)歸一化方向?qū)Σ粚?duì)、框是否貼合目標(biāo)、類別是否明顯標(biāo)錯(cuò)。這里需要注意的是 OpenCV 的坐標(biāo)系是左上角原點(diǎn)、x 向右 y 向下而 YOLO 歸一化坐標(biāo)需要換算。import cv2 import random from pathlib import Path img_dir Path(datasets/vehicle_det/images/train) label_dir Path(datasets/vehicle_det/labels/train) save_dir Path(visual_check) save_dir.mkdir(exist_okTrue) img_paths list(img_dir.glob(*.jpg)) sample random.sample(img_paths, 20) colors { 0: (0, 255, 0), # car 綠色 1: (0, 0, 255), # truck 紅色 2: (255, 0, 0), # bus 藍(lán)色 3: (0, 255, 255), # motorcycle 黃色 4: (255, 0, 255), # bicycle 紫色 } for img_path in sample: img cv2.imread(str(img_path)) h, w img.shape[:2] label_path label_dir / f{img_path.stem}.txt if not label_path.exists(): print(f缺少標(biāo)簽: {img_path.name}) continue with open(label_path) as f: for line in f: parts line.strip().split() if len(parts) ! 5: print(f格式異常: {label_path} - {line}) continue cls_id int(parts[0]) cx, cy, bw, bh map(float, parts[1:]) x1 int((cx - bw / 2) * w) y1 int((cy - bh / 2) * h) x2 int((cx bw / 2) * w) y2 int((cy bh / 2) * h) color colors.get(cls_id, (255, 255, 255)) cv2.rectangle(img, (x1, y1), (x2, y2), color, 2) cv2.putText(img, str(cls_id), (x1, max(0, y1 - 5)), cv2.FONT_HERSHEY_SIMPLEX, 0.6, color, 2) out_path save_dir / img_path.name cv2.imwrite(str(out_path), img) print(f已保存: {out_path})這段腳本里有幾個(gè)值得注意的參數(shù)細(xì)節(jié)cv2.rectangle的坐標(biāo)必須是整數(shù)所以歸一化坐標(biāo)要乘上真實(shí)寬高再取整cv2.putText里的max(0, y1 - 5)是防止框在圖像頂部時(shí)文字畫到畫布外面報(bào)錯(cuò)colors字典的 key 要和數(shù)據(jù)集的類別 ID 對(duì)應(yīng)如果 classes.txt 的順序和我的假設(shè)不一致畫出來的顏色就會(huì)錯(cuò)亂這本身也是一種校驗(yàn)。4.3 快速劃分腳本train/val/test如果數(shù)據(jù)集的圖片數(shù)量夠多手動(dòng)分目錄很痛苦。我一般直接用 Python 腳本按比例移動(dòng)文件記得 labels 和 images 同步移動(dòng)import random import shutil from pathlib import Path src_img Path(datasets/vehicle_det/images/全部) src_lbl Path(datasets/vehicle_det/labels/全部) dims { train: 0.8, val: 0.1, test: 0.1, } for split in dims: (Path(datasets/vehicle_det/images) / split).mkdir(parentsTrue, exist_okTrue) (Path(datasets/vehicle_det/labels) / split).mkdir(parentsTrue, exist_okTrue) all_files list(src_img.glob(*.jpg)) random.shuffle(all_files) n_train int(len(all_files) * dims[train]) n_val int(len(all_files) * dims[val]) for i, img_path in enumerate(all_files): if i n_train: split train elif i n_train n_val: split val else: split test label_path src_lbl / f{img_path.stem}.txt if not label_path.exists(): print(f跳過缺失標(biāo)簽: {img_path.name}) continue shutil.copy2(img_path, Path(datasets/vehicle_det/images) / split / img_path.name) shutil.copy2(label_path, Path(datasets/vehicle_det/labels) / split / label_path.name) print(劃分完成)注意這里用的是copy2而不是move目的是保留原始數(shù)據(jù)。劃分后再跑一次 4.1 節(jié)的對(duì)應(yīng)關(guān)系檢查確認(rèn)每個(gè) split 里 img 和 label 數(shù)量一致。這個(gè)習(xí)慣能救命的場(chǎng)景是訓(xùn)練到一半發(fā)現(xiàn) val 集里缺了幾十個(gè)標(biāo)簽前期所有 mAP 數(shù)字全部作廢。5. 目標(biāo)檢測(cè)數(shù)據(jù)集避坑指南錯(cuò)位、漂移、失衡與重復(fù)樣本5.1 圖片與標(biāo)簽文件名錯(cuò)位現(xiàn)象訓(xùn)練時(shí)偶爾報(bào)錯(cuò)FileNotFoundError但文件明明存在或者不報(bào)錯(cuò)但驗(yàn)證集 mAP 始終在 0.3 以下。原因文件名編號(hào)不對(duì)稱比如 images 里是frame_0001.jpglabels 里是video_0001.txt還有可能是子目錄結(jié)構(gòu)不一致腳本 glob 時(shí)匹配到了不同路徑。解決在訓(xùn)練前強(qiáng)制跑一遍 4.1 節(jié)的集合差檢查。我通常把這個(gè)腳本存成check_pairs.py每次拿到數(shù)據(jù)集先跑輸出兩個(gè) 0 才繼續(xù)。注意檢查不能只看數(shù)量文件名 stem 必須完全一致不能用前綴匹配。5.2 類別 ID 漂移現(xiàn)象可視化驗(yàn)證時(shí)卡車框上顯示的是「car」的類別名或者訓(xùn)練時(shí) loss 正常但推理結(jié)果里類別張冠李戴。原因classes.txt 的排序和標(biāo)簽文件實(shí)際采用的標(biāo)準(zhǔn)不一致。有的數(shù)據(jù)源會(huì)把 bus 排在第 0 位有的把 car 排在第 0 位。手動(dòng)改過 classes.txt 順序但沒同步改標(biāo)簽文件時(shí)ID 就整體漂移了。解決可視化抽查時(shí)不要只畫框把類別 ID 也畫上去上面腳本里已經(jīng)畫了。一旦發(fā)現(xiàn) ID 3 的位置出現(xiàn)明顯不是摩托車的目標(biāo)就用文本編輯器打開對(duì)應(yīng)的 txt 確認(rèn)。最穩(wěn)妥的做法是以一張標(biāo)注最準(zhǔn)確的圖片為基準(zhǔn)手動(dòng)核對(duì) classes 順序后用腳本批量重映射類別 ID。5.3 類別嚴(yán)重不均衡現(xiàn)象訓(xùn)練完看驗(yàn)證結(jié)果car 的 mAP50 是 0.96truck 的 mAP50 只有 0.61bus 甚至不到 0.5。原因數(shù)據(jù)集中轎車樣本占絕對(duì)多數(shù)卡車和公交車數(shù)量極少。在交通車輛數(shù)據(jù)中這是常態(tài)——城區(qū)道路本來小車就多。YOLO 默認(rèn)的采樣方式會(huì)讓小類別學(xué)不到足夠特征。解決第一優(yōu)先是統(tǒng)計(jì)類別分布看看到底差多少倍。如果最大類與最小類數(shù)量比超過 10:1就考慮重采樣策略。一個(gè)常見的做法是給每個(gè)類別設(shè)置樣本上限對(duì)數(shù)量不足的類別做數(shù)據(jù)增強(qiáng)包括復(fù)制粘貼目標(biāo)、旋轉(zhuǎn)、亮度擾動(dòng)。另一個(gè)笨辦法是加權(quán)損失但調(diào)權(quán)重很敏感不如直接補(bǔ)充小類別的樣本數(shù)量見效快。5.4 損壞圖片與 EXIF 旋轉(zhuǎn)問題現(xiàn)象訓(xùn)練跑到某個(gè) epoch 時(shí)直接崩掉報(bào)錯(cuò)信息是cv2.error: OpenCV(4.x) ...指向一張無法讀取的圖片。原因數(shù)據(jù)集中混入了 0 字節(jié)的空文件或者圖片本身被截?cái)唷＿€有一類隱蔽的情況是手機(jī)會(huì)自動(dòng)寫入 EXIF 旋轉(zhuǎn)信息有的數(shù)據(jù)預(yù)處理腳本沒有把它歸一化導(dǎo)致訓(xùn)練時(shí)讀取的方向是歪的。解決訓(xùn)練前先做一輪圖片完整性檢查用cv2.imread讀一遍凡是返回 None 的圖片直接移到 quarantine 目錄隔離。EXIF 問題可以在數(shù)據(jù)送入模型前統(tǒng)一調(diào)用cv2.cvtColor或 PIL 的ImageOps.exif_transpose處理。我的習(xí)慣是新增數(shù)據(jù)前先從源頭把這兩類壞圖清干凈。5.5 重復(fù)樣本導(dǎo)致評(píng)估虛高現(xiàn)象訓(xùn)練集 loss 降得很好驗(yàn)證集 mAP 也非常高但部署到實(shí)際視頻流里檢測(cè)效果明顯變差。原因數(shù)據(jù)集中存在大量連幀重復(fù)樣本——尤其是從視頻抽幀獲得的圖片相鄰幀之間的內(nèi)容幾乎一樣。重復(fù)樣本如果同時(shí)出現(xiàn)在 train 和 val模型相當(dāng)于在「開卷考試」評(píng)估指標(biāo)自然虛高實(shí)際泛化能力并不好。解決對(duì)圖像做感知哈希perceptual hash計(jì)算每張圖的指紋把相似度超過閾值的樣本去重或者直接對(duì)視頻抽幀數(shù)據(jù)做間隔采樣保證相鄰幀不相鄰。評(píng)估指標(biāo)只能說明「模型記住了這個(gè)數(shù)據(jù)集」不能說明「模型學(xué)會(huì)了識(shí)別車輛」。6. 進(jìn)階把數(shù)據(jù)集價(jià)值挖到位的三個(gè)驗(yàn)證手段6.1 類別分布直方圖訓(xùn)練跑完不是終點(diǎn)要把數(shù)據(jù)集的剩余價(jià)值榨干。第一步先統(tǒng)計(jì)并可視化類別分布——這決定了后續(xù)是直接部署還是需要補(bǔ)充小類樣本。常見做法是用腳本遍歷 labels 目錄統(tǒng)計(jì)每個(gè)類別的出現(xiàn)次數(shù)再畫直方圖?？捶植紩r(shí)重點(diǎn)關(guān)注極少數(shù)類別如果 bicycle 只有幾十個(gè)樣本模型對(duì)它基本是盲的部署時(shí)要在產(chǎn)品上對(duì)該類別做兜底提示。6.2 分類別 mAP 評(píng)估讓 Ultralytics 框架對(duì)驗(yàn)證集逐類別輸出評(píng)估結(jié)果命令很簡(jiǎn)單難在解讀yolo val modelruns/detect/train/weights/best.pt datadatasets/vehicle_det/dataset.yaml輸出結(jié)果里除了整體 mAP還會(huì)列出每個(gè)類別的Class、Images、Instances、P、R、mAP50、mAP50-95這幾列。我一般用這張表來判斷模型能不能上線標(biāo)準(zhǔn)很簡(jiǎn)單核心類別car、truckmAP50 必須超過 0.95次要類別 mAP50 低于 0.85 就視為不合格。如果某一類 P 高 R 低說明模型把其他類誤判成這類此時(shí)可以加大該類的負(fù)樣本如果 P 低 R 高說明該類漏檢多優(yōu)先補(bǔ)充小目標(biāo)訓(xùn)練樣本。6.3 邊界場(chǎng)景抽檢與難例回收表格里的指標(biāo)只是平均數(shù)真實(shí)的車輛檢測(cè)場(chǎng)景翻車往往集中在邊界條件大霧、夜間逆光、密集擁堵、車輛相互遮擋。做法是把視頻或者圖片按場(chǎng)景分組對(duì)每個(gè)場(chǎng)景單獨(dú)跑推理把置信度在 0.3 到 0.7 之間、且與真值框 IoU 在 0.5 附近的樣本單獨(dú)收集起來。這些就是難例重新標(biāo)注后混入訓(xùn)練集再訓(xùn)一輪。我通常會(huì)反復(fù)做這個(gè)回收循環(huán)——一次完整的數(shù)據(jù)迭代大概能把難例誤檢率降低三到四個(gè)百分點(diǎn)比單純調(diào)模型參數(shù)有用得多。說個(gè)大實(shí)話我最早拿到這份交通車輛數(shù)據(jù)集的時(shí)候偷懶跳過可視化檢查直接開訓(xùn)結(jié)果就是 mAP50 卡在 0.6 上不去還以為模型有問題折騰了兩天才發(fā)現(xiàn)是標(biāo)簽類別 ID 整體偏移了 1。從那以后我每次拿到新數(shù)據(jù)集都強(qiáng)制走一遍「對(duì)應(yīng)檢查 → 可視化抽查 → 訓(xùn)練前腳本」這三步寧可多花 10 分鐘也不愿再賠一個(gè)周末。這份數(shù)據(jù)集本身質(zhì)量不錯(cuò)但再好的數(shù)據(jù)也擋不住偷懶的預(yù)處理——希望這次分享能幫你省掉我踩過的那些坑。本文還有配套的精品資源點(diǎn)擊獲取