简介这份目标检测数据集面向从事深度学习图像识别的研究者与开发者聚焦俯拍视角下道路交通工具与行人的检测任务可用于智能交通监控、自动驾驶辅助系统等场景的算法训练与验证。资源包共2000个文件以1999个txt标签文件和1个Python脚本为主txt文件对应每张图片的目标位置与类别标注脚本便于快速查看与处理数据压缩包整体约463MB。数据集包含训练集、验证集及对应标签已统一处理为YOLO格式并完成旋转、缩放、裁剪、颜色变化等数据增强兼容YOLO系列各版本网络训练。类别共10类涵盖汽车、摩托车、行人、卡车等常见道路目标具体类别可参考class文本文件。目前已有1615人学习下载适合需要快速搭建检测流程、验证模型泛化能力或补充交通场景样本的读者直接使用。1. 俯拍道路目标检测数据集3000 张图能撑起一个可用的检测模型吗俯拍视角的道路场景和常见的车载平视、街景抓拍完全不是一回事。摄像头架在杆顶、楼顶或无人机上往下看行人和车辆被压缩成几十像素的小块遮挡关系、透视形变、光照阴影全都变了样。你拿 COCO 或 BDD100K 直接训模型在俯拍图上大概率集体翻车——这不是玄学是域偏移的必然结果。这个标题讲的就是一套专门针对俯拍道路、覆盖交通工具与行人的目标检测数据集规模在 3000 张以上带标注标签。它解决的核心问题是当你手头没有自家标注团队、又不想从零标几千张图时能不能用一套现成的俯拍数据把行人检测和车辆检测的基线跑起来。适合谁做智慧交通、园区安防、无人机巡检、路口流量统计的工程师以及想练手目标检测但苦于没有垂直场景数据的学生。3000 张不算大但足够验证一条技术路线是否走得通。2. 俯拍数据集和通用数据集差在哪先想清楚再动手2.1 俯拍视角带来的三个真实难点第一个难点是目标尺度极端。俯拍时一辆轿车可能只占 40×20 像素一个行人可能只有 15×30 像素这已经踩到了移动小目标检测的边界。通用检测器默认的 anchor 或特征金字塔层级往往对大中目标友好对小目标召回率很低。第二个难点是遮挡与密集。路口俯拍图里车挨着车、人挤着人NMS 阈值设不好就是一片框叠在一起。第三个难点是背景干扰。俯拍图里路面标线、井盖、树影、广告牌文字都容易被误检成目标尤其是行人检测一个消防栓的影子都可能骗过模型。这三个难点决定了你不能把俯拍数据当成普通数据集来训。常见做法是先统计标注框的宽高分布再决定 anchor 尺寸或是否改用 anchor-free 结构先看每张图的平均目标数再决定 NMS 和置信度阈值。我一般会先跑一遍数据统计脚本而不是急着开训。2.2 3000 张够不够数据量与任务难度的匹配3000 张带标注的俯拍图对于二分类车/人或三到五类的粗粒度检测是够用的。判断依据是每类目标至少有 1500 到 2000 个实例且覆盖白天、傍晚、不同天气、不同路口形态。如果 3000 张里 80% 是同一个路口同一个时段那实际有效多样性可能只相当于 600 张训出来的模型换个路口就废。所以拿到数据集第一件事不是训是看分布。检查项合格线不合格的后果每类实例数≥1500小类召回极低场景多样性≥5 种路口/路段换场景即失效光照覆盖白天傍晚阴天夜间或逆光漏检标注框最小边≥8 像素小目标无法学习标注一致性同一目标框风格统一模型学不到稳定特征这张表是我自己筛数据集时用的3000 张的规模只要分布合理训一个 YOLO 系列的基线完全没问题。如果分布不合格宁可先做数据清洗和补充也别硬训。2.3 标注格式与目录结构先统一再谈训练俯拍数据集常见的标注格式有三种VOC 的 XML、COCO 的 JSON、YOLO 的 TXT。你拿到的数据集大概率是其中一种而训练框架往往只吃特定格式。我一般统一转成 YOLO 格式因为它的归一化坐标对分辨率变化最鲁棒。转换前先确认目录结构典型的长这样dataset/ images/ train/ val/ labels/ train/ val/ classes.txtclasses.txt里每行一个类名顺序必须和标注里的 class_id 严格对应错一位就是灾难。转换脚本的核心逻辑是读原标注、按图像宽高归一化、写 TXT。下面这段是 VOC 转 YOLO 的最小实现import xml.etree.ElementTree as ET import os # 类别映射顺序必须和训练配置一致 classes [car, person, truck, bus, motorcycle] def voc_to_yolo(xml_path, img_w, img_h, out_path): tree ET.parse(xml_path) root tree.getroot() lines [] for obj in root.findall(object): name obj.find(name).text if name not in classes: continue # 跳过未定义类别避免 class_id 越界 cls_id classes.index(name) bbox obj.find(bndbox) xmin float(bbox.find(xmin).text) ymin float(bbox.find(ymin).text) xmax float(bbox.find(xmax).text) ymax float(bbox.find(ymax).text) # 归一化为中心点 宽高 cx (xmin xmax) / 2.0 / img_w cy (ymin ymax) / 2.0 / img_h w (xmax - xmin) / img_w h (ymax - ymin) / img_h lines.append(f{cls_id} {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}) with open(out_path, w) as f: f.write(\n.join(lines))逻辑说明归一化坐标让模型不受输入分辨率影响cx/cy/w/h都落在 0 到 1 之间。参数说明classes列表顺序决定 class_id必须和训练时的data.yaml完全一致img_w/img_h必须用真实图像尺寸不能写死成 1920×1080否则框会整体偏移。转换完一定要抽查几张把框画回图上肉眼确认这一步省不得。3. 用 YOLO 系列在俯拍数据上跑通基线从配置到出图3.1 环境配置与数据配置文件YOLO 系列v5/v8/v11 都行是目前俯拍检测最省事的基线Ultralytics 那套环境配置对新手也友好。我一般用 conda 建独立环境避免和系统里的 torch 打架conda create -n road_det python3.10 -y conda activate road_det pip install ultralytics opencv-python装完先验证yolo checks能打印出 torch 版本和 CUDA 可用性就说明环境通了。接着写数据配置文件road.yamlpath: /data/road_dataset train: images/train val: images/val nc: 5 names: [car, person, truck, bus, motorcycle]参数说明nc是类别数必须和names长度一致path用绝对路径最稳相对路径在不同工作目录下容易翻车。names的顺序就是 class_id 的顺序和转换脚本里的classes必须逐字对应。3.2 训练命令与关键参数怎么设基线训练命令yolo detect train \ dataroad.yaml \ modelyolov8s.pt \ epochs100 \ imgsz640 \ batch16 \ lr00.01 \ patience20 \ projectruns/road \ namebaseline参数说明model选 s 而不是 n是因为俯拍小目标需要稍大的容量n 在小目标上召回明显偏低imgsz640是起点如果小目标漏检严重可以提到 960 或 1280但显存和速度要权衡lr00.01是 SGD 的常规起点用 AdamW 的话降到 0.001patience20表示 20 轮没提升就早停省时间。俯拍数据我一般会把mosaic保留因为它能增加小目标的上下文多样性但如果你的场景里目标密度已经很高mosaic 拼出来会过于拥挤可以关掉试试。3.3 训练过程看什么指标训练日志里重点盯三个box_loss、cls_loss、mAP50。box_loss下降慢说明框回归难可能是 anchor 或尺度问题cls_loss震荡说明类别不平衡或标注有噪声mAP50是主指标但俯拍场景更要看mAP50-95因为它对小目标的定位精度更敏感。如果mAP50高但mAP50-95低说明框能框到但不够准这时候要检查标注框是否贴合目标边缘。验证命令yolo detect val modelruns/road/baseline/weights/best.pt dataroad.yaml推理出图yolo detect predict \ modelruns/road/baseline/weights/best.pt \ source/data/road_dataset/images/val \ conf0.25 \ saveTrueconf0.25是默认起点俯拍密集场景可以调到 0.35 减少误检但会牺牲召回具体看你的业务更怕漏检还是误检。4. 俯拍检测的避坑清单五个我踩过的坑4.1 坑一小目标全漏mAP 卡在 0.3 上不去现象训练 loss 正常下降但验证时行人和远处车辆几乎全漏mAP50只有 0.3 左右。原因输入分辨率 640 下15 像素的行人经过下采样后只剩不到 2 像素的特征网络根本学不到。解决把imgsz提到 960 或 1280同时在数据配置里开启close_mosaic让最后几轮用原图微调小目标召回能明显回升。如果显存不够改用切片推理把大图切成小块分别检测再合并。4.2 坑二NMS 把挨着的车和人吞掉现象密集路口图里明明有 8 辆车只检出 5 辆剩下的被 NMS 当重复框删了。原因俯拍下目标重叠严重默认iou0.7的 NMS 阈值太激进。解决把 NMS 的 IoU 阈值提到 0.85或者改用 Soft-NMS。Ultralytics 里可以在推理时传iou0.85试。代价是可能多出一些重复框需要靠置信度阈值再筛一遍。4.3 坑三class_id 错位车被识别成人现象模型能检出目标但类别全乱车标成人、人标成车。原因转换脚本里的classes顺序和road.yaml里的names顺序不一致差了一位。解决把两个列表打印出来逐行比对或者干脆用一个共享的classes.txt同时生成两边。这个坑最隐蔽因为 loss 看起来完全正常只有看可视化结果才发现。4.4 坑四验证集和训练集同源指标虚高现象验证mAP0.85一换到新路口就掉到 0.4。原因随机划分验证集时同一路口的图同时进了训练和验证模型其实在背场景。解决按路口或按时间段划分保证验证集里的场景训练时没见过。3000 张的规模留 15% 到 20% 做验证且必须跨场景。4.5 坑五标注框贴边被裁训练报错或学歪现象训练时提示坐标越界或者某些框明显偏移。原因原标注里框超出了图像边界归一化后出现负值或大于 1。解决转换时做裁剪把cx/cy/w/h限制在 0 到 1 之间同时丢弃宽高小于 0.001 的无效框。别小看这一步俯拍图边缘常有半个车身不处理就是噪声。5. 把 3000 张用出 3 万张的效果进阶技巧与验证习惯数据量固定的时候提升空间在增强和验证方法上。俯拍场景我常用三种增强随机缩放模拟不同高度摄像头、随机旋转模拟摄像头角度偏差、亮度对比度扰动模拟不同时段光照。Ultralytics 内置了这些但默认强度偏保守可以在road.yaml同级加一个增强配置把scale调到 0.9、degrees调到 10。注意旋转别超过 15 度俯拍图旋转太多会引入不真实的透视。另一个技巧是难例挖掘。先训一版基线用它跑一遍训练集把漏检和误检的图挑出来人工补标或修正再训第二版。3000 张里通常有 10% 到 15% 是难例补完这一轮mAP往往能涨 5 到 10 个点。这比盲目加数据有效得多。验证习惯上我坚持两条第一每次改参数只改一个记录mAP50和mAP50-95的变化别一次调一堆然后不知道哪个起作用第二出图必看指标再高也要肉眼过一遍验证集的预测结果尤其是傍晚和密集场景。下面这个脚本可以批量把预测框画到原图上方便快速扫一遍import cv2 import os # 把 YOLO 格式的预测结果画回原图快速肉眼验证 def draw_yolo(img_path, label_path, out_path, classes): img cv2.imread(img_path) h, w img.shape[:2] if os.path.exists(label_path): with open(label_path) as f: for line in f: cls_id, cx, cy, bw, bh map(float, line.split()) x1 int((cx - bw / 2) * w) y1 int((cy - bh / 2) * h) x2 int((cx bw / 2) * w) y2 int((cy bh / 2) * h) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(img, classes[int(cls_id)], (x1, y1 - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 1) cv2.imwrite(out_path, img)逻辑说明读原图和对应标签按归一化坐标还原像素框并绘制。参数说明classes顺序必须和训练一致out_path建议单独建目录别覆盖原图。这个脚本我每次训完都会跑扫一遍就能发现指标看不出的系统性问题比如某个类别整体偏移、某个区域集中漏检。最后说个习惯俯拍数据集的价值不在“大”在“对”。3000 张分布合理的俯拍图配上正确的尺度处理和跨场景验证能撑起一个真正能上线的行人车辆检测基线。我早期贪多拿一堆同质化的图硬训结果模型换个路口就废血泪经验就是先把分布摸清再动手。希望帮到你。本文还有配套的精品资源点击获取