簡介交通車輛目標(biāo)檢測數(shù)據(jù)集是面向自動(dòng)駕駛與智能交通場景的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)檢測任務(wù)外還可擴(kuò)展到車輛計(jì)數(shù)、軌跡預(yù)測等衍生應(yīng)用具備良好的實(shí)戰(zhàn)驗(yàn)證與算法研究價(jià)值。1. 交通車輛目標(biāo)檢測數(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)交通場景下的車輛檢測模型拿到這份「交通車輛目標(biāo)檢測數(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、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 下面按場景或采集時(shí)間分子目錄labels 目錄結(jié)構(gòu)與 images 一一對應(yīng)。交通車輛目標(biāo)檢測數(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)則是按場景前綴加序號(hào)圖片和同名 txt 在同名子目錄下成對出現(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。以交通車輛檢測場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)集專注于中國車牌檢測HRSC2016 是遙感艦船檢測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」本身類別體系相對精簡但正因?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路徑 train: images/train # 訓(xùn)練集圖片目錄相對 path val: images/val # 驗(yàn)證集圖片目錄相對 path test: images/test # 測試集圖片目錄可選 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對這類場景足夠配合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。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)。車輛檢測場景 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?、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 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)?。還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)樣本模型對它基本是盲的部署時(shí)要在產(chǎn)品上對該類別做兜底提示。6.2 分類別 mAP 評(píng)估讓 Ultralytics 框架對驗(yàn)證集逐類別輸出評(píng)估結(jié)果命令很簡單難在解讀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)的車輛檢測場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景分組對每個(gè)場景單獨(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