简介这是一份面向目标检测学习与开发者的俯拍道路场景数据集聚焦城市交通监控与自动驾驶辅助等应用适合使用YOLO系列网络进行训练与验证的研究人员和工程团队。压缩包共2000个文件以1999个txt标注文件和1个py脚本为主txt文件对应每张图片的目标位置与类别标签py脚本可用于数据查看与格式校验整体约463.11MB。数据集包含训练集、验证集及对应标签图片经过旋转、缩放、裁剪、颜色变化等数据增强处理有助于降低过拟合并提升模型泛化能力。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。标注采用YOLO格式兼容YOLOv3、YOLOv4等各版本网络可直接投入训练。目前已有1614人学习下载能为智能交通与目标检测项目提供现成的数据基础与处理流程参考。1. 俯拍道路数据集3000 张图背后的目标检测真实需求俯拍视角的道路交通目标检测和你在 COCO 上刷榜刷到 0.9 mAP 完全不是一回事。摄像头架在路灯杆、楼顶或无人机上往下拍行人变成一坨几十像素的色块电动车和摩托车在俯视投影下几乎重叠远处车辆被透视压缩成一条线——这些场景里通用预训练模型直接推理的漏检率能高得让你怀疑人生。这个数据集要解决的就是这件事超过 3000 张俯拍道路图像带交通工具和行人的标注让你能针对这个特定视角做微调而不是拿一个在平视数据集上训出来的模型硬套。它适合三类人做智慧交通、园区安防、无人机巡检的算法工程师需要快速验证俯拍检测方案可行性的产品团队以及正在找「小目标 密集遮挡」场景练手的目标检测学习者。3000 张不算大但俯拍场景的标注成本极高这个量级足够做一次有意义的微调实验。下面我从数据检查、格式转换、训练配置到踩坑排查把这条路走一遍。2. 拿到数据集先别急着训练四步质检与格式统一2.1 俯拍数据的四个典型质量问题俯拍道路数据集的标注质量参差不齐是常态。我一般拿到手先做四件事看类别分布、看框的宽高比、看是否有越界框、看图像是否有重复。俯拍场景里行人框的宽高比通常接近 1:2 到 1:3因为俯视时人体被压扁车辆框则接近 1:1 到 2:1。如果你发现行人框大量出现 1:5 这种极端比例大概率是标注员把平视习惯带进来了或者框到了阴影。另一个高频问题是越界框。俯拍图像边缘经常有半个车身或半个人标注时容易把框画到图像外面。这种框在训练时会导致坐标归一化后出现负值或大于 1 的值YOLO 系列会直接报错或静默丢弃。我习惯用脚本先扫一遍把所有越界框裁到边界内或者直接标记为忽略区域。import os import cv2 import numpy as np from pathlib import Path def check_dataset(img_dir, label_dir, num_classes3): 检查 YOLO 格式数据集的四类问题 img_dir: 图像目录 label_dir: 标签目录 num_classes: 类别数 issues {out_of_bound: 0, tiny_box: 0, bad_ratio: 0, empty_label: 0} img_files list(Path(img_dir).glob(*.jpg)) list(Path(img_dir).glob(*.png)) for img_path in img_files: label_path Path(label_dir) / (img_path.stem .txt) if not label_path.exists(): issues[empty_label] 1 continue img cv2.imread(str(img_path)) h, w img.shape[:2] with open(label_path) as f: lines f.readlines() if len(lines) 0: issues[empty_label] 1 continue for line in lines: parts line.strip().split() if len(parts) ! 5: continue cls, cx, cy, bw, bh map(float, parts) # 检查越界中心点加半宽高超出 [0,1] if cx - bw/2 0 or cx bw/2 1 or cy - bh/2 0 or cy bh/2 1: issues[out_of_bound] 1 # 检查过小框像素面积小于 16 if bw * w * bh * h 16: issues[tiny_box] 1 # 检查异常宽高比 ratio (bw * w) / (bh * h 1e-6) if ratio 5 or ratio 0.2: issues[bad_ratio] 1 print(f总图像数: {len(img_files)}) print(f越界框: {issues[out_of_bound]}) print(f过小框: {issues[tiny_box]}) print(f异常宽高比: {issues[bad_ratio]}) print(f空标签/缺失标签: {issues[empty_label]}) return issues check_dataset(images/train, labels/train)这段脚本的逻辑很直接遍历每张图对应的标签文件逐行解析 YOLO 格式的class cx cy bw bh然后做三个判断。越界判断用的是中心点加减半宽高是否超出 [0,1] 区间过小框判断把归一化宽高还原成像素面积小于 16 像素的框在俯拍场景里基本学不到有效特征异常宽高比则是针对俯拍视角的物理约束超过 5:1 或小于 1:5 的框大概率是标注错误。参数num_classes目前没用到但如果你要检查类别 ID 是否越界可以加上if cls num_classes的判断。2.2 从 VOC 到 YOLO转换脚本与三个边界坑很多俯拍数据集原始标注是 VOC 的 XML 格式转 YOLO 时最容易翻车的地方有三个。第一图像尺寸不一致。VOC 的size字段有时写的是原始尺寸有时写的是缩放后尺寸如果你不读实际图像尺寸而直接信 XML归一化坐标会全错。第二类别名大小写不统一。person和Person会被当成两个类训练时类别数翻倍。第三空标签文件。VOC 里没有目标的图不会生成 XML但 YOLO 训练需要对应的空 txt 文件否则会被当成缺失标签报错。import xml.etree.ElementTree as ET from pathlib import Path import cv2 def voc_to_yolo(xml_dir, img_dir, out_dir, class_map): xml_dir: VOC XML 目录 img_dir: 对应图像目录用于读取真实尺寸 out_dir: 输出 YOLO 标签目录 class_map: {person: 0, car: 1, bicycle: 2} Path(out_dir).mkdir(parentsTrue, exist_okTrue) xml_files list(Path(xml_dir).glob(*.xml)) for xml_path in xml_files: tree ET.parse(xml_path) root tree.getroot() # 关键从实际图像读尺寸不信 XML 里的 size img_path Path(img_dir) / (xml_path.stem .jpg) if not img_path.exists(): img_path Path(img_dir) / (xml_path.stem .png) img cv2.imread(str(img_path)) if img is None: print(f图像缺失: {img_path}) continue h, w img.shape[:2] lines [] for obj in root.findall(object): cls_name obj.find(name).text.strip() # 统一小写并映射 cls_name_lower cls_name.lower() if cls_name_lower not in class_map: continue cls_id class_map[cls_name_lower] 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) # 裁剪到图像边界内 xmin max(0, min(xmin, w - 1)) ymin max(0, min(ymin, h - 1)) xmax max(0, min(xmax, w - 1)) ymax max(0, min(ymax, h - 1)) # 转 YOLO 归一化中心点格式 cx (xmin xmax) / 2.0 / w cy (ymin ymax) / 2.0 / h bw (xmax - xmin) / w bh (ymax - ymin) / h if bw 0 or bh 0: continue lines.append(f{cls_id} {cx:.6f} {cy:.6f} {bw:.6f} {bh:.6f}) # 即使没有目标也写空文件 out_path Path(out_dir) / (xml_path.stem .txt) with open(out_path, w) as f: f.write(\n.join(lines)) voc_to_yolo(annotations, images, labels, {person: 0, car: 1, bicycle: 2})转换逻辑的核心是「以图像实际尺寸为准」。VOC XML 里的size字段在数据增强或重新保存后经常和实际图像不一致直接用它算归一化坐标会导致框整体偏移。类别映射用lower()统一大小写避免Person和person分裂成两类。边界裁剪是必须的俯拍图像边缘的半截目标如果不裁归一化后会出现负坐标YOLO 训练时直接报AssertionError。空标签文件也要写否则 DataLoader 找不到对应标签会跳过该图等于白白丢了负样本。3. 用 YOLOv8 微调俯拍数据配置、参数与显存控制3.1 为什么俯拍场景优先选 YOLOv8 而不是 SSD俯拍道路检测的核心矛盾是「小目标 密集遮挡」。SSD 的多尺度特征图虽然对小目标友好但它的 anchor 设计在俯拍场景下需要重新聚类而且 SSD 的浅层特征语义信息弱行人这种纹理少的类别容易漏。YOLOv8 的 C2f 结构和解耦头在中小目标上表现更稳而且 Ultralytics 的工程化做得好从数据配置到训练到导出一条龙省去大量胶水代码。如果你手头有 YOLOv11 或更新的版本也可以直接替换接口基本兼容。另一个实际考虑是显存。俯拍数据集 3000 张如果按 640 输入尺寸训练YOLOv8n 在 8GB 显存上 batch size 可以开到 16YOLOv8s 大概 8YOLOv8m 只能 4。俯拍场景不建议一上来就用大模型先把 n 或 s 跑通看 mAP 和漏检情况再决定是否换大模型。3.2 数据配置文件与训练命令YOLOv8 的数据配置用一个 YAML 文件描述关键是path、train、val和names四个字段。path是数据集根目录train和val是相对路径names是类别名到 ID 的映射顺序必须和标签里的 class ID 一致。# road_aerial.yaml path: /data/road_aerial train: images/train val: images/val test: images/test names: 0: person 1: car 2: bicycle 3: motorcycle 4: bus 5: truck训练命令用 Ultralytics 的 CLI 或 Python API 都行。我习惯用 Python API方便在脚本里做回调。from ultralytics import YOLO model YOLO(yolov8s.pt) # 从 COCO 预训练权重开始 results model.train( dataroad_aerial.yaml, epochs100, imgsz640, batch8, device0, workers4, optimizerAdamW, lr00.001, lrf0.01, warmup_epochs3, cos_lrTrue, close_mosaic10, # 最后 10 轮关闭 mosaic稳定收敛 augmentTrue, hsv_h0.015, hsv_s0.7, hsv_v0.4, degrees0.0, # 俯拍场景不做旋转旋转会破坏视角一致性 translate0.1, scale0.5, fliplr0.5, flipud0.0, # 上下翻转对俯拍道路不自然 mosaic1.0, mixup0.0, patience20, save_period10, projectruns/aerial, nameyolov8s_exp1 )参数里最值得说的是degrees0.0和flipud0.0。俯拍道路图像有明确的视角方向性旋转和上下翻转会生成现实中不存在的视角模型学到的特征反而被污染。close_mosaic10是 YOLOv8 的一个实用技巧最后 10 轮关闭 mosaic 增强让模型在真实分布上做微调mAP 通常能涨 1-2 个点。lr00.001比默认的 0.01 小一个量级因为俯拍数据集只有 3000 张学习率太大会震荡。patience20是早停如果 20 轮验证集 mAP 不涨就停省时间。3.3 显存不够时的三个降级策略8GB 显存跑 YOLOv8s 640 尺寸 batch 8 是勉强够的但如果你的图像分辨率更高或者想用 YOLOv8m就需要降级。第一优先级是降 batch size从 8 降到 4 甚至 2配合梯度累积Ultralytics 不直接支持但可以改源码或用accumulate参数。第二是降imgsz从 640 降到 512 或 416但俯拍小目标对分辨率敏感降太多漏检会明显增加。第三是冻结 backbone只训 headmodel.train(freeze10)可以冻结前 10 层显存占用能降 30% 左右但精度会掉一些。我一般先用imgsz640, batch4跑 10 个 epoch 看显存峰值和 mAP 趋势如果显存还有余量再往上加。不要一上来就 batch 16OOM 一次浪费的时间够你跑好几轮小 batch。4. 俯拍检测的避坑与排查五条血泪经验4.1 现象训练 loss 正常下降但 mAP 始终为 0原因通常是类别 ID 不匹配。YOLO 的names字典里类别 ID 从 0 开始但有些 VOC 转换脚本会把背景类算成 0导致所有目标 ID 偏移 1。模型学到的预测和验证时的标签对不上mAP 自然为 0。解决用check_dataset脚本打印标签里出现的所有 class ID和 YAML 里的names做对比。如果发现标签里有 ID 等于类别数说明有越界 ID需要重新映射。4.2 现象验证集 mAP 很高但实际推理漏检严重这是俯拍场景最典型的翻车。验证集和训练集如果来自同一段视频的连续帧相邻帧几乎一样模型相当于在「背答案」。实际推理时换个路口、换个时间段光照和背景一变漏检就暴露了。解决划分数据集时按视频片段或时间段划分不要随机抽帧。如果数据里没有时间信息至少按不同路口或不同天气分组确保验证集和训练集在场景上有差异。4.3 现象小目标行人检测框大量丢失俯拍图像里行人可能只有 20-30 像素高YOLOv8 的 P3 特征图 stride 是 8640 输入下 P3 是 80x80一个 20 像素的目标在 P3 上只有 2-3 个格子特征非常弱。解决三个方向。一是提高输入分辨率到 1280P3 变成 160x160小目标特征更丰富但显存翻倍。二是加 P2 检测头Ultralytics 支持model YOLO(yolov8s-p2.yaml)P2 的 stride 是 4对小目标更友好但计算量增加。三是用切片推理SAHI把大图切成小块分别检测再合并适合推理阶段救急。4.4 现象摩托车和自行车类别混淆严重俯拍视角下摩托车和自行车都是从上方看两个轮子加一个车身纹理差异极小。模型在 640 分辨率下很难区分。解决如果业务上不需要区分这两类直接合并成一个「两轮车」类mAP 会好看很多。如果必须区分考虑用更高分辨率训练或者在数据增强里加颜色抖动因为摩托车通常有更明显的颜色和尾箱特征。4.5 现象训练到后期 loss 突然变成 NaN俯拍数据集里如果有标注框的宽或高为 0归一化后除零会产生 Inf反向传播时变成 NaN。VOC 转换时如果 xmin 等于 xmax就会出这个问题。解决转换脚本里加if bw 0 or bh 0: continue把零面积框直接丢掉。另外检查学习率lr00.01在 3000 张数据集上偏大改成 0.001 或更低。5. 把 3000 张用出 30000 张的效果进阶技巧与验证方法数据集只有 3000 张直接训 100 轮很容易过拟合。我一般会用两个手段把数据效率拉满。第一个是「复制粘贴增强」把训练集里的行人、车辆实例抠出来随机粘贴到其他图像的合理位置比如路面上生成新的训练样本。这个方法在俯拍场景特别有效因为俯拍视角下目标的外观变化小粘贴后的融合痕迹不明显。实现上可以用copy-paste增强库或者自己写一个基于 mask 的粘贴脚本注意粘贴位置要避开已有目标否则会制造重叠框。第二个是「伪标签 半监督」。先用 3000 张训一个基础模型然后在未标注的俯拍视频帧上推理把高置信度的预测框作为伪标签人工抽检修正后加入训练集。一轮下来通常能扩充 2000-5000 张有效样本。伪标签的置信度阈值我一般设 0.7低于这个的不敢用高于 0.9 的可以直接信。验证方法上除了看 mAP50 和 mAP50-95俯拍检测必须看「小目标 mAP」。Ultralytics 的验证输出里没有按尺寸分层的指标需要自己写脚本按框面积分组统计。我习惯把框面积小于 32x32 像素的定义为小目标32x32 到 96x96 为中目标大于 96x96 为大目标分别算 AP。如果小目标 AP 低于 0.3说明模型在这个场景下还没真正可用。import numpy as np from ultralytics import YOLO def eval_by_size(model_path, val_dir, img_size640): 按目标尺寸分层评估 mAP model YOLO(model_path) results model.val(dataroad_aerial.yaml, imgszimg_size, splitval) # 从 results 里提取每张图的预测和标签按面积分组 # 这里简化处理实际需要遍历 results 的 box 数据 small_aps, medium_aps, large_aps [], [], [] for r in results: if r.boxes is None: continue boxes r.boxes.xyxy.cpu().numpy() areas (boxes[:, 2] - boxes[:, 0]) * (boxes[:, 3] - boxes[:, 1]) small areas 32*32 medium (areas 32*32) (areas 96*96) large areas 96*96 # 实际 AP 计算需要匹配预测和 GT这里只做分组统计示意 print(f小目标数: {small.sum()}, 中目标数: {medium.sum()}, 大目标数: {large.sum()}) return small_aps, medium_aps, large_aps eval_by_size(runs/aerial/yolov8s_exp1/weights/best.pt, images/val)这段代码只是分组统计的框架真正的分层 AP 需要把预测框和 GT 框做 IoU 匹配后按组算 precision-recall 曲线。但即使只看分组数量你也能发现数据集里小目标占比是否过高。如果小目标占 70% 以上而你的 mAP50 只有 0.5那基本可以判断模型在小目标上没学好优先考虑加 P2 头或提高分辨率。最后说一个我自己的习惯每次训完模型我会挑 20 张验证集里漏检最多的图逐张看预测结果和 GT 的差异。如果漏检集中在某个特定场景比如夜间、树荫下、密集人群那说明数据集的场景覆盖不够需要针对性补数据而不是继续调参。调参能解决的问题有限数据问题只能靠数据解决。希望帮到你。本文还有配套的精品资源点击获取
