简介一套基于YOLO格式的刀具人员目标检测数据集共1048张真实场景图片训练/验证/测试划分为1013、25、10张支持安全监控、智能安防及计算机视觉算法的模型训练与研究。压缩包含2000个文件核心为950张jpg图像与1048个txt标注文件另附yaml配置和docx说明文档可直接对接主流检测框架。包体约40.31MB轻量便于快速迭代目前已有149人学习。借助该数据集开发者可训练识别刀具和人员的检测模型用于公共场所实时预警与持刀行为识别同时可用于模型鲁棒性测试、算法优化及教学培训是覆盖实际场景、标注规范的安防领域数据资源。1. 刀具人员检测数据集监控场景最缺的那一档标注数据园区监控画面里有人从口袋掏出一把折叠刀这个动作从出现到结束往往不到一秒。刀具人员检测数据集.zip 这个压缩包解决的就是这类监控场景下最刚需的一档任务把画面里的人和刀同时、稳定地框出来。这个需求落到算法工程上就是目标检测里的双类别任务数据集的角色是把你从最费时的标注阶段里解放出来直接进入格式检查、训练验证的环节。但解压完直接开训很容易在真实视频上翻车。我处理这类数据集的固定流程是先查标注格式、类别定义、样本分布再做格式转换和按场景划分数据然后小模型跑基线、针对性调参数最后拿视频抽帧做压测。这篇笔记按这个流程展开每步都会给出能直接抄的脚本和参数也把常见坑按现象、原因、解决的方式写清楚。2. 拆开压缩包先查三件事标注格式、类别定义、样本分布目标检测训练对很多人来说是个黑匣子但数据不是。拿到压缩包之后我习惯先花十分钟看内部结构而不是急着解压到训练目录。标注格式决定你要不要写转换脚本类别定义决定模型学到的语义边界样本分布直接影响后面的训练分辨率、增强策略和类别不平衡处理方案。这三样查完才谈得上开训。2.1 标注格式决定算法选型VOC、COCO、YOLO txt 怎么互相认第一步是列出压缩包内的目录结构看它属于哪一种标注体系unzip -l 刀具人员检测数据集.zip | head -60这个命令只列出压缩包前 60 行文件清单不用先占地解压。看输出里的顶层目录名就能判断格式出现JPEGImages和Annotations两个目录基本是 VOC 格式出现images和labels两个平级目录大概率是 YOLO txt 格式如果只有一个很大的.json文件挂在根目录那就是 COCO 格式。三种格式对后续训练的接入成本差别很大格式目录/文件特征标签内容训练前要做的事VOCAnnotations/*.xml像素坐标xmin/ymin/xmax/ymax转成 YOLO txt或走转换工具COCO单个 .jsonid bbox可能带 segmentation转换成 YOLO txt或用适配接口YOLO txtlabels/*.txt归一化坐标class cx cy w h基本可以直接开训VOC 的 xml 里还会带一个name字段写着类别名COCO 的 json 里有categories数组维护类别 id 和名称的对应关系YOLO txt 则只存类别 id 和归一化坐标类别名全靠data.yaml里的names字段解释。也就是说YOLO txt 本身不带语义信息如果你搞不清第 0 类到底是 person 还是 knife后面的训练全乱。2.2 先算样本分布再训练类别数量、目标面积、有效标注占比格式确认后我一般会先跑一个统计脚本看看这个数据集里到底有多少框、小目标占比多高、有没有大量没有标签的图片。假设目录里是 YOLO txt 格式脚本如下import os from collections import Counter label_dir labels/train class_counter Counter() small_target, total_obj 0, 0 img_with_obj, img_total 0, 0 for txt_name in os.listdir(label_dir): img_total 1 path os.path.join(label_dir, txt_name) with open(path) as f: lines [line.strip() for line in f if line.strip()] if lines: img_with_obj 1 for line in lines: parts line.split() if len(parts) 5: continue cls int(parts[0]) w float(parts[3]) h float(parts[4]) class_counter[cls] 1 total_obj 1 if w * h 0.01: small_target 1 print(类别数量:, dict(class_counter)) print(有效标注图片占比: {:.2f}%.format(img_with_obj / img_total * 100)) print(小目标占比: {:.2f}%.format(small_target / total_obj * 100))脚本逻辑很简单遍历labels/train下每个 txt按行解析出类别 id 与归一化宽高分别统计类别数量、有效标注图片占比、小目标占比。w * h是框面积占整张图的比例阈值 0.01 表示目标面积不足整图的 1%。折叠刀这类刀具在监控画面里通常就落在这个区间所以当小目标占比超过 50% 时后面 imgsz 参数就必须认真对待。有效标注图片占比低于 60% 时说明数据堆里混进了大量无标签背景图这类图会让 loss 曲线变得非常难读后面避坑章节会再展开。2.3 类别定义里最容易踩的歧义持刀、藏刀、刀尖朝向算同一类吗统计完数量还要确认标注语义。同样是刀具标注者手下可能有两种完全不同的标准一种是只把刀在手上的瞬间标出来另一种是画面里出现刀就算哪怕刀放在桌上。这两个标准在业务上是两回事。如果需求是发现有人持刀闯入而数据里大量是桌上放着刀模型训出来后会在监控里频繁报警这就是典型的标注口径与业务口径不一致。查类别定义不需要复杂的分析两类命令就能看明白。VOC 格式先看类别名grep -h name Annotations/*.xml | sort | uniq -cYOLO txt 格式看类别 idawk {print $1} labels/train/*.txt | sort | uniq -c对 YOLO txt 来说类别 id 只应该出现 0 和 1对应 person 和 knife。如果出现 2、3或者 VOC 的name里出现knife_wield、weapon、Knife这种变体说明数据集内部语义是分裂的。我一般的处理策略是把所有表示刀、但写法不同的标签统一映射到同一个 id把语义明显不同的子类拆出去或者直接剔除绝不打乱类别顺序直接训练。3. 把标注转成模型能吃的结构VOC 转 YOLO、按场景划分、目录校验格式和类别定义确认清楚后下一步是把数据统一成训练工具能直接读取的结构。最省事的做法是转成 YOLO txt 这套images/{train,val}放图片labels/{train,val}放同名 txt。这个阶段有三个容易踩坑的点坐标转换时处理脏数据、按场景划分而不是随机划分、data.yaml 里的路径和类别名必须和实际目录完全一致。3.1 VOC 转 YOLO 格式坐标归一化与目录组织如果原始数据是 VOC需要先把 xml 里的像素坐标转成归一化坐标。这里给出一个可以直接改路径就用的转换脚本import os import glob import xml.etree.ElementTree as ET # 类别名到 id 的映射顺序必须和后续 data.yaml 保持一致 class_map {person: 0, knife: 1, Knife: 1} voc_dir Annotations out_dir labels/train os.makedirs(out_dir, exist_okTrue) for xml_path in glob.glob(os.path.join(voc_dir, *.xml)): tree ET.parse(xml_path) root tree.getroot() img_w int(root.find(size/width).text) img_h int(root.find(size/height).text) lines [] for obj in root.findall(object): name obj.find(name).text if name not in class_map: print(f跳过未定义类别: {name} - {xml_path}) continue cls_id class_map[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) # 钳制坐标到图像边界内 xmin max(xmin, 0) ymin max(ymin, 0) xmax min(xmax, img_w - 1) ymax min(ymax, img_h - 1) # 过滤反向框和零面积框 if xmax xmin or ymax ymin: continue x_center ((xmin xmax) / 2) / img_w y_center ((ymin ymax) / 2) / img_h box_w (xmax - xmin) / img_w box_h (ymax - ymin) / img_h # 归一化后再次钳制防止越界产生负样本 x_center min(max(x_center, 0.0), 1.0) y_center min(max(y_center, 0.0), 1.0) box_w min(max(box_w, 0.0), 1.0) box_h min(max(box_h, 0.0), 1.0) lines.append(f{cls_id} {x_center:.6f} {y_center:.6f} {box_w:.6f} {box_h:.6f}) base os.path.splitext(os.path.basename(xml_path))[0] with open(os.path.join(out_dir, base .txt), w) as f: f.write(\n.join(lines))逻辑上VOC 的 bndbox 是像素绝对值YOLO 需要的是相对值所以先求中心点和宽高再除以图像宽高完成归一化。脚本里三个细节比较关键class_map中把knife和Knife都映射到 id 1避免同一个类别被拆成两个类xmax xmin这种反向框直接跳过这类脏数据在真实标注里不少见归一化后再做一次min/max钳制防止个别越界坐标把训练数据搞出 NaN。跑完后建议抽查十来个 txt肉眼确认坐标在 0 到 1 之间。3.2 按场景划分数据随机划分文件会让验证集作弊数据划分是很多人忽略、但影响最大的一个环节。如果图像是从视频里按帧抽出来的同一个场景的相邻帧高度相似随机按文件划分会让训练集和验证集里出现同一场景的帧验证集的 mAP 会虚高到实拍视频上立刻打回原形。所以正确做法是按场景划分通常是按文件名前缀或者子目录归属来分组import os import random from collections import defaultdict random.seed(42) image_dir images scene_groups defaultdict(list) for img in os.listdir(image_dir): if not img.endswith(.jpg): continue scene_id img.split(_)[0] # 假设文件名格式 scene_id_xxxx.jpg scene_groups[scene_id].append(img) scene_ids list(scene_groups.keys()) random.shuffle(scene_ids) train_scenes set(scene_ids[: int(len(scene_ids) * 0.8)]) os.makedirs(images/train, exist_okTrue) os.makedirs(images/val, exist_okTrue) os.makedirs(labels/train, exist_okTrue) os.makedirs(labels/val, exist_okTrue) for scene_id in scene_ids: split_dir train if scene_id in train_scenes else val for img in scene_groups[scene_id]: base os.path.splitext(img)[0] img_src os.path.join(images, img) lbl_src os.path.join(labels, base .txt) if not os.path.exists(lbl_src): print(f警告{img} 没有对应标签已跳过) continue os.rename(img_src, os.path.join(fimages/{split_dir}, img)) os.rename(lbl_src, os.path.join(flabels/{split_dir}, base .txt))脚本逻辑是先把图片按场景前缀分组再打乱场景列表取前 80% 的场景进训练集其余进验证集。这样同一个场景的所有帧只会落在同一侧验证结果更能反映真实泛化能力。注意两个参数random.seed(42)固定随机种子保证多次实验划分一致0.8是训练比例如果标注总量少建议改成 0.9。移动和重命名操作执行前先给原始目录留个备份不然想回退都没有后悔药。3.3 写 data.yaml 与目录校验先跑通 1 个 epoch数据划分完成后写训练配置。yolo 工具链通过 data.yaml 定位数据集内容如下path: ./knife_person_dataset train: images/train val: images/val nc: 2 names: 0: person 1: knife这里几个容易出问题的点path建议写相对路径或者绝对路径不要写带空格的路径工具链对空格的处理在不同版本里表现不一致train和val指向图片目录工具会自动找同级的 labels 目录所以不要手动把 labels 路径写进去names的 id 顺序必须和转换脚本里的class_map完全一致否则类别就串了。目录校验可以用一个简单的 bash 循环检查每张图是否都有对应标签for f in images/train/*.jpg; do b$(basename $f .jpg) if [ ! -f labels/train/$b.txt ]; then echo missing label: $b fi done这个循环只做一件事遍历训练图片把缺少同名 txt 的图片打印出来。缺失列表为空再继续。通完之后跑一个 1 个 epoch 的训练确认数据管线真的通了yolo detect train modelyolov8n.pt datadata.yaml epochs1 imgsz640这一步不是真的训练模型而是让工具完整走一遍读图、读标签、建 batch 的流程。loss 能正常打印出来说明图片尺寸、标签格式、类别数量全部对上了如果报错多半是标签越界、图片损坏或者类别 id 超出 nc。4. 在本地跑通训练模型选型、四个必调参数与类不平衡处理数据管线通掉之后训练本身反而简单。但很多人一上来就选最大的模型结果显存溢出、训练时间以天计。对于人员加刀具这种场景我更倾向于先用小模型跑基线再根据基线的短板决定要不要加大模型。4.1 模型选型n 版起步用基线决定要不要换 s 版人员是大目标检测难度不大刀具是典型的小目标难度全在它身上。所以我通常先用 n 版这种轻量模型跑 50 轮拿到基线的 mAP 和每类 recall。如果 recall 满足业务要求就继续用 n 版做部署省下来的推理时间比模型精度更宝贵如果刀具 recall 明显不够再换 s 版或者把输入分辨率提上去而不是盲目加大模型。yolo detect train modelyolov8n.pt datadata.yaml epochs50 imgsz640 batch16 patience15 projectruns/train这个命令是完整的训练入口。modelyolov8n.pt表示用轻量预训练权重做起点显存 8G 也能跑projectruns/train把每次实验的结果分开存放方便对比多组实验我一般还会加上nameexp_base之类的小标签区分版本。4.2 四个必调参数imgsz、batch、epochs、patience小目标漏检在目标检测里属于玄学重灾区但大多数情况下能归因到输入分辨率不够。这四个参数是我每次训练前都会确认的参数推荐起点说明imgsz640低于 640 时刀具在输入图上只剩几个像素建议 640 起步漏检严重且有显存再上 960batch8~168G 显存用 816G 显存用 16imgsz 提到 960 时 batch 减半epochs50先跑 50 轮看趋势val 指标还在涨就加到 100patience15val 指标连续 15 轮不涨就早停防止过拟合解释一下 imgsz 为什么对刀具这么敏感。1920x1080 的画面里一把折叠刀的长边可能只有 60 像素缩到 640 输入时只剩 20 像素再经过模型多次下采样最后特征图上一个目标可能连一个 anchor 都覆盖不到。这就是理论上能检测、实际一直漏最常见的原因。如果你的显卡能承受这类数据集直接上 960 是最省事的提升手段。4.3 类不平衡处理过采样、mosaic 混入与多尺度训练统计结果里如果刀具框占比很低比如不到总框数的 5%模型会倾向于把人检得很准、把刀当噪声忽略掉。处理办法有三个依次叠加过采样含刀图片、利用 mosaic 增强提高刀具出现概率、保持多尺度训练。给一个简单但有效的过采样脚本把包含刀具标签的图片在训练目录里复制一份for f in labels/train/*.txt; do if grep -q ^1 $f; then b$(basename $f .txt) cp $f labels/train/${b}_dup.txt cp images/train/${b}.jpg images/train/${b}_dup.jpg fi done脚本逻辑是逐行检查 txt 的第一列^1表示类别 id 为 1也就是 knife。只要某张图里有刀就把图片和标签一起复制文件名加_dup后缀。这样每轮 epoch 里含刀图片的出现概率直接翻倍。注意这个脚本只能执行一次重复执行会在_dup的基础上再复制一份数据重复度过高会带来过拟合。mosaic 增强属于训练工具默认开启的策略四张图拼成一张输入局部目标变小但多样性大增如果工具链支持copy_paste0.1这类参数可以顺手加上让刀具目标被粘贴到其他场景上。多尺度则一般不用手动开常见版本训练时会在 0.5~1.5 倍 imgsz 之间随机缩放对小目标天然友好。训练完成后不要只盯着 mAP还要看每个类别的 recall。yolo 训练日志里会输出 per-class 的指标重点看 knife 那一行的 recall。如果 mAP 高但 knife recall 低说明模型学会了大部分容易检的样本难的、遮挡的、小尺寸的还没学好这时候优先调数据而不是调模型。5. 刀具人员检测的避坑记录数据干净比模型先进更值钱这部分写的是我处理类似安全检测项目时实际踩过的坑每一条都按现象、原因、解决来写。很多问题在训练日志里看不出来只有拿到真实场景里才会暴露。5.1 翻车一验证集 mAP 很高实拍视频里刀具框乱跳现象是训练阶段 mAP0.5 到了 0.9 以上拿到摄像头视频上一测刀框时有时无相邻几帧一颗有、一颗没有完全没法直接用。原因有两层一是验证集划分不干净随机划分把同场景帧放进了训练集和验证集指标虚高二是训练图大多是清晰的静态图而视频帧里有运动模糊、光照变化小目标的纹理信息被抹掉了。解决方法是把数据划分改成按场景分组imgsz 从 640 提到 960同时从目标场景视频里抽帧补进训练集每 10 帧抽 1 帧专门挑那些刀身有运动模糊的帧。视频里来的数据质量不高但对提升推理稳定性非常有效。5.2 翻车二把扳手、手机、水杯当成了刀具现象是负样本视频里根本没有刀模型却频繁报出 knife 框框住的往往是扳手、手机这类长条形物体。原因是 knife 类训练样本太少模型学到的不是刀具而是深色长条物体这种粗糙特征。解决思路是收集易混物体的负样本把包含扳手、手机、螺丝刀的帧单独整理出来放进图片目录但不要给标签。yolo 训练时会跳过没有对应标签的图片只给一次警告它们不会参与 loss但会在数据加载层面提供背景多样性。更彻底的办法是训练结束后专门用一段负样本视频做误报率统计把误报率压到 2% 以下再考虑上线。5.3 翻车三person 和 knife 的框几乎重叠模型不知道该学哪个持刀场景里刀在手上刀具框和人体框大面积重合目标检测的 NMS 后处理要求一个位置只保留一个框小框很容易被大框过滤掉。于是出现一种常见结果人框得很稳刀框偶尔冒出来又消失。这在模型结构上很难完全规避所以要从数据和任务定义两个方向解决。数据层面给刀画框时尽量贴紧刀身不要留大 padding被手部遮挡一半的刀宁可不要标注也别标出半个影子框任务层面如果业务只关心这个人有没有持刀可以退一步改成两阶段方案先检出人再对裁剪出的人体区域做刀/非刀分类这个方案对遮挡和小目标更友好。5.4 翻车四类别名大小写不一致训练直接崩或出现未知类别现象是转换脚本跑完后训练第一轮就报类别索引越界或者日志里类别数不是 2 而是 3。原因通常是 xml 里同一个刀一会儿写knife、一会儿写Knife或者某张图里混进了person_1这种多余标签。解决方式是在转换脚本里把所有别名统一映射就像第 3.1 节 class_map 里做的那样转换完之后再跑一遍全量检查awk {print $1} labels/train/*.txt | sort -u这个命令把所有标签的类别 id 汇总去重输出结果只能是 0 和 1。如果出现其他数字回到源头查是哪张图的标签写错了直接修正或剔除不要带着脏标签往下走。5.5 翻车五数据集里混入大量没标注的纯背景图loss 一直不降现象是训练到第 30 轮loss 还在高位震荡val mAP 几乎没有变化。原因是有批次采集图像时没来得及打标整批图片直接进了训练集。图片里有目标却不给标签等于告诉模型这里什么都没有大量这样的图会压住真正目标产生的梯度。用第 2.2 节的统计脚本先看有效标注图片占比如果低于 60%很可能就是这批数据在拖后腿。把这些无标签图从训练目录里移走单独做成负样本池只保留已标注图片参与训练。我一般要求训练集里已标注图片占比保持在 90% 以上loss 曲线才会稳定。6. 上线前最后一公里抽帧压测、误判统计与 ONNX 导出训练指标只是参考真实场景视频里的行为才是验收标准。我拿到best.pt后的第一件事不是接摄像头而是做抽帧压测。import cv2 from ultralytics import YOLO model YOLO(runs/detect/train/weights/best.pt) cap cv2.VideoCapture(scene_knife.mp4) fps int(cap.get(cv2.CAP_PROP_FPS)) idx, total, hit 0, 0, 0 while cap.isOpened(): ok, frame cap.read() if not ok: break if idx % fps 0: total 1 labels [model.names[int(c)] for c in model.predict(frame, conf0.25, verboseFalse)[0].boxes.cls.tolist()] if knife in labels: hit 1 idx 1 cap.release() print(f抽帧{total}检出{hit}召回率{hit / max(total, 1):.2%})脚本逻辑是每秒抽 1 帧对每帧做推理并记录类别列表最后统计检出刀具的帧占比。注意idx % fps这个抽帧间隔如果场景里刀具出现时间不足 1 秒抽帧太稀会直接把刀漏掉这类快动作场景建议改成idx % max(fps // 5, 1)也就是大约每 5 帧抽 1 帧。压测时准备两段视频一段是预期出现刀具的正样本看召回率一段是纯人员走动、没有刀具的负样本把脚本里的hit判定改成出现 knife 即误报看误报率。我自己的验收线一般是正样本召回 80% 以上、负样本误报帧占比 2% 以下达不到就回到数据和增强层面调。压测通过后导出 ONNX 做部署验证yolo export modelruns/detect/train/weights/best.pt formatonnx opset12导出时的 imgsz 会固化在模型里部署端输入尺寸必须和训练一致不然会有明显精度损失。我习惯在导出参数里显式写imgsz640避免工具自动推断出意外值。我第一次接这类安全检测项目时只看了验证集 mAP 就安排部署结果现场把矿泉水瓶当刀报警后来养成的习惯就是任何模型上线前必须过一段真实场景视频的抽帧压测指标只当参考视频里的行为才是验收标准。这个流程现在一直在用希望帮到你。本文还有配套的精品资源点击获取
