简介面向目标检测与计算机视觉学习者的乱堆物料检测数据集共1143张真实场景图片以沙堆和混凝土堆为主含少量箱子等杂物适用于工地安全监测、杂物堆积识别等场景可直接用于训练单类别“pile”目标检测模型。资源同时提供Pascal VOC与YOLO两种标注格式每张图片均有对应XML与TXT文件矩形框标注规范使用LabelImg工具人工绘制框数达1174个方便研究者按需选择数据格式进行训练与评估。压缩包共2000个文件包含1143个XML标注文件及配套TXT文件整体大小约90.23MB结构紧凑便于下载解压文件命名规范图片与标注一一对应可快速接入YOLO等主流框架。目前已有530人学习下载。数据集标注质量可靠既适合入门者学习目标检测标注流程也能作为算法验证的基准数据帮助快速搭建乱堆物料识别模型。1. 乱堆物料检测数据集在做什么1143张图解决哪类现场问题我第一次把检测模型部署到某工厂原料堆场时一个点位每天误报三四十次一半以上都跟“乱堆物料”有关。这个类别要框出的是没按定置区摆放、散落在通道和安全线附近的物料堆在智慧工地和工厂6S巡检里最常见也是漏检以后最容易惹麻烦的一类。这份数据集合计1143张已标注图片单类别同时提供VOC的XML和YOLO的TXT两套标注。前者适合核对坐标、做可视化后者可直接喂给主流训练框架。适用人群是安全监控、6S项目开发者以及想用一个小数据集跑通“解压、校验、训练、推理”全链路的工程师。2. 解压先校验VOC与YOLO双格式的目录结构、字段拆解和数量核对数据集到手第一件事不是训练而是清点。很多人拿到压缩包直接解压就开训等到loss曲线异常才回头查数据那时候已经分不清是标注问题还是模型问题。我会在解压后先用命令确认图片、XML、TXT三者数量能对上再看单个文件的标注内容长什么样。2.1 解压与文件清点中文文件名、目录结构和数量校验mkdir -p ~/datasets/materials cd ~/datasets/materials # -aoa 表示覆盖已存在文件避免解压过程停在交互确认上 7z x -aoa ~/datasets/乱堆物料检测数据集VOCYOLO格式1143张1类别.7z # 统计图像、VOC标注、YOLO标注三类文件数量 echo images: $(find . -type f \( -iname *.jpg -o -iname *.png \) | wc -l) echo xml: $(find . -type f -iname *.xml | wc -l)这组命令解决的是“文件到底全不全”的问题。注意TXT统计要按目录过滤压缩包内通常还有 classes.txt、train.txt、val.txt 这类索引文件直接find -name *.txt会把它们算进去干扰核对。# 只统计真实标注文件labels 目录下每个txt对应一张图片 echo txt labels: $(find ./labels -type f -name *.txt | wc -l)如果三个数字能对上1143且彼此一致说明主结构完整。这类双格式数据集解压后常见布局是 images 与 annotations、labels 平级XML和TXT的文件名都与图片文件名一一对应。对不上时不要急着开训先去查是缺图还是缺标注这比之后排查诡异的训练曲线便宜得多。2.2 VOC的XML标注字段拆解一个bndbox里有哪些信息import xml.etree.ElementTree as ET tree ET.parse(annotations/000001.xml) root tree.getroot() print(图片尺寸:, root.find(size).find(width).text, x, root.find(size).find(height).text) for idx, obj in enumerate(root.iter(object)): name obj.find(name).text 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) print(f框{idx}: 类别{name}, 坐标({xmin:.0f}, {ymin:.0f}, {xmax:.0f}, {ymax:.0f}))这段代码把单张图的标注字段一条条拉出来。需要注意几点一张图里 object 节点会出现多次每个对应一个物料堆size 字段记录原图宽高是后续归一化和画框的基础部分标注还带 difficult 标记代表难例框训练时是否保留要看你的告警策略。读XML的正确姿势是先确认“图里有多少个堆”再去对齐TXT里的行数。我碰到过不少双格式数据XML里有5个框TXT里只有4行这种不一致在训练阶段会表现为某些目标永远学不会因为标签根本对不上。2.3 YOLO的TXT标注反向读取归一化坐标与类别编号def read_yolo_txt(txt_path, img_w, img_h): boxes [] with open(txt_path, r, encodingutf-8) as f: for line in f: parts line.strip().split() if len(parts) ! 5: continue cls int(parts[0]) xc, yc, w, h map(float, parts[1:]) # 归一化坐标还原成像素坐标 x1 (xc - w / 2) * img_w y1 (yc - h / 2) * img_h x2 (xc w / 2) * img_w y2 (yc h / 2) * img_h boxes.append((cls, x1, y1, x2, y2)) return boxesYOLO的TXT每行只存5个数字类别编号加中心点x、中心点y、宽、高前三个都以图片宽高做归一化值在0到1之间。归一化带来的好处是标注不依赖分辨率同一份标注在1080p和720p上都能直接用这也是它比VOC省地方的原因。反向读取时最容易踩的坑是把中心点当成左上角直接乘宽高画出来的框全偏到右下角。写回像素坐标后要做一次 clip保证 x1、y1 不小于0x2、y2 不超过图片宽高。这个习惯能提前滤掉一部分贴边标签后面第5章会细说。3. 一致性校验、目录重组与可视化训练前的三道关卡双格式数据集不等于双保险。两个格式如果来源不同反而会互相暴露问题。训练前我会做三件事校验XML与TXT是否一致、按固定种子划分训练验证集、把标注框画回图上目检。这三步做完数据质量心里就有底了。3.1 XML与TXT互相校验一套数据两套坐标以谁为准def voc_to_normalized(xml_path, img_w, img_h): boxes [] for obj in ET.parse(xml_path).getroot().iter(object): bb obj.find(bndbox) x1 float(bb.find(xmin).text) / img_w y1 float(bb.find(ymin).text) / img_h x2 float(bb.find(xmax).text) / img_w y2 float(bb.find(ymax).text) / img_h boxes.append((x1, y1, x2, y2)) return boxes def txt_to_normalized(txt_path): boxes [] with open(txt_path) as f: for line in f: _, xc, yc, w, h line.strip().split() x1 float(xc) - float(w) / 2 y1 float(yc) - float(h) / 2 x2 float(xc) float(w) / 2 y2 float(yc) float(h) / 2 boxes.append((x1, y1, x2, y2)) return boxes把XML的像素坐标统一归一化再和TXT直接解析出的坐标做差偏差超过0.01的量级就值得人工看一眼。大部分双格式数据是同一套标注导出的坐标应该几乎完全一致如果出现系统性偏移比如全部框都往右下挪了几个像素说明两套坐标不是一次导出的。框数不一致时以谁为准我一般以VOC为准。原因是XML保留了图片尺寸和完整的对象层级复核时能定位到具体是哪张图、哪个框出了问题TXT丢掉了这些上下文。确认VOC没问题后重新从VOC导出TXT覆盖掉不一致的文件比手动改几行数字靠谱。3.2 按固定随机种子划分训练验证集并重组目录python - PY import random, os, shutil random.seed(2025) # 固定种子保证每次划分结果可复现 images sorted(os.listdir(images)) random.shuffle(images) split int(len(images) * 0.85) train_imgs, val_imgs images[:split], images[split:] for name, img_list in [(train, train_imgs), (val, val_imgs)]: os.makedirs(fimages/{name}, exist_okTrue) os.makedirs(flabels/{name}, exist_okTrue) for img in img_list: stem os.path.splitext(img)[0] shutil.copy(os.path.join(images, img), fimages/{name}/{img}) shutil.copy(os.path.join(labels, stem .txt), flabels/{name}/{stem}.txt) PY85比15的划分对1143张图来说训练集约970张验证集约170张单类别任务足够。固定随机种子是必须的不然每次划分结果不同后续对比实验时分不清精度变化来自模型还是来自数据运气。划分完把两个图片清单存一份等于给这次实验上了后悔药。划分还有个隐藏风险如果数据集里有连拍帧同一堆物料在不同帧里长得几乎一样被拆到训练集和验证集里就会造成“验证集泄漏”mAP虚高。这个数据集没有提供场景分组标签我的做法是划分后人工抽查验证集图片看有没有和训练集高度相似的同场景帧发现就手动换掉。3.3 画框目检重点抽查多目标、逆光和阴影图import cv2 def draw_boxes(img_path, boxes, out_path): img cv2.imread(img_path) h, w img.shape[:2] for x1, y1, x2, y2 in boxes: # 越界框先 clip 再画避免画到画布外报错 x1, y1 max(0, int(x1)), max(0, int(y1)) x2, y2 min(w, int(x2)), min(h, int(y2)) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.imwrite(out_path, img)目检不需要全量抽样要抽三类多目标密集图看有没有漏框逆光或阴影图看框是否压在物料边缘上大目标占半幅画面的图看锚框有没有把整堆物料框全。每类抽十来张把画完框的图拼成一张contact sheet扫一眼就能发现系统性问题。画框目检这个动作看着原始但它能提前暴露三类问题标注类别名写错、坐标贴边、目标被框了一半。这些问题在训练阶段会变成难收敛和漏检在验证集上却不一定看得明显。我现在的习惯是任何数据集到手都先走一遍这个流程再谈训练。4. 单类别训练实操模型选型、data.yaml与三个直接决定精度的参数数据确认没问题接下来才是训练。单类别任务的配置比多类别简单但正因为简单几个关键参数选错的影响会被放大。这一章直接给出一套能跑的配置并解释每个参数为什么这么设。4.1 单类别任务选模型n、s还是m单类别“乱堆物料”是一个二分类语义下的定位任务决策面比几十个类别的任务简单得多模型容量不用堆太高。实践中模型越大推理延迟越高而视频监控场景里检测结果后面通常还挂着人工复核或规则过滤速度比极限精度更值钱。模型特点推荐场景n系列体积最小、延迟最低边缘盒子、相机端追求单帧耗时s系列精度略高显存占用适中常规服务器巡检默认起点m系列及以上精度更高但更慢现场目标普遍很小且算力充足我用n和s在同一份数据上对比过单类别任务两者mAP通常只差两三个点但推理耗时差距能拉到一倍。一般建议从s起步训练确认指标达标后把权重换成n做压测如果漏检没明显恶化就直接部署小模型。4.2 写对data.yaml路径、类别数和names顺序# data.yaml path: /home/dev/datasets/materials # 建议写绝对路径避免相对路径在不同机器上炸 train: images/train val: images/val nc: 1 names: 0: scattered_materialspath字段是所有相对路径的基址train和val写的是相对path的目录。很多人在自己的电脑上能跑换台服务器就报错多半是path用了相对路径。nc必须与标注的类别数一致这里是1。names的顺序必须与TXT里第一列的编号一致单类别时命名随意但编号只能是0。写错names的典型后果是训练能跑、loss也降验证集mAP直接0因为模型把编号1的目标全当成了背景。这种错不报错只坑结果排查起来特别像玄学问题。4.3 三个必调参数imgsz、batch、epochsyolo detect train \ modelyolov8s.pt \ datadata.yaml \ imgsz640 \ batch16 \ epochs120 \ patience20 \ projectruns/materialsimgsz控制训练时喂给网络的输入尺寸。乱堆物料普遍不大如果原图是1080p堆在画面里可能只有三五十像素imgsz640下采样后细节损失明显我的经验是这类任务优先试imgsz960代价是显存和训练时间上涨。batch先按16设显存不够就降batch而不是降imgsz。单类别任务梯度比较简单batch小一点对收敛影响有限。epochs设120配合patience20的早停通常三四十个epoch就收敛了后面全是白跑。从头训练没必要直接加载官方COCO预训练权重做起点收敛速度和最终精度都会更好。5. 避坑指南从解压到训练收尾常见的6处翻车现场这一章全部是实操中真实碰到过的坑按“现象、原因、解决”三段式写。每一条我都付出过实打实的排查时间希望你不用再走一遍。5.1 中文文件名在服务端乱码训练脚本直接报错现象压缩包在Windows下解压正常传到Linux服务器或WSL里解压后目录名、文件名变成乱码训练脚本报FileNotFoundError。原因压缩包内文件名按中文环境编码打包服务端locale与打包环境不一致文件名在解压时被转成非法字节序列。解决解压后先ls目检一遍出现乱码就统一改成英文目录名比如mv 乱堆物料* materials。后续所有脚本、yaml里都不要出现中文字符路径这是省事而不是妥协。5.2 XML和TXT标注不一致校验时框数对不上现象3.1节的校验脚本跑完发现某几张图XML里有5个框TXT里只有4行。原因两份标引不是同一次导出。后期在原标注上补过目标只重新导出了其中一种格式。解决以VOC为准把不一致图片的TXT删掉再从XML统一重导。不要手工去改txt行数手工改出来的坐标错位更隐蔽。5.3 单类别编号写成1模型把所有目标当背景现象训练日志里cls_loss一直不降验证集mAP始终是0但训练过程不报错。原因单类别编号应为0配置文件或标注里写成了1导致所有目标被视为背景正样本缺失。解决训练前跑一条命令检查awk {print $1} labels/train/*.txt | sort -u输出必须是0。混进1就说明有标注文件或配置写错了编号。5.4 贴边标注框转换后宽高越界现象从VOC转YOLO后部分txt里出现宽高大于1或者为0的框训练时直接报坐标系异常。原因标注时框贴住图像边缘xmax超出了图片宽度或xmin为0时转换脚本没做保护。解决转换函数里统一clipx1 max(0, min(x1, img_w - 1)) y1 max(0, min(y1, img_h - 1)) x2 max(0, min(x2, img_w - 1)) y2 max(0, min(y2, img_h - 1))clip之后再算中心点和宽高越界框要么被纠正要么因为面积为0被过滤掉。5.5 小目标漏检imgsz640不够用现象验证集mAP做到0.9现场跑起来远处的小堆漏掉一大半。原因原图里目标只有二三十像素imgsz640下采样后目标更小特征在骨干网底层就被淹没了。解决把imgsz提到960重训一版对比如果算力不够对远端区域做ROI切片单独跑一路检测。检查验证集目标尺寸分布能提前判断是不是这个问题。5.6 数据增强把“乱堆”变“整齐”mAP虚高现象开启大角度旋转增强后训练指标不错现场效果反而变差。原因旋转90度后散乱堆放的形态在语义上已经不可判模型学到的是被破坏的样本分布。解决关闭超过30度的旋转增强保留水平翻转和亮度对比度抖动。单类别语义简单的任务增强不是越多越好增强方向要和语义方向一致。6. 难例挖掘与现场适配用一次推理把漏检变成增量标注训练完先别急着看mAP。mAP只能告诉你平均表现无法告诉你现场会漏在哪。我的做法是拿训练好的模型对一批未标注的现场截图做一次低阈值推理按置信度升序把候选框排出来——置信度低的框里藏着两种关键信息一种是模型没把握但人眼能认出的真目标说明训练集漏标了这类样本另一种是从骨相上就长得不像“乱堆”的物体说明模型学了错误的特征。# 对未标注现场截图做难例挖掘按置信度升序输出前50个候选框 results model.predict( sourcesite_captures/, # 现场截图目录与数据集分布不同 conf0.05, # 放低阈值宁可多出候选 saveFalse ) candidates [] for r in results: for box in r.boxes: candidates.append((float(box.conf[0]), r.path, [round(v, 1) for v in box.xyxy[0].tolist()])) candidates.sort(keylambda x: x[0]) for score, path, xyxy in candidates[:50]: print(f{score:.3f} {path} {xyxy})这批候选框就是你的增量标注清单。低分里人眼一眼能认出的框补进数据集高分却框偏的多半是过拟合了某个现场特例需要检查是不是训练集里某类光照样本太多。补标后重训一版通常比无脑加数据增强更能提升现场表现。最后说现场适配。数据集样本和你点位角度差异大的时候最省钱的办法不是堆增强而是从现场摄像头拉几百帧截图标一个只包含“乱堆”的小集几十张就够微调二三十个epoch。这个做法比调任何超参都有效因为数据分布不一样的时候参数救不了分布。我现在的习惯是拿到任何数据集都先画框目检、再跑校验、最后才训练这个习惯替我查掉了无数个本可以避免的翻车下午。以上这些坑和数据操作路径希望帮到你。本文还有配套的精品资源点击获取
