简介这套河道水位尺水位检测目标检测数据集专门面向计算机视觉学习者和水利自动化监测开发人员用于训练目标检测模型以识别并定位图像中的水位尺进而推断水位高度可应用于洪水预警、水资源管理及远程巡检等场景。压缩包为zip格式共400个文件包含200张jpg水位尺图像和200个xml标注文件标注文件记录每个水位尺的边界框坐标与类别标签整体大小约33.81MB目录结构清晰便于直接投入模型训练。目前已有2115人浏览学习可配合YOLO、Faster R-CNN等主流检测算法进行实践。虽然上传样本经过压缩且数量有限但借助翻转、旋转、裁剪等数据增强手段仍能训练出具备实用性的水位检测模型同时该数据集也是理解目标检测数据组织方式、VOC/XML标注格式以及训练流程的直观入门材料。1. 检测到水尺不等于测出水位这个数据集的真正任务边界很多团队开做这个任务时第一直觉是拿目标检测框住水位尺觉得框住就算完事。真正做进河道项目后会发现框住尺只是拿到了一个坐标没有拿到水位。河道运维要的是一个可提交的数值比如“当前水位3.42米”而不是“屏幕左下角有一个尺”。这个数据集的价值在于把“检测尺”和“读水位”之间的断层填上——既要框出尺身也要能定位水面线与刻度最终换成厘米级读数。适合正在做智慧水利、河道监控、边缘盒子水位识别以及想自建数据集而不是继续被黑匣子API卡住的人。2. 数据集类别怎么设计单类、尺型分类还是刻度段回归2.1 三类方案对比单类检测、尺型分类与刻度段回归类别设计是数据集的第一决策它直接决定标注工时、模型复杂度和下游后处理的工作量。我在项目里见过三种主流做法把整把尺当做一个目标按尺型分成几类再把每个刻度段做成独立目标。这三种方案不是越细越好而是看你下游到底要什么。如果你的产品只负责报警“水位超过警戒线”单类检测已经够用但如果你要输出连续水位值单类方案会让后续处理非常被动因为框本身不携带任何刻度语义。方案标注成本下游能力典型坑单类“水位尺”最低画框即可只能定位尺水位值需另找回归逻辑后处理要自己造轮子精度上不去按尺型分类中等框标签可按尺型切换判读逻辑适应混合站点分类边界容易混淆老旧变形尺判别难刻度段检测最高每个E或数字一组可直接给出空间参考点换算水位小目标密集标注一致性极难维持我的建议是不要一上来就做刻度段检测。河道尺面在画面里的尺寸往往不大把每个刻度段标成独立目标标注成本会翻好几倍小目标漏检还会让你误以为模型能力不行。更稳的路线是先做“尺身框 水面线关键点”把检测任务和回归任务分开等精度瓶颈明确出现在刻度定位上时再决定要不要增加刻度段标签。2.2 一个可落地的初始类别配置尺型加水面线双头如果你接受的交付物是“一个水位数值”我一般会这样配置数据标注每个有效样本上标一个尺身框、一个尺型类别、一个水面线关键点。类别按尺型区分通常控制在三类以内。这样做的好处是尺身框告诉模型“尺在哪里”尺型告诉后处理“这套尺的刻度长什么样”关键点直接给出水面线的像素位置三者各司其职。# data.yaml 按推荐配置类别编号定稿后不要轻易换序 path: ./ruler_dataset train: images/train val: images/val names: 0: e_style_ruler # E字型水位尺常见于中小河道 1: digital_style_ruler # 数字直读水位尺刻度带数字 2: electronic_ruler # 电子/数显水位尺传感器件外露这里唯一的参数是类别的语义定义但它的影响很大。E字尺和数字直读尺的刻度形态差异明显混成一类会让模型学到模棱两可的特征而电子数显尺的判读逻辑完全不同需要单独走协议解析。此外类别总数不建议超过五个标注员在连续标注几小时后对相似类别的判断会明显漂移。2.3 采集场景矩阵光照、天气、水位与机位四个维度采集覆盖度决定了模型的真实泛化能力也决定了这个数据集能不能跨站点使用。我一般按四个维度去铺采集计划每个维度都保证有足够的不均衡样本而不是均匀分配。维度需要覆盖的取值为什么必须覆盖光照顺光、逆光、侧光、黄昏、夜间红外补光、雨后反光逆光和夜间最容易漏检且不同相机的ISP处理差异大天气晴、阴、小雨、大雨、雾、回南天雨滴挂镜头会造成尺身畸变普通检测数据集很少覆盖水位低水位全露、半浸没、高水位只露尺顶、完全淹没样本比例失衡会让高水位场景成为模型盲区机位固定枪机、球机预置位、手持巡检尺身尺寸和透视角度差异直接影响小目标判定这四个维度里最容易缺的是“高水位只露尺顶”和“夜间红外补光”两类样本。前者一年里只有汛期那几天能采后者需要你在现场等到天黑。我的习惯是把历史录像利用起来老站点的硬盘录像机里往往有跨年的完整记录比你现在架相机去等天气性价比高得多。注意采集阶段不要只按“拍得清楚”筛帧。反光、雨滴、半遮挡的模糊帧在部署时一定会出现与其到时候补采不如在采集矩阵里就给它们留位置。3. 从RTSP录像到训练集采集脚本、去重与质量筛选的三步流水线3.1 定时抓帧脚本从RTSP流里把候选帧落到磁盘河道现场通常有固定摄像机用RTSP拉流是成本最低的采集方式。直接逐帧抽会产生上万个重复帧而且摄像头断流、掉线是常态抓帧脚本必须能自动重连。下面这个脚本是我常用的骨架逻辑很简单每隔固定秒数抓一帧失败不退出重试等待后继续。import os, time import cv2 from pathlib import Path # 按实际摄像头地址替换尽量使用子码流地址降低带宽压力 RTSP_URL rtsp://user:pass10.0.0.8:554/Streaming/Channels/101 SAVE_DIR Path(./raw_frames) INTERVAL_SEC 30 # 每30秒抓一帧水位变化慢太密只会增加去重成本 SAVE_QUALITY 90 # JPEG质量低于85会产生可见压缩伪影 cap cv2.VideoCapture(RTSP_URL) if not cap.isOpened(): raise RuntimeError(RTSP打开失败先检查账号密码和端口) os.makedirs(SAVE_DIR, exist_okTrue) last_capture 0.0 while True: ok, frame cap.read() if not ok: # 摄像机会偶尔丢流等5秒重连连续失败要记录日志 print(read失败5秒后重试) time.sleep(5) cap.open(RTSP_URL) continue now time.time() if now - last_capture INTERVAL_SEC: ts time.strftime(%Y%m%d_%H%M%S) cv2.imwrite(str(SAVE_DIR / fraw_{ts}.jpg), frame, [cv2.IMWRITE_JPEG_QUALITY, SAVE_QUALITY]) last_capture now这段代码里有几个关键参数值得说。INTERVAL_SEC设成30秒而不是5秒是因为水位一天的变化量通常不超过几十厘米5秒间隔抓出来的帧几乎完全一样纯粹浪费磁盘和后续去重时间。SAVE_QUALITY用90避免低质量压缩产生的边缘伪影在标注时被误认成刻度线。read失败后必须重新open连接否则OpenCV的VideoCapture不会自动恢复这是跑采集最容易翻车的地方。3.2 预筛脚本模糊、过曝与纯水面帧的快速过滤抓帧完成之后直接拿去标注是浪费人力。河道视频里有大量夜间全黑帧、雨滴糊帧以及镜头被人为遮挡的纯水面帧。我用三个快速判据做第一轮过滤拉普拉斯方差判断模糊亮像素占比判断过曝暗像素占比判断夜黑。这三个函数组合起来能删掉一半以上的无效帧。import cv2 import numpy as np def is_blurry(img, threshold40.0): 拉普拉斯方差小于阈值说明图像边缘弱大概率是模糊帧。 阈值不要照抄先跑100张自己看一下分布再定。 gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) return cv2.Laplacian(gray, cv2.CV_64F).var() threshold def is_overexposed(img, hot_ratio0.3): 画面中超过30%的像素接近纯白说明曝光过度。 逆光水面反光场景经常触发这条。 gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) hot np.sum(gray 240) / gray.size return hot hot_ratio def is_night_black(img, dark_ratio0.6): 超过60%像素接近纯黑夜间无补光时触发。 保留红外补光灯照到尺面的那种‘局部亮’帧。 gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) dark np.sum(gray 20) / gray.size return dark dark_ratio三个阈值都留了说明因为不同相机的传感器和ISP差异巨大。threshold用40是常规起始值但某台老相机画面本来就偏灰拉普拉斯方差常年偏低直接套用会把正常帧全删掉。我一般在过滤前随机抽200帧打印方差直方图再选合适的切分点。is_night_black要特别小心夜间有红外补光时画面大部分区域是黑的但如果灯恰好照在水尺上这帧恰恰是高价值样本。3.3 去重与平衡相似帧如何压水位分布怎么查过了质量筛剩下的帧仍然有大量相似帧。水位变化慢时相邻半小时的帧几乎看不出差别。最省事的做法是按时间戳分组每小时最多保留2到3帧如果某天水位快速上涨再单独保留那段时间的密集帧。这比用感知哈希做全局去重更可靠因为感知哈希对水面波纹非常敏感水位没变但波纹不同也会判成不同帧。去重之后还要检查水位分布的平衡性。我只用人工粗筛把样本按水面线在画面中的相对位置分成低、中、高三段看三段的数量比例。低水位样本常常占总量的80%以上高水位不到5%这种比例训练出来的模型在高水位时必然漏检。解决的办法是去历史录像里定向补采或者对高水位样本做复制增强但这只是缓解治本还是靠补数据。注意预筛是半自动过程不要盲目相信函数返回值。我吃过一次亏——模糊阈值设低了把雨滴挂在镜头上的特殊帧全删了后来部署时恰好淋雨模型直接不工作。最终我把这类帧从回收站捞回来重新标了一遍。4. 标注规范怎么定尺身框、水面线关键点与刻度段的边界约定4.1 尺身框怎么画边界规则与旋转框的取舍标注环节最容易引发返工的是框的边界不一致。尺身框的上下边界要贴着尺面的最高和最低可见像素但每边外扩2到3个像素避免把最上沿的刻度线切掉。左右边界从尺面左缘到右缘不要把固定尺的金属支架框进去。这个支架在风吹时会抖动模型学到的是支架特征而不是尺面特征换一个安装方式的站点就失效。如果尺在画面里明显倾斜比如被水流冲歪或者相机安装角度偏了我建议先不引入旋转框。原因很实际旋转框标注工具支持不统一团队协作时格式转换很容易出问题。只要倾斜角度小于15度用外接矩形加上水面线关键点的坐标就能补偿大于15度时再考虑带角度的框或者用透视校正预处理。部署时尺体轻微倾斜是常态把所有样本都按“微斜”来标注反而让模型对倾斜更鲁棒。4.2 水面线关键点潮湿带歧义与一致性标准水面线是读水位的核心也是标注歧义最大的对象。实际的尺面上水面线不是一个几何精确的点尺体表面有浸润、毛細和残水会形成一条几像素宽的“湿润带”。不同标注员看到这条带一个取上缘一个取下缘差出来的像素换算成水位可能就是2到3厘米。我定的规则是以湿润主带的下边缘作为关键点位置。这个规则在大多数光照条件下都稳定因为下边缘是干湿分界比上缘的反光边界清晰得多。如果水面在波动取波动范围的中位线位置不取瞬时波峰或波谷。关键点画在尺面中轴线上如果尺在画面里有倾斜则标两个端点和中点三个点用于后处理拟合水线的高度。// 标注工具导出格式示例keypoints_visibility 用 0/1 标记可见性 // 1 表示水面线落在尺面范围内0 表示已经低于尺顶或尺底不可见 { ruler_bbox: [234, 118, 298, 512], ruler_type: 0, waterline_keypoints: [[266, 367, 1]] }关于可见性这一点很容易被忽略。高水位时尺身只露出顶部一小截水面线低于尺顶关键点就无法落到尺面上。我要求这种情况下仍然保留尺身框标注但把关键点的可见性置为0。这样模型至少能学会“这里有一把尺但水线在不可见区域”这种状态而不是把所有只露尺顶的样本当作背景扔掉。4.3 刻度段与数字是否单独标注的决定性因素要不要做刻度段检测取决于尺面在画面里的像素尺寸。标准水位尺的刻度线宽度只有几厘米如果尺面宽度在整幅画面里小于100像素刻度段标注就是小目标中的小目标模型效果极差。我在前期试过直接标刻度段验证集mAP50勉强到0.83但实际部署时尺身稍微被水雾遮挡就开始跳变。如果你确定要做刻度段检测建议以“一个E字符号加旁边的一组数字”作为一个目标而不是单独框每个数字。数字目标太小且容易被反光干扰E字符号的轮廓特征强得多。浸没在水面以下的刻度段一律不标注因为水下折射会让刻度位置产生视觉偏移模型学到的是折射后的位置反而污染训练标签。标注完成后必须做一致性抽检。我每标完一整天就会随机抽50张让另一个人按同一份规范重标一遍计算尺身框IOU和关键点像素差。关键点平均差值超过10像素就说明规范里有未被理解的歧义要回到湿润带规则上去对齐认知。这个环节没有后悔药标注退回重改的成本远高于前期多花一天统一规则。5. 训练与评估的避坑清单为什么mAP高但读水深误差大5.1 数据划分避坑按时间切还是按场景随机切现象随机划分训练验证集后mAP50能到0.95哪怕换一台新相机的录像喂进去mAP直接掉到0.6。原因随机划分让同一段视频的相邻帧同时出现在训练集和验证集里验证集信息被训练集泄露测试结果虚高。解决数据划分必须按时间切前80%时间段做训练后20%做验证。更严格的做法是至少保留一个完整站点作为站点外验证集模拟真实部署时换相机、换视角的情况。我在数据集文档里会把这种划分方式单独写清楚因为很多训练框架的默认随机切分会破坏这份保障。5.2 训练参数避坑长条目标下imgsz与mosaic的配合现象同一个数据imgsz用640训练mAP表现不错部署到边缘盒子后小目标频繁丢掉尤其是高水位只露尺顶的情况。原因尺身是典型长条目标在网络下采样到原始输入的1/32时一个60像素宽的尺身只剩不到2个有效特征点而且mosaic增强会把尺缩得更小。解决尺面宽度占整幅画面35%以下时imgsz至少提到960。显存不够就给检测出来的尺身区域做crop切片第二级网络只负责在区域内找水面线和刻度。mosaic增强不要盲开在长条目标上把概率降下来避免尺在训练时被缩小到失去语义特征。# YOLO风格CLI训练示例参数按自己的显卡显存调整 yolo detect train dataruler_data.yaml \ modelyolov8s.pt \ imgsz960 \ epochs150 \ batch8 \ patience20 \ mosaic0.5batch8对应边缘盒子常用的8G显存上限patience降到20防止后段过拟合后仍然拖着不回滚mosaic0.5表示只有一半的batch启用mosaic增强。这些参数不是定死的我每次换新数据都会先跑30个epoch看验证集损失再决定要不要继续调。mosaic概率对长条目标的影响确实带点玄学但在它和imgsz之间优先满足imgsz。5.3 误检避坑水面波光、夜间红外与高水位露顶现象验证集里“波光”被识别成“E字尺”的高置信度框夜间尤其多。原因水面波纹在红外补光灯下产生亮暗交替的纹理尺上的刻度也是亮暗交替模型学的是高频纹理特征而不是“尺”的语义。解法有几个层次。采集时专门收一批波光帧做负样本这是最直接的。后处理对框的宽高比做约束尺身细长宽高比通常大于2.5比1波光碎片的框接近方形且横竖不定。另一个有效手段是时间序列过滤真实尺框会连续出现在视频流的几十帧里单帧存在、前后帧消失的框一律当伪目标处理。高水位只露尺顶是另一个高频漏检场景和一整根尺的形态差异太大。我用的办法是两步检测先训练一个低阈值的检测器把“疑似尺区域”找出来再把区域裁切放大用第二个回归模型找水面线。第一次检测只负责召回不追求精准把压力释放给第二阶段的回归。这比强行调高主模型能力要省事得多。5.4 评估避坑mAP不能替代像素级读水误差现象模型mAP50高达0.95但换算出的水位值和人工抄表差了10厘米以上。原因mAP衡量的是“框交叠度”对框上下边界的几像素偏移完全不敏感而水位值换算恰好就差在这几像素上。mAP在这个任务里不是没用的指标但它不能单独作为验收依据。我把评估维度改成三个水面线关键点平均像素误差、水位值平均绝对误差、有效读数率。代码层面要做的事情很简单就是单独把关键点的预测值和真值拿出来算误差而不是只看NMS之后的框。import numpy as np # 伪代码示意关键点像素误差比mAP更能反映读水位能力 pixel_to_cm 0.5 # 标定得到每像素代表0.5cm第6章讲怎么算 errors [] for pred, gt in zip(preds, gts): kpt_err abs(pred[waterline_y] - gt[waterline_y]) errors.append(kpt_err * pixel_to_cm) print(水位误差MAE: %.2f cm % np.mean(errors)) print(有效读数率: %.1f%% % (100 * valid_count / len(gts)))有效读数率指的是模型给出可用读数的帧占比。夜间黑帧、镜头被水雾遮挡时算法不输出这不算失败但明明尺在画面里却输出不出读数就需要回去查。三条指标合成的验收标准我后面会给一个参考值你按自己项目精度要求调整量级。6. 把检测结果换算成水位值标定、平滑与一周验收法6.1 像素到厘米快速标定常用做法水面线关键点的像素坐标不是最终结果你要推出真实水位。常见做法是利用尺面本身作为标定物——标准水位尺的E字刻度间距是固定标称值检测出任意两个相邻刻度的y坐标差就能得到当前视角下的像素到厘米比例。import numpy as np # 相邻刻度像素差和已知物理间距换算比例 phys_cm 10 # 两刻度间物理距离单位cm pixel_dist y_idx[1] - y_idx[0] # 检测到的两个刻度中心y坐标差 pixel_to_cm phys_cm / pixel_dist # 水面线相对下方刻度中心的偏移 waterline_cm (waterline_y - y_idx[0]) * pixel_to_cm两个刻度中心y坐标差会随相机视角和尺面倾斜变化所以换算比例要动态计算不要用全局固定值。如果尺面倾斜过大先对尺框区域做透视校正再提取刻度否则换算误差会放大。6.2 一周无人值守验收法与一个维护习惯单帧水位会因为水面波动而跳动推理端要做时序平滑。我常用的是中值滤波加一个简单规则当前帧置信度低于阈值时不输出用前一个有效值补位连续超过10帧无有效读数再标记一次数据缺失。这比直接平滑水位值更稳因为波峰波谷已经是真实现象平滑过头反而把涨水趋势掩盖掉了。验收方法我固定用一组表格连续7天无人值守每天固定4个时间点人工抄表和模型输出做对比。指标合格参考线备注水位误差MAE≤3cm夜间和逆光时段单独看有效读数率≥95%不含无有效信号时段高水位时段MAE≤5cm汛期容易触发要单独积累数据我自己的习惯是验收时把模型报出的水位打印成曲线和人工抄表画在同一张图上一眼就能看出偏差集中在夜间还是高水位段。这个习惯帮我省了很多次半夜被叫起来看日志的时间。希望帮到你。本文还有配套的精品资源点击获取
