简介本资源是面向计算机视觉初学者与遥感目标检测实践者的YOLO专用油罐检测数据集及配套开发套件解决真实遥感场景下小目标、密集排列油罐的标注难、格式转换难、训练启动难等实际问题。压缩包共2000个文件含1000张高质量遥感图像及对应三格式标签990个YOLO格式txt文件直接用于ultralytics训练、1000个VOC标准xml文件兼容TensorFlow/PyTorch传统框架、6个HTML教程文档覆盖Windows/Linux双平台环境搭建与端到端训练流程、3个Python划分脚本支持按比例生成ImageSets或独立文件夹结构及1个配置yaml文件整体224.22MB开箱即用。已有248人学习下载资源价值突出体现在提供完整可复现的训练闭环——从原始图像、多格式标注、智能划分到分步式Linux/Windows训练指南所有脚本均经实测且附带划分逻辑说明与常见路径错误规避提示显著降低YOLO遥感检测入门门槛。1. 这不是“又一个YOLO数据集”1000张真实遥感油罐图三格式标签开箱即训的完整闭环专治“数据有了但跑不起来”的焦虑你是不是也经历过花半天下到一个号称“含标注”的遥感数据集解压后发现只有图片、没有标签或者标签是XML但你用的是YOLOv8硬着头皮写转换脚本结果路径错一位、坐标少除个图像宽高训练时loss直接飞天更别提Windows和Linux环境配置两套文档来回切conda装完pytorch又报CUDA版本不匹配……这个YOLO遥感油罐检测数据集就是为终结这种“下载→解压→报错→放弃”循环而生的。它不只给1000张覆盖不同光照、云层、角度的真实卫星/航拍油罐图更把VOCXML、COCOJSON、YOLOTXT三套标准标签按目录结构原生对齐连train_list.txt这种训练器直读的索引文件都预生成好了配套的划分脚本不是伪代码而是带os.path.join()路径安全处理、支持--val-ratio 0.2 --test-ratio 0.1参数的可执行PY教程文档甚至区分了Ubuntu 22.04和Windows 11下pip install ultralytics前必须确认的Python 3.9兼容性陷阱。它服务的对象很明确刚接触遥感目标检测的研究生、需要快速验证算法的算法工程师、或是被客户催着两周内交出油罐识别demo的嵌入式团队——你要的不是“数据”而是一条从unzip到yolo train成功打印Epoch 1/100的确定性路径。2. 数据结构与三格式标签对齐为什么VOC/COCO/YOLO三套标签必须严格同名同序2.1 目录结构即契约images/与labels/的物理对齐规则该数据集采用“图像-标签强绑定”设计所有1000张图片统一存于images/根目录下命名如oil_tank_0001.jpg、satellite_0876.png。对应地三套标签分别位于labels/voc/存放oil_tank_0001.xml等同名XML文件Pascal VOC格式labels/coco/存放oil_tank_0001.json等同名JSON文件COCO格式labels/yolo/存放oil_tank_0001.txt等同名TXT文件YOLO格式归一化坐标提示labels/yolo/下的TXT文件内容为每行class_id center_x center_y width height五元组全部基于图像原始宽高归一化0~1区间无需二次计算。这是YOLO系列模型v5/v8/v10直读前提也是区别于“半成品数据集”的关键标志。2.2 VOC XML标签解析size与object的遥感适配细节以labels/voc/oil_tank_0001.xml为例其核心结构如下annotation folderimages/folder filenameoil_tank_0001.jpg/filename size width3840/width height2160/height depth3/depth /size object nameoil_tank/name bndbox xmin1245/xmin ymin892/ymin xmax1367/xmax ymax1014/ymax /bndbox /object /annotation注意两点遥感场景特化size字段真实有效width和height严格对应images/oil_tank_0001.jpg的实际像素尺寸非缩放后尺寸确保后续转换时坐标计算零误差object无冗余字段未添加pose、truncated等在遥感俯视图中无意义的字段避免YOLO转换脚本因解析失败而中断。2.3 COCO JSON标签验证categories与annotations的跨格式一致性labels/coco/oil_tank_0001.json并非独立JSON而是COCO格式的单图注释片段非全量dataset.json结构精简{ categories: [{id: 0, name: oil_tank, supercategory: container}], annotations: [ { id: 1, image_id: oil_tank_0001, category_id: 0, bbox: [1245.0, 892.0, 122.0, 122.0], area: 14884.0, segmentation: [] } ] }关键校验点bbox字段为[x_min, y_min, width, height]格式与VOC XML中bndbox数值完全一致1367-1245122,1014-892122image_id值为文件名前缀oil_tank_0001与images/下文件名主体严格对应杜绝COCO加载时image_id找不到图像的常见错误。2.4 YOLO TXT标签生成逻辑归一化坐标的四步推导链labels/yolo/oil_tank_0001.txt内容示例0 0.3242 0.4129 0.0318 0.0562其数值来源为VOC XML中坐标经以下确定性步骤计算读取sizewidth3840/widthheight2160/height/size→ 图像宽高W3840, H2160解析bndbox→ x_min1245, y_min892, x_max1367, y_max1014计算YOLO格式center_x (x_min x_max) / 2 / W (1245 1367) / 2 / 3840 0.3242center_y (y_min y_max) / 2 / H (892 1014) / 2 / 2160 0.4129width (x_max - x_min) / W 122 / 3840 0.0318height (y_max - y_min) / H 122 / 2160 0.0562所有值保留4位小数符合Ultralytics官方要求的精度规范。3. 数据集划分脚本实战三个.py文件的分工、参数与防错机制3.1split_train_val_test.py三集划分的主干逻辑与路径安全设计该脚本是数据集划分的核心支持--train-ratio、--val-ratio、--test-ratio三参数默认0.7/0.2/0.1关键代码段如下import os import random import shutil from pathlib import Path def split_dataset(images_dir: str, labels_dir: str, output_dir: str, train_ratio: float 0.7, val_ratio: float 0.2, test_ratio: float 0.1): # 1. 安全路径拼接使用Path避免Windows/Linux路径分隔符问题 images_path Path(images_dir) labels_path Path(labels_dir) output_path Path(output_dir) # 2. 严格校验仅处理images_dir下与labels_dir同名的图片/标签对 image_files [f for f in images_path.iterdir() if f.suffix.lower() in [.jpg, .jpeg, .png]] valid_pairs [] for img in image_files: label_name img.stem .txt # 假设YOLO格式为基准 if (labels_path / label_name).exists(): valid_pairs.append(img.stem) # 3. 随机打乱并按比例切分 random.shuffle(valid_pairs) n_total len(valid_pairs) n_train int(n_total * train_ratio) n_val int(n_total * val_ratio) train_list valid_pairs[:n_train] val_list valid_pairs[n_train:n_trainn_val] test_list valid_pairs[n_trainn_val:] # 4. 创建输出目录并复制文件非移动保留原始数据 for subset, name in zip([train_list, val_list, test_list], [train, val, test]): (output_path / name / images).mkdir(parentsTrue, exist_okTrue) (output_path / name / labels).mkdir(parentsTrue, exist_okTrue) for stem in subset: # 复制图片 shutil.copy2(images_path / f{stem}.jpg, output_path / name / images / f{stem}.jpg) # 复制YOLO标签其他格式需自行修改此行 shutil.copy2(labels_path / f{stem}.txt, output_path / name / labels / f{stem}.txt) print(fSplit completed: Train{len(train_list)}, Val{len(val_list)}, Test{len(test_list)}) if __name__ __main__: import argparse parser argparse.ArgumentParser() parser.add_argument(--images-dir, requiredTrue, helpPath to images directory) parser.add_argument(--labels-dir, requiredTrue, helpPath to labels directory (YOLO format)) parser.add_argument(--output-dir, requiredTrue, helpOutput base directory) parser.add_argument(--train-ratio, typefloat, default0.7) parser.add_argument(--val-ratio, typefloat, default0.2) parser.add_argument(--test-ratio, typefloat, default0.1) args parser.parse_args() split_dataset(args.images_dir, args.labels_dir, args.output_dir, args.train_ratio, args.val_ratio, args.test_ratio)参数说明与实操建议--images-dir必须指向images/目录的绝对路径如/home/user/data/images相对路径在Linux crontab或远程服务器易失效--labels-dir此处强制指定YOLO格式标签目录labels/yolo/因脚本内部按.txt扩展名匹配若需VOC/COCO格式需修改label_name生成逻辑--output-dir输出目录将自动生成train/、val/、test/子目录建议设为datasets/oil_tank_split/避免与原始数据混杂--train-ratio等三参数之和必须≤1.0脚本会自动截断多余样本但建议显式设为0.7 0.2 0.1确保可控。3.2split_train_val.py双集划分的轻量替代方案当项目只需训练集验证集无测试集时此脚本更简洁且内置图像格式自动探测# 关键差异自动支持.jpg/.jpeg/.png无需手动指定扩展名 image_extensions {.jpg, .jpeg, .png} image_files [f for f in Path(images_dir).iterdir() if f.suffix.lower() in image_extensions]执行命令更短python split_train_val.py --images-dir ./images --labels-dir ./labels/yolo --output-dir ./datasets/two_split --val-ratio 0.2适合快速迭代场景如A/B测试不同数据增强策略时可秒级生成新划分。3.3split_train_val.pyImageSets版为Pascal VOC训练器定制的txt索引生成该脚本不复制文件仅生成ImageSets/Main/train.txt等文本列表供torchvision.datasets.VOCDetection类直接读取# 生成train.txt内容示例 # oil_tank_0001 # oil_tank_0002 # ... with open(output_path / train.txt, w) as f: for stem in train_list: f.write(f{stem}\n)适用场景当你使用PyTorch原生VOC数据加载器或需与旧版Faster R-CNN代码兼容时此脚本生成的ImageSets/结构是刚需。4. 环境搭建与训练教程避坑指南Linux/Windows双系统下的5个血泪经验4.1 LinuxUbuntu 22.04环境搭建CUDA驱动与PyTorch版本的隐性绑定现象pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118安装后yolo train报错CUDA error: no kernel image is available for execution on the device。原因Ubuntu 22.04默认NVIDIA驱动版本如525.x与CUDA 11.8不兼容需降级驱动或升CUDA。实际验证驱动≥535.54.03 CUDA 12.1组合最稳。解决查驱动nvidia-smi→ 记录Driver Version如535.54.03查CUDA兼容表NVIDIA官网《CUDA GPUs》页 → 确认该驱动支持的最高CUDA版本如12.1卸载旧CUDAsudo apt-get purge cuda*安装CUDA 12.1wget https://developer.download.nvidia.com/compute/cuda/12.1.1/local_installers/cuda_12.1.1_530.30.02_linux.run→sudo sh cuda_12.1.1_530.30.02_linux.run取消勾选Driver安装PyTorchpip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu1214.2 Windows 11环境搭建Conda虚拟环境与OpenCV DLL冲突现象import cv2成功但yolo predict时崩溃日志显示The code execution cannot proceed because opencv_world455.dll was not found。原因Windows下pip install opencv-python安装的DLL与Ultralytics依赖的opencv-python-headless版本不一致且Conda环境变量优先级混乱。解决创建纯净Conda环境conda create -n yolo_env python3.9→conda activate yolo_env先装Ultralytics再装OpenCVpip install ultralytics→pip install opencv-python-headless4.5.5.64版本必须与Ultralytics requirements.txt一致验证python -c from ultralytics import YOLO; print(OK)而非单独测cv2。4.3 训练教程中的data.yaml配置陷阱train/val路径必须为相对路径现象yolo train datadata.yaml报错FileNotFoundError: No such file or directory: /home/user/datasets/train/images但该路径明明存在。原因data.yaml中train: /home/user/datasets/train/images写成绝对路径Ultralytics会将其与当前工作目录拼接导致双重路径。解决data.yaml必须用相对路径train: ../datasets/oil_tank_split/train/images val: ../datasets/oil_tank_split/val/images nc: 1 names: [oil_tank]且执行命令时必须在ultralytics/目录下运行即cd ultralytics yolo train ...否则相对路径失效。4.4 标签格式误用用VOC XML直接喂YOLOv8导致训练静默失败现象训练启动后Epoch 0卡住GPU显存占用为0无任何报错。原因用户将labels/voc/路径误填入data.yaml的train字段YOLOv8尝试读取XML但无法解析内部异常被吞没。解决YOLO系列只接受TXT格式标签VOC/COCO标签仅用于转换或对比若需自定义格式必须继承ultralytics.data.base.BaseDataset重写_load_labels方法非新手推荐。4.5 Windows训练中断恢复--resume参数与权重路径的Windows路径转义现象yolo train resume modelruns/detect/train/weights/last.pt在Windows报错No module named runs。原因Windows路径runs\detect\train\weights\last.pt中的\t被Python解释为制表符。解决使用正斜杠yolo train resume modelruns/detect/train/weights/last.pt或双反斜杠yolo train resume modelruns\\detect\\train\\weights\\last.pt最佳实践在PowerShell中用引号包裹yolo train resume modelruns/detect/train/weights/last.pt5. 训练效果验证与进阶技巧从mAP0.5到遥感场景泛化能力的三层检验5.1 基础验证val阶段mAP0.5与PR曲线的可信度判据训练完成后runs/detect/train/results.csv中metrics/mAP50(B)值是首要指标。但遥感油罐检测需额外关注mAP50(B) ≥ 0.85表明基础定位准确可进入下一阶段mAP50-95(B) 与 mAP50(B) 差值 ≤ 0.15说明模型对IoU阈值变化鲁棒非靠“松散框”刷分PR曲线拐点在runs/detect/train/results.png中若Precision在Recall0.8后陡降提示漏检严重需检查小油罐32×32像素是否被FPN层过滤。5.2 场景泛化检验跨云层/跨传感器的定向测试集构建原始数据集未提供测试集需自行构建。我一般会从images/中人工筛选50张高难度图15张厚云遮挡油罐仅露1/3轮廓15张低分辨率1024×768模拟老旧卫星20张多油罐密集排列间距2倍油罐直径用split_train_val_test.py单独划分python split_train_val_test.py \ --images-dir ./hard_cases \ --labels-dir ./labels/yolo \ --output-dir ./datasets/hard_test \ --train-ratio 0 --val-ratio 0 --test-ratio 1用训练好的模型预测yolo predict modelruns/detect/train/weights/best.pt source./datasets/hard_test/test/images人工统计厚云图中召回率、低分辨率图中定位偏移像素数、密集图中ID切换次数MOTA指标。这比单纯看mAP更能暴露模型弱点。5.3 模型轻量化部署ONNX导出与TensorRT加速的关键参数为部署到边缘设备如Jetson AGX Orin需导出ONNX并优化# 1. 导出ONNX固定输入尺寸禁用动态轴 yolo export modelruns/detect/train/weights/best.pt formatonnx imgsz640 dynamicFalse # 2. TensorRT优化需安装tensorrt8.6 trtexec --onnxyolov8n.onnx \ --saveEngineyolov8n.engine \ --fp16 \ --workspace2048 \ --optShapesinput:1x3x640x640 \ --minShapesinput:1x3x640x640 \ --maxShapesinput:1x3x640x640参数说明imgsz640YOLOv8默认输入尺寸必须与训练时--img一致dynamicFalse禁用动态batch/shape避免TRT推理时维度不匹配--optShapes等三参数强制TRT使用固定尺寸消除首次推理延迟cold start latency。5.4 可视化调试--show-labels与--show-conf的组合技预测时加参数可快速定位问题yolo predict modelbest.pt sourcetest_img.jpg showTrue show-labelsTrue show-confTrueshow-labelsTrue在框上显示类别名oil_tank而非ID0避免混淆show-confTrue显示置信度如0.92若大量预测框置信度集中在0.45~0.55说明NMS阈值--conf需调高结合--save-crop保存裁剪图可批量检查误检样本如将储气罐误判为油罐。从那以后我每次拿到新数据集第一件事不是跑训练而是用python -c import xml.etree.ElementTree as ET; tree ET.parse(labels/voc/0001.xml); print(tree.find(size).text)随机抽3个XML验证size字段真实性第二件事是执行ls images/ | head -5 | sed s/\..*$// | xargs -I{} sh -c echo {} ls labels/yolo/{}.txt labels/coco/{}.json 2/dev/null || echo MISSING确保三格式同名存在。这两步5分钟内完成却能避开80%的“训练失败”时间黑洞。希望帮到你。本文还有配套的精品资源点击获取
