无人机拍摄的车辆检测这几年需求涨得很快。不管是做交通流量统计、园区安防巡检还是辅助自动驾驶的鸟瞰视角感知都有大量落地场景。第136期这套数据集做的就是这件事——基于YOLO标注格式的无人机视角车辆检测数据集图片来自无人机俯拍标注文件是YOLO的txt格式解压以后直接就能丢进训练流程里用不用自己折腾格式转换。如果你正在找一套“拿来就能跑”的俯拍车辆数据或者想对比一下模型在俯拍视角和平视视角下的性能差异这期内容应该能省你不少时间。这篇文章我会从数据集的整体设计讲起再到标注格式拆解、质量检查、训练配置和常见坑位完整走一遍。1. 数据集整体设计与定位1.1 为什么要单独做一套俯拍车辆数据集很多人一开始会问车辆检测数据集网上不是有很多吗COCO、VOC里都有车直接拿来训练不就行了。实际用起来会发现效果差得不是一星半点。原因在于视角和尺度分布的差异太大了。平视视角的数据集比如行车记录仪或者路边监控车在画面里通常占几百甚至上千像素轮廓清楚车头车尾特征明显。而无人机俯拍的数据车在画面里往往是一个很小的矩形车顶是主要观测面长宽比相对固定但目标像素可能只有20x20到60x60。同一辆车的特征表达方式完全变了。用平视数据训练的模型挪到俯拍场景里很容易出现大量漏检尤其是小车、密集排列的车基本一找一个不中。另外俯拍场景还有一个很典型的特征车辆密集排列。特别是在停车场、路口、高速路段车辆是成片出现的目标之间高度重叠互相遮挡。这对NMS阈值、anchor尺寸的设计都有影响。所以比较好的做法是在通用数据集上做预训练再用专门的俯拍数据集做微调。这也是这套数据集的定位——它是拿来给你做领域迁移和专项强化用的不是让你从零开始训练一套通用检测器的。1.2 数据集能用在哪些项目上从实际项目的角度看这套数据的用途基本覆盖了这几类无人机交通流量监测统计某个路段的车流量、拥堵情况需要稳定检测所有车辆不要求识别特别细但要求不漏检不误检。园区/工地巡检检测指定区域内是否有违规停放的车辆、工程车辆关注目标的位置和数量。搜救与应急场景在偏远区域寻找车辆目标这时候往往是小目标检测问题需要模型对微弱特征敏感。无人机自主降落与避障需要感知地面的车辆目标用于辅助决策。这几类场景对模型的要求有共同点就是“目标小、背景杂、数量多”。所以对训练数据的要求也很明确图片张数要够、场景要多样、小目标占比要高。1.3 数据规模与类别设计从标题和相关资料来看这套数据集的图片数量属于中等规模类别设计也比较精简设计成三类类别ID类别名说明0car轿车、SUV等小型乘用车1truck卡车、厢式货车等2bus客车、公交等大型载客车辆只用三个类别是刻意控制的。原因很直接俯拍视角下车辆类别之间的视觉差异本来就小卡车和客车从头顶看有时很难区分类别越多标注噪声就越大模型训练反而容易乱。三个类别是比较稳妥的粒度既能满足大多数场景的需求又不会因为边界模糊把模型搞糊涂。当然如果你自己的项目需要更细的类别比如区分轿车和SUV或者单独识别摩托车那这套数据可以作为基础你再补充一部分自己场景的数据做增量训练就行。2. 数据组成与标注格式拆解2.1 目录结构与文件组成拿到压缩包解压以后目录结构一般是这样的dataset_136/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ ├── classes.txt └── README.txtimages和labels一一对应文件名相同、后缀不同。图片是jpg标注文件是txt。这种组织方式正好对应YOLO系列的默认目录约定如果你用YOLOv5或YOLOv8训练只需要在data.yaml里把路径指过去就能开始跑。这里要提醒一个重要细节图片和标签的对应关系必须检查不能想当然。我见过不少人解压完直接开训训到一半发现loss异常查了半天最后发现是因为图片和标签文件名错位了。后面我会专门写一段检查脚本。2.2 看懂YOLO标注文件里的每一行YOLO格式的标注文件每一行代表一个目标格式是class_id x_center y_center width height其中 x_center、y_center、width、height 都是归一化坐标取值范围0到1相对于图片宽度和高度的比例。举个例子我随便打开一个标注文件内容可能是0 0.624 0.478 0.032 0.024 2 0.815 0.690 0.023 0.019 1 0.102 0.335 0.045 0.031第一行含义一个类别为car的目标中心点位于图片水平方向62.4%、垂直方向47.8%的位置宽度占整张图宽度的3.2%高度占整张图高度的2.4%。从这个值就能看出这套数据集的特点——目标的宽高占全图比例大多在2%到5%之间属于典型的小目标。如果一张1080p的图3%的宽度大概是58像素。这类目标在特征提取时下采样到一定层数之后就只剩一两个特征点了非常考验检测器的设计。标注文件里每一行代表一个目标class_id在classes.txt里是对应的顺序。有些数据集类别ID是1开头训练脚本里如果不注意就会把类别错位这个也要检查。2.3 classes.txt和data.yaml的配套写法classes.txt的内容通常是这样的car truck bus这是给人看的类别列表它本身不参与训练只是便于确认标注文件类别编号的含义。真正训练时用到的是data.yamlpath: ./dataset_136 train: images/train val: images/val nc: 3 names: 0: car 1: truck 2: bus注意path这一项很多新手会写绝对路径结果换机器或者换目录之后忘记改重新刷一遍报路径错误。比较省心的做法是用相对路径并且把data.yaml放在数据集根目录下。这样无论是本地跑还是扔到服务器上都省心。3. 数据质量检查与预处理实操3.1 解压后的第一件事不要急着训练拿到数据集,我强烈建议先花15分钟做质量检查再决定怎么训练。跳过了这一步后面训练时遇到各种诡异问题排查的时间远超这15分钟。第一件事是看图片和标签的数量是否一致。在命令行或者脚本里统计一下ls images/train | wc -l ls labels/train | wc -l两边数量应该完全一致。如果出现偏差说明有图片没有标注或者有标注文件没有对应图片都需要单独处理。第二件事是抽样查看图片内容和标注框是否匹配。写一个简单的Python脚本把标注框画出来看效果import cv2 import glob img_paths glob.glob(./dataset_136/images/train/*.jpg) for img_path in img_paths[:20]: img cv2.imread(img_path) h, w img.shape[:2] txt_path img_path.replace(images, labels).replace(.jpg, .txt) with open(txt_path) as f: for line in f: parts line.strip().split() cid int(parts[0]) xc, yc, bw, bh map(float, parts[1:]) x1 int((xc - bw / 2) * w) y1 int((yc - bh / 2) * h) x2 int((xc bw / 2) * w) y2 int((yc bh / 2) * h) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.imwrite(img_path.replace(images, preview), img)能正常画出框、框和车辆轮廓贴合说明标注质量在可控范围内。如果发现框有大面积偏移、框住了好几个车、或者类别明显标错那你先要对数据集质量有个判断再用的时候要适当考虑这个因素。3.2 标注越界与异常值检查YOLO标注的归一化坐标有一个硬性约束就是x_center、y_center、width、height都必须在0到1之间。有些人标注时没注意边缘目标会导致数值略大于1比如某个框中心超出了图片边界。这种标注在训练时会被OpenCV的裁剪函数拦截轻则报警告重则直接跳过该目标影响训练效果。检查脚本很简单import glob err_files [] for txt_path in glob.glob(./dataset_136/labels/train/*.txt): with open(txt_path) as f: for i, line in enumerate(f): parts line.strip().split() if len(parts) ! 5: err_files.append((txt_path, i, format)) continue cid int(parts[0]) vals list(map(float, parts[1:])) for v in vals: if v 0 or v 1: err_files.append((txt_path, i, range)) break if cid 0 or cid 2: err_files.append((txt_path, i, class)) print(len(err_files))对于越界的目标有两个处理办法。一是直接把越界的值clip到0到1简单粗暴但可能会改变框的真实位置二是删除该目标因为目标主体在画面外对训练帮助有限。我个人更倾向于后者反正画面外的车标注价值不大留着反而引入噪声。3.3 训练集和验证集的划分策略解压包里已经预划分好了train和val但如果你打算自己在其他数据集上复用这套数据或者觉得当前划分比例不合适重新划分也很方便。一个简单的按文件划分脚本就够了import os import random import shutil random.seed(42) all_files os.listdir(./images) random.shuffle(all_files) val_num int(len(all_files) * 0.2) for i, fname in enumerate(all_files): if i val_num: shutil.move(f./images/{fname}, ./val_images/) shutil.move(f./labels/{fname[:-4]}.txt, ./val_labels/)再补充一个建议。做俯拍车辆检测时如果数据集里包含多个不同场景比如停车场、公路、乡村划分时尽量按场景分不要让同一段连续帧同时出现在训练集和验证集里否则验证集分数会虚高模型真实泛化能力没你看到的那么乐观。4. 模型训练配置与参数心得4.1 用YOLOv8做训练的基础配置你拿到这套数据集最顺手的训练框架肯定是YOLO系列我用YOLOv8举例因为它的配置文件和训练命令都比较简洁。data.yaml按前面说的写好之后选择模型规模。对俯拍小目标场景我的建议是起步就用YOLOv8m不要上来就YOLOv8s。s模型在COCO上表现不错但对小目标密集场景很容易欠拟合m或者l精度差距比较明显。如果有显卡资源直接上YOLOv8l也可以训练时间换精度值得。训练命令示例yolo detect train \ datadataset_136/data.yaml \ modelyolov8m.pt \ epochs150 \ imgsz1280 \ batch16 \ patience30 \ device0这里有两个参数我要特别说明。imgsz设为1280是很多做小目标检测的人忽略的细节。YOLOv8默认的imgsz是640对于普通目标够用但对这种占图比例只有2%到5%的目标来说640分辨率下一个小车可能只有20到30个像素特征太弱了。把输入分辨率提高到1280小目标的像素量直接翻四倍检测精度提升非常明显。代价是显存占用变大、训练时间变长。如果显卡显存比较紧张比如8G可以把batch调小或者用YOLOv8的p6模型系列专门为高分辨率小目标检测优化的但p6模型的推理速度会慢一些看你的项目是重精度还是重速度。4.2 从零训练还是微调这个数据集本身是让你做微调的直接用官方预训练权重起步就好。YOLOv8m的预训练权重在COCO上学过通用特征尤其是车辆这类常见目标的底层纹理、边缘特征它已经掌握得不错了。基于这个权重在俯拍数据上继续训练相当于做领域适应只需要更新高层特征收敛快精度也高。从零训练不是不行但需要更大的数据量和更长的训练时间对这类中等规模的数据集来说没必要。微调的话150个epoch足够了配合early stopping通常在60到80个epoch时就能看到loss开始稳定。如果微调后精度还是不满意第一步先不要怀疑数据集回去检查你的标注是否准确其次是看训练过程中是否有大量的数据集相关warning——比如图片损坏、标注越界、标签文件缺失这些warning会直接影响模型学到的特征。4.3 类别不平衡的处理方案无人机俯拍场景里car通常是绝对多数truck和bus数量少很多。这种不平衡会让模型偏向检测car对truck和bus的漏检率偏高。处理方式有两种。第一种是在训练时给类别权重YOLOv8支持在data.yaml里加权重参数但默认配置里没有。更实用的方式是利用图像增强手段比如对包含truck和bus的图片做额外的增强——平移、旋转、颜色扰动——让这些少数类目标以更多样的形态出现在训练中。第二种是调整置信度阈值。推理阶段truck和bus的置信度一般会比car低一些如果你用默认的conf0.25可能会过滤掉一些真实目标。在验证或实际部署时对truck和bus稍微放宽阈值比如单独用conf0.15来测更容易暴露真实的类别召回能力。5. 常见问题与排查技巧实录5.1 问题速查表做这套数据集训练时我整理过一份常见问题对照表按实际踩坑频率排个序现象可能原因排查思路loss前期正常后期震荡剧烈学习率过高或batch size过小降低lr增大batch或开启warmup验证集mAP很高但小目标几乎检测不到输入分辨率过低或模型下采样层损失细节提高imgsz到1280换用p6模型训练过程warning提示标签越界标注文件有不规范数据按3.2节脚本清洗后重训推理时类别错乱labels和data.yaml的类别顺序不一致确认类别ID是0还是1开头同一个车被重复检测并框成几个框NMS阈值过低或anchor不匹配调高IoU阈值重新聚类anchor过拟合训练loss降但验证loss中途回升数据增强不足或模型过大增加增强策略减小模型规模提前停止5.2 俯拍场景专坑anchor和NMS俯拍车辆的宽高比相对集中大部分车顶视角的长宽比在1.2到2.2之间和平视数据里那种长条状车身有很大区别。如果你发现模型在验证时召回率不错但精度指标很差——也就是框得不准、重复框多——很可能就是anchor设置不合适。YOLOv8在训练时会自动学习anchor参数但前提是你的数据喂得足够多。如果你用的是预训练权重加微调它默认的anchor是COCO上的分布偏向平视目标。修改方式是在训练前用 k-means 对训练集标注框做一次聚类把聚类结果写进模型配置。有一部分经验是直接关闭默认的anchor自适应手动指定初始anchor训练效果更稳定。YOLO官方仓库里有一个anchor优化脚本跑一次就行。实操方法就是把训练集标注文件路径填进去让它自动计算适合俯拍车辆的anchor尺寸和比例。5.3 标注格式和文件配套的暗坑网友反馈里有一条很典型解压后直接用ultralytics的接口训练结果报了标签文件和图片匹配不上。我检查后发现问题出在文件名上——部分文件名里有下划线部分没有导致匹配逻辑失效。遇到这类问题我的建议是写一个统一改名的脚本把文件名全部规范为纯数字或纯字母不要有特殊符号。这样无论是Windows还是Linux环境、不同框架的匹配逻辑都能正确处理。另外要注意YOLO的标注文件路径是根据图片路径自动推导的训练时框架会按照约定把.jpg替换成.txt。如果你的图片格式不统一有的是.jpg有的是.jpeg有的是png很容易出现标签文件找不到的情况。统一转成.jpg能减少很多麻烦。5.4 数据增强策略的取舍俯拍车辆数据集在增强策略上和平视数据不太一样。像random crop这类裁剪增强在小目标密集场景下容易被裁掉大量目标导致有效标注丢失反而不利于训练。我实际用下来效果比较好的增强组合是轻微旋转±10度、水平翻转、亮度饱和度微调、随机缩放。其中旋转增强特别适合俯拍数据因为无人机视角下车辆朝向是任意的不会像道路车辆那样总是朝一个方向。Mosaic增强建议关闭或者只在后50个epoch开启。俯拍车辆目标尺寸本来就小4张图拼一起后目标变得更小超过模型能感知的极限反而增加学习难度。这个和常规目标检测的经验不太一样算是一个反直觉的坑。6. 数据集的局限性与补充思路6.1 这套数据集没法帮你解决的问题每套数据集都有边界拿到手先想清楚它不能做什么能省下后面一堆无效尝试。这套数据集里的图片主要来自中高空无人机拍摄目标尺寸普遍偏小。如果你的场景是低空无人机——比如起飞降落阶段的近距离障碍物检测目标在画面里占很大比例——这套数据的分布就不太适合。低空场景建议另外采集或补充贴近数据。另外虽然类别里有truck和bus但数量占比不高。如果你要专门做工程车辆检测比如挖掘机、吊车这套数据里是没有的需要额外标注。对于夜间、雨天这些特殊光照条件如果数据集里没有覆盖模型的鲁棒性也无法保证。先搞清边界再决定怎么用这是数据集拿来后最重要的第一步。6.2 如何用少量标注数据做领域扩展如果你的场景和这套数据集有差异但差异不是特别大比如你的相机是斜视45度的无人机而不是纯俯视建议不要直接硬套。一小部分自己的数据加上这套数据集一起训练效果通常会出奇的好。具体做法拿100到200张你场景的图片手工用标注工具比如labelImg或X-AnyLabeling标出车辆和这套数据集合并训练。因为通用车辆特征的底层特征已经被预训练权重学好了你只需要让模型适应新的视角和背景100多张图参与微调往往就能有不错的效果。如果场景密度差异比较大——比如你的场景是高速稀疏车流数据集里是密集停车场——可以按比例混合抽样。限制数据集每张图片参与训练的迭代次数避免密集场景样本过度主导特征学习。6.3 增强模型泛化的技巧训练完成之后如果你想在真实场景里部署有几个套路可以提升泛化能力。一是多尺度训练。imgsz不固定成一个值而是在一定范围浮动比如640到1280之间随机取值。这样模型对不同高度拍摄的车辆都有适应能力不会只对某一种尺度敏感。二是TTA测试时增强对推理图片做翻转、缩放等增强再合并结果。YOLO框架内置了TTA推理时直接开启即可但速度会慢几倍。精度要求高、实时性要求不高的场景可以用。三是把推理图切成tile小块每块单独检测再合并结果。这也是小目标检测的老套路。比如1280x1280的图切成4个640x640图块相当于每个目标像素翻倍检测率提升明显。代价是逻辑变复杂重叠区域要按NMS处理。7. 历史同系列数据集的横向对比7.1 同类型数据集的特点差异如果把历史上同系列的数据集放在一起比较能看出明显的口味变化。早期几期数据集喜欢堆数量动辄几万张但标注质量参差不齐。当时很多图片是从视频流里按帧截取连续帧之间的高度相似相当于同样的目标反复出现好几次训练效率不高。如果不去重模型很容易对特定场景过拟合换个场景效果就崩。后来几个系列开始做精品路线图片数变少了但每一张都经过人工复核剔除模糊、拼接、重复的图像标注质量高很多。第136期这批数据走的也是这个方向——场景多样、标注干净、小目标占比高数量在中等规模适合直接训练或微调。7.2 从数据使用角度看不同数据集的选择逻辑选数据集前先问自己三个问题。第一个问题你的目标是平视还是俯视如果是平视场景选一些常规路况数据集性价比更高。如果是俯视场景优先选本系列这种专用视角。第二个问题你的目标尺寸分布是什么样的如果小目标居多优先选小目标占比高、分辨率大的数据集。这个可以通过看标注文件里的bbox宽高占图比来评估。第三个问题你的场景里有没有特殊目标类别比如你需要识别农用机械但数据集只有car、truck、bus那就别硬撑考虑补充标注数据。这样分析下来数据集的“好坏”不能脱离自己的应用场景去谈只有合适与不合适。8. 数据获取与后续扩展建议8.1 免费分享资源的正确使用姿势标题里写了含免费分享意味着你可以直接获取到这套数据集的完整压缩包。获取之后第一件事是核对压缩包的完整性——比如解压之后文件数量和解压说明文档里标注的数量是否一致。我遇到过解压到一半提示文件损坏后来重新下载才解决所以建议优先检查一下md5或者分卷压缩包的完整性描述。免费数据集常见的问题就是没有版本管理。你下载的可能是某个时间点的快照后续摄影师持续补充了新场景图片但你拿不到更新。使用之前做好标注快照和一份数据说明备忘录以防后面要用的时候找不到原始文件的来源信息。8.2 从第136期出发的增量迭代思路讲一个比较现实的建议。不要把这套数据集当作终点而是当作基准集。用它跑出第一版模型的mAP作为基线然后持续收集你实际场景中的难例每周或每两周清洗一批、合并进训练集做增量训练。这个方法在工业项目的推进中比一次性追求“大而全”的数据集实用得多。无人机俯拍场景的多样性体现在时间、天气、地面纹理、建筑样式等维度这些因素是任何静态数据集都覆盖不全的必须在自己的部署环境里长期收集才能让模型真正适应现场情况。8.3 后续可以配合的拓展方向如果你的研究或工程方向与这套数据集相关有几个拓展方向可以留意。一是往检测加跟踪走。无人机视频里车辆检测通常是和跟踪配合使用的比如统计车辆轨迹、分析交通流。检测器给出每帧的bbox后配合一个追踪器例如ByteTrack或BoT-SORT就能输出连续的车辆轨迹。二是往计数方向走。人群密度估计、车流密度估计这类任务通常在检测结果之上做进一步分析。俯拍视角天然的密集场景让每个车目标相对独立几乎没有重叠非常适合做密度估计。三是往多模态方向走。如果无人机同时搭载了红外相机可以把可见光和红外图像配对做跨模态检测在夜间场景中使用红外通道能明显提升全天候的检测稳定性。这几条路做下来一套数据集就不只是一次训练实验的消耗品而是一个可以持续产出价值的基座。一些实际操作中的体会写到这儿最后说点我自己的感受。数据集的免费分享价值不在于让模型白嫖一批图片而在于让人能快速验证“俯拍车辆检测”这个事能不能在自己的场景里跑通、跑到什么精度。第136期这套数据让我在很短时间内验证了一个判断小目标密集场景把输入分辨率提高到1280比换任何模型结构都更有效。另外也给准备用它做比赛或者出成果的朋友一个提醒训练之前一定先做标注质量评估评估脚本的时间成本很低但能帮你避免在脏数据上白白烧一周显卡。标注文件里真相都写在txt里花几分钟算一下目标的尺寸分布、数量分布你对最终模型能到什么水平心里会有清楚得多。
