简介本资源为面向夜间场景的目标检测数据集适合深度学习初学者与算法工程师用于夜间车辆及交通目标识别模型的训练与验证。数据集覆盖car、pedestrian、traffic light、traffic sign、bicycle、bus、truck、rider共8个类别图片数量5000张同时提供YOLO与VOC两种标注格式可直接用于YOLOv5至YOLOv10等YOLO系列算法也兼容Faster R-CNN、SSD等模型。压缩包内共2000个文件以1999个txt标签文件和1个yaml类别配置文件为主yaml文件用于指定类别信息txt文件为对应的标注数据整体大小约142.19MB并已按训练集、验证集和测试集完成划分省去自行切分与格式转换的步骤。目前已有404人学习下载适合夜间自动驾驶感知、交通监控等方向的研究者快速搭建基线模型并开展对比实验。1. 夜间车辆识别数据集为什么你的目标检测模型一到晚上就“瞎”了白天跑出 0.89 mAP 的车辆检测模型切到夜间监控画面直接掉到 0.4 出头漏检的尾灯、糊成一团的车牌、被远光灯吞掉的车身轮廓——这不是模型不行是数据没喂对。夜间车辆识别数据集本质是一批在低照度、强眩光、运动模糊条件下采集并标注好的图像/视频帧专门用来训练和评测目标检测模型在夜间的鲁棒性。它解决的核心问题是白天数据训练出来的模型对夜间光照分布、噪声模式、目标表观特征完全不适应。这套东西适合谁做智慧交通、园区安防、自动驾驶感知、夜间卡口识别的算法工程师和数据集构建者。如果你正准备用 YOLO 系列或 SSD 做车辆检测却卡在夜间场景精度崩盘这篇就是给你写的。下面从数据集怎么选、怎么处理、怎么训、坑在哪一步步拆开讲。2. 夜间车辆识别数据集从采集到标注的完整链路2.1 夜间数据集的三个硬指标照度、眩光、运动模糊选夜间车辆数据集不能只看“有没有夜晚的图”。我一般先看三个维度照度分布、眩光比例、运动模糊程度。照度决定图像信噪比低于 5 lux 的场景普通 RGB 相机噪声会淹没车辆纹理眩光来自对向车灯和路灯会造成局部过曝目标边缘断裂运动模糊则出现在长曝光或高速场景车辆拖影导致标注框和实际目标错位。一个可用的夜间车辆识别数据集至少应覆盖以下场景类型场景类型典型照度主要挑战标注注意点城市路灯道路10–50 lux光照不均、阴影车身暗部框要贴紧无路灯郊区 5 lux高噪声、低对比度尾灯可作辅助锚点隧道出入口剧烈变化过曝/欠曝交替分帧标注别混对向远光灯局部过曝眩光吞目标被吞部分标可见区域停车场夜间5–20 lux静止车辆多注意遮挡和重叠提示如果数据集没有提供每张图的照度或曝光参数可以用图像平均亮度做粗略分层后续按层采样训练。2.2 标注规范夜间车辆框怎么画才不坑模型夜间标注最大的坑是“凭感觉画框”。白天车辆边界清晰夜间尾灯亮、车身暗标注员容易只框亮部或框到阴影里。我一般要求团队遵守三条规则第一以车辆物理轮廓为准不以亮度为准。哪怕车身暗到看不清只要轮胎接地位置和车顶轮廓可推断框就要覆盖完整车辆。第二眩光遮挡超过 50% 的目标标为“困难”或直接忽略不要强行标一个残缺框否则模型学到的是错误边界。第三尾灯和车牌不作为独立类别除非你的任务需要否则它们会干扰车辆整体检测。常见标注工具用 LabelImg、CVAT、Labelme 都行导出格式优先选 YOLO txt 或 COCO json。夜间数据建议额外加一个night属性字段方便后续做分层评测。2.3 从原始视频到训练集抽帧、去重、分层拿到夜间视频后不要逐帧抽。相邻帧几乎一样冗余会拖慢训练且造成过拟合。我一般用以下脚本做抽帧和去重import cv2 import os import imagehash from PIL import Image def extract_frames(video_path, out_dir, interval10, hash_threshold5): 按间隔抽帧并用感知哈希去重 interval: 每多少帧取一帧 hash_threshold: 哈希距离阈值越小越严格 os.makedirs(out_dir, exist_okTrue) cap cv2.VideoCapture(video_path) frame_idx 0 saved 0 hashes [] while True: ret, frame cap.read() if not ret: break if frame_idx % interval 0: img Image.fromarray(cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)) h imagehash.phash(img) # 与已保存帧比较距离太近则跳过 if all(h - prev hash_threshold for prev in hashes): hashes.append(h) cv2.imwrite(os.path.join(out_dir, fnight_{saved:06d}.jpg), frame) saved 1 frame_idx 1 cap.release() print(f保存 {saved} 帧原始 {frame_idx} 帧)逻辑说明interval控制抽帧密度夜间车辆运动慢10 帧取 1 通常够用hash_threshold控制去重强度值越大保留越多相似帧。参数建议城市道路用 interval5高速用 interval3hash_threshold 设 5–8太大会保留大量近似帧太小会丢掉渐变场景。抽完帧后做分层按平均亮度分“暗、中、亮”三档按有无眩光分两类保证训练集和验证集各层比例接近。别把所有暗图都扔训练集验证集全是大灯场景评测结果会骗你。3. 用 YOLO 系列训练夜间车辆检测参数怎么调才不崩3.1 数据格式转换VOC/COCO 转 YOLO 的四个边界坑夜间数据集常见格式是 VOC xml 或 COCO jsonYOLO 训练需要每张图对应一个 txt每行class_id x_center y_center w h全部归一化到 0–1。转换脚本网上一堆但夜间数据有四个坑坑一图像尺寸不一致。夜间数据集可能混了 1920×1080 和 1280×720归一化时要用各自宽高不能统一除一个值。坑二框越界。眩光导致标注框超出图像边界转换后坐标小于 0 或大于 1训练时直接报错。坑三空标注文件。有些夜间图确实没车但 YOLO 需要空 txt 表示负样本不能没有文件。坑四类别名大小写不一致。car和Car会被当成两类。import os import xml.etree.ElementTree as ET def voc_to_yolo(xml_dir, out_dir, classes): classes: 类别名列表顺序即 class_id os.makedirs(out_dir, exist_okTrue) 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() size root.find(size) w_img int(size.find(width).text) h_img int(size.find(height).text) lines [] for obj in root.findall(object): cls_name obj.find(name).text.strip() if cls_name not in classes: continue cls_id classes.index(cls_name) bbox obj.find(bndbox) x1 float(bbox.find(xmin).text) y1 float(bbox.find(ymin).text) x2 float(bbox.find(xmax).text) y2 float(bbox.find(ymax).text) # 裁剪越界坐标 x1, y1 max(0, x1), max(0, y1) x2, y2 min(w_img, x2), min(h_img, y2) if x2 x1 or y2 y1: continue x_c (x1 x2) / 2 / w_img y_c (y1 y2) / 2 / h_img w (x2 - x1) / w_img h (y2 - y1) / h_img lines.append(f{cls_id} {x_c:.6f} {y_c:.6f} {w:.6f} {h:.6f}) out_path os.path.join(out_dir, xml_file.replace(.xml, .txt)) with open(out_path, w) as f: f.write(\n.join(lines))参数说明classes顺序决定 class_id必须和训练 yaml 里的 names 一致坐标裁剪防止越界空 lines 会生成空文件正好作为负样本。3.2 夜间训练参数学习率、增强、锚框的夜间适配YOLO 默认超参是给白天 COCO 调的夜间车辆检测要改三处学习率夜间数据噪声大初始学习率建议从 0.01 降到 0.001–0.005否则前几个 epoch loss 震荡。用余弦退火最低到初始的 0.01 倍。数据增强HSV 增强要慎用。夜间图像本身饱和度低hsv_s调太大会把尾灯颜色改得面目全非。我一般设hsv_h0.015, hsv_s0.3, hsv_v0.4重点加mosaic0.5和mixup0.1但 mosaic 在夜间会把不同光照的图拼一起可能引入不真实边界建议训练后期关掉。锚框夜间车辆在画面中往往更小、更集中。用 k-means 重新聚类你的夜间数据集框尺寸替换默认 anchors。YOLOv8 及以上版本是 anchor-free可以跳过这步但 YOLOv5 必须做。# YOLOv8 训练示例 yolo detect train \ datanight_vehicle.yaml \ modelyolov8s.pt \ epochs100 \ imgsz640 \ batch16 \ lr00.003 \ lrf0.01 \ hsv_h0.015 \ hsv_s0.3 \ hsv_v0.4 \ mosaic0.5 \ mixup0.1 \ device0参数说明imgsz640是精度和速度的平衡点夜间小目标多可以上 1280但显存翻倍batch16根据显存调不够就降lr0是初始学习率夜间建议 0.001–0.005mosaic0.5表示 50% 概率做马赛克增强后期可设 0。3.3 评测夜间场景不能只看 mAP白天评测看 mAP0.5 够了夜间必须分层看。我一般把验证集按亮度分三档分别算 mAP 和召回率。如果暗档召回率比亮档低 20 个点以上说明模型对低照度不适应要么加暗场景数据要么在推理前做低光增强。另外夜间误检主要来自路灯、反光条、尾灯倒影。评测时单独统计这些类别的误检率如果高考虑在训练集中加负样本——把没有车的夜间路灯图作为背景图喂进去。# 分层评测伪代码 from ultralytics import YOLO model YOLO(runs/detect/train/weights/best.pt) results model.val(datanight_vehicle.yaml, splitval) # 按亮度分层统计需要自己写 dataset 子集 # 建议用 pandas 记录每张图的亮度、mAP、召回注意夜间评测的 ground truth 要复核一遍标注框在暗部是否准确直接影响你对模型的判断。4. 夜间车辆检测的避坑与排查5 个血泪教训4.1 坑一训练 loss 正常下降但夜间验证 mAP 极低现象训练集 loss 稳步降白天验证 mAP 0.85夜间验证只有 0.35。原因训练集和夜间验证集的光照分布不匹配模型学到的是白天纹理夜间特征没覆盖。解决检查训练集里夜间图占比至少 40% 以上用亮度分层采样保证暗场景不被亮场景淹没必要时对白天图做低光模拟增强。4.2 坑二模型把路灯当车误检集中在固定位置现象夜间推理时画面固定位置的路灯、反光标识被反复检成车辆。原因训练集中缺少这些负样本模型没见过“像车但不是车”的夜间干扰物。解决收集误检截图裁剪出干扰区域作为负样本加入训练集或者在推理后处理中加位置过滤但治本还是加数据。4.3 坑三标注框在暗部偏移模型学出“半辆车”检测器现象模型检测框只覆盖车灯附近车身暗部不框。原因标注时标注员只框了可见亮部模型学到的是“亮部车”。解决返工标注要求按物理轮廓框用红外或可见光融合数据辅助标注训练时加 cutout 增强强迫模型从部分可见推断整体。4.4 坑四增强开太猛尾灯颜色被改模型混淆刹车灯和路灯现象训练时 hsv_s 设太高尾灯红色被改成橙色甚至白色模型把路灯也检成车。原因HSV 增强过度改变了夜间关键判别特征。解决夜间数据 HSV 增强幅度减半hsv_s 不超过 0.3hsv_v 不超过 0.5或者改用亮度归一化代替颜色增强。4.5 坑五验证集全是简单夜间场景上线后崩在眩光画面现象验证集 mAP 0.8实际部署遇到对向远光灯就大量漏检。原因验证集没有覆盖眩光、雨夜、雾天等困难场景。解决验证集必须包含困难样本至少 20% 是眩光或低照度评测时单独算困难子集指标如果困难子集太差针对性补充训练数据。5. 夜间车辆检测的进阶技巧低光增强 多模态融合怎么落地如果你已经把基础夜间数据集跑通想再往上提精度两个方向最实在推理前低光增强和红外-可见光融合。低光增强不用上复杂网络先用 Gamma 校正 直方图均衡化做基线。Gamma 小于 1 提亮暗部但会放大噪声所以后面接一个非局部均值去噪。我一般用 OpenCV 做快速验证import cv2 import numpy as np def night_enhance(img, gamma0.6): gamma 1 提亮暗部 1 压暗 夜间建议 0.5–0.7 inv_gamma 1.0 / gamma table np.array([((i / 255.0) ** inv_gamma) * 255 for i in np.arange(0, 256)]).astype(uint8) enhanced cv2.LUT(img, table) # 去噪h 控制滤波强度 denoised cv2.fastNlMeansDenoisingColored(enhanced, None, 10, 10, 7, 21) return denoised参数说明gamma0.6适合大多数夜间道路太暗可以降到 0.5但噪声会明显fastNlMeansDenoisingColored的h10是滤波强度夜间噪声大可以到 15但会抹掉小目标细节。增强后重新跑检测对比 mAP 变化如果提升不到 2 个点说明模型本身已经适应不用加。多模态融合是更稳的路子。红外对热源敏感夜间车辆尾灯和发动机是强热源可见光提供纹理和颜色。常见做法是双流网络可见光和红外各走一个 backbone中间做特征融合。如果你不想改网络结构可以在输入层把红外图作为第四通道拼进去但需要红外-可见光配准的数据集。公开的夜间红外-可见光车辆数据集不多自己采集的话用带红外和 RGB 的双目相机标定后对齐。我自己的习惯是先跑通单模态夜间检测把数据标注和评测流程做扎实再考虑融合。因为融合带来的提升往往不如把夜间数据本身的质量提上去。标注准了、场景覆盖全了、评测分层了模型自然不瞎。希望帮到你。本文还有配套的精品资源点击获取