简介工程车辆检测是智慧工地与安全监控中的常见任务。这份数据集面向目标检测开发者提供挖掘机、叉车、装载机、压路机、混凝土运输车、卡车和工人共七个类别的标注图片图片总量五千零六十七张并同时提供VOC与YOLO两种格式的标注文件可直接用于常用目标检测模型的训练与验证。压缩包大小约三百二十一兆共两千个文件其中以xml格式标注为主另配有yolo格式的txt标签和使用前必读说明目录结构清晰便于按类别和图片编号检索。数据均经过整理图片与标注文件名一一对应便于科研与工程使用。已有五百八十六人浏览学习适合在工地安全巡查、工程车辆调度、事故预警等场景中开展检测算法实践也可作为智慧工地安全分析的基础数据集。1. 工程车辆检测数据集挖掘机叉车为什么比 COCO 更难搞在智慧工地和矿区安监里最难缠的不是人是挖掘机、叉车、推土机这些大家伙——COCO 的 80 类里基本没有工程机械用通用模型做工程车辆检测要么漏检要么把挖掘机认成卡车。这也是「挖掘机叉车工程车辆检测数据集 VOCYOLO 格式 5067 张 7 类别」这类资源存在的意义5067 张图配好了 VOCXML和 YOLOtxt两套标签拿到手解压、转换、校验就能直接喂给 YOLO 训练自己的数据集省掉一两个月的标注周期。适合谁做智慧工地、矿山安监、港口调度的算法工程师以及刚入门想跑通完整流程的新手。2. 先读懂这份 5067 张的 VOCYOLO 数据集目录结构与类别对齐2.1 解压后先看目录VOC 和 YOLO 两套标签各放在哪拿到这类 7z 压缩包我习惯先列目录别急着训练。7z 解压命令是固定的但两个参数容易踩坑7z x 挖掘机叉车工程车辆检测数据集VOCYOLO格式5067张7类别.7z -o./dataset -y-o指定输出目录注意-o后面不能有空格-y是自动覆盖。Windows 下如果文件名带中文且解压出来乱码追加-cp936指定代码页。解压完成后我看两样东西VOC 目录和 YOLO 目录是否存在两张图是否一一对应。VOC 格式通常长这样四个目录是标配目录/文件作用关键注意点Annotations每张图一个 XML存目标类别和 bndbox 坐标XML 可能未闭合解析前先做校验JPEGImages所有原图检查是否混入非 jpg 文件ImageSets/Maintrain.txt、val.txt写图片名不带扩展名行尾可能有空行脚本要 striplabelsYOLO 侧每张图一个 txt一行一个目标格式 class cx cy w h坐标是归一化浮点不是像素YOLO 侧的训练读取方式是目录模式images/train、images/val、labels/train、labels/val四个文件夹labels 里每个 txt 和 images 里 jpg 同名。我拿到压缩包后第一步会跑一条命令核对图片和标签数量是否对得上find dataset -name *.jpg | wc -l find dataset -name *.txt | wc -l注意不要把这个压缩包当黑匣子。两张图对应一个标签、某张图 XML 是 0 字节这类脏数据在原始数据集里屡见不鲜先统计再往下走。2.2 7 个类别怎么对齐类别名与编号是训练最容易翻车的地方VOC 的 XML 里写的是字符串类别名YOLO 的 txt 里写的是数字编号编号顺序完全由classes.txt决定。比如classes.txt第一行是 excavator、第二行是 forklift那 txt 里的0就是 excavator1就是 forklift。这类工程车辆数据集的 7 类常见组合是 excavator、forklift、bulldozer、wheel_loader、road_roller、crane、dump_truck但这个顺序必须以压缩包里的classes.txt为准不能想当然。翻车场景很典型有同学直接拿别人项目的classes.txt覆盖到自己数据集上最后叉车全识别成挖掘机——因为两边类名顺序不一样数字编号全局错位。这类错位训练时不报错验证时 mAP 看着也不低部署到现场才暴露。我一般打开classes.txt和任意一个 XML 对照看一眼30 秒能避免一次返工。如果压缩包里没带classes.txt就从 XML 里把类别名抽出来生成grep -ho name[^]*/name dataset/Annotations/*.xml | sort | uniq -c这条命令统计每个类别名出现的次数。排序用sort是字母序生成编号时不要直接用这个排序结果因为原作者可能按「首现顺序」编号。优先找包内的classes.txt找不到再按首现顺序手写映射表。2.3 5067 张图的底子分辨率、场景分布与标注边界判断在训练前我会用一段脚本批量读图统计分辨率分布这一步能提前暴露小目标问题import glob from PIL import Image paths glob.glob(dataset/images/train/*.jpg) sizes [] for p in paths: w, h Image.open(p).size sizes.append((w, h)) ws [s[0] for s in sizes] hs [s[1] for s in sizes] print(f样本数: {len(sizes)}) print(f宽度范围: {min(ws)} - {max(ws)}, 平均: {sum(ws)//len(ws)}) print(f高度范围: {min(hs)} - {max(hs)}, 平均: {sum(hs)//len(hs)}) small sum(1 for w, h in sizes if w 640 or h 640) print(f小于640x640的图片数: {small})这段脚本用 PIL 读取图片尺寸统计宽度和高度的最小值、最大值、平均值。为什么关心这个YOLO 训练时会把输入 resize 到imgsz默认 640。如果原图是 1920×1080而画面里的挖掘机只有 40×40 像素resize 之后目标被压到 13×13 像素属于典型小目标默认参数下检测率会明显偏低。影像分辨率低、目标占比小是这个方向最常见的数据短板。场景分布同样重要。看文件名前缀或者抽看 20 张图判断有没有夜间、扬尘、雨天画面。工地监控的特点是大量车互相遮挡、机械臂和车身形成长条形目标这类图占比越高数据质量越好如果全是空旷场地单台车摆拍训练出来的模型进现场基本废。标注边界也顺手查一下标注框是否紧贴目标边缘、有没有把机械臂截掉一半。截断类标注会让模型学错特征后面章节的校验脚本能把这部分量化出来。3. 把 VOC 标签转成 YOLO 训练格式转换脚本与坐标换算3.1 为什么必须转VOC 的左上右下与 YOLO 的归一化中心点VOC 的 XML 里bndbox给的是xmin、ymin、xmax、ymax即左上和右下两个点的绝对像素坐标。YOLO 格式要求每行输出五个浮点数类别编号、归一化中心点 x、归一化中心点 y、归一化宽、归一化高。换算公式固定x_center (xmin xmax) / 2 / image_width y_center (ymin ymax) / 2 / image_height box_width (xmax - xmin) / image_width box_height (ymax - ymin) / image_height分子是像素值分母是图片宽高算出来全是 0 到 1 之间的浮点数。为什么要归一化YOLO 会对输入图做 resize坐标必须跟着缩放用相对值才不会错位。转换时拿图片宽高优先从 XML 的size节点里读不要用 PIL 再读一遍——省 IO还能避免图片损坏时误判。有一点容易忽略YOLO 损失函数里的坐标损失算的是预测框和真值框的差异如果真值格式给错比如传了绝对像素值训练时 loss 会飙到几十甚至变成 nan。3.2 转换脚本从 XML 解析到 txt 落盘下面这段脚本是我常用的转换模板适配大多数 VOC 转 YOLO 的场景import os import xml.etree.ElementTree as ET # 配置区 voc_annotations_dir dataset/Annotations # 原始XML目录 yolo_labels_dir dataset/labels/train # 输出txt目录 classes_file dataset/classes.txt # 类别文件一行一个类名 os.makedirs(yolo_labels_dir, exist_okTrue) # 读取类别映射编号从0开始 with open(classes_file, r, encodingutf-8) as f: classes [line.strip() for line in f.readlines() if line.strip()] class2id {name: idx for idx, name in enumerate(classes)} def convert_xml(xml_path, out_txt_path): tree ET.parse(xml_path) root tree.getroot() # 优先取XML里的size节点 size root.find(size) img_w int(size.find(width).text) img_h int(size.find(height).text) lines [] for obj in root.findall(object): name obj.find(name).text if name not in class2id: print(f[WARN] {xml_path} 里出现未定义类别: {name}) continue bndbox obj.find(bndbox) xmin float(bndbox.find(xmin).text) ymin float(bndbox.find(ymin).text) xmax float(bndbox.find(xmax).text) ymax float(bndbox.find(ymax).text) # 合法性检查框宽高必须大于0 if xmax xmin or ymax ymin: print(f[WARN] {xml_path} 存在无效框跳过) continue # 归一化坐标并钳制到 [0,1] x_center ((xmin xmax) / 2) / img_w y_center ((ymin ymax) / 2) / img_h box_w (xmax - xmin) / img_w box_h (ymax - ymin) / img_h x_center min(max(x_center, 0.0), 1.0) y_center min(max(y_center, 0.0), 1.0) box_w min(max(box_w, 0.0), 1.0) box_h min(max(box_h, 0.0), 1.0) lines.append(f{class2id[name]} {x_center:.6f} {y_center:.6f} {box_w:.6f} {box_h:.6f}) # 落盘 with open(out_txt_path, w, encodingutf-8) as f: f.write(\n.join(lines)) xml_files [f for f in os.listdir(voc_annotations_dir) if f.endswith(.xml)] for xml_file in xml_files: xml_path os.path.join(voc_annotations_dir, xml_file) out_txt_path os.path.join(yolo_labels_dir, xml_file.replace(.xml, .txt)) convert_xml(xml_path, out_txt_path) print(f转换完成共处理 {len(xml_files)} 个XML文件)选择xml.etree.ElementTree而不是正则表达式是因为 XML 的属性顺序不固定标准库解析容错更好遇到未闭合标签时能定位到具体文件。脚本里有三个关键处理第一未定义类别直接跳过并打印警告避免把脏数据带进训练第二无效框xmax xmin 这类跳过这类框在标注软件里常见第三坐标钳制到[0,1]防止标注越界导致训练 loss 变成 nan。输出精度保留 6 位小数足够 YOLO 使用。3.3 三个必须调对的参数类别映射、坐标钳制、路径回填类别映射是第一个参数class2id从classes.txt读取编号从 0 开始和 txt 里每行开头的数字严格对应。写错不会报错只会静默错位——你看着训练正常推理时叉车全变挖掘机。第二个参数是坐标钳制的阈值上面代码里统一钳到[0,1]。有些转换脚本不钳制遇到标注出界的框归一化坐标会出现负值或大于 1YOLO 的损失函数在边界上梯度异常轻则 loss 震荡重则直接 nan。第三个参数是路径回填这是最容易忽略的有的 XML 里filename字段写着绝对路径或带../的相对路径。转换脚本不受影响但训练时 YOLO 按 txt 所在目录找图路径对不上就报 FileNotFoundError。血泪经验转换时把filename重写为纯文件名训练时统一用data.yaml里的path拼接。常见做法是转换后在data.yaml里写path: ./dataset train: images/train val: images/val names: [excavator, forklift, bulldozer, wheel_loader, road_roller, crane, dump_truck]names列表的顺序就是classes.txt的顺序两处必须一致。我一般转换完会随机选 5 个 txt人眼核对一遍坐标是否在合理范围再进入下一章。4. 训练前把标签校验一遍样本均衡与数据集划分4.1 标签审查脚本空 XML、未闭合标签、离谱框我不止一次见过训练跑两天后才发现数据集有问题的案例。现在固定流程是先跑一遍审查脚本把标签质量量化出来import os import xml.etree.ElementTree as ET ann_dir dataset/Annotations classes [excavator, forklift, bulldozer, wheel_loader, road_roller, crane, dump_truck] empty_xml, bad_box, unknown_cls 0, 0, 0 for fname in os.listdir(ann_dir): if not fname.endswith(.xml): continue path os.path.join(ann_dir, fname) try: tree ET.parse(path) except ET.ParseError: print(f[PARSE ERROR] {fname} 未闭合或编码错误) empty_xml 1 continue root tree.getroot() objs root.findall(object) if len(objs) 0: print(f[EMPTY] {fname} 没有任何标注目标) empty_xml 1 for obj in objs: name obj.find(name).text if name not in classes: print(f[UNKNOWN CLASS] {fname} - {name}) unknown_cls 1 continue bb obj.find(bndbox) xmin float(bb.find(xmin).text) ymin float(bb.find(ymin).text) xmax float(bb.find(xmax).text) ymax float(bb.find(ymax).text) if xmax xmin or ymax ymin: print(f[BAD BOX] {fname} 存在宽高为0的框) bad_box 1 print(f空XML/解析异常: {empty_xml}, 未定义类别: {unknown_cls}, 无效框: {bad_box})脚本做三件事XML 能否解析、有没有空标注、框坐标是否合法。ET.ParseError专门捕获未闭合标签这在标注软件意外退出时很常见训练时datasets加载会直接崩溃。空 XML 不删的话YOLO 会生成一个空 txt训练时该图被当作纯背景参与负样本计算单个还好数量多了会压制正样本。.7z解压后偶尔出现 0 字节文件多半是压缩包不完整或杀软拦截过源文件审查脚本能把这些全部找出来。4.2 样本均衡直方图7 个类每类多少框工程车辆数据集普遍存在类别不均衡挖掘机和叉车这类常见机械可能占了一半框压路机、起重机可能只有几十框。不均衡不会让训练崩溃但会让 mAP 虚高——多数类把整体指标拉上去少数类实际一塌糊涂。统计方式很简单数 labels 下每个 txt 的第一列import os from collections import Counter label_dir dataset/labels/train counter Counter() per_class_imgs Counter() for fname in os.listdir(label_dir): if not fname.endswith(.txt): continue path os.path.join(label_dir, fname) with open(path, r, encodingutf-8) as f: lines [line.strip() for line in f.readlines() if line.strip()] seen set() for line in lines: cls_id int(line.split()[0]) counter[cls_id] 1 seen.add(cls_id) for cls_id in seen: per_class_imgs[cls_id] 1 print(类别编号 - 框总数 / 包含该类的图片数) for cls_id in range(7): print(f{cls_id}: {counter[cls_id]} 框 / {per_class_imgs[cls_id]} 图)输出结果可以整理成一张表来看短板类别编号常见类名框数示例图片数示例0excavator221016301forklift184014202bulldozer6605103wheel_loader7204804road_roller3102605crane2802106dump_truck940730这张表是示例实际以你解压后的统计为准。看到某类只有两三百框时YOLO 的损失函数不会自动处理不均衡cls_loss会被多数类主导。常见做法是给少数类配class_weights或者在数据增强里对少数类样本重复采样。更简单直接的办法训练时把包含少数类的图片多复制一份到训练目录——这种做法粗暴但有效我用过不少次。4.3 训练/验证划分按图片不按框划分数据集是翻车重灾区。很多人图省事把 labels 下所有 txt 按比例随机分成两堆再把对应的图分出去。这是错的同一张图的不同框会被拆进训练集和验证集模型在训练时见过这张图验证时又拿同一张图的不同框算指标mAP 高到 0.98部署现场直接崩。正确做法是只按图片名划分import os import random from collections import Counter img_dir dataset/images train_imgs, val_imgs [], [] random.seed(42) # 收集所有图片名和它对应的主导类别 img_files [f for f in os.listdir(img_dir) if f.endswith(.jpg)] # 按文件名排序固定顺序避免随机波动 img_files.sort() val_count int(len(img_files) * 0.15) val_imgs set(random.sample(img_files, val_count)) train_imgs [f for f in img_files if f not in val_imgs] print(f训练集 {len(train_imgs)} 张, 验证集 {len(val_imgs)} 张) # 这里把 train_imgs / val_imgs 写入 train.txt / val.txt with open(train.txt, w) as f: f.write(\n.join(train_imgs)) with open(val.txt, w) as f: f.write(\n.join(val_imgs))random.seed(42)固定随机种子保证每次划分结果一致。val_count取 15% 是常规配置如果你的图有很强的场景差异——比如 10 段不同的工地视频——建议按视频段划分而不是按图片随机划。按文件名字典序排序后再采样能避免文件系统遍历顺序带来的偏差。划分完成后把train.txt和val.txt里的图片名逐个对应挪进images/train、images/val和labels/train、labels/val这样数据集结构完全对齐 YOLO 目录模式。5. 避坑VOCYOLO 工程车辆数据集使用中的 5 个翻车现场5.1 现象解压后路径带中文训练直接 PermissionError原因压缩包解压到桌面或带中文的目录Ultralytics 在读取时路径拼接出现编码问题Windows 下还会触发权限拒绝。解决解压时指定纯英文目标目录7z x 数据集.7z -o./engine_data -y-o后不空格。已经解压到中文目录的用 Python 批量改名迁移import os old_dir D:/数据集/工程车辆 new_dir D:/engine_data os.rename(old_dir, new_dir)改完确认new_dir下所有子目录可读。Linux 服务器上一般没这个问题但也要避免路径里有空格YOLO 的配置解析对空格处理不友好。5.2 现象类别编号错位叉车全部识别成挖掘机原因用了网上找的classes.txt行序和当前数据集的标注不一致。比如别人的classes.txt第一行是 forklift你的数据集里第一行是 excavator所有数字编号整体偏移。解决以压缩包自带的classes.txt为准打开逐个核对。若包内没有从 XML 里按类别名首现顺序生成不要按字母序。生成后跑一次 10 轮的 mini 训练在验证集上看混淆矩阵如果某一列特别集中而预测名和实际名正好是相邻编号基本就是编号错位。这个检查只需要半小时比部署后返工划算得多。5.3 现象训练 loss 变成 nan 或巨大负值原因归一化坐标出现负值或大于 1常见于标注越界的框。YOLO 的坐标损失在边界处梯度异常box_loss冲高后整个训练过程崩溃。另一种可能是某个类别在训练集中一张图都没有cls_loss计算时出现除零。解决训练前跑第 4 章的审查脚本把越界框钳制回[0,1]。同时确认 7 个类别在train.txt对应的 labels 里全部存在缺失类别会在 loss 曲线里表现为某个类的 precision 恒为 0。第一次训练时建议打开verboseTrue每轮看各类 AP比只看总 mAP 更能定位问题。5.4 现象验证 mAP 很高到夜间工地完全不能用原因数据集中白天占绝大多数夜间和扬尘场景很少。模型学到的是亮度统计特征而不是车辆结构换到夜间光照条件检测率直接腰斩。这是工程车辆检测数据集的常见短板监控场景的地域性极强一个数据集覆盖不了所有工地环境。解决先看验证集里有没有夜间样本没有就自己抽帧补。数据增强里把 HSV 扰动调大hsv_h0.02、hsv_s0.7、hsv_v0.6这类参数能让模型对光照更鲁棒。如果现场有固定摄像头最有效的是录 2 小时夜间视频抽几百帧标注后并入训练集。还有一个容易忽略的点mAP 是按类别平均的指标不是按场景平均的指标白天场景多夜间表现差也不会显著拉低 mAP因此要单独留一个夜间验证集。5.5 现象验证集和训练集有重复图片指标虚高原因原作者划分不规范或者数据集里本身存在重复图片、同一视频段的相似帧。相似帧之间高度相关模型在训练时见过几乎一样的画面验证时自然表现好。判断方法很直接训练完成后如果val mAP比train mAP还高——正常应该是验证集略低于或约等于训练集——优先怀疑数据泄漏。解决先对图片做 MD5 去重md5sum dataset/images/*.jpg | sort | awk {print $1} | uniq -c | sort -rn | head出现次数大于 1 的哈希值即重复图片按文件名删掉多余副本。相似帧用文件名前缀判断比如同一摄像头同一小时内的帧划验证集时按下发。这个坑我踩过现在任何数据集进来第 4 章的划分脚本和这里的去重是固定前置步骤。6. 从 YOLOv8 训练到验证跑通一次最小可行闭环6.1 训练命令与自检指标标签校验完成、目录结构正确之后直接进入训练。最小可行训练命令yolo detect train dataengine.yaml modelyolov8s.pt epochs80 imgsz640 batch16engine.yaml就是第 3 章写好的数据配置。显存不够把batch降到 8工程车辆在画面里占比小可以试imgsz960代价是训练和推理速度下降。训练完必看三个东西results.png里的val/box_loss曲线是否收敛、混淆矩阵是否对角分布、每个类别的 mAP50 是否有低于 0.6 的短板。6.2 部署前的小样本实测别只看 mAP。拿一段没进过数据集的值班室监控视频跑yolo predict数三样东西漏检数、误检数、单帧耗时。如果目标在 640 分辨率下小于 32×32考虑切图或换更大imgsz。上 TensorRT 时int8 量化对工程车辆这类小目标损失明显先跑一个 FP16 engine 对比再决定是否做 int8。我自己曾跳过校验直接训练白跑两天才发现是坐标没归一化现在固定先跑一遍第 4 章的审查再开训练。希望帮到你。本文还有配套的精品资源点击获取