简介这份汽车轮胎识别数据集面向计算机视觉初学者、目标检测开发者及需要快速验证算法效果的工程师解决轮胎目标检测任务中样本采集与标注耗时的问题。资源包共1915个文件以957张jpg图像与957个同名txt标注文件为主另含1个yaml配置文件整体约24.83MB标注格式可直接对接YOLOv8训练流程yaml文件用于声明类别与路径省去手动整理目录的步骤。数据集包含837张训练图覆盖多种轮胎外观与拍摄角度官方给出识别率达99.5%可作为模型微调、迁移学习或课堂实验的起点。已有654人学习下载说明其在同类数据集中具备一定参考价值。读者可获得开箱即用的图像与标签配对、清晰的目录结构以及可直接运行的配置说明便于快速复现高精度检测效果并在此基础上扩展自己的轮胎检测应用。1. 汽车轮胎识别数据集837张图、99.5%识别率背后的真实门槛你拿到一个标注好的汽车轮胎识别数据集837张训练图宣称识别率99.5%标注格式直接兼容 YOLOv8。第一反应大概率是这么小的数据集这么高的精度是不是有什么猫腻我一开始也这么想。但实际拆开看轮胎这个目标有它的特殊性——纹理重复、形状固定、背景干扰相对可控837张精标图确实有可能把验证集精度推到很高。问题不在于数字真假而在于你拿它做什么是跑通一个 demo还是部署到产线做实时检测还是想基于它做二次标注和模型改进。这篇文章面向的是手里已经有这个数据集、或者正在评估要不要用类似数据集的人。我会把从数据检查、YOLOv8 训练、参数调优到部署前验证的完整路径拆开讲重点说清楚 99.5% 在什么条件下成立、换场景后掉多少、以及怎么用最小成本验证它能不能扛住你的实际需求。2. 拿到数据集先别急着训练837张图的分布检查与格式校验2.1 为什么小数据集的高精度反而更值得警惕837张图在目标检测里属于小样本。YOLOv8 在 COCO 上动辄几十万张图迁移到轮胎这种单一类别小样本确实能出高精度但前提是训练集和验证集的分布高度一致。如果验证集就是从同一批连续拍摄的图片里随机切出来的那 99.5% 只能说明模型记住了这批图的拍摄条件换一个光照、换一个轮胎品牌、换一个拍摄角度精度可能直接掉到 70% 以下。我一般拿到这类数据集第一件事不是写训练脚本而是把图片按拍摄场景、光照条件、轮胎类型做一次人工分组然后检查训练集和验证集是否覆盖了所有组。如果验证集里全是晴天正面照训练集里也是那这个 99.5% 就是“同分布精度”不是“泛化精度”。常见做法是用图片的 EXIF 信息、文件名前缀或者简单的聚类工具做初步分组。轮胎数据集尤其要注意同一辆车的四个轮胎如果被拆到训练集和验证集模型实际上是在“背答案”。正确的切分应该以车辆或拍摄批次为单位而不是以单张图片为单位。2.2 用脚本检查 YOLOv8 标注格式的四个关键点YOLOv8 的标注格式是每张图对应一个同名 .txt 文件每行格式为class_id x_center y_center width height所有坐标都是归一化到 0-1 之间的浮点数。拿到数据集后先跑一遍格式校验别等到训练报错才回头查。import os import numpy as np from pathlib import Path def validate_yolo_labels(img_dir, label_dir, num_classes1): 检查 YOLOv8 标注文件的四个常见问题 1. 坐标是否越界0 或 1 2. 宽高是否为 0 或负数 3. 类别 ID 是否超出预设范围 4. 图片和标注文件是否一一对应 img_dir Path(img_dir) label_dir Path(label_dir) issues [] img_files {f.stem for f in img_dir.glob(*.jpg)} | {f.stem for f in img_dir.glob(*.png)} label_files {f.stem for f in label_dir.glob(*.txt)} # 检查一一对应 missing_labels img_files - label_files missing_imgs label_files - img_files if missing_labels: issues.append(f缺少标注文件的图片: {len(missing_labels)} 张示例: {list(missing_labels)[:3]}) if missing_imgs: issues.append(f缺少图片的标注文件: {len(missing_imgs)} 个示例: {list(missing_imgs)[:3]}) # 逐文件检查坐标和类别 for lbl_path in label_dir.glob(*.txt): with open(lbl_path, r) as f: lines f.readlines() for line_no, line in enumerate(lines, 1): parts line.strip().split() if len(parts) ! 5: issues.append(f{lbl_path.name} 第{line_no}行: 字段数{len(parts)}应为5) continue cls_id int(parts[0]) coords np.array([float(x) for x in parts[1:]]) if cls_id 0 or cls_id num_classes: issues.append(f{lbl_path.name} 第{line_no}行: 类别ID{cls_id} 超出范围) if np.any(coords 0) or np.any(coords 1): issues.append(f{lbl_path.name} 第{line_no}行: 坐标越界 {coords}) if coords[2] 0 or coords[3] 0: issues.append(f{lbl_path.name} 第{line_no}行: 宽高非正 {coords[2:]}) return issues # 使用示例 issues validate_yolo_labels(dataset/images/train, dataset/labels/train, num_classes1) for issue in issues[:20]: print(issue) print(f共发现 {len(issues)} 个问题)这段脚本覆盖了四个最容易翻车的点图片和标注文件不匹配、字段数不对、类别 ID 越界、坐标越界或宽高为零。参数num_classes根据你的数据集类别数设置轮胎检测通常是 1 类。如果输出问题数超过总标注行数的 1%建议先修复再训练否则 YOLOv8 在数据加载阶段会直接跳过这些样本你看到的训练集大小会缩水。2.3 用 YOLOv8 自带命令做一次数据可视化抽查格式校验通过后别急着跑训练。YOLOv8 的yolo命令行工具支持直接对数据集做可视化检查把标注框画到图片上肉眼确认框的位置和大小是否合理。# 假设目录结构为 dataset/images/train 和 dataset/labels/train # 先创建一个 data.yaml 指向你的数据集 cat tire_data.yaml EOF path: ./dataset train: images/train val: images/val nc: 1 names: [tire] EOF # 用 YOLOv8 的 predict 模式做可视化抽查需要先安装 ultralytics yolo predict modelyolov8n.pt sourcedataset/images/train imgsz640 conf0.25 saveTrue这条命令会用预训练的 yolov8n 模型对训练集图片做推理并把结果保存到runs/detect/predict/目录。注意这里不是用你的数据集训练而是用 COCO 预训练模型做一次“外部视角”检查——如果预训练模型能在你的图片上框出轮胎说明图片本身的目标特征明显如果预训练模型完全找不到轮胎说明你的拍摄角度或光照可能过于特殊后续训练需要更多数据增强。参数conf0.25是置信度阈值调低可以看到更多候选框调高则只看高置信度结果。3. YOLOv8 训练轮胎检测模型从环境配置到第一轮收敛3.1 环境配置的版本选择与显卡适配YOLOv8 的环境配置不算复杂但版本兼容性有几个坑。截至我最近一次实操比较稳的组合是 Python 3.9 或 3.10、PyTorch 2.0、CUDA 11.8 或 12.1。如果你用的是 GTX 1660 Ti 这类不带 Tensor Core 的显卡训练速度会明显慢于 RTX 30/40 系列但跑 837 张图的小数据集完全够用。安装命令如下# 创建虚拟环境 conda create -n tire_yolo python3.10 -y conda activate tire_yolo # 安装 PyTorch根据你的 CUDA 版本选择 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 # 安装 ultralytics pip install ultralytics # 验证安装 yolo checksyolo checks会输出当前环境的关键信息PyTorch 版本、CUDA 是否可用、GPU 型号。如果 CUDA 显示不可用先检查显卡驱动版本是否匹配。GTX 1660 Ti 在 CUDA 11.8 下通常没问题但如果驱动太旧可能需要先更新驱动。另一个常见问题是内存不足——837 张图在 640 分辨率下训练显存占用大约 4-6GB6GB 显存的卡刚好够用如果报 OOM把batch降到 8 或 4。3.2 用命令行和 Python 脚本两种方式启动训练YOLOv8 支持命令行和 Python 脚本两种训练方式。命令行适合快速试跑Python 脚本适合做参数扫描和自定义回调。先看命令行方式yolo detect train \ datatire_data.yaml \ modelyolov8n.pt \ epochs100 \ imgsz640 \ batch16 \ lr00.01 \ patience20 \ device0 \ projectruns/tire \ nameexp1关键参数说明modelyolov8n.pt表示从 COCO 预训练权重开始迁移学习这对小数据集非常重要——从头训练几乎不可能收敛到高精度。epochs100是上限实际训练中如果验证集损失连续 20 轮不下降patience20会提前停止。lr00.01是初始学习率YOLOv8 默认用 SGD 优化器这个值对小数据集偏大如果第一轮 loss 就爆炸降到 0.001。imgsz640是输入分辨率轮胎检测通常不需要太高640 够用如果轮胎在图中占比很小可以提到 1280但显存和训练时间会翻倍。Python 脚本方式更适合做实验管理from ultralytics import YOLO # 加载预训练模型 model YOLO(yolov8n.pt) # 开始训练 results model.train( datatire_data.yaml, epochs100, imgsz640, batch16, lr00.01, patience20, device0, projectruns/tire, nameexp1, # 数据增强参数 hsv_h0.015, # 色调增强幅度 hsv_s0.7, # 饱和度增强幅度 hsv_v0.4, # 亮度增强幅度 degrees10.0, # 随机旋转角度 translate0.1, # 随机平移比例 scale0.5, # 随机缩放比例 fliplr0.5, # 水平翻转概率 mosaic1.0, # Mosaic 增强概率 )数据增强参数是轮胎检测的关键。轮胎纹理重复度高模型容易过拟合到特定纹理hsv_h、hsv_s、hsv_v分别控制色调、饱和度、亮度的扰动幅度适当调大可以让模型对光照变化更鲁棒。degrees10.0允许图片随机旋转 ±10 度模拟不同拍摄角度。mosaic1.0是 YOLOv8 默认开启的增强把四张图拼成一张对小数据集特别有效但如果你的轮胎目标尺寸差异很大Mosaic 可能引入不合理的尺度变化可以降到 0.5。3.3 训练日志怎么看损失曲线和 mAP 的四个观察点训练启动后控制台会输出每轮的 box_loss、cls_loss、dfl_loss 和 mAP 指标。第一个观察点是 box_loss 是否稳定下降——如果前 10 轮 box_loss 不降反升说明学习率太大或标注有问题。第二个观察点是 cls_loss轮胎只有一类cls_loss 应该很快降到接近 0如果一直很高检查类别 ID 是否设置正确。第三个观察点是 mAP50 和 mAP50-95 的差距mAP50 高但 mAP50-95 低说明框的位置不够准可能需要调整dfl_loss的权重或增加定位精度相关的增强。第四个观察点是验证集 loss 和训练集 loss 的差距如果验证集 loss 在 30 轮后开始上升而训练集 loss 还在降就是过拟合了需要提前停止或增加增强。YOLOv8 训练结束后会在runs/tire/exp1/下生成results.csv和weights/best.pt。results.csv可以用 pandas 读取画损失曲线import pandas as pd import matplotlib.pyplot as plt df pd.read_csv(runs/tire/exp1/results.csv) df.columns df.columns.str.strip() # 列名可能带空格 fig, axes plt.subplots(1, 2, figsize(12, 4)) axes[0].plot(df[epoch], df[train/box_loss], labeltrain box_loss) axes[0].plot(df[epoch], df[val/box_loss], labelval box_loss) axes[0].set_xlabel(epoch) axes[0].set_ylabel(box_loss) axes[0].legend() axes[1].plot(df[epoch], df[metrics/mAP50(B)], labelmAP50) axes[1].plot(df[epoch], df[metrics/mAP50-95(B)], labelmAP50-95) axes[1].set_xlabel(epoch) axes[1].set_ylabel(mAP) axes[1].legend() plt.tight_layout() plt.savefig(training_curves.png, dpi150)这段代码画出训练集和验证集的 box_loss 曲线以及 mAP50 和 mAP50-95 曲线。重点看验证集 box_loss 是否在某个 epoch 后开始上升以及 mAP50-95 是否还在提升。如果 mAP50 已经到 0.99 但 mAP50-95 只有 0.7说明模型能找到轮胎但框不够紧这时候可以尝试降低学习率再 fine-tune 几轮。4. 99.5% 识别率怎么复现验证集切分、置信度阈值与推理参数4.1 验证集切分方式对精度数字的影响99.5% 这个数字如果验证集是从训练集里随机切 20% 出来的那它反映的是同分布精度。要复现这个数字你需要确保验证集的切分方式和数据集提供方一致。常见做法是用train_test_split按 8:2 切分但轮胎数据集更合理的做法是按拍摄批次切分——同一辆车的图片要么全在训练集要么全在验证集。如果你拿到的是已经切分好的数据集先检查images/train和images/val的文件名是否有规律比如car01_tire1.jpg和car01_tire2.jpg被分到了不同集合那就是切分泄漏。复现 99.5% 的另一个关键是推理时的置信度阈值。YOLOv8 默认conf0.25但计算 mAP 时用的是所有预测框和真实框的匹配结果不受conf影响。如果你在推理时把conf设得很高比如 0.9那只有高置信度的框会被保留精度看起来会更高但召回率会下降。99.5% 通常指的是 mAP50 或 mAP50-95不是推理精度。要验证这个数字用model.val()跑一遍验证集from ultralytics import YOLO model YOLO(runs/tire/exp1/weights/best.pt) metrics model.val(datatire_data.yaml, imgsz640, batch16) print(fmAP50: {metrics.box.map50:.4f}) print(fmAP50-95: {metrics.box.map:.4f}) print(f每类精度: {metrics.box.ap50})metrics.box.map50就是 mAP50metrics.box.map是 mAP50-95。如果这两个数字和数据集宣称的 99.5% 差距很大先检查验证集路径是否正确、图片是否被正确加载。YOLOv8 的val模式会自动处理图片尺寸和归一化不需要额外预处理。4.2 置信度阈值和 NMS 参数对实际识别率的影响训练完模型后实际部署时的识别率受推理参数影响很大。YOLOv8 推理时有三个关键参数conf置信度阈值、iouNMS 的 IoU 阈值、max_det每张图最大检测数。轮胎检测通常一张图里轮胎数量不多max_det默认 300 够用。conf和iou需要根据你的场景调。from ultralytics import YOLO model YOLO(runs/tire/exp1/weights/best.pt) # 不同 conf 阈值下的推理结果对比 for conf_thres in [0.25, 0.5, 0.75, 0.9]: results model.predict( sourcedataset/images/val, confconf_thres, iou0.45, imgsz640, saveFalse, verboseFalse, ) total_boxes sum(len(r.boxes) for r in results) print(fconf{conf_thres}: 总检测框数{total_boxes})这段代码遍历不同的conf阈值统计验证集上的总检测框数。conf从 0.25 提到 0.9检测框数会大幅下降。如果你的场景要求“宁可漏检不可误检”把conf设高如果要求“宁可误检不可漏检”把conf设低。iou0.45是 NMS 的默认值如果同一张图里轮胎挨得很近NMS 可能把相邻轮胎的框合并这时候把iou提到 0.6 或 0.7让 NMS 更宽松。4.3 用混淆矩阵和 PR 曲线定位漏检和误检YOLOv8 的val模式支持输出混淆矩阵和 PR 曲线这对分析 99.5% 背后的漏检和误检很有用yolo detect val \ modelruns/tire/exp1/weights/best.pt \ datatire_data.yaml \ imgsz640 \ plotsTrue \ save_jsonTrueplotsTrue会在输出目录生成confusion_matrix.png、PR_curve.png、F1_curve.png等文件。混淆矩阵的横轴是预测类别纵轴是真实类别对角线是正确分类非对角线是误分类。轮胎只有一类所以混淆矩阵是 2x2背景和轮胎重点看背景被误判为轮胎的比例误检和轮胎被误判为背景的比例漏检。PR 曲线展示不同置信度阈值下的精度和召回率权衡曲线下的面积就是 AP。如果 PR 曲线在低召回率区域精度很高但高召回率区域精度骤降说明模型对难样本的检测能力不足需要补充难样本或调整增强策略。5. 轮胎检测落地避坑从训练到部署的五个血泪教训5.1 坑一验证集精度 99.5%换场景后掉到 60%现象在数据集自带的验证集上 mAP50 达到 0.995但拿手机在停车场拍几张照片模型几乎框不出轮胎。原因验证集和训练集来自同一批拍摄数据光照、角度、背景高度一致。模型学到的是“这批图的轮胎特征”不是“轮胎的通用特征”。解决在训练集中加入不同光照、不同角度、不同背景的轮胎图片至少覆盖晴天、阴天、室内三种光照正面、侧面、俯视三种角度。如果无法补充数据用更强的数据增强hsv_v0.6、degrees30.0、translate0.2、scale0.7并在推理时用 TTA测试时增强。5.2 坑二标注框不贴合轮胎边缘mAP50-95 上不去现象mAP50 很高但 mAP50-95 只有 0.6 左右模型能找到轮胎但框的位置偏大或偏小。原因标注时框住了轮胎加轮毂或者只框了轮胎的一部分。YOLOv8 的 mAP50-95 对框的精度要求很高框不贴合会直接拉低这个指标。解决重新检查标注确保框只包含轮胎橡胶部分不包含轮毂和地面。如果标注已经无法修改在训练时降低dfl_loss的权重或者用box损失中的 CIoU 替代默认的 DFL但 YOLOv8 不直接支持改损失函数更实际的做法是接受 mAP50-95 偏低部署时用 mAP50 作为主要指标。5.3 坑三GTX 1660 Ti 训练到一半 OOM现象训练到第 30 轮左右显存突然爆了报CUDA out of memory。原因YOLOv8 的 Mosaic 增强在训练过程中会动态拼接图片某些批次的拼接结果尺寸较大导致显存峰值超过 6GB。另外如果batch16在 640 分辨率下刚好卡在显存边缘训练中期缓存碎片化也会触发 OOM。解决把batch降到 8或者开启ampTrue自动混合精度YOLOv8 默认开启 AMP但如果你的 PyTorch 版本不匹配AMP 可能没生效。检查yolo checks输出中的 AMP 状态。另一个办法是设置cacheFalse不要把所有图片缓存到内存减少内存压力。5.4 坑四推理时轮胎被重复检测同一位置多个框现象一张图里一个轮胎被框了 3-4 次框的位置略有差异。原因NMS 的iou阈值设得太高或者模型对同一目标的多个特征响应没有抑制。轮胎纹理重复模型可能在轮胎的不同区域都产生高置信度预测。解决降低iou阈值到 0.3-0.4让 NMS 更激进地合并重叠框。如果降低iou后仍然重复检查训练时是否用了fliplr0.5和mosaic1.0这些增强可能让模型学到重复模式。尝试关闭 Mosaicmosaic0.0重新训练一轮对比效果。5.5 坑五部署到 RK3588 后推理速度不达标现象在 PC 上推理一张图 20ms部署到 RK3588 后变成 200ms达不到实时要求。原因RK3588 的 NPU 对 YOLOv8 的支持需要模型转换直接跑 PyTorch 模型用的是 CPU速度慢。另外RK3588 的 NPU 对某些算子不支持会回退到 CPU 执行。解决用 RKNN-Toolkit2 把 YOLOv8 模型转成 RKNN 格式转换时注意mean和std的设置要和训练时一致。转换脚本大致如下from rknn.api import RKNN rknn RKNN() rknn.config( mean_values[[0, 0, 0]], std_values[[255, 255, 255]], target_platformrk3588, ) rknn.load_onnx(modelbest.onnx) rknn.build(do_quantizationTrue, datasetquant_dataset.txt) rknn.export_rknn(best.rknn)do_quantizationTrue开启量化能大幅提升 NPU 推理速度但可能损失少量精度。quant_dataset.txt是量化校准数据集从训练集里随机抽 100-200 张图即可。转换完成后用 RKNN 的推理接口跑一遍验证集对比量化前后的 mAP 差异如果掉点超过 2%考虑用混合量化或增加校准数据。6. 把 837 张图用出 8370 张的效果小数据集轮胎检测的进阶技巧小数据集做轮胎检测核心矛盾是数据量不够。837 张图训练一个 YOLOv8n 模型参数量 300 万左右理论上需要至少 5000-10000 张图才能充分发挥模型容量。但实际中通过几个技巧可以把小数据集的潜力榨干。第一个技巧是用预训练模型做特征提取只训练检测头。YOLOv8 的yolov8n.pt在 COCO 上预训练过骨干网络已经学到了通用的边缘、纹理特征。训练时冻结骨干网络的前几层只训练检测头和部分高层特征可以显著减少过拟合。在 YOLOv8 中可以通过freeze参数实现model.train( datatire_data.yaml, epochs100, freeze10, # 冻结前 10 层 lr00.001, # 冻结后学习率可以小一点 )freeze10表示冻结模型的前 10 层具体层数需要根据模型结构调。YOLOv8n 总共约 130 层冻结前 10 层相当于冻结了浅层特征提取部分。冻结后训练速度会加快显存占用也会降低适合小数据集快速迭代。第二个技巧是用伪标签扩充数据。先用 837 张图训练一个初始模型然后用这个模型对未标注的轮胎图片做推理把高置信度的预测框作为伪标签加入训练集。伪标签的质量取决于初始模型的精度如果初始模型 mAP50 已经到 0.9 以上伪标签的噪声可控。具体流程from ultralytics import YOLO import os model YOLO(runs/tire/exp1/weights/best.pt) # 对未标注图片做推理保存伪标签 results model.predict( sourceunlabeled_images/, conf0.7, # 只保留高置信度预测 save_txtTrue, save_confTrue, projectpseudo_labels, nameround1, ) # 把伪标签和原训练集合并重新训练 # 注意伪标签的图片路径和标注路径需要按 YOLOv8 格式组织conf0.7是伪标签的置信度门槛设得太低会引入噪声设得太高则伪标签数量太少。一般建议先用 0.7 跑一轮看伪标签数量如果太少降到 0.5如果噪声明显人工抽查几张就提到 0.8。伪标签训练通常能带来 1-3 个点的 mAP 提升但前提是初始模型已经比较可靠。第三个技巧是用测试时增强TTA提升推理精度。TTA 在推理时对同一张图做多种变换翻转、缩放、旋转分别推理后合并结果。YOLOv8 支持 TTAresults model.predict( sourcedataset/images/val, augmentTrue, # 开启 TTA conf0.25, iou0.45, )augmentTrue会启用 TTA推理时间增加约 3-5 倍但 mAP 通常能提升 1-2 个点。如果部署环境对延迟不敏感TTA 是免费的性能提升。注意 TTA 只适合验证和离线推理实时部署不建议开。最后一个技巧是用模型集成。训练多个不同初始化或不同数据增强的 YOLOv8 模型推理时把它们的预测框合并再做 NMS。模型集成能稳定提升 2-4 个点但推理成本翻倍。如果 99.5% 还不够集成两个模型通常能到 99.7% 以上但边际收益递减需要权衡是否值得。我自己做轮胎检测项目时最深的教训是不要迷信验证集上的数字。有一次我拿一个 mAP50 0.99 的模型去现场跑结果因为现场光照是侧逆光轮胎边缘过曝模型直接漏检了 30% 的轮胎。后来在训练集里补了 50 张侧逆光图片重新训练一轮现场漏检率降到 5% 以下。数据集的 837 张图是起点不是终点真正决定落地效果的是你的场景覆盖度。希望帮到你。本文还有配套的精品资源点击获取