企业官网建设流程全解析

简介：基于CUHK Occlusion Dataset整理的行人检测数据集，面向目标检测学习者与研究者，已完成YOLO格式的训练集与验证集划分，并同时提供YOLO和VOC两种标注格式，可直接用于YOLO系列模型训练、验证及效果对比。压缩包共2000个文件，主要包括jpg图像、txt标注、xml标注等类型，包体约315.63MB；其中jpg为遮挡场景下的行人图像，txt为YOLO格式的标签文件，xml为VOC格式的标签文件，满足不同检测框架或脚本的数据读取要求，也便于用户根据自己的项目需要灵活选用。目前已有593人学习下载。内容上，除完整数据集和双格式标注外，还附带了参数化编程思路清晰、注释详尽的辅助说明与代码，方便调整批次大小、类别数量、输入尺寸等训练参数，并可参考作者对数据划分、路径配置和格式转换的处理经验；适用于计算机、电子信息工程、数学等专业学生的课程设计、期末大作业与毕业设计，对有遮挡行人检测、模型微调或数据格式转换需求的读者尤其有参考价值。

1. 遮挡场景行人检测：2125张标注图像里的边界情况

在目标检测任务里，密集人群中的相互遮挡一直是漏检率最高的场景——两个重叠的行人经常被模型合并成一个框，甚至置信度低的那一个直接被NMS阈值干掉。CUHK Occlusion Dataset这个行人数据集，收集的就是这类遮挡样本，2125张图像全部带yolo和VOC两种格式的标注文件，train/val划分也已经做好，解压之后可以直接喂给yolo跑训练。这个数据集的量不算大，但它的价值在于专门炮制“难例”：适合做yolo目标检测课程设计、期末大作业，也适合想验证自己的yolo改进算法（比如改进NMS、换注意力模块）能不能扛住遮挡场景的工程师。下面直接拆文件结构、标签格式和训练配置。

2. 从VOC的XML到YOLO的txt：标注格式的血缘关系

2.1 两种格式的字段映射

解压压缩包后，Annotations目录里是VOC格式的XML文件，labels目录里是yolo格式的txt文件。先打开一个XML看一下核心结构，文件名和压缩包里的资源描述一致，比如set00_set06-occ_309.xml：

<annotation> <folder>JPEGImages</folder> <filename>set00_set06-occ_309.jpg</filename> <size> <width>640</width> <height>480</height> <depth>3</depth> </size> <object> <name>person</name> <bndbox> <xmin>120</xmin> <ymin>80</ymin> <xmax>310</xmax> <ymax>350</ymax> </bndbox> </object> </annotation>

这里只有person一个类别，所以name字段始终是person；bndbox里存的是绝对像素坐标，左上角是(xmin, ymin)，右下角是(xmax, ymax)。每一对<object>标签对应图像里的一个行人目标，遮挡样本里同一张图会有多个object，并且它们的框互相重叠。

对应的yolo格式txt内容长这样：

0 0.335938 0.447917 0.296875 0.562500

五个字段含义分别是：class_id、x_center、y_center、width、height。第一个0是类别索引，因为只有person一类，所以所有行的第一个字段都是0；后面四个值全部是归一化坐标，范围在0到1之间。

2.2 为什么yolo要做归一化而不是直接用绝对坐标

VOC里存绝对像素坐标，yolo里存归一化坐标，这不是风格差异，而是训练机制决定的。yolo在训练时会把输入图像resize到一个固定尺寸（比如640x640），不同原始分辨率的图像被拉伸或填充后，如果用绝对坐标，所有标注框的位置和大小都要跟着重新计算；而归一化坐标是相对图像宽高的比例值，resize前后保持不变，省掉了这一层换算。

提示：归一化的另一个好处是让不同分辨率的图像在标注层面可比。CUHK Occlusion Dataset里图像分辨率不完全一致，存绝对坐标的话，标注数值的分布会被图像尺寸干扰，模型的回归头学起来会更吃力。

2.3 写一个VOC转YOLO的Python脚本

格式转换的逻辑和边界情况可以通过一段脚本说清楚：

import xml.etree.ElementTree as ET import os def voc_to_yolo(xml_path, output_dir): tree = ET.parse(xml_path) root = tree.getroot() img_w = int(root.find('size/width').text) img_h = int(root.find('size/height').text) yolo_lines = [] for obj in root.iter('object'): cls_id = 0 # 本数据集只有person一类，索引固定为0 xmin = float(obj.find('bndbox/xmin').text) ymin = float(obj.find('bndbox/ymin').text) xmax = float(obj.find('bndbox/xmax').text) ymax = float(obj.find('bndbox/ymax').text) 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 yolo_lines.append( f"{cls_id} {x_center:.6f} {y_center:.6f} {box_w:.6f} {box_h:.6f}" ) base = os.path.splitext(os.path.basename(xml_path))[0] with open(os.path.join(output_dir, base + '.txt'), 'w') as f: f.write('\n'.join(yolo_lines))

逻辑说明：root.find('size/width')取的是原始图像宽度，必须用原图的宽高，不能用resize后的值；x_center先取像素中心的平均值，再除以图宽得到归一化坐标，box_w是框宽的像素值除以图宽。四个坐标值保留6位小数，yolo训练脚本是读字符串后转float的，保留位数太少会导致框回归的目标值被截断，训练时box_loss降不下去。

提示：如果转换后txt里的坐标出现负数或大于1的值，说明XML里的标注框越界了，或者原图宽高读的是resize后的值。yolo训练遇到这种标签会直接跳过对应图像，表现就是loss正常但mAP始终很低。

2.4 YOLO转VOC：反向转换的一个关键细节

反过来把txt转成XML时，最容易踩的坑是坐标越界。yolo的归一化值乘回图像宽高后，x_center + width/2计算出的xmax可能超过图像宽度，贴近图像边缘的目标尤其容易出现。转换时要加一个clamp操作：

def clamp_to_bounds(value, low, high): return max(low, min(value, high))

这个压缩包自带的标签本身是配对的，一般不需要自己转格式。但如果后续用LabelImg增补了样本，导出的XML和原有yolo标签混在一起，这个转换函数就能派上用场。

2.5 标签字段对照速查

3. 数据集划分与yolo训练配置

3.1 解压后的目录结构整理

压缩包里的图像和标签目录结构需要整理成yolo训练框架能够识别的标准布局。以yolov5/yolov8工程为例，建议整理成如下结构：

dataset/ ├── images/ │ ├── train/ # 训练集图像 │ └── val/ # 验证集图像 ├── labels/ │ ├── train/ # 训练集标签（txt） │ └── val/ # 验证集标签（txt） └── data.yaml

资源描述里提到“做好了yolo格式数据集的训练和划分”，说明train/val的划分结果已包含在压缩包中。需要注意一个硬性约束：图像文件与标签文件必须同名，set00_set06-occ_309.jpg对应的标签必须是set00_set06-occ_309.txt，扩展名不同，前面的文件名主体要完全一致，多一个字符或少一个字符都会导致训练脚本跳过该样本。

3.2 data.yaml的写法与参数坑

在数据集根目录下创建data.yaml：

train: ./images/train val: ./images/val nc: 1 names: ['person']

• train和val的路径建议写成绝对路径。训练脚本的工作目录经常与数据集不在同一级，相对路径会触发AssertionError: train: ... does not exist，排查这个问题比训练本身更浪费时间。
• nc是类别数，本数据集只有person一类，必须写1。写大了不会立刻报错，但训练时如果遇到txt中不存在的类别索引，会在dataloader阶段崩溃。
• names列表的索引顺序必须和标注文件里的第一个字段对应。这里names[0]是person，而所有txt里第一个字段都是0，两者匹配才正确。

3.3 用yolov8启动训练

这里以yolov8为例，因为它的命令行接口最简洁，数据格式兼容yolo格式的标签：

yolo train data=data.yaml model=yolov8n.pt epochs=100 batch=16 imgsz=640

参数在这个场景下的取舍逻辑：

• model=yolov8n.pt表示加载nano版本的预训练权重。2100多张的样本量对参数量较大的模型来说很容易过拟合，用nano做迁移学习，收敛速度和最终精度更均衡；等验证集mAP涨不动了，再换yolov8s.pt对比一次即可。
• imgsz=640是该数据集的合理选择。图像源分辨率不高，640的输入尺寸既能保留遮挡区域的细节，又不至于因letterbox填充过多空白区域。
• batch=16依赖单卡显存，8GB显存建议降到8，否则会在第一个epoch因OOM中断。

3.4 训练日志中的关键指标

训练过程中的标准输出：

Epoch GPU_mem box_loss cls_loss dfl_loss Instances Size 99 3.1G 0.7812 0 0.6255 4 640

box_loss是定位损失，cls_loss几乎为0，因为只有一类且大部分图像的标签数量不多。dfl_loss是yolov8的分布焦点损失，控制框边界预测的质量。每个epoch结束后还会输出mAP50和mAP50-95两项指标，其中mAP50是对遮挡目标最敏感的指标——IoU阈值0.5在重度遮挡下已经算宽松，这个值上不去，说明模型根本没学到遮挡目标的特征。

提示：如果训练到20个epoch时box_loss仍在0.9以上不降，优先检查标签坐标而不是调超参数。从val集里随机抽三张图，把txt坐标还原成像素框画在原图上，看看框是否贴合行人轮廓。

4. 遮挡行人场景的训练难点与调优策略

4.1 标签框重叠带来的训练信号冲突

CUHK Occlusion Dataset的特点在名字里就写了：occlusion。两张标签框的面积交并比明显高于普通街景数据集，这意味着：

• 分类分支没问题，模型需要识别出“这里有人”。
• 回归分支的挑战在于两个重叠框的中心点可能非常接近，特征图上同一个位置要输出两个差异很大的框尺寸。
• NMS阶段，两个置信度都比较高的重叠框，会在后处理时被合并掉一个，导致漏检。

训练这个数据集，本质是在调教模型处理“目标不完整但必须识别”的边界情况。

4.2 推理阶段NMS参数针对性调整

训练完成后做预测，默认的iou=0.45对遮挡场景过于激进。两个行人的框IoU超过0.45时，后处理会认为它们是同一个目标，直接丢弃置信度较低的那个。调整方式：

yolo predict model=runs/detect/train/weights/best.pt source=val/images iou=0.3 conf=0.2

把NMS的IoU阈值降到0.3，两个重叠框被合并的门槛变高，同时保留它们的机会变大。代价是误检会增加，需要再通过conf阈值来平衡。conf=0.2属于较低的置信度门槛，风格是“宁可多检不可漏检”，适合行人检测这种漏检代价高的场景。

4.3 数据增强的参数选择

yolov8默认开启mosaic、scale、flip等增强策略，针对遮挡数据集需要做两处调整：

还有一个容易被忽略的增强手段是copy-paste：把一张图中的行人裁剪后随机粘贴到另一张图上，人为制造更多遮挡组合。这个功能在yolov8里默认关闭，开启方式是在训练参数里加copy_paste=0.3。

4.4 预训练模型 vs 从头训练

COCO预训练权重里已经有person类别的特征响应，用它做初始权重比随机初始化收敛快得多，而且val的mAP上限更高。COCO里包含大量完整行人的样本，预训练权重对行人整体的纹理、形状先验是有积累的；这个数据集的微调目标是在“被挡住一半甚至只露出头肩”的条件下唤醒这些特征。

如果换用model=''从头训练，在2125张图上通常要跑到250个epoch以上才能接近预训练权重的效果，且结果不稳定，不同随机种子下的mAP波动可能超过5个点。这里的数据量决定了迁移学习是更稳的选择。

4.5 验证效果时用什么指标判断调优生效

用model.val()拿到mAP50、mAP50-95和precision/recall之后，额外关注一个容易忽略的数字：recall。遮挡场景下，模型宁可多框出来几个候选也不要漏人，所以调优的目标不应该是“mAP最大”，而应该是在mAP50下降不超过2个点的前提下，把recall拉上去。每次改动NMS阈值、增强策略或损失权重后，都跑一遍val()，记录recall数值。

5. 推理验证与常见报错排查

5.1 对验证集做逐张推理

训练阶段看到的mAP是批量统计的结果，遮挡样本的表现还要落在具体图像上看。写一个推理脚本，对验证集里的所有图像逐张输出检测结果，同时打印置信度分布：

from ultralytics import YOLO model = YOLO('runs/detect/train/weights/best.pt') results = model.predict( source='dataset/images/val', conf=0.2, iou=0.3, save=True, save_txt=True ) conf_values = [] for r in results: for b in r.boxes: conf_values.append(float(b.conf[0])) print(f"检测框数量: {len(conf_values)}") print(f"置信度均值: {sum(conf_values)/len(conf_values):.3f}") print(f"置信度最小值: {min(conf_values):.3f}")

这段代码的作用是量化检测结果的分布特征。如果置信度均值在0.5以下，说明大部分预测框都处于模棱两可的状态，模型对遮挡目标的特征学习还不够；如果小于0.2的预测框数量占比超过20%，说明背景误检偏多，需要回调conf或者加数据清洗。

5.2 标签格式引发的两类典型报错

第一类是图像与标签数量对不上。解压后的压缩包里如果混入了未标注的图像，yolo训练时不会主动跳过，而会在loss计算阶段报一条指向空列表的索引错误。处理方式是用脚本核对：images目录的jpeg数量应当等于labels目录的txt数量。

第二类是标签内容与yaml配置不匹配。比如某个txt文件里出现了1开头的行，而nc: 1，训练会在数据加载阶段直接崩溃，报错信息里会带上label ... is out of bounds的字样。遇到这种问题，不要急着改yaml的nc值，先定位是哪个文件的行首数字超过了本数据集的唯一类别0。

5.3 框太小训练不收敛的补救

CUHK Occlusion Dataset中的部分样本，行人距离远导致目标框面积占整张图的比例极小。yolo对这类小目标的回归能力天然偏弱，补救方案是调低输入图像resize时的降采样倍数，或者将imgsz从640提到960。框在特征图上占据的像素变多，回归头能学到的东西才会变多。显存不够时，优先降低batch而不是降imgsz。

5.4 保存推理结果到本地

save=True会把带预测框的图像输出到runs/detect/predict目录，但遮挡场景的对比还需要原始标注框叠加的效果，这时利用压缩包里的VOC格式XML：

python draw_gt.py --xml Annotations --img JPEGImages --out gt_vis

把XML还原成方框画在原图上，再与yolo预测输出对比，能直观看出哪些遮挡目标被漏检，是NMS阈值压制的问题，还是模型在训练时就没有拟合到该样本。这个环节在翻车排查时最省时间，不用盲改参数。

本文还有配套的精品资源，点击获取