企业官网建设流程全解析

简介：面向智慧城市市容巡检场景的街道涂鸦、垃圾、故障路灯等目标检测数据集，已按VOC与YOLO两种格式整理，适合训练目标检测模型。资源涵盖19263张图片对应的标注，共11个类别，覆盖涂鸦、垃圾堆放、故障路灯等常见市容问题，可用于街道环境卫生监测、市容问题自动发现等应用。需特别留意的是，数据集中超过一半为增强图片（由4张拼接而成），下载前请先查看预览图确认符合需求。压缩包共2000个文件，以XML标注文件为主，含1999个XML和1个使用说明TXT，其中XML对应Pascal VOC格式、TXT对应YOLO格式，整体约978.91MB。目前已有225人学习下载。资源内标注组织清晰，可直接用于相应检测框架训练，免去格式转换时间，适合从事城市管理、AI巡检算法开发的工程师与学生使用。

1. 智慧城市街道涂鸦垃圾故障路灯市容检测数据集：为什么19263张双格式数据值得动手

市政巡检员每天处理大量巡街照片，问题对象很杂：墙上涂鸦、街边成堆垃圾、故障路灯、破损井盖……每一项都单独建模型，成本高且难以维护。智慧城市街道涂鸦垃圾故障路灯市容检测数据集这类方案，就是把常见市容问题收进一个11类别、19263张的监督训练集合，同时给出Pascal VOC和YOLO两种标注格式。它解决的是智慧城市视觉落地里最现实的问题：有没有现成、干净、数量够的数据让你把检测模型先跑起来。适合谁用？做市政AI的算法工程师、搞智慧城市视觉终端的开发者、做城市管理课题的学生，都能拿这份数据直接练手，不用自己在街景图上慢慢画框。全文围绕“怎么打开它、怎么转格式、怎么避坑、怎么训练验证”展开，中间会有可直接复制的脚本和相关参数说明。

2. VOC与YOLO双格式到底存了什么：目录结构、XML字段与归一化坐标换算

拿到这类数据集压缩包，很多人的第一反应是直接解压扔进训练脚本。但市容检测数据里，Pascal VOC和YOLO格式的标注互不相同，训练框架的读取方式也不一样，先花十分钟把两种格式看清楚，后面能省半天排错时间。

2.1 两种格式并存的取舍：Pascal VOC的老牌标注与YOLO的现代训练

Pascal VOC是目标检测领域的老牌标注协议。它用一个XML文件描述每张图片里的对象：文件名、图片来源、图像宽高，以及每个目标的类别和边界框坐标（左上角xmin、ymin，右下角xmax、ymax）。公开数据集像早期的VOC2007、VOC2012，都是这套结构，很多老工具链也默认读它。YOLO格式则完全不同，每个标注是一行文本“类别id x_center y_center width height”，坐标全部对图片宽高做了归一化，取值在0到1之间。YOLO系列训练脚本用的是这种紧凑格式。

双格式并存的现实意义在于兼容两种工作流：你习惯了LabelImg的VOC交互，就用XML做二次修正；你要用YOLOv5、YOLOv8直接训练，就拿TXT格式省掉转换。另外，YOLO格式损失了目标属性信息，VOC格式则便于人工阅读和审核。对市容场景来说，涂鸦位置是否标全、垃圾袋是否漏标，用XML肉眼复查更直观，所以发布到开源社区的数据集往往保留VOC为“母版”，再生成YOLO副产物。

2.2 解压后先看目录结构：确认图片与标注的对应关系

拿到“.7z”压缩包，第一步是解压并列出目录树。Windows下用7-Zip，Linux下用p7zip，命令很简单。解压后应能看到类似下面的组织方式：

7z x 智慧城市街道涂鸦垃圾故障路灯市容检测数据集VOC+YOLO格式19263张11类别.7z -o./street_dataset cd ./street_dataset tree -L 2

典型数据布局会是三个平级区域：JPEGImages或images放图片，Annotations或VOC/Annotations放VOC的XML文件，YOLOLabels或labels放YOLO的TXT文件。再往下可能还有ImageSets/Main存训练验证划分的txt，索引里每行写不带扩展名的图片名。看到这个结构后请先做一个动作：统计三种文件数量是否对得上。

这里有个常见问题：有些压缩包只给图片和标注，不给划分文件，需要自己按比例随机分出训练集、验证集。我一般不建议直接拿全部数据训练，因为智慧城市场景里同一街道多次拍摄会产生相似样本，不划分就评估，mAP会虚高，后面做部署对比时容易被质疑。

2.3 YOLO标注归一化坐标换算：从XML里的像素到txt里的比例

VOC和YOLO之间最关键的技术点，是坐标从“像素绝对坐标”换算成“归一化相对坐标”。比如一张1920×1080的街景图，XML里记录一个涂鸦框是“xmin=520, ymin=300, xmax=980, ymax=760”，对应YOLO的四个数必须这样算：x_center=(520+980)/2/1920≈0.3906，y_center=(300+760)/2/1080≈0.4907，width=(980-520)/1920≈0.2396，height=(760-300)/1080≈0.4259。

很多人在自己写的转换脚本里翻车，就是忽略了宽高必须除以原始图片尺寸，而不是除以缩放后的尺寸。市容照片来自不同设备，有可能是4032×3024的手机原图，也有可能是1920×1080的监控截图，若脚本不读每张图的真实宽高，而统一用某个固定值，生成的TXT全部错位。所以下一步的转换脚本里，第一步永远是打开XML，读<size>节点的width和height，而不是对图片文件做假设。

import xml.etree.ElementTree as ET xml_path = "Annotations/street_001.xml" tree = ET.parse(xml_path) root = tree.getroot() # 从XML的size节点获取真实宽高，这是归一化的分母 img_width = int(root.find("size/width").text) img_height = int(root.find("size/height").text) for obj in root.findall("object"): class_name = obj.find("name").text 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) # 归一化：中心点坐标除以宽高，宽高同样除以宽高 x_center = (xmin + xmax) / 2.0 / img_width y_center = (ymin + ymax) / 2.0 / img_height box_width = (xmax - xmin) / img_width box_height = (ymax - ymin) / img_height print(class_name, round(x_center, 6), round(y_center, 6), round(box_width, 6), round(box_height, 6))

这段代码验证了VOC到YOLO的换算过程。注意所有除法都用了浮点数，Python 3里单个斜杠就是真除法，不会取整。如果是在Python 2环境或不小心用了整数除法，1/2会得到0，坐标全部失常，这是踩坑重灾区。

另外要说明的是：归一化后的坐标允许略超出0到1范围。当目标被图片边缘截断时，xmin为负或xmax超出图片宽度，计算后会出现负值或大于1的值。YOLO训练脚本通常能容忍轻微越界，但当框严重越出画面（比如目标只有5%在图像内），我一般建议直接过滤掉，因为这类残缺样本会让模型学到奇怪的纹理，对市容场景的涂鸦检测收益很低。

3. 从VOC转YOLO：转换脚本与四个边界坑

很多框架只吃YOLO格式，所以拿到VOC标注后，最常做的就是批量转格式。这个过程看起来是把上面的单条逻辑包一层循环，但实际落地时至少有四个边界坑会让人折腾一晚上。这一章直接给出我常用的转换脚本和参数细节。

3.1 转换前先体检：统计11个类别的框数量与图片数量

写转换脚本之前，先对数据集整体做一次体检。市容检测数据集的难点常在类别极端不均衡：有些类别可能有一万多个框，有的类别只有一两百个框。不做统计直接转换，训练后稀有类别几乎不可用。

import os import xml.etree.ElementTree as ET from collections import Counter anno_dir = "Annotations" counter = Counter() image_names = [] for xml_file in os.listdir(anno_dir): if not xml_file.endswith(".xml"): continue tree = ET.parse(os.path.join(anno_dir, xml_file)) root = tree.getroot() image_names.append(root.find("filename").text) for obj in root.findall("object"): counter[obj.find("name").text] += 1 print("统计到图片数:", len(image_names)) print("各类别框数:", counter.most_common())

统计结果出来后做两件事：第一，确认类别名是否和你的训练配置一致。比如某个类叫“Litter_Trash”，另一个叫“litter_trash”，在OCR里看着正常，但YOLO会把它们当成两个类，id错位，训练指标直接失真。市容数据因为采集周期长、标注人员不同，大小写不一致、下划线和空格混用的情况很常见，建议转换时统一做一次类别映射。第二，观察类别分布。若发现严重长尾分布，后面训练阶段就要考虑样本均衡策略，这一点我会在第四章展开。

3.2 VOC XML转YOLO TXT的核心脚本

体检通过之后，按下述脚本批量转换。脚本设计成一个函数，输入VOC目录、YOLO输出目录和类别映射表，输出每张图片对应的TXT文件。

import os import cv2 import xml.etree.ElementTree as ET # 类别映射表：按训练需求固定id顺序，不要依赖字母序 CLASS_MAP = { "Graffiti": 0, "Litter": 1, "TrashBag": 2, "GarbageBinFull": 3, "FaultyStreetlight": 4, "DamagedManholeCover": 5, "IllegalPoster": 6, "RoadSpillage": 7, "OccupiedSidewalk": 8, "OverflowingDustbin": 9, "VendorStall": 10, } def voc_to_yolo(anno_dir, img_dir, out_dir): os.makedirs(out_dir, exist_ok=True) for xml_file in os.listdir(anno_dir): if not xml_file.endswith(".xml"): continue xml_path = os.path.join(anno_dir, xml_file) tree = ET.parse(xml_path) root = tree.getroot() img_path = os.path.join(img_dir, root.find("filename").text) # 用OpenCV读取图片尺寸，XML里的宽高如果缺失时可以兜底 h, w = cv2.imread(img_path).shape[:2] lines = [] for obj in root.findall("object"): name = obj.find("name").text if name not in CLASS_MAP: print(f"跳过未映射类别: {name} in {xml_file}") 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) # 过滤严重越界框：完全在画面外或宽高为负 if xmax <= xmin or ymax <= ymin: continue cx = (xmin + xmax) / 2.0 / w cy = (ymin + ymax) / 2.0 / h bw = (xmax - xmin) / w bh = (ymax - ymin) / h lines.append(f"{CLASS_MAP[name]} {cx:.6f} {cy:.6f} {bw:.6f} {bh:.6f}") out_name = os.path.splitext(xml_file)[0] + ".txt" with open(os.path.join(out_dir, out_name), "w") as f: f.write("\n".join(lines)) voc_to_yolo("Annotations", "JPEGImages", "YOLOLabels")

这套脚本有几个关键点。第一，类别映射表是手工写的，不是自动从XML里收集的，目的是保证id顺序稳定。YOLO训练时类别id从0开始连续编号，class文件里第几行就对应id几。如果你用自动收集然后排序，下次换一台机器或者数据集更新类，id可能全变，模型就得重新训练。第二，用OpenCV读图片尺寸，比直接读XML里的size字段更可靠，因为部分标注工具生成的XML里宽高是错的，甚至缺失。第三，过滤了宽高异常的框。市容数据里，特别远的垃圾袋经常被标成几个像素的小框，这种框既没意义又干扰损失函数。

转换完成后，务必抽检。随机打开几个TXT文件，用可视化脚本把框画回图上检查，不要只看数值。标注框偏移一到两个像素肉眼看不出来，但归一化到小分辨率训练时，偏移可能被放大成明显的错位。

3.3 脚本参数说明：类别id、图片尺寸与输出目录

上述脚本有四个参数需要重点关注。

• 类别映射表CLASS_MAP：必须与训练用data.yaml的顺序完全一致。如果data.yaml写“Graffiti”在第二个位置，而映射表把Graffiti编为0，训练出来的类别就全部错位。
• 图片尺寸读取方式：脚本用了OpenCV的imread，它会按原图分辨率读取。但注意，如果图片有EXIF旋转信息，OpenCV默认不会自动矫正方向，某些手机拍摄的街景图会被倒置，导致框错位。解决方式是用cv2.imread(..., cv2.IMREAD_IGNORE_ORIENTATION)强制不应用旋转，并在标注阶段就确认方向一致。
• 输出目录out_dir：建议转换到独立的labels目录，不要直接在原始目录上改动。保留VOC原文件，出现问题有“后悔药”可吃，这也是我多年做数据集的基本习惯。
• 文本精度：{:.6f}保留了6位小数。对1920宽的图片，6位小数对应约0.002像素精度，完全够用。有人习惯保留8位，没必要，反而让TXT文件变大，训练读取时字符串解析更慢。

3.4 四个边界坑：空标注、截断目标、非矩形框、中文路径

转换不是跑通就完事，边界情况才是数据质量的分水岭。

第一个边界坑是空标注。市容巡检中经常出现首尾帧图片里没有任何问题目标，但XML文件依然存在，只是没有<object>节点。转换脚本会产生一个空TXT文件，YOLO训练时遇空标签默认跳过该图。问题在于，若验证集里空图过多，评估时会引入偏差，建议单独把它们挑出来，要么从训练集剔除，要么标注成背景类别。

第二个边界坑是截断目标。街景图片里涂鸦经常被电线杆、车辆遮挡，标注框会延伸到画面外。处理方式有两种：一是将越界框裁剪回图像边界，二是直接过滤。我一直用过滤加保留混合策略：保留越界比例低于10%的框，并且让脚本把坐标clip到[0,1]区间，保证训练不崩。

第三个边界坑是非矩形框。涂鸦形状不规则，标注工具若输出polygon格式，很多转换脚本会直接报错，或强行取外接矩形。取外接矩形会引入大量背景，涂鸦本来就细长，背景一多模型容易误检。做法是把多边形顶点放进XML的<polygon>节点，转换时按最小外接矩形处理，同时记住该框是复杂目标，后续训练可配合高IOU阈值。

第四个边界坑是中文路径。开源数据集的标注文件里嵌着中文文件名，Windows下用脚本遍历时，编码如果不对，cv2.imread会返回None，紧接着取shape时就抛异常。解决办法是在脚本开头设置os.environ["PYTHONIOENCODING"] = "utf-8"，或者统一先重命名文件为拼音加编号。这条属于经典“玄学Bug”，排查半小时后才意识到是编码问题。

4. 11类别数据怎么用：类别体系、样本均衡与训练集划分

市容检测数据集和通用目标检测数据集有个显著区别：类别语义高度重叠。垃圾桶满溢和路边垃圾袋，在视觉上边界模糊；涂鸦和非法小广告在颜色、纹理上也很接近。这些重叠会让模型在验证集上表现尚可，一上真实街道就露馅。所以动手训练前必须明确类别体系，并做好样本均衡处理。

4.1 类别体系设计：涂鸦、垃圾、故障路灯与市容杂项

先按市容问题类型把11个类别归组。第一类是涂鸦类，包含墙体喷绘涂鸦，特点是颜色鲜艳、边缘锐利、形状不规则；第二类是垃圾类，包含散落垃圾、袋装垃圾、垃圾桶满溢，特点是纹理杂乱、尺度跨度大，远看一个像素点，近看一大片；第三类是设施故障类，包含故障路灯、破损井盖，特点是暗光环境下对比度低；第四类是市容杂项类，包含违规小广告、占道经营、道路遗撒等，特点是类别间视觉特征极易混淆。

我在实操时第一步不是急着写训练脚本，而是把每张图片的类别标签打印出来，逐类做语义边界定义。比如“Litter”（散落垃圾）和“RoadSpillage”（道路遗撒），前者强调人为丢弃的废弃物，后者强调车辆运输中掉落的物品。边界定义好之后写进一个CLASS.md文件，将来新增标注数据或换标注外包时，这份文件就是标准答案。

4.2 训练/验证集划分：随机划分的脚本与种子固定

没有现成划分文件时，按8:2随机划分训练集和验证集。但必须固定随机种子，否则每次运行结果不同，同一张图忽而在训练集忽而在验证集，没法对比实验。

import os import random from sklearn.model_selection import train_test_split random.seed(42) image_files = [f for f in os.listdir("JPEGImages") if f.endswith(".jpg")] train_files, val_files = train_test_split(image_files, test_size=0.2, random_state=42) with open("train.txt", "w") as f: for name in train_files: f.write(os.path.join("JPEGImages", name) + "\n") with open("val.txt", "w") as f: for name in val_files: f.write(os.path.join("JPEGImages", name) + "\n") print(f"训练集 {len(train_files)} 张，验证集 {len(val_files)} 张")

划分之后还要做一次类别分布校验：分别统计训练集和验证集里各类别框的数量，尽量让比例接近。如果验证集里“故障路灯”只有两个框，验证mAP的置信区间就会过宽，偶然性太大。发现比例不对时不要硬改随机种子，直接把稀有类别的样本手动放进训练集，再从其他类别里随机补齐验证集。

4.3 样本均衡策略：欠采样与数据增强的边界

长尾分布是市容数据集的常态。涂鸦、垃圾袋这类高频类别动辄几千框，破损井盖可能只有一两百框。直接训练会让模型倾向于把未知目标预测成高频类别，这属于目标检测里最常见的“翻车”模式。

常用做法分两步。第一步是图像的欠采样，控制高频类别的图片数量，让它不超过稀有类别图片数量的五倍。第二步是稀有类别的针对性增强，包括随机旋转、亮度扰动、Mosaic拼接。但注意，市容场景有强先验方向，涂鸦和垃圾不被倒置，旋转增强的角度范围应控制在正负30度以内，全角度旋转会违背“街道方向固定”的物理常识，反而降低真实场景精度。

如果评估下来模型对稀有类别还是无感，可以降低损失函数里正样本权重，或者在损失函数设计上给稀有类别更高的loss权重。YOLOv8的默认配置里没有直接的类别权重参数，但可以修改loss.py或者用采样器调整图片权重。这条要根据框架版本灵活处理，不要照抄网上的教条。

5. 避坑清单：训练这个数据集最容易翻车的5个检查点

把19263张数据真正跑起来之后，回看整个过程，坑其实不在模型结构，而在数据集本身的细节。下面五条是我做市容检测时实打实踩过的坑，按“现象→原因→解决”列出来，希望能帮你少走弯路。

现象一：训练loss正常下降，但验证集mAP始终在0.3附近徘徊。原因：类别映射表顺序与data.yaml不一致，导致验证时预测框类别id对不上，计算mAP全是错配。解决：训练前打印前10张图片的标签TXT内容，和data.yaml里class的顺序逐行校对。

现象二：训练卡死在某个epoch，报错提示“Image not found”。原因：XML里filename字段写了相对路径，但实际图片文件名带有中文或空格，Windows下路径拼接失败。解决：统一重命名图片为纯数字编号，同时更新XML里的filename节点。

现象三：某些类别检测精度极高，某些类别完全检不出。原因：训练时没做类别均衡，稀有类别样本数不足。解决：参考第4.3节，做欠采样加定向增强，并检查数据增强是否破坏图像语义。

现象四：验证集mAP很高，但部署到现场摄像头效果很差。原因：训练集和验证集来自同一批次街道照片，时间接近、光线相似，模型学的是场景匹配而不是目标特征。解决：用不同时间段、不同街道的照片做外部验证集，把内部验证集mAP当作参考值，不当作上线指标。

现象五：转换后的YOLO标签大量出现“nan”。原因：图片尺寸读取异常，cv2.imread返回None，宽高变成None，除法产生nan。解决：在转换脚本里加一个检查，读不到图片就直接打印文件名，单独排查，不要通过批量逻辑掩盖。

这五条几乎覆盖了从数据预处理到模型评估的完整链路。很多时候不是模型调参不够，而是数据管线的某个细节在捣鬼。保持怀疑态度，遇到底层指标异常，优先怀疑数据链路。

6. 跑通收尾：YOLOv8最小训练命令与mAP验证技巧

最后一步，用YOLOv8把转换好的数据集跑起来。这里给出最小可行的训练方案，并对关键参数做说明，适合快速验证数据集质量。

pip install ultralytics yolo detect train \ data=street.yaml \ model=yolov8s.pt \ epochs=50 \ imgsz=640 \ batch=16 \ lr0=0.01 \ seed=42

其中street.yaml需要指向你的图片目录和标签目录：

train: ./train.txt val: ./val.txt nc: 11 names: [Graffiti, Litter, TrashBag, GarbageBinFull, FaultyStreetlight, DamagedManholeCover, IllegalPoster, RoadSpillage, OccupiedSidewalk, OverflowingDustbin, VendorStall]

跑完50个epoch后，保存最优权重，用验证集评估。命令行会输出mAP50和mAP50-95，这两个数字不是终点。我更习惯翻出验证集的混淆矩阵，看看哪些类别在互相“打架”。如果涂鸦和非法小广告高度混淆，说明类别定义过细或标注本身有分歧，这时候改模型结构没用，回去统一标准才是正道。

最后一个血泪经验：训练完在测试集上可视化预测结果时，不要只看检测出目标的图，多翻翻漏检图。YOLO在明亮光照下的涂鸦识别效果通常不错，但晚上昏暗街道上的故障路灯、被树叶遮挡的垃圾，是模型最容易漏掉的两个场景。如果这两类在你的业务里重要，我建议对训练集做亮度扰动增强，并单独收集夜间数据进行微调。

这个方向的“验证”也不该停在mAP数字上。把模型接上GStreamer管道推流测试，在真实街道视频上的稳定性和误报率才是最终标准。项目做到这里，你会深刻体会到数据集质量对最终效果的决定作用——这也是我做智慧城市项目最深的教训，数据标注的歧义和类别边界模糊，比模型结构带来的影响大得多。希望这些经验对你有用，按这个路径走一遍，你也能在这个方向上少踩几个坑。

本文还有配套的精品资源，点击获取