简介面向夜间车辆检测的YOLO专用数据集内含5000张真实场景高清图片覆盖多种夜间道路环境。所有图像均由LabelImg工具标注同时整理为VOC、COCO、YOLO三种格式的标签按文件夹分类存放可直接接入YOLO系列模型训练省去手动标注与格式转换的重复工作。资源包共2000个文件绝大多数为1986个XML标签文件另有6个HTML教程、5个TXT说明及3个Python划分脚本压缩包约209MB。随包附带YOLO环境搭建覆盖Windows与Linux和训练案例教程并配有训练集、验证集、测试集划分脚本可灵活调整数据分配内容预览中还涉及Ubuntu安装、ImageSets生成等辅助说明适合从环境配置到模型训练完整走通流程的开发者。目前已有448人学习下载。1. 夜间车辆检测卡住多数人的不是模型而是数据做夜间车辆检测的从业者几乎都经历过同一个场景白天训练出来的 YOLO 模型 mAP 能到 0.85一换到夜间测试集直接掉到 0.5 以下漏检、误检、框抖动全来了。问题很少出在模型结构上而是出在训练数据根本没有覆盖夜间的真实分布——暗光、车灯过曝、路面反光、远光灯眩光这些在公开白天数据集里几乎不存在。所以当看到一份名为“YOLO夜间车辆检测数据集(含5000张图片)对应voc、coco和yolo三种格式标签划分脚本训练教程.rar”的资源时核心价值不在 5000 张图本身而在它同时解决了三件事夜间样本从哪来、标签格式怎么对齐、以及训练流程怎么跑通。这篇文章围绕这三件事展开适合正在做智能交通、安防监控或夜间辅助驾驶检测且手头缺少有效夜间样本的工程师。我会把三种格式的标签关系、划分脚本的用法、训练参数的选择和踩坑记录逐一讲清楚这些都是可以直接复现的实操内容。2. 夜间场景为什么让检测模型集体翻车从数据分布说起2.1 白天模型到了晚上精度掉一半问题出在哪夜间图像和白天图像在像素分布上是两种完全不同的数据分布。白天图像光照均匀目标与背景的对比度主要靠物体本身的反射率差异而夜间图像里车辆头灯和尾灯成为画面中最亮的高光区域车身反而淹没在暗部。用 YOLO 训练时模型学到的是“车灯即车辆”这种强相关特征而不是完整的车辆轮廓。这就是为什么夜间模型经常把远处两盏路灯误检成汽车或者把一辆开着远光灯的车识别成两个目标。还有一个更隐蔽的问题夜间图像的噪声水平远高于白天。ISO 拉高带来的彩色噪点、传感器暗电流导致的固定模式噪声都会让特征提取器在前几层卷积里把噪声当作有效纹理。白天数据集里这类噪声占比极低模型从未见过这种输入分布推理时特征图的激活值分布和训练时差异巨大表现为置信度普遍偏低、边界框回归不稳定。数据增强能缓解一部分问题比如随机亮度扰动、高斯噪声、马赛克增强但增强只是对白天图像做模拟处理无法真正还原夜间成像的光学特性——车灯的光晕扩散、眩光导致的局部过曝、暗部细节的压缩曲线这些只能靠真实夜间样本。这正是 5000 张夜间图片的核心价值它们把模型的输入分布从“模拟夜间”拉回“真实夜间”。2.2 VOC、COCO、YOLO三种标签格式的关系与转换拿到这份资源后第一个要理解的是三种标签格式的差异。VOC 格式以 XML 文件存储一个图片对应一个 XML坐标是 xmin/ymin/xmax/ymax 的绝对像素值COCO 格式把整个数据集的标注汇总到一个 JSON 文件里用 segmentation 多边形加 bbox 数组描述目标坐标同样是绝对像素YOLO 格式则是一个图片对应一个 txt 文件每行是“类别id x_center y_center width height”后四个值全部除以图片宽高做了归一化。三种格式之间的关系并不是平行的而是层层转换。通常原始标注从 VOC 起步因为 XML 可读性好、人工标注工具直接导出然后从 VOC 转 COCO因为 COCO 的 JSON 结构方便做评估——pycocotools 计算的 mAP 是行业公认标准最后从 VOC 或 COCO 转 YOLO因为 YOLO 训练直接读 txt。转来转去最容易出错的地方是坐标归一化时除错了分母以及类别 id 没有对齐。以下是一段从 VOC 转 YOLO 的核心代码逻辑不复杂但容易在细节上翻车import xml.etree.ElementTree as ET import os def voc2yolo(xml_file, class_names, img_width, img_height): tree ET.parse(xml_file) root tree.getroot() yolo_lines [] for obj in root.iter(object): cls_name obj.find(name).text if cls_name not in class_names: continue # 注意类别名称对不上时直接跳过容易造成样本丢失 cls_id class_names.index(cls_name) 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) # 宽高计算后必须做边界截断防止标注出界导致 loss 计算异常 w min(xmax, img_width) - max(xmin, 0) h min(ymax, img_height) - max(ymin, 0) if w 0 or h 0: continue # 空框直接丢弃 x_center (xmin w / 2) / img_width y_center (ymin h / 2) / img_height box_w w / img_width box_h h / img_height # 归一化后数值理论上在 0~1 之间超出范围说明原标注就错了 yolo_lines.append(f{cls_id} {x_center:.6f} {y_center:.6f} {box_w:.6f} {box_h:.6f}) return yolo_lines代码逻辑分四步解析 XML 提取目标的类别名和边界框坐标用类别名在 class_names 列表里查 id计算框的宽高并做边界截断最后把绝对坐标归一化到 0~1 区间。其中边界截断很容易被忽略——有些标注工具会标出图像边缘外的框不截断的话归一化后的中心点或宽高会大于 1YOLO 训练时边界框回归的目标值超出正常范围轻则收敛慢重则 loss 直接变成 nan。验证转换是否正确的土办法是反向检查把 YOLO 格式的 txt 读回来乘以图片宽高还原成像素坐标和原 XML 对比几个框。抽样 20 张即可误差超过 2 个像素就要检查是不是图片尺寸读错了。2.3 三种格式怎么选训练和评估各用哪个训练时直接用 YOLO 格式最省事Ultralytics YOLO 的 dataset.yaml 里指定图片目录和标签目录就能跑。评估阶段我强烈建议转回 COCO 格式做验证因为 YOLO 自带的验证脚本输出的是简单 mAP 曲线而 pycocotools 能给出按面积分组的 AP 结果——小目标的 AP、中等目标的 AP、大目标的 AP 分开统计这对夜间场景极其重要。夜间车辆在画面里普遍偏小车灯目标更小只看整体 mAP 会掩盖小目标召回率低的问题。如果资源包里的三套标签是同一份标注转出来的建议核验一下三者的目标数量是否一致。常见问题是转换脚本漏掉了被遮挡的极小目标导致 YOLO 格式的实例数比 VOC 少几百个。核验方法很简单统计 VOC 里 object 节点总数统计 COCO JSON 里 annotations 数组长度统计所有 YOLO txt 的行数三个数对不上就说明转换过程有损耗。3. 用划分脚本切出训练集为什么不能随手 random3.1 数据划分的基本原则同源帧不能跨集合拿到 5000 张夜间图片后最常见的第一步错误就是直接用 random.shuffle 按 8:1:1 切分。夜间车辆检测数据有一个特殊性视频抽帧得到的图片天然存在时间连续性同一辆车会在相邻帧里反复出现。如果随机划分时同一个车辆目标的连续帧分别进了训练集和验证集验证集的评估结果就会被严重高估——模型没见过这辆车但它见过这辆车的前一帧背景几乎一样框的大小位置也几乎没有变化相当于开卷考试。正确做法是先把图片按采集批次或视频片段分组然后以组为单位划分。如果资源包里没有提供分组信息至少应该按文件名前缀分组——常见命名方式是按时间戳或视频编号前缀区分。一个可用的文件名分组方式是把文件名按前 8 个字符聚合同一前缀视为同一来源片段再对片段做划分。3.2 实际跑一遍划分脚本以下是一个按文件名前缀分组的划分脚本输出三个 txt 文件每个文件里是一行一个图片路径这正是 YOLO 训练时用 train.txt / val.txt 指定数据集的格式import os import random from collections import defaultdict img_dir night_images train_ratio, val_ratio 0.8, 0.1 # 第一步按文件名前缀聚合模拟同一视频片段 groups defaultdict(list) for fname in os.listdir(img_dir): if not fname.endswith(.jpg): continue group_key fname[:8] # 前缀截取按实际情况调整 groups[group_key].append(fname) group_names list(groups.keys()) random.seed(42) # 固定随机种子保证每次划分结果一致 random.shuffle(group_names) # 第二步按组数切分而不是按图片数切分 n_train int(len(group_names) * train_ratio) n_val int(len(group_names) * val_ratio) train_groups set(group_names[:n_train]) val_groups set(group_names[n_train:n_train n_val]) test_groups set(group_names[n_train n_val:]) # 第三步写三个 txt with open(train.txt, w) as f: for g in train_groups: for img in groups[g]: f.write(os.path.join(img_dir, img) \n) # val.txt 和 test.txt 同理逻辑说明第一步按文件名前缀聚合图片避免同源帧分散第二步固定随机种子后对组列表做 shuffle再按组数比例切分注意是按组数而不是按图片数切分——如果两个片段一个含 300 帧、一个含 20 帧按组数切分才能避免数据泄漏或分布失衡。第三步写出训练集路径列表。参数说明random.seed(42) 是复现的保证换成任意固定值都行但不能不写train_ratio 取 0.8 是常见做法minival 比例建议不低于 0.05否则验证集的评估噪声太大。如果最终要发布模型报告test 集建议单独留 0.1平时只用 val 调参最后才在 test 上跑一次正式结论。3.3 划分完检查什么划分完成后必须做三个检查。第一个是类别分布检查统计 train 和 val 里各类目标的数量占比如果某一类在训练集出现 4000 次、验证集只出现 50 次说明验证集对这类目标几乎不具备评估能力。第二个是时间分布检查把划分结果按文件名时间戳排序确认 val 集里的图片不是全部集中在某个时间段——夜间不同时段的光照差异很大傍晚和凌晨的样本最好都能覆盖。第三个是数量比例检查train、val、test 三者的实际图片数和目标数都打印出来确认没有出现某个组因为聚合了太多帧导致比例严重偏离预设值。如果资源包自带的划分脚本没有做分组逻辑只是暴力随机强烈建议自己写脚本重划分。训练集和验证集之间的同源数据泄漏是夜间检测里最常见的“假精度”来源——模型在验证集上 mAP 看起来 0.82上线后实际场景只有 0.6就是因为验证集和训练集高度相关评估结果不能反映真实泛化能力。4. 跑通YOLO训练从环境到第一个checkpoint4.1 环境配置与预训练权重版本对齐是第一道坑训练环境建议直接用 Ultralytics YOLOv8 或 YOLOv5。选哪个版本取决于资源包里的训练教程是以哪个版本为基准写的——教程里的命令能直接复现是最重要的不要自己升级版本后照着旧教程跑YOLOv5 的数据 yaml 和 YOLOv8 的格式有差异命令参数也有细微不同。环境配置按以下顺序操作Python 版本选 3.8 到 3.10 之间PyTorch 选 1.8 以上都可以CUDA 版本和 PyTorch 的编译版本必须匹配否则会出现 illegal instruction 这种看似玄学的报错。GPU 显存低于 8G 的建议在配置里把 batch size 调到 8 以下或者开启梯度累积。预训练权重是夜间场景训练的关键起点。从零训练 YOLO 在 5000 张图上不太现实收敛慢且容易过拟合正确做法是下载 COCO 预训练权重在其基础上微调。COCO 预训练权重里已经有通用的特征提取能力——边缘、形状、纹理的底层特征对夜间和白天是通用的需要重新学习的主要是高层语义特征和夜间特有的视觉模式。下载权重时注意版本匹配yolov8n.pt 对应 n 型号yolov8s.pt 对应 s 型号选哪个取决于你的推理设备算力边缘设备选 n 或 s服务器选 m 或 l。4.2 写数据 yaml路径、类别、标签目录缺一不可训练前需要写一个 data.yaml这是 YOLO 系列通用的数据描述文件。以下是一个典型配置train: /data/night_vehicle/train.txt val: /data/night_vehicle/val.txt test: /data/night_vehicle/test.txt nc: 2 names: [car, truck]关键参数说明train 和 val 指向划分脚本生成的 txt 文件路径也可以用目录路径代替但 txt 的方式更可控——你可以精确指定哪些图片进训练集nc 是类别数必须和标签文件里的类别 id 范围对齐——如果标签里出现 id2 但 nc2训练时 idx 越界loss 直接报错names 的顺序必须和标签文件里的 id 一一对应这个顺序取决于最初标注时的 class_names 列表不能随意调换。很多人拿着资源包直接训练报错原因就是 names 顺序和标签文件里的 id 对不上。这里有一个经常被忽略的点txt 文件里的路径如果是绝对路径换机器后要全部改一遍建议统一改成相对路径并在 data.yaml 里配合 yaml 的路径拼接。或者把图片和标签统一放在同一个根目录下txt 里写相对根目录的路径配合 Ultralytics 的--data参数解析逻辑可以避免不少跨机器迁移的路径问题。4.3 启动训练命令行参数逐个拆以 Ultralytics YOLOv8 为例训练命令如下yolo train \ --data /data/night_vehicle/night.yaml \ --model yolov8n.pt \ --epochs 200 \ --batch 16 \ --imgsz 640 \ --device 0 \ --workers 8 \ --cache ram \ --patience 30参数说明--model指定预训练权重文件这是微调的起点--epochs 200对 5000 张图的数据集稍偏多配合早停策略更稳妥--batch 16取决于显存如果显存 11G 以下建议降到 8--imgsz 640是 YOLO 系列的默认输入尺寸但如果你的目标车辆在画面里普遍很小建议保持默认而不是调大——调大输入尺寸对小目标有一定帮助但计算量翻倍先跑通再优化--cache ram把图片加载到内存里加速训练5000 张图大约占 8 到 12G 内存内存不够就去掉这个参数--patience 30是最关键的一个参数——训练 30 个 epoch 验证集指标没有提升就自动终止避免无效的算力消耗。训练过程中需要盯三个指标。第一个是 loss 曲线训练集 loss 和验证集 loss 的差距持续扩大就是过拟合信号第二个是 mAP50 和 mAP50-95mAP50 是 IoU 阈值 0.5 时的平均精度mAP50-95 是多个 IoU 阈值的综合指标两个都看第三个是 Precision 和 Recall 的平衡夜间场景宁可 Recall 高一点——漏检一辆车可能比误检一棵树严重得多具体取舍看业务需求。训练完成后模型权重会保存在 runs/detect/train/weights/ 目录下best.pt 是验证集指标最优的权重last.pt 是最后一个 epoch 的权重。断点续训用 last.pt部署用 best.pt。5. 夜间检测的五个典型翻车与排查记录5.1 现象一loss 降到 0.02 但 mAP 还是 0.3这是夜间训练最常见的假收敛。loss 能降到很低但验证集 mAP 始终上不去说明模型在训练集上把样本背下来了没有学出可泛化的特征。原因排查从三个方向入手第一检查训练集和验证集是否存在同源泄漏——回到第 3 章的检查方法确认划分脚本按组分了类第二检查数据增强是否过强——夜间图片本来就暗马赛克增强时把四张夜间图拼在一起目标变得更小更暗模型学不到有效特征建议把马赛克增强概率调低到 0.5 甚至关闭第三检查类别不平衡——如果数据集中 car 有 9000 个实例、truck 只有 300 个模型会倾向于把所有目标都预测成 cartruck 的召回率几乎为 0mAP 被拉低。解决方向调低增强强度、用--class_weights开启类别均衡、或者对 truck 类做过采样复制。5.2 现象二夜间检测框不断抖动白天正常推理时同一辆车在连续帧里的检测框忽大忽小置信度也忽高忽低。夜间场景特有的原因是暗部区域信噪比极低目标边缘的纹理特征不稳定检测框回归时在帧间产生较大波动。先确认不是后处理的问题NMS 阈值调低到 0.4 左右可以让重叠框合并更彻底。如果还是抖考虑在模型输出后加时序平滑——简单做法是记录最近 5 帧的框位置取中值作为当前帧输出。也可以用加权平均当前帧权重 0.5前一帧 0.3前两帧 0.2车辆运动不快时效果很好。5.3 现象三训练到一半 BN 崩溃loss 变成 nanBatchNorm 在训练中统计量剧烈波动导致 loss 爆炸这在夜间数据里更常见——因为车灯区域像素值极高、暗部区域极低极端值拉高了 batch 内的方差。解决方向第一步先把 batch size 调小或者调大BN 对 batch size 极其敏感batch size 太小统计量噪声大太大显存放不下就爆第二步检查学习率初始学习率超过 0.01 时 BN 更容易崩建议降到 0.001 配合 warmup第三步在数据预处理里做 clip把超过 255 的像素值截断排除异常输入。5.4 现象四混淆矩阵对角线不亮模型把所有目标都预测成背景训练完成后看混淆矩阵发现大部分预测落在 background 类里目标召回率极低。原因通常是数据标注漏标严重——夜间图片里远处的小目标、被遮挡的车、暗部里的车标注人员看不清楚就漏掉了。解决方向重新审视标签质量。把训练集里标注过的图片仔细看一遍统计每个标注框的宽高分布如果大量标注框都是小目标且集中在画面中央说明标注员只标了明显目标掩盖了真实分布。此时用处理后的可视化工具把标注框画出来肉眼抽检 100 张图重点看暗部和边缘区域有没有漏标。5.5 现象五白天测试正常晚上测试掉点严重这是典型的训练数据分布和推理场景不一致。白天样本占比过多模型特征提取器被白天的统计分布主导。检查资源包里的 5000 张夜间图片是否真的“夜间”——有些数据集叫夜间但实际是黄昏或傍晚拍摄光照水平接近白天。处理方式在数据 yaml 里增加一个night_brightness列或者直接按亮度直方图对图片分组把真正低照度的图片单独抽出来增强权重。更直接的做法是训练时把图片做 gamma 校正增强gamma 值从 0.5 到 1.5 随机采样模拟不同夜间光照强度。Ulitralytics 的训练配置里可以开启 hsv 增强把hsv_v的值调大让亮度扰动幅度变大这能提升模型对夜间光照变化的鲁棒性。6. 验证模型真的“会”测夜间不看 mAP 看什么训练结束后不要急着写报告先做一次针对性的夜间能力验证。第一步从 test 集里抽出 200 张图片分成“市政道路”“高速”“城区窄路”“雨天”“有路灯”“无路灯”六个场景子集单独算每个子集的 mAP。整体 mAP 0.78 不代表“无路灯”场景也好用很可能这个子集只有 30 张图对整体指标的贡献被稀释了。场景分治才能暴露模型在哪类夜间条件下失效。第二步把截断的归一化坐标还原成像素框画回原图人眼检查 100 张。重点看三类错误远光灯车辆是否被拆成多个框——车灯的区域高光容易让检测器对一个目标输出两个框暗色车辆是否被漏检——黑色车身在暗背景下几乎和背景融为一体yolov8n 这类轻量模型对这种目标尤其吃力以及雨夜地面积水里的倒影有没有被误检成车。这类 failure case 收集起来可以回灌训练集做 hard example mining。第三步有条件的话对比模型在有预训练权重和从零训练两种情况下的夜间表现差异。常见结论是用 COCO 预训练权重微调的模型在白天场景保持精度的同時夜间提升更明显——因为 COCO 预训练给了模型丰富的通用特征底座微调时只需要学夜间特有模式而从零训练的模型在 5000 张图上容易过拟合白天或夜间某一种分布另一头就崩。我自己的习惯是训练完留一个 final_test 阶段best.pt 和 last.pt 各在 test 集上跑一遍哪个高用哪个再叠加一次 TTA——测试时增强把图片缩放、翻转后多次推理取平均夜间场景 TTA 能提升 0.5 到 1 个点的 mAP代价是推理时间翻倍。决定上线前用这个流程做最后把关基本不会翻车。希望这些踩坑记录能帮你在夜间车辆检测上少走几步弯路。本文还有配套的精品资源点击获取