简介这是一套面向目标检测入门与工地安全场景的YOLO数据集覆盖“穿戴反光背心”和“未穿戴”两个类别数据按YOLOv5目录结构整理划分可直接用于模型训练与验证。压缩包内共2000个文件其中1999个为图像标注txt文件对应训练集约2700张、验证集约770张、测试集约390张图片另有1个Python可视化脚本随机传入一张图片即可自动绘制边界框并保存到当前目录无需修改脚本即可直接运行方便快速检查标注效果。压缩包格式为7z整体约398.38MB已有380人学习。配套的类别class文件与可视化脚本帮助用户省去格式转换和标签整理环节适合需要快速搭建工地安全检测项目或开展反光背心识别实验的工程师与研究者参考。资源整体结构紧凑、开箱即用可显著缩短数据准备时间。1. 反光背心检测为什么需要一份独立的 YOLO 数据集而不是直接拿 COCO 练工地安全是目标检测里一个很典型的垂直场景需求往往是把摄像头画面里“没穿反光背心的人”挑出来报警。标题里这套东西就是围绕“反光背心”这个单一目标组织的 YOLO 数据集图片已经划分成训练集和验证集附带类别 class 文件和数据可视化脚本。适合两类人一类是做智慧工地、施工安全信息化项目的工程师需要尽快跑通一个可用模型而不是花三周从零整理数据另一类是刚接触 YOLO 的学生或算法新人想用一个边界清晰的小数据集完成从 yolo 入门学习到训练的全流程。它解决的问题非常具体反光背心在监控画面里往往只是一个小色块背景里的脚手架、挖掘机、混凝土颜色都会干扰检测通用目标检测模型在这个场景上的表现远不如一个专用数据集训出来的模型。2. 从划分好的数据集开始目录结构、train/val/test 与类别 class 文件2.1 能直接训练的反光背心数据集目录最少长这样我拿到任何一个 YOLO 数据集不管是自己整理的还是别人分享的第一件事永远是先把目录结构看明白。标题里写了“划分好的数据集”正常情况下会看到类似下面的结构dataset/ ├── images/ │ ├── train/ │ │ ├── site_001_0001.jpg │ │ └── ... │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ │ ├── site_001_0001.txt │ │ └── ... │ ├── val/ │ └── test/ ├── classes.txt └── visualize.pyimages 和 labels 一一对应同名 jpg 对应同名 txt。txt 是 YOLO 格式的标注每行代表一个目标第一列是类别 id后面四列是归一化后的中心点 x、中心点 y、宽度、高度。比如0 0.502 0.731 0.124 0.198表示类别 0 的目标位于图片中心偏下宽度约为整张图的 12.4%高度约为 19.8%。这个格式是 YOLO 系列通用的无论你用的是 YOLOv5 还是 YOLOv8标签文件长一样。这里有两个容易忽略的点。第一test 目录在训练时用不到它只用来做最终评估如果一份数据集只有 train 和 val也完全正常很多人会把 val 当 test 用。第二每个 labels 里的 txt 文件名必须和 images 里的 jpg 文件名完全一致只是扩展名不同否则框架训练时会把这组样本静默跳过而且不报错。这个坑会在训练完看指标时才暴露很难回头查。2.2 class 文件里的类别顺序会直接影响预测输出怎么核对标题里强调的“类别 class 文件”最常见形态就是一份 classes.txt每一行一个类别名。反光背心数据集里通常不会只有一个类别我见过的大多会把 person、reflective_vest、helmet 都标进去因为检测“人有没有穿反光背心”至少要把“人”这个主体也框出来模型才能结合位置关系判断是否穿着。类别列表看起来像这样person reflective_vest helmet注意这个顺序不是随便排的。txt 标注里写的数字 id 就是 classes.txt 的行号从 0 开始。如果你重新生成了一份 classes.txt把顺序改了而标注文件没有跟着改模型训练时的类别含义就全部错位。尤其是用 ultralytics 这类框架预测结果里显示的类别名来自 data.yaml 里的 names 字段它和 classes.txt 的顺序必须保持一致。我一般会写一个十行以内的纯 Python 脚本去核对读 classes.txt统计每个类别的目标总数再抽查几个 txt 里的最大 id 是否小于类别数。如果最大 id 等于 3而 classes.txt 只有三行那这个标注文件一定是脏数据。这一步虽然基础但能挡掉后面训练时的很多“玄学”问题。2.3 自己重新划分 train/val/test比例与脚本怎么写下载来的数据集即使划分好了我也往往会按自己的需求重新划分一次。常见原因是原始划分不均衡大量图片来自同一工地现场模型很容易“记住”场景而不是学会通用检测能力。常见划分比例是 train:val:test 7:2:1图片总量只有几千张时我建议 train 占八成val 和 test 各占一成。比例不是越大越好train 太大但 val 太小会让验证集指标波动剧烈每轮训练结果都像抽奖。重新划分的脚本可以用纯 Python 实现核心逻辑是收集所有样本路径按比例随机分成三个集合再创建对应目录并复制文件。下面是一个最小实现import os import random from pathlib import Path from shutil import copy def split_dataset(img_root, label_root, out_root, ratios(0.8, 0.1, 0.1), seed42): random.seed(seed) imgs sorted(Path(img_root).glob(*)) random.shuffle(imgs) n len(imgs) n_train int(n * ratios[0]) n_val int(n * ratios[1]) splits { train: imgs[:n_train], val: imgs[n_train:n_train n_val], test: imgs[n_train n_val:] } for split_name, files in splits.items(): img_dir Path(out_root) / images / split_name label_dir Path(out_root) / labels / split_name img_dir.mkdir(parentsTrue, exist_okTrue) label_dir.mkdir(parentsTrue, exist_okTrue) for img in files: copy(img, img_dir / img.name) label Path(label_root) / (img.stem .txt) if label.exists(): copy(label, label_dir / label.name)这个脚本里ratios参数控制划分比例seed固定随机数保证重复运行结果一致。注意我复制文件而不是移动文件因为万一划分结果不理想原始数据还在不用再下载一遍。label.exists()这一步很关键让一张没有标注的图片正常进入数据集不会让训练报错但 val 指标会被这种空标注样本拉低而且事后完全看不出来。还需要注意一点如果原始图片来自多个工地或多个时段纯随机划分可能让同一工地同时出现在 train 和 val 里。更严格的做法是按“工地现场”分组把同一现场的图片全部划到同一个集合这样验证的才是模型的泛化能力而不是记忆能力。这个细节在反光背心场景里特别容易出现因为监控视频抽帧得到的照片相邻帧之间肉眼几乎分不出差别。3. 数据可视化脚本把黑匣子的样本分配和标注质量摊开来看3.1 可视化脚本到底画什么样本量、标注框、目标分布标题里特意提了“数据可视化脚本”说明整理这套数据集的人也知道光把图片和 txt 摆在那里使用者没法快速判断数据好不好用。可视化脚本的价值就是把这个黑匣子打开画出下面三类信息。第一类是样本量分布也就是每个类别在 train、val、test 里分别有多少个目标通常画成柱状图。看这张图就能判断类别不均衡比如 person 有一万个目标reflective_vest 只有两千个那模型大概率会对背心漏检因为训练时背心的梯度贡献太小。第二类是标注框的尺寸与长宽比分布一般画成散点图或热力图。反光背心在整图中通常占比很小如果大量标注框宽度小于 0.05说明这是一个小目标占比很高的数据集需要优先考虑针对小目标的优化手段。第三类是抽查可视化后的图片看标注框是否贴合目标轮廓有没有框错位置、漏掉反光条的情况。前两类偏统计第三类偏直观合在一起才是一份数据体检报告。3.2 一个最小可用的标注可视化脚本自己也能直接改下面这份脚本是这类可视化脚本里的最小核心读一张图片和它的 YOLO 格式 txt把标注框画到图上并保存。把这个脚本稍作扩展就能实现批量抽查、按类别配色、输出统计图。import os import cv2 import numpy as np def draw_yolo_boxes(img_path, txt_path, class_names, out_path): img cv2.imread(img_path) if img is None: print(ffailed to read image: {img_path}) return h, w img.shape[:2] if not os.path.exists(txt_path): print(fmissing label: {img_path}) return with open(txt_path, r, encodingutf-8) as f: lines f.read().strip().splitlines() for line in lines: parts line.split() if len(parts) 5: continue cls_id int(parts[0]) if cls_id len(class_names): print(fclass id {cls_id} out of range in {txt_path}) continue cx, cy, bw, bh [float(v) for v in parts[1:5]] x1 int((cx - bw / 2) * w) y1 int((cy - bh / 2) * h) x2 int((cx bw / 2) * w) y2 int((cy bh / 2) * h) color (0, 0, 255) if cls_id 1 else (0, 255, 0) cv2.rectangle(img, (x1, y1), (x2, y2), color, 2) cv2.putText(img, class_names[cls_id], (x1, max(0, y1 - 5)), cv2.FONT_HERSHEY_SIMPLEX, 0.6, color, 2) cv2.imwrite(out_path, img)这段代码里最关键的是坐标转换txt 里存的是归一化坐标必须乘上图片宽高才得到像素坐标cv2 画框用的坐标是左上角和右下角所以要先由中心点算出 x1、y1、x2、y2。class_names参数直接读 classes.txt 逐行放入列表即可。这个脚本本身不统计任何指标它解决的是“标注到底长什么样”的信任问题配合下面要讲的统计功能才构成完整的数据体检。3.3 从可视化结果里读出三类问题不均衡、小目标、错标漏标运行脚本之后大多数人第一眼会去看框画得准不准但我的习惯是先看统计结果再抽查图片。类别不均衡通过柱状图判断一个类别只有几百个目标而另一个类别有上万个训练前就必须想办法。小目标问题通过框宽高分布判断反光背心场景里最常见的情况是人站在距离摄像头十几米远的位置整个背部在画面里只有不到二十个像素宽标注框小到几乎看不见。错标、漏标则只能靠视觉抽查随机抽一百张图把人眼识别结果和标注框比对这步偷不了懒。发现问题后的处理方式也不同。类别不均衡要按类别统计目标数缺哪个补哪个或者用重采样暂时平衡小目标太多则要考虑切片、提高输入分辨率或者调整模型里的检测头结构错标漏标没有捷径只能逐张看、逐张改。这也是为什么数据可视化脚本不应该只跑一次而是应该在每次新增数据后都跑一遍。我可以明确地说反光背心检测项目里八成以上的效果问题最后都追溯到数据可视化阶段本应发现却没发现的问题。4. 让划分好的数据真正跑起来YOLOv8/ultralytics 环境配置与训练参数4.1 data.yaml 与 class 文件对接0 基础也能直接套用的写法划分好的数据和 class 文件就绪之后下一步是用一套 YOLO 框架把它跑起来。现在最常见的是 ultralytics 的 YOLOv8它对 0 基础纯小白很友好一条命令就能从数据直接走到模型权重。首先要在项目根目录准备一份 data.yaml作用是把数据集的路径、类别数量、类别名字告诉训练框架path: /path/to/dataset train: images/train val: images/val test: images/test nc: 3 names: 0: person 1: reflective_vest 2: helmet这里的 train、val、test 如果写成相对路径就是相对于 path 的路径。nc是类别数量必须和 classes.txt 的行数一致names的顺序也必须和 classes.txt 完全一致。我见过太多人在这份 yaml 里把 names 顺序写反或者把 nc 改成 1 只留背心导致训练出来的模型预测输出完全对不上。这份 yaml 是数据和模型之间的唯一桥梁写好后可以先启动一次极短训练看框架打印出的类别名是否和预期一致确认无误再跑完整训练。4.2 训练命令与 batch、epoch、imgsz 怎么选环境配置方面安装 ultralytics 和配套的 PyTorch 之后训练命令很短pip install ultralytics yolo detect train datadataset.yaml modelyolov8n.pt epochs100 imgsz640 batch16参数说明modelyolov8n.pt表示加载 COCO 预训练权重。反光背心这种垂直场景强烈建议加载预训练权重而不是从零训练因为从零训练需要的数据量至少再多一个数量级几千张图片根本不够。imgsz640是输入分辨率如果画面里人很远、背心很小可以尝试 960代价是显存占用和推理速度同时上升batch16受显存限制显存不足时优先往下降到 8 或 4不要为了维持 16 而牺牲输入分辨率。epochs100对小数据集来说不算多但也不要盲目跑 300关键看验证集指标是否在五六十轮后就停止提升停了再多轮也只是浪费时间。这里有一个和可视化脚本配合的小技巧先用脚本统计每张图的平均目标数再决定 batch。目标多的画面计算量大batch 要保守些目标少的场景可以适当拉大 batch。这类调整属于血泪经验不实际跑一遍很难找到最优值。另外训练时如果没有指定 project 和 name所有输出默认保存在runs/detect/train目录下运行多次后会自动变成 train2、train3查结果时注意别取错目录。4.3 训练完先别看 loss用验证集指标反向检查数据集训练结束后很多人第一件事是打开训练 loss 曲线看它下降得多漂亮。我的习惯是先把验证集上的 mAP50、mAP50-95 和混淆矩阵调出来看。如果 mAP50 很低首先怀疑数据划分和标注质量而不是去改网络结构或调学习率。反光背心检测这种安全监控场景漏检一次代价很大mAP50 至少到 0.85 才算达到能交给现场试用的水平。yolo 损失函数本身是分类损失、边框损失和置信度损失的加权组合训练过程中曲线震荡是正常的不用因为它不平滑就急着调整权重。真正需要关注的是 val 曲线如果训练 loss 持续下降而 val mAP 长时间停滞八成是过拟合此时回查 val 集里是否混入了和 train 同源的视频帧。这个问题我在第 5 章会展开讲它比任何超参调整都更容易被忽略。5. 反光背心数据集落地避坑漏检、类别混淆与划分错位的排查案例5.1 先建立一套排查顺序从数据、标签、配置到训练参数这一章记录的是我在反光背心检测项目里反复踩到的坑。遇到模型效果不对我遵循的排查顺序是数据 → 标签 → 配置 → 训练参数。这个顺序不能颠倒因为多数问题其实出在数据上而不是模型上。数据问题包括图片数量不够、场景单一、光照单一标签问题包括类别顺序错乱、标注框不准、漏标配置问题主要是 data.yaml 写错最后才轮到学习率、batch、epoch 这些训练参数。下面四条案例按这个顺序从最常发生的开始。5.2 排查案例 1反光背心在阴影、逆光下偏灰偏暗模型漏检现象训练集里晴天正午的照片占了八成模型一到上午逆光或傍晚阴影画面就大量漏检背心。原因反光背心的荧光色在暗光下特征不明显数据集缺少光照多样性模型学到的是“明亮环境下的荧光色块”而不是“背心”这个语义概念。解决从两个方向下手一是补充清晨、傍晚、阴天、逆光样本二是在训练时开启适度的光度增强比如把亮度、对比度、饱和度的扰动范围调大一点。注意增强要克制工地安全场景里颜色本来就是重要特征增强过度会把反光背心的荧光色洗掉反而造成新的漏检。5.3 排查案例 2person 与 reflective_vest 类别边界模糊现象可视化抽查发现有些标注框把整个人框住标成 reflective_vest有些把背心单独框出来也标成 reflective_vest还有些 person 框只框了半身类别含义完全混乱。原因标注规范不一致多个标注人员参与时没有统一“person 框全身、背心框反光条覆盖范围”的规则边界框的语义在不同人手里漂移。解决重新制定标注规范并复核全部数据。如果实在难以统一就改类别体系只保留 reflective_vest 一个类别不再单独标 person让模型只回答“哪里有背心”从根上回避类别边界问题。这个方案在只关心“穿没穿”的场景里完全够用。5.4 排查案例 3划分结果不均衡验证集指标虚高现象训练 loss 正常val mAP 很高但把模型部署到新的工地现场后效果崩盘漏检率暴涨。原因回到第 2.3 节说过的场景分组问题。随机划分时同一工地同一时段拍摄的连续帧同时进入了 train 和 val模型其实是“背”下了场景而不是学会了检测背心val 指标自然虚高。解决按工地场景分组划分而不是按单张图片随机划分划分后统计每个场景在 train 和 val 里的样本数确保两个集合的场景没有重叠。这条在监控视频抽帧得到的数据集里几乎必然踩中因为相邻帧的相似度太高。5.5 排查案例 4class 文件索引与实际标注 ID 错位现象训练出来的模型预测结果在可视化里显示为 helmet但实际上应该显示为 person所有类别名都错了一位。原因data.yaml 的 names 顺序和标注 txt 中使用的类别 id 不一致。比如标注文件里 0 代表 person而 names 列表里第 0 个名字写成了 helmet所有预测结果显示的名称就整体错位。解决写一个校验脚本对每个类别的 txt 统计目标数和原始标注规范对照确保 classes.txt、data.yaml、txt 中出现的最大 id 三者一致。这类错位一旦发生整个模型都要重新训练是最不值得的一类翻车因为你只需要在训练前多看一眼打印信息就能避免。6. 进阶把 mAP、混淆矩阵和可视化脚本组合成数据集“体检单”6.1 用混淆矩阵和 PR 曲线确认漏检与误报类型训练完成后我会把 ultralytics 生成的 confusion_matrix.png 和 results.csv 翻出来看。混淆矩阵能直观看清 person 和 reflective_vest 之间的互相误报比例。如果误报集中在这两类之间说明上一章说的类别边界问题还没解决干净如果背心被漏到背景里说明小目标样本仍然不够需要补充远处人员的照片或剪切放大局部区域。PR 曲线则能看出模型在不同置信度阈值下的表现安全监控场景宁可误报率高一点也不能漏检所以阈值通常会往低调。6.2 把可视化脚本升级成每次新增数据后的必跑检查我现在的习惯是每次新增或清理数据后先跑一遍统计脚本再随机抽一百张图画框翻看。这个流程听起来笨但反光背心这类垂直数据集的可用性就是靠这种笨功夫一点一点攒出来的。最容易犯的错是“这次只是加了点图片不用再查了”结果最后发现新加的数据里全是白天场景把模型原本就弱的光照鲁棒性问题进一步放大。把这套体检流程固定下来后模型效果的可预测性会明显提升。没有捷径可走。希望帮到你。本文还有配套的精品资源点击获取