简介建筑工地目标检测数据集面向智慧工地与工程自动化场景提供YOLO格式标注数据适合目标检测学习者、算法工程师及施工安全系统开发者使用。数据源自真实工地现场覆盖工程机械、钢管、塔吊、人员、钢筋、脚手架、护栏、模板、汽车、自行车等10类核心目标包含机械与人员交互的复杂场景可支撑安全预警、施工进度管理、机器人环境感知等任务。压缩包共478个文件包括238张jpg现场图片、238个txt边界框标注、1个yaml配置及1份docx说明文档其中训练集201张、验证集37张整体19.82MB可直接导入YOLOv5等主流检测框架训练验证。已有194人学习浏览其精细标注和高风险要素专项标注塔吊作业区、钢筋裸露区对人员闯入预警、机械碰撞预防等安全类算法研发尤为实用。1. 建筑工地目标检测数据集-2.zip拆开凑不出成品模型先把这份监督信号审清楚收到建筑工地目标检测数据集-2.zip不少人以为解压后丢进训练框架就能直接出模型。我实际跑过几次之后发现这类压缩包里最常见的不是模型问题而是数据本身的问题标签格式混排、空标签一大堆、类别编号和 classes.txt 对不上甚至同一段监控视频的连续帧被随机分进了训练集和验证集。文件名叫“数据集-2”多半是指第二个版本但它仍然只是图像加标注框的监督信号不是能直接部署的成品模型。这篇文章不聊大而全的算法原理就按我处理工地监控数据的习惯从解压、校验、划分、训练、排坑到最后的模型校准讲一遍能把这份数据用起来的完整路径。适合正在做安全帽、反光衣、工程机械目标检测或者刚拿到一份历史标注数据准备训练基准模型的开发者参考。如果你期待的是“下载即用”那要先调整预期数据集整理这件事往往决定了后面所有训练工作的下限。2. 解压之后的第一步先摸清目录布局、命名规则和标注格式2.1 目录布局图片、标签和划分清单各在哪个位置先别急着训练把压缩包解开用find看一下整体目录结构。大概率会看到两种风格一种是把 images 和 labels 分开放另带一个 classes.txt另一种是按 train/val/test 分好子目录里面再各放图片和标注。不同打包风格直接决定了你后续写校验脚本时该去哪找文件。unzip -q 建筑工地目标检测数据集-2.zip -d>data-2/ images/ 000001.jpg 000002.jpg labels/ 000001.txt 000002.txt classes.txt也有的版本会把标注放在annotations/下用 XML 或 JSON 格式保存。看到这种结构不要慌你先记住一个原则训练框架要的只是一份“图片路径 对应标注”的索引原始目录怎么摆都可以后面通过脚本转成标准格式就行。真正需要警惕的是 labels 目录里文件数明显少于 images或者某个子目录里混着不同后缀的标注文件这种数据源大多经历过手工补标一致性最差。2.2 判断标注格式先抽三个样本再决定要不要写转换脚本建筑工地目标检测数据集的标注格式一般逃不出三种YOLO 的 txt、VOC 的 xml、COCO 的 json。YOLO txt 最常见每一行是“类别ID 中心点x 中心点y 宽 高”四个坐标都是相对图片宽高的归一化值VOC xml 则把目标框坐标写成了绝对像素值。两者混在一个数据集里时训练会直接报错或者默默丢掉一部分框。我一般会写一段极短的探查脚本先随机抽几张图看看对应标签长什么样再决定后续怎么统一格式import os for img_file in [images/000001.jpg, images/000002.jpg, images/000003.jpg]: base os.path.splitext(img_file)[0].replace(images/, labels/) for ext in [.txt, .xml, .json]: p f{base}{ext} if os.path.exists(p): print(img_file, -, p) with open(p, r, encodingutf-8) as f: lines f.read().strip().splitlines()[:5] print(\n.join(lines)) break这段代码的核心逻辑是同一个图片名依次去 labels 目录下找 txt、xml、json 三种后缀找到哪个就打印哪个的前五行。你不需要把所有文件都解析一遍三个样本就能区分出数据集的标注体系。如果三张图分别出现不同格式说明这个包经历过多次导出后面必须写统一脚本。如果 txt 里的第一列数字大于 classes.txt 里列出的类目数减一那就是版本冲突常见于“数据集-2”是在旧版基础上追加了类别却没有重新生成所有标签。3. 清洗数据集-2校验、划分与增强缺一环都会白训3.1 清掉空标签、坏图和越界类别编号拿到一份建筑工地检测数据集第一件事不是标新立异而是用脚本把所有文件过一遍。工地监控照片有个特点大量画面是空镜头、逆光拍糊、或者只有远处塔吊但没有可标注物体。这些图里如果有标签文件很可能是空文件或者写了一个不存在的类别 ID。如果直接把这样一堆数据丢给训练框架轻则损失一部分训练样本重则让模型学到“看到空白就输出一个奇怪框”。我用这段脚本做第一轮清理import os import cv2 img_dir images label_dir labels problems [] for img_name in sorted(os.listdir(img_dir)): base os.path.splitext(img_name)[0] label_path os.path.join(label_dir, base .txt) if not os.path.exists(label_path): problems.append((img_name, label missing)) continue with open(label_path) as f: lines [line.strip() for line in f if line.strip()] if not lines: problems.append((img_name, empty label)) continue img cv2.imread(os.path.join(img_dir, img_name)) if img is None: problems.append((img_name, broken image)) continue height, width img.shape[:2] for line in lines: parts list(map(float, line.split())) cls, x, y, w, h parts if int(cls) 0 or int(cls) 3: problems.append((img_name, fclass id overflow: {cls})) break if not (0 x 1 and 0 y 1): problems.append((img_name, fcenter out of range: {line})) break if w 0 or h 0 or w 1 or h 1: problems.append((img_name, fbox size out of range: {line})) break print(bad samples:, len(problems)) for p in problems[:20]: print(p)这段脚本把每个图片名对应的标签文件读出来先看是否存在、是否为空再读图片、检查类别 ID 是否越界、框坐标是否在合法区间。具体执行时把里面的3换成你 classes.txt 的实际类别数。这里有个经验值空标签和坏图一般能清掉 5% 到 15% 的样本清完之后数据集才谈得上可用。不要觉得这是浪费把脏数据留着训练出来的模型就会把误检当成正常输出。3.2 按来源划分数据而不是随机打散建筑工地目标检测数据集里的图片很多是从监控视频里抽帧出来的相邻帧的内容几乎一样。如果直接用train_test_split随机分同一个场景的连续帧会同时出现在训练集和验证集里最后指标会异常好看但模型一上真实场景立刻露馅。正确做法是按“拍摄来源”分组让同一个摄像头、同一段时间的画面只出现在一个集合里。如果文件名里带了摄像头编号或时间前缀可以按前缀分组import os import random from collections import defaultdict images [f for f in os.listdir(images)] groups defaultdict(list) for img in images: group_key img.split(_)[0] if _ in img else scene_ img[:4] groups[group_key].append(img) keys list(groups.keys()) random.shuffle(keys) num len(keys) train_keys keys[: int(num * 0.8)] val_keys keys[int(num * 0.8): int(num * 0.9)] test_keys keys[int(num * 0.9):] def write_list(name, key_list): with open(name, w) as f: for key in key_list: for img in groups[key]: f.write(img \n) write_list(train.txt, train_keys) write_list(val.txt, val_keys) write_list(test.txt, test_keys)这段脚本先按文件名第一个下划线前的字段分组然后把组随机分到训练、验证、测试三个文件里。核心参数是 8:1:1 的比例如果你的标注量很大可以改成 7:1:2。这里容易踩的坑是不要按帧索引切分一定要按场景 key 切分。如果文件名里没有明显分组信息就按时间排序后整段切前 80% 当训练后 20% 当验证这样至少能避免最严重的跨场景泄漏。3.3 数据增强小目标靠切图逆光靠光度扰动工地场景里最难检的往往不是机械大目标而是远处工人头上的安全帽十几像素甚至几像素的帽子比比皆是。针对小目标增强策略不能只靠随机翻转和裁剪我会显式开启 Mosaic 和比例缩放用大图切块训练让模型在更小的目标尺寸上也见过足够多样本。逆光和傍晚场景则靠亮度对比度扰动来补不然模型白天好用傍晚就失灵。常见的增强库配置可以等价写成这样aug dict( mosaic1.0, random_brightness_contrast(0.6, 0.6), hsv_h0.02, hsv_s0.5, hsv_v0.5, fliplr0.5, flip_ud0.0, scale_min0.2, )几个参数要单独说明flip_ud0.0意味着不做上下翻转因为安全帽永远在头顶上下翻转会强行让模型学习“帽子长在脚底”的错误规律反而增加误检。mosaic1.0表示每张训练图都来自四张图拼接能显著提升小目标附近的上下文多样性但也会让本来就小的目标变得更小所以需要配合scale_min0.2避免把所有目标都缩没了。亮度对比度扰动控制在 0.6 左右既能模拟傍晚逆光又不会把白天样本压成黑乎乎一团。4. 训练参数怎么设类别清单、锚框、输入尺寸一起定4.1 读取 classes.txt生成训练用的数据声明文件建筑工地目标检测数据集-2 的类别数不会太多常见的是安全帽、反光衣、人、挖掘机、塔吊这几类。先读一下 classes.txt把类别列表和数量输出再生成训练框架需要的数据声明文件。这样做看似多了一步实际上是为了避免在命令行里手写nc4这类参数一旦类别数写错训练过程不报错但验证时所有框都会错位。with open(classes.txt) as f: classes [x.strip() for x in f if x.strip()] print(f类别数: {len(classes)}, 列表: {classes}) data_yaml f path: ./ train: train.txt val: val.txt test: test.txt nc: {len(classes)} names: {classes} with open(data.yaml, w) as f: f.write(data_yaml)这段代码把classes.txt解析成列表并生成一个 data.yaml 给训练框架用。path指向当前数据集根目录train和val指向刚生成的索引文件names里的顺序必须和标注文件里的类别 ID 严格一致。如果你的标注是 VOC 或 COCO这一步要先把标注转成 YOLO 格式再生成这个文件顺序不能反不然类别顺序会错位训练出的模型等于每个目标都预测错了名字。4.2 锚框不要抄通用预置值对小目标重新聚类很多训练框架默认锚框是从自然图片数据集上统计出来的尺寸偏大建筑工地里的安全帽、反光背心这类小目标占比高继续用默认锚框会让小目标分支的回归非常吃力。我习惯在每次训练前用标注框重新聚类一组锚框几行代码就能跑出来。import numpy as np from pathlib import Path boxes [] for lp in Path(labels).glob(*.txt): for line in lp.read_text().strip().splitlines(): parts line.split() if len(parts) 5: _, _, _, w, h map(float, parts) boxes.append([w, h]) boxes np.array(boxes, dtypenp.float64) def kmeans_anchor(boxes, k, max_iter100, seed7): rng np.random.default_rng(seed) anchors boxes[rng.choice(len(boxes), k, replaceFalse)].copy() for _ in range(max_iter): w boxes[:, 0] h boxes[:, 1] aw anchors[:, 0] ah anchors[:, 1] inter np.minimum(w[:, None], aw[None, :]) * np.minimum(h[:, None], ah[None, :]) union w[:, None] * h[:, None] aw[None, :] * ah[None, :] - inter iou inter / (union 1e-6) assign np.argmax(iou, axis1) new_anchors [] for j in range(k): group boxes[assign j] if len(group) 0: new_anchors.append(anchors[j]) else: new_anchors.append(group.mean(axis0)) anchors np.array(new_anchors) return anchors anchors kmeans_anchor(boxes, k9) print(anchors:) print(anchors)这段脚本读取所有 YOLO 格式的标签取出归一化后的宽和高然后用 IoU 距离做 k-means 聚类最终输出 9 组锚框。k9 是一般检测框架的常见取值如果你用轻量模型可以改成 6 组。这里要提醒一句聚类出来的锚框尺寸依赖输入分辨率如果你打算用 1280 训练就按 1280 下的归一化坐标去换算如果训练和推理的输入尺寸不一致锚框也要同步缩放否则前面的聚类就白做了。配合锚框重聚类我一般把输入尺寸从默认 640 提到 1280尤其安全帽这类小目标640 下常常只有 6 到 8 个像素宽1280 下能翻倍到可辨识范围。训练命令可以按这个思路设置# 常见 YOLO 系框架的参数示意具体写法以你使用的版本为准 python train.py --data data.yaml --model yolov8n.pt \ --img-size 1280 --batch-size 8 --epochs 100 \ --patience 20 --weights pretrained.ptimg-size 1280是工地小目标场景下最值得优先加的参数但显存不够时不要硬上可以把 batch-size 降到 4配合梯度累积来缓解。patience 20表示验证集指标连续 20 轮不提升就早停省时间也避免过拟合到最后开始背训练样本。5. 建筑工地目标检测避坑指南四个比模型结构更影响结果的问题5.1 安全帽类别漂移戴帽和不戴帽的边界不统一现象训练时安全帽类别指标很高但一到新工地视频模型频繁把头顶阴影、安全帽反光、甚至黄色塑料凳识别成安全帽。原因标注者对“戴帽”的界定不一致。有的标注只要帽子出现在头顶就算正样本有的要求遮盖住 60% 以上的头围才标还有的把帽带的反光条单独标成另一个物体。数据源里混了多种标准模型学到的不是帽子的本质而是各种黄色块和弧形纹理。解决统一标注规则至少按“帽子覆盖头部面积过半”才算正样本。如果数据集里已经有大量模棱两可的框最简单的做法是把它们当作难例保留但要在训练时给安全帽类别加一点权重或者干脆把安全帽拆成“戴帽”“不戴帽”两个类别让模型先分清人再判断帽子状态。5.2 小目标密集工人挤在一起被模型“团灭”现象画面里有十几个工人模型只输出三四个框另外几个被漏掉或者两个相近工人被框成一个巨大矩形。原因工地多人作业时标注框之间重叠率高模型在 NMS 阶段把置信度略低的框压掉了。另一个原因是训练时用的输入尺寸太小几像素宽的帽子在特征图里已经退化成一个点。解决提高输入分辨率到 1280同时在增强阶段开 Mosaic 并保证每张训练图里保留小目标样本。推理阶段如果还是漏把 NMS 的 IoU 阈值从默认的 0.45 调高到 0.6能减少高密度场景下的框合并。注意不要调得太高否则同一个目标会产生重复框。5.3 把工地设备误检成人或安全帽现象蓝色铁皮围挡、反光锥桶、混凝土搅拌车滚筒有时被误检成工人或安全帽。原因围挡和工服的蓝色色块接近反光衣和锥桶的橙色接近模型学到的颜色特征没有和“人体结构”绑定于是看到大面积近似色就触发检测。解决不要急着改网络结构先看训练数据里的负样本够不够多。我通常会在训练集里额外放一批没有目标的背景图和难负例图让模型明确“这块区域即使有颜色也不是目标”。另一个办法是把类别定义写得更窄不是检测“所有反光物体”而是检测“穿反光衣的人”标注时只标人体范围内的区域不标单独的反光布。5.4 验证集虚高同一段视频漏进了两个集合现象训练日志里 mAP 到 0.95部署到新摄像头后准确率直接掉到 0.6 左右差得离谱。原因图片来自监控视频抽帧随机划分时同一个摄像头同一天的连续帧被分到训练集和验证集模型等于已经在考场上见过验证题。解决按场景划分数据而不是按帧随机分。具体操作见 3.2 节文件名里有摄像头编号就按编号分没有编号就按时间戳整段切。强烈建议在训练完成后再留一个“完全陌生的摄像头”的测试文件夹只有它在 mAP 上也保持住才算真的有效。6. 把数据集-2 变成自己的模型迁移、置信度校准与验收技巧6.1 先小批量跑通端到端再谈精度完整地训一个工地目标检测模型之前我最先做的事是从清洗后的数据里取 100 张图跑一个 10 轮的快速实验。这个小实验不是为了出精度而是验证整条链路图片路径是否正确、类别顺序是否对得上、损失能否正常下降、验证阶段能不能输出预测结果。如果这个小批量过程里出现nanloss 或者验证阶段一张图都没有输出基本就是标注越界、类别数不一致或路径配置错误趁早停下来比训到一半再排查省得多。跑通小批量之后再用全量数据训练。个人习惯是先冻结骨干网络微调 20 轮等验证集损失不再下降再解冻全部层微调 50 到 100 轮。这样能避免新工地数据量不足时把预训练权重里的通用特征全部冲掉。6.2 用验证集错误样本调置信度阈值最后一个值得做的技巧是给推理阶段选一个合适的置信度阈值。默认 0.5 不一定适合你的工地场景如果客户更在意不能漏人就把阈值降到 0.3用误检换召回如果误报会导致告警平台被刷屏就提到 0.7。别靠肉眼拍脑袋把验证集预测结果导出来看不同阈值下的精确率和召回率曲线。import json preds json.load(open(val_predictions.json)) labels json.load(open(val_labels.json)) for threshold in [0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8]: tp fp fn 0 for pred, label in zip(preds, labels): matched set() for p in pred: if p[conf] threshold: continue # 这里省略 IoU 匹配逻辑实际按框重叠面积计算 matched.add(p[cls]) for target in label[classes]: if target in matched: tp 1 else: fn 1 fp max(0, len(matched) - len(label[classes])) precision tp / (tp fp) if tp fp 0 else 0 recall tp / (tp fn) if tp fn 0 else 0 print(fthreshold{threshold}, precision{precision:.3f}, recall{recall:.3f})这段代码按置信度阈值过滤预测框然后粗略统计精确率和召回率实际工程里要把 IoU 匹配补上。你真正要观察的是阈值从 0.5 移动到 0.3 时召回率提升了多少、误检增加了多少。如果 0.3 时误检暴增说明模型学到的是颜色特征而不是结构特征该回头查标注质量如果 0.7 时召回率仍然很高说明检测结果很可靠可以放心提高阈值减少告警。把这份建筑工地目标检测数据集-2 跑完我最深的感受是真正决定模型能不能用的往往是数据组织、场景划分、标注边界这些最不起眼的地方。我习惯在最后一轮训练时留下一个从没参与过任何训练和验证的摄像头来验收如果它在第一帧就丢目标那前面所有指标都只是数字。希望帮到你。本文还有配套的精品资源点击获取 建筑工地目标检测数据集实战：从清洗到训练与避坑指南
简介建筑工地目标检测数据集面向智慧工地与工程自动化场景提供YOLO格式标注数据适合目标检测学习者、算法工程师及施工安全系统开发者使用。数据源自真实工地现场覆盖工程机械、钢管、塔吊、人员、钢筋、脚手架、护栏、模板、汽车、自行车等10类核心目标包含机械与人员交互的复杂场景可支撑安全预警、施工进度管理、机器人环境感知等任务。压缩包共478个文件包括238张jpg现场图片、238个txt边界框标注、1个yaml配置及1份docx说明文档其中训练集201张、验证集37张整体19.82MB可直接导入YOLOv5等主流检测框架训练验证。已有194人学习浏览其精细标注和高风险要素专项标注塔吊作业区、钢筋裸露区对人员闯入预警、机械碰撞预防等安全类算法研发尤为实用。1. 建筑工地目标检测数据集-2.zip拆开凑不出成品模型先把这份监督信号审清楚收到建筑工地目标检测数据集-2.zip不少人以为解压后丢进训练框架就能直接出模型。我实际跑过几次之后发现这类压缩包里最常见的不是模型问题而是数据本身的问题标签格式混排、空标签一大堆、类别编号和 classes.txt 对不上甚至同一段监控视频的连续帧被随机分进了训练集和验证集。文件名叫“数据集-2”多半是指第二个版本但它仍然只是图像加标注框的监督信号不是能直接部署的成品模型。这篇文章不聊大而全的算法原理就按我处理工地监控数据的习惯从解压、校验、划分、训练、排坑到最后的模型校准讲一遍能把这份数据用起来的完整路径。适合正在做安全帽、反光衣、工程机械目标检测或者刚拿到一份历史标注数据准备训练基准模型的开发者参考。如果你期待的是“下载即用”那要先调整预期数据集整理这件事往往决定了后面所有训练工作的下限。2. 解压之后的第一步先摸清目录布局、命名规则和标注格式2.1 目录布局图片、标签和划分清单各在哪个位置先别急着训练把压缩包解开用find看一下整体目录结构。大概率会看到两种风格一种是把 images 和 labels 分开放另带一个 classes.txt另一种是按 train/val/test 分好子目录里面再各放图片和标注。不同打包风格直接决定了你后续写校验脚本时该去哪找文件。unzip -q 建筑工地目标检测数据集-2.zip -d>data-2/ images/ 000001.jpg 000002.jpg labels/ 000001.txt 000002.txt classes.txt也有的版本会把标注放在annotations/下用 XML 或 JSON 格式保存。看到这种结构不要慌你先记住一个原则训练框架要的只是一份“图片路径 对应标注”的索引原始目录怎么摆都可以后面通过脚本转成标准格式就行。真正需要警惕的是 labels 目录里文件数明显少于 images或者某个子目录里混着不同后缀的标注文件这种数据源大多经历过手工补标一致性最差。2.2 判断标注格式先抽三个样本再决定要不要写转换脚本建筑工地目标检测数据集的标注格式一般逃不出三种YOLO 的 txt、VOC 的 xml、COCO 的 json。YOLO txt 最常见每一行是“类别ID 中心点x 中心点y 宽 高”四个坐标都是相对图片宽高的归一化值VOC xml 则把目标框坐标写成了绝对像素值。两者混在一个数据集里时训练会直接报错或者默默丢掉一部分框。我一般会写一段极短的探查脚本先随机抽几张图看看对应标签长什么样再决定后续怎么统一格式import os for img_file in [images/000001.jpg, images/000002.jpg, images/000003.jpg]: base os.path.splitext(img_file)[0].replace(images/, labels/) for ext in [.txt, .xml, .json]: p f{base}{ext} if os.path.exists(p): print(img_file, -, p) with open(p, r, encodingutf-8) as f: lines f.read().strip().splitlines()[:5] print(\n.join(lines)) break这段代码的核心逻辑是同一个图片名依次去 labels 目录下找 txt、xml、json 三种后缀找到哪个就打印哪个的前五行。你不需要把所有文件都解析一遍三个样本就能区分出数据集的标注体系。如果三张图分别出现不同格式说明这个包经历过多次导出后面必须写统一脚本。如果 txt 里的第一列数字大于 classes.txt 里列出的类目数减一那就是版本冲突常见于“数据集-2”是在旧版基础上追加了类别却没有重新生成所有标签。3. 清洗数据集-2校验、划分与增强缺一环都会白训3.1 清掉空标签、坏图和越界类别编号拿到一份建筑工地检测数据集第一件事不是标新立异而是用脚本把所有文件过一遍。工地监控照片有个特点大量画面是空镜头、逆光拍糊、或者只有远处塔吊但没有可标注物体。这些图里如果有标签文件很可能是空文件或者写了一个不存在的类别 ID。如果直接把这样一堆数据丢给训练框架轻则损失一部分训练样本重则让模型学到“看到空白就输出一个奇怪框”。我用这段脚本做第一轮清理import os import cv2 img_dir images label_dir labels problems [] for img_name in sorted(os.listdir(img_dir)): base os.path.splitext(img_name)[0] label_path os.path.join(label_dir, base .txt) if not os.path.exists(label_path): problems.append((img_name, label missing)) continue with open(label_path) as f: lines [line.strip() for line in f if line.strip()] if not lines: problems.append((img_name, empty label)) continue img cv2.imread(os.path.join(img_dir, img_name)) if img is None: problems.append((img_name, broken image)) continue height, width img.shape[:2] for line in lines: parts list(map(float, line.split())) cls, x, y, w, h parts if int(cls) 0 or int(cls) 3: problems.append((img_name, fclass id overflow: {cls})) break if not (0 x 1 and 0 y 1): problems.append((img_name, fcenter out of range: {line})) break if w 0 or h 0 or w 1 or h 1: problems.append((img_name, fbox size out of range: {line})) break print(bad samples:, len(problems)) for p in problems[:20]: print(p)这段脚本把每个图片名对应的标签文件读出来先看是否存在、是否为空再读图片、检查类别 ID 是否越界、框坐标是否在合法区间。具体执行时把里面的3换成你 classes.txt 的实际类别数。这里有个经验值空标签和坏图一般能清掉 5% 到 15% 的样本清完之后数据集才谈得上可用。不要觉得这是浪费把脏数据留着训练出来的模型就会把误检当成正常输出。3.2 按来源划分数据而不是随机打散建筑工地目标检测数据集里的图片很多是从监控视频里抽帧出来的相邻帧的内容几乎一样。如果直接用train_test_split随机分同一个场景的连续帧会同时出现在训练集和验证集里最后指标会异常好看但模型一上真实场景立刻露馅。正确做法是按“拍摄来源”分组让同一个摄像头、同一段时间的画面只出现在一个集合里。如果文件名里带了摄像头编号或时间前缀可以按前缀分组import os import random from collections import defaultdict images [f for f in os.listdir(images)] groups defaultdict(list) for img in images: group_key img.split(_)[0] if _ in img else scene_ img[:4] groups[group_key].append(img) keys list(groups.keys()) random.shuffle(keys) num len(keys) train_keys keys[: int(num * 0.8)] val_keys keys[int(num * 0.8): int(num * 0.9)] test_keys keys[int(num * 0.9):] def write_list(name, key_list): with open(name, w) as f: for key in key_list: for img in groups[key]: f.write(img \n) write_list(train.txt, train_keys) write_list(val.txt, val_keys) write_list(test.txt, test_keys)这段脚本先按文件名第一个下划线前的字段分组然后把组随机分到训练、验证、测试三个文件里。核心参数是 8:1:1 的比例如果你的标注量很大可以改成 7:1:2。这里容易踩的坑是不要按帧索引切分一定要按场景 key 切分。如果文件名里没有明显分组信息就按时间排序后整段切前 80% 当训练后 20% 当验证这样至少能避免最严重的跨场景泄漏。3.3 数据增强小目标靠切图逆光靠光度扰动工地场景里最难检的往往不是机械大目标而是远处工人头上的安全帽十几像素甚至几像素的帽子比比皆是。针对小目标增强策略不能只靠随机翻转和裁剪我会显式开启 Mosaic 和比例缩放用大图切块训练让模型在更小的目标尺寸上也见过足够多样本。逆光和傍晚场景则靠亮度对比度扰动来补不然模型白天好用傍晚就失灵。常见的增强库配置可以等价写成这样aug dict( mosaic1.0, random_brightness_contrast(0.6, 0.6), hsv_h0.02, hsv_s0.5, hsv_v0.5, fliplr0.5, flip_ud0.0, scale_min0.2, )几个参数要单独说明flip_ud0.0意味着不做上下翻转因为安全帽永远在头顶上下翻转会强行让模型学习“帽子长在脚底”的错误规律反而增加误检。mosaic1.0表示每张训练图都来自四张图拼接能显著提升小目标附近的上下文多样性但也会让本来就小的目标变得更小所以需要配合scale_min0.2避免把所有目标都缩没了。亮度对比度扰动控制在 0.6 左右既能模拟傍晚逆光又不会把白天样本压成黑乎乎一团。4. 训练参数怎么设类别清单、锚框、输入尺寸一起定4.1 读取 classes.txt生成训练用的数据声明文件建筑工地目标检测数据集-2 的类别数不会太多常见的是安全帽、反光衣、人、挖掘机、塔吊这几类。先读一下 classes.txt把类别列表和数量输出再生成训练框架需要的数据声明文件。这样做看似多了一步实际上是为了避免在命令行里手写nc4这类参数一旦类别数写错训练过程不报错但验证时所有框都会错位。with open(classes.txt) as f: classes [x.strip() for x in f if x.strip()] print(f类别数: {len(classes)}, 列表: {classes}) data_yaml f path: ./ train: train.txt val: val.txt test: test.txt nc: {len(classes)} names: {classes} with open(data.yaml, w) as f: f.write(data_yaml)这段代码把classes.txt解析成列表并生成一个 data.yaml 给训练框架用。path指向当前数据集根目录train和val指向刚生成的索引文件names里的顺序必须和标注文件里的类别 ID 严格一致。如果你的标注是 VOC 或 COCO这一步要先把标注转成 YOLO 格式再生成这个文件顺序不能反不然类别顺序会错位训练出的模型等于每个目标都预测错了名字。4.2 锚框不要抄通用预置值对小目标重新聚类很多训练框架默认锚框是从自然图片数据集上统计出来的尺寸偏大建筑工地里的安全帽、反光背心这类小目标占比高继续用默认锚框会让小目标分支的回归非常吃力。我习惯在每次训练前用标注框重新聚类一组锚框几行代码就能跑出来。import numpy as np from pathlib import Path boxes [] for lp in Path(labels).glob(*.txt): for line in lp.read_text().strip().splitlines(): parts line.split() if len(parts) 5: _, _, _, w, h map(float, parts) boxes.append([w, h]) boxes np.array(boxes, dtypenp.float64) def kmeans_anchor(boxes, k, max_iter100, seed7): rng np.random.default_rng(seed) anchors boxes[rng.choice(len(boxes), k, replaceFalse)].copy() for _ in range(max_iter): w boxes[:, 0] h boxes[:, 1] aw anchors[:, 0] ah anchors[:, 1] inter np.minimum(w[:, None], aw[None, :]) * np.minimum(h[:, None], ah[None, :]) union w[:, None] * h[:, None] aw[None, :] * ah[None, :] - inter iou inter / (union 1e-6) assign np.argmax(iou, axis1) new_anchors [] for j in range(k): group boxes[assign j] if len(group) 0: new_anchors.append(anchors[j]) else: new_anchors.append(group.mean(axis0)) anchors np.array(new_anchors) return anchors anchors kmeans_anchor(boxes, k9) print(anchors:) print(anchors)这段脚本读取所有 YOLO 格式的标签取出归一化后的宽和高然后用 IoU 距离做 k-means 聚类最终输出 9 组锚框。k9 是一般检测框架的常见取值如果你用轻量模型可以改成 6 组。这里要提醒一句聚类出来的锚框尺寸依赖输入分辨率如果你打算用 1280 训练就按 1280 下的归一化坐标去换算如果训练和推理的输入尺寸不一致锚框也要同步缩放否则前面的聚类就白做了。配合锚框重聚类我一般把输入尺寸从默认 640 提到 1280尤其安全帽这类小目标640 下常常只有 6 到 8 个像素宽1280 下能翻倍到可辨识范围。训练命令可以按这个思路设置# 常见 YOLO 系框架的参数示意具体写法以你使用的版本为准 python train.py --data data.yaml --model yolov8n.pt \ --img-size 1280 --batch-size 8 --epochs 100 \ --patience 20 --weights pretrained.ptimg-size 1280是工地小目标场景下最值得优先加的参数但显存不够时不要硬上可以把 batch-size 降到 4配合梯度累积来缓解。patience 20表示验证集指标连续 20 轮不提升就早停省时间也避免过拟合到最后开始背训练样本。5. 建筑工地目标检测避坑指南四个比模型结构更影响结果的问题5.1 安全帽类别漂移戴帽和不戴帽的边界不统一现象训练时安全帽类别指标很高但一到新工地视频模型频繁把头顶阴影、安全帽反光、甚至黄色塑料凳识别成安全帽。原因标注者对“戴帽”的界定不一致。有的标注只要帽子出现在头顶就算正样本有的要求遮盖住 60% 以上的头围才标还有的把帽带的反光条单独标成另一个物体。数据源里混了多种标准模型学到的不是帽子的本质而是各种黄色块和弧形纹理。解决统一标注规则至少按“帽子覆盖头部面积过半”才算正样本。如果数据集里已经有大量模棱两可的框最简单的做法是把它们当作难例保留但要在训练时给安全帽类别加一点权重或者干脆把安全帽拆成“戴帽”“不戴帽”两个类别让模型先分清人再判断帽子状态。5.2 小目标密集工人挤在一起被模型“团灭”现象画面里有十几个工人模型只输出三四个框另外几个被漏掉或者两个相近工人被框成一个巨大矩形。原因工地多人作业时标注框之间重叠率高模型在 NMS 阶段把置信度略低的框压掉了。另一个原因是训练时用的输入尺寸太小几像素宽的帽子在特征图里已经退化成一个点。解决提高输入分辨率到 1280同时在增强阶段开 Mosaic 并保证每张训练图里保留小目标样本。推理阶段如果还是漏把 NMS 的 IoU 阈值从默认的 0.45 调高到 0.6能减少高密度场景下的框合并。注意不要调得太高否则同一个目标会产生重复框。5.3 把工地设备误检成人或安全帽现象蓝色铁皮围挡、反光锥桶、混凝土搅拌车滚筒有时被误检成工人或安全帽。原因围挡和工服的蓝色色块接近反光衣和锥桶的橙色接近模型学到的颜色特征没有和“人体结构”绑定于是看到大面积近似色就触发检测。解决不要急着改网络结构先看训练数据里的负样本够不够多。我通常会在训练集里额外放一批没有目标的背景图和难负例图让模型明确“这块区域即使有颜色也不是目标”。另一个办法是把类别定义写得更窄不是检测“所有反光物体”而是检测“穿反光衣的人”标注时只标人体范围内的区域不标单独的反光布。5.4 验证集虚高同一段视频漏进了两个集合现象训练日志里 mAP 到 0.95部署到新摄像头后准确率直接掉到 0.6 左右差得离谱。原因图片来自监控视频抽帧随机划分时同一个摄像头同一天的连续帧被分到训练集和验证集模型等于已经在考场上见过验证题。解决按场景划分数据而不是按帧随机分。具体操作见 3.2 节文件名里有摄像头编号就按编号分没有编号就按时间戳整段切。强烈建议在训练完成后再留一个“完全陌生的摄像头”的测试文件夹只有它在 mAP 上也保持住才算真的有效。6. 把数据集-2 变成自己的模型迁移、置信度校准与验收技巧6.1 先小批量跑通端到端再谈精度完整地训一个工地目标检测模型之前我最先做的事是从清洗后的数据里取 100 张图跑一个 10 轮的快速实验。这个小实验不是为了出精度而是验证整条链路图片路径是否正确、类别顺序是否对得上、损失能否正常下降、验证阶段能不能输出预测结果。如果这个小批量过程里出现nanloss 或者验证阶段一张图都没有输出基本就是标注越界、类别数不一致或路径配置错误趁早停下来比训到一半再排查省得多。跑通小批量之后再用全量数据训练。个人习惯是先冻结骨干网络微调 20 轮等验证集损失不再下降再解冻全部层微调 50 到 100 轮。这样能避免新工地数据量不足时把预训练权重里的通用特征全部冲掉。6.2 用验证集错误样本调置信度阈值最后一个值得做的技巧是给推理阶段选一个合适的置信度阈值。默认 0.5 不一定适合你的工地场景如果客户更在意不能漏人就把阈值降到 0.3用误检换召回如果误报会导致告警平台被刷屏就提到 0.7。别靠肉眼拍脑袋把验证集预测结果导出来看不同阈值下的精确率和召回率曲线。import json preds json.load(open(val_predictions.json)) labels json.load(open(val_labels.json)) for threshold in [0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8]: tp fp fn 0 for pred, label in zip(preds, labels): matched set() for p in pred: if p[conf] threshold: continue # 这里省略 IoU 匹配逻辑实际按框重叠面积计算 matched.add(p[cls]) for target in label[classes]: if target in matched: tp 1 else: fn 1 fp max(0, len(matched) - len(label[classes])) precision tp / (tp fp) if tp fp 0 else 0 recall tp / (tp fn) if tp fn 0 else 0 print(fthreshold{threshold}, precision{precision:.3f}, recall{recall:.3f})这段代码按置信度阈值过滤预测框然后粗略统计精确率和召回率实际工程里要把 IoU 匹配补上。你真正要观察的是阈值从 0.5 移动到 0.3 时召回率提升了多少、误检增加了多少。如果 0.3 时误检暴增说明模型学到的是颜色特征而不是结构特征该回头查标注质量如果 0.7 时召回率仍然很高说明检测结果很可靠可以放心提高阈值减少告警。把这份建筑工地目标检测数据集-2 跑完我最深的感受是真正决定模型能不能用的往往是数据组织、场景划分、标注边界这些最不起眼的地方。我习惯在最后一轮训练时留下一个从没参与过任何训练和验证的摄像头来验收如果它在第一帧就丢目标那前面所有指标都只是数字。希望帮到你。本文还有配套的精品资源点击获取