简介这份资源面向从事目标检测算法学习与工程落地的开发者提供雾天场景下的行人、车辆检测数据集可直接用于YOLOv5训练省去格式转换与标注整理环节。数据涵盖人、轿车、公交车、自行车、摩托车共5个类别图像为400至1000分辨率的RGB图片取自雾天马路上的常见车辆与人群适合做恶劣天气下的检测鲁棒性研究与模型对比实验。资源包共约2000个文件以1999个txt标注文件和1个Python可视化脚本为主压缩包大小约123.5MB其中训练集含4320张图片及对应标签验证集含100张图片及对应标签并附有类别说明文本。可视化脚本随机传入一张图片即可绘制边界框并保存到当前目录无需修改即可运行便于快速核验标注质量。目前已有405人学习下载适合需要现成雾天数据做训练、验证与效果展示的读者。1. 雾天行人车辆检测数据集5 类目标、4420 张图YOLOv5 目录直接开训雾天场景的目标检测一直是落地里比较别扭的一类需求。正常天气下训好的模型一遇到雾天马路、能见度下降、目标边缘发灰召回率掉得很难看。这次拆的这份资源就是冲着这个场景来的雾天下的行人、车辆目标检测数据集5 个类别——人、轿车、公交车、自行车、摩托车图像分辨率在 400 到 1000 之间的 RGB 图片全部按 YOLOv5 的目录格式组织好训练集 4320 张图配 4320 个 txt 标签验证集 100 张图配 100 个标签总大小 130MB。它解决的不是从零标注的问题而是让你跳过清洗、划分、格式转换这几步直接把 datasets 目录丢进 YOLOv5 就能跑起来。适合做雾天感知、交通监控、自动驾驶感知预研或者单纯想拿一份现成的多类别交通场景数据练手 YOLOv5 训练流程的人。2. 目录结构与类别定义先看清这份数据集长什么样拿到一份数据集我习惯先不急着训先把目录结构和标签格式过一遍。这一步花十分钟能省掉后面几个小时的报错排查。这份资源的价值很大程度上就体现在结构已经规整上所以先把它讲透。2.1 YOLOv5 标准目录长什么样YOLOv5 对数据集的目录组织有比较固定的约定核心是 images 和 labels 两个文件夹平行放置且内部文件名一一对应。这份数据集按训练集、验证集拆开结构大致是这样datasets/ ├── images/ │ ├── train/ # 4320 张雾天图片 │ └── val/ # 100 张雾天图片 ├── labels/ │ ├── train/ # 4320 个 txt 标签 │ └── val/ # 100 个 txt 标签 └── QC_Bing_515.txt # 类别名称文件这里有个容易忽略的点YOLOv5 默认会去 images 路径里找图片然后把路径里的/images/替换成/labels/再去找同名 txt。所以 images 和 labels 的层级必须严格对应train 对 train、val 对 val文件名不含扩展名也必须一致。这份数据集的 4320 对、100 对文件就是按这个规则配好的省去了自己写脚本对齐的麻烦。2.2 五个类别与标签文件格式类别一共 5 个人、轿车、公交车、自行车、摩托车。类别定义写在QC_Bing_515.txt这类文本文件里一行一个类别名行号从 0 开始就是类别 id。txt 标签文件里每一行的格式是 YOLO 标准class_id x_center y_center width height其中后四个值都是归一化到 0 到 1 之间的相对坐标不是像素值。举个例子一张 800×600 的图里有个轿车框在 (100, 200) 到 (300, 400)那么中心点是 (200, 300)宽 200、高 200归一化后就是1 0.25 0.5 0.25 0.333假设轿车 id 是 1。这个格式是 YOLOv5 直接吃的不需要再做 VOC 到 YOLO 的转换。提示如果你拿到的标签是 VOC 的 xml 或者 COCO 的 json那才需要转换脚本这份资源已经是 txt跳过那一步。2.3 用可视化脚本先验证一遍数据集里带了一个show.py作用是随机传入一张图片把边界框画出来并保存到当前目录。这个脚本不用改就能跑是我拿到任何 YOLO 数据集后的第一道验证工序——先确认标签和图片对得上再谈训练。import cv2 import random import os # 类别名顺序必须和 QC_Bing_515.txt 一致 classes [person, car, bus, bicycle, motorcycle] img_dir datasets/images/train label_dir datasets/labels/train # 随机抽一张图 img_name random.choice(os.listdir(img_dir)) img_path os.path.join(img_dir, img_name) label_path os.path.join(label_dir, img_name.replace(.jpg, .txt)) img cv2.imread(img_path) h, w img.shape[:2] with open(label_path, r) as f: for line in f.readlines(): cid, xc, yc, bw, bh map(float, line.split()) # 反归一化回像素坐标 x1 int((xc - bw / 2) * w) y1 int((yc - bh / 2) * h) x2 int((xc bw / 2) * w) y2 int((yc bh / 2) * h) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(img, classes[int(cid)], (x1, y1 - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2) cv2.imwrite(vis_result.jpg, img) print(saved vis_result.jpg)逻辑说明脚本先随机抽一张训练图再按同名规则找到对应 txt逐行解析归一化坐标反算回像素坐标后画框。参数上classes列表的顺序必须和类别文件严格一致否则框上的文字会张冠李戴img_name.replace(.jpg, .txt)这行假设图片是 jpg如果你的图是 png这里要跟着改。跑完看vis_result.jpg框贴合目标、类别文字正确说明这份数据是干净的可以进入训练。3. 接入 YOLOv5 训练data.yaml 配置与首轮跑通结构确认没问题接下来就是把它接进 YOLOv5 的训练流程。这一步的核心是写对 data.yaml然后确认路径、类别数、缓存策略这几个参数。很多人第一次训自己的数据集翻车八成栽在 yaml 路径上。3.1 写一份能直接用的 data.yamlYOLOv5 通过一个 yaml 文件告诉训练脚本去哪里找数据、有几个类别、类别叫什么。针对这份数据集配置如下# fog_person_vehicle.yaml path: ./datasets # 数据集根目录 train: images/train # 相对 path 的训练图路径 val: images/val # 相对 path 的验证图路径 nc: 5 # 类别数 names: [person, car, bus, bicycle, motorcycle]参数说明path是根目录train和val是相对它的子路径YOLOv5 会自动把images替换成labels去找标签。nc必须等于 names 的长度写错了训练会在算 loss 时直接报维度不匹配。names 的顺序要和QC_Bing_515.txt完全一致因为标签里的 class_id 是按这个顺序索引的。注意path用相对路径时是相对于你执行训练命令的工作目录不是相对于 yaml 文件。我一般直接写绝对路径省得来回 cd 出问题。3.2 启动训练与关键参数配置写好训练命令本身不复杂但几个参数值得说清楚python train.py \ --data fog_person_vehicle.yaml \ --weights yolov5s.pt \ --img 640 \ --batch 16 \ --epochs 100 \ --cache逻辑说明--weights yolov5s.pt表示从官方预训练权重开始微调比从头训收敛快得多雾天这种域偏移场景尤其推荐。--img 640是输入尺寸这份数据原图 400 到 1000统一缩到 640 是常规做法显存吃紧可以降到 416。--batch 16按显存调8G 显存跑 yolov5s 加 640 尺寸16 一般稳。--cache把图片缓存到内存4420 张 130MB 的数据集完全放得下能明显加快每个 epoch 的读取速度。跑起来后重点看几个输出train/box_loss、val/box_loss是否稳定下降metrics/mAP_0.5是否在涨。如果 box_loss 一开始就很大且不降多半是标签坐标有问题如果 mAP 一直上不去先怀疑类别不平衡——这份数据里公交车、自行车、摩托车的样本量大概率远少于人和轿车后面会讲怎么处理。3.3 验证集只有 100 张评估怎么看验证集 100 张说实话偏小评估结果的波动会比较明显。我的做法是不要只盯最后一个 epoch 的 mAP而是看results.csv里 mAP 的整体趋势取一个稳定区间而不是单点。另外可以自己从训练集里再切一小部分出来做二次验证交叉确认模型没有过拟合到那 100 张上。# 训练结束后用验证脚本单独跑一遍 python val.py \ --data fog_person_vehicle.yaml \ --weights runs/train/exp/weights/best.pt \ --img 640 \ --task val参数说明--task val只做评估不保存预测图速度快想看具体预测效果就换成--task test并加--save-txt。best.pt是训练过程中验证指标最好的权重通常比last.pt更适合部署。4. 避坑与排查雾天数据集训练最容易栽的五个地方这一章是我自己踩过、也见过别人踩的坑按现象 → 原因 → 解决整理。雾天数据本身有它的特殊性很多在清晰数据集上不明显的毛病在这里会被放大。4.1 训练 loss 正常但 mAP 极低现象box_loss 一路下降看着很健康但 mAP_0.5 始终在 0.1 以下。原因最常见的是类别顺序错位。标签里的 class_id 是按QC_Bing_515.txt的顺序编的但你在 data.yaml 的 names 里换了顺序模型学到的类别和评估时对不上。解决把 data.yaml 的 names 和类别文件逐行比对确保第 0 行对应第 0 类。改完重新训别在旧权重上接着训。4.2 报错 No labels found现象训练启动时报找不到标签或者警告大量图片没有对应 label。原因images 和 labels 的目录层级没对齐或者文件名扩展名不一致图是 .png标签按 .jpg 去替换找。解决检查 images/train 和 labels/train 是否同级对应用脚本批量核对文件名去掉扩展名后是否一一匹配。这份资源是配好的但如果你自己挪动过目录很容易破坏这个对应关系。4.3 显存溢出 OOM现象训练几个 batch 后报 CUDA out of memory。原因--img或--batch设太大或者没开--cache却用了大 batch。解决先把 batch 降到 8 试再不行把 img 降到 416。开了--cache的话内存占用会上去但显存主要受 batch 和 img 影响。8G 卡跑 yolov5s 640 batch 16 是安全线。4.4 小目标漏检严重现象远处的小轿车、小摩托车基本检不出来。原因雾天本身对比度低小目标特征更弱加上统一缩到 640 后小目标像素更少。解决把--img提到 960 或 1280显存允许的话或者用 yolov5m/l 这种更大 backbone。另一个办法是在数据层面做 mosaic 增强YOLOv5 默认就开确认没被关掉。4.5 类别不平衡导致稀有类几乎不召回现象人和轿车 mAP 还行公交车、自行车、摩托车几乎检不出。原因这 5 类在雾天马路场景里分布天然不均稀有类样本少模型倾向于忽略它们。解决先统计每类框数量确认不平衡程度然后可以用--cls加权或者对稀有类做复制过采样。更彻底的是在 loss 里给稀有类更高权重但这要改代码属于进阶操作。5. 进阶技巧从跑通到跑好几个我固定会做的动作数据集能训起来只是及格线真正决定这份资源值不值得反复用的是你能不能把它调到一个可用的精度。这一章讲几个我每次拿到新数据集都会走的动作尤其是雾天这种域偏移明显的场景。第一个动作是先做一次类别分布统计别凭感觉猜。写个小脚本数一遍每类的框数量心里有数才知道后面要不要做重采样。import os from collections import Counter label_dir datasets/labels/train counter Counter() for fname in os.listdir(label_dir): with open(os.path.join(label_dir, fname)) as f: for line in f: cid int(line.split()[0]) counter[cid] 1 names [person, car, bus, bicycle, motorcycle] for cid, cnt in sorted(counter.items()): print(f{names[cid]}: {cnt})跑完你会看到类似 person 和 car 占大头、bus 和 bicycle 偏少的分布。这个结果直接决定你要不要对稀有类做增强。我一般如果某类占比低于 5%就会考虑过采样或者调 loss 权重。第二个动作是固定一套评估基线别每次换参数就重新猜。我的习惯是yolov5s img 640 batch 16 100 epoch 作为基线记下 mAP_0.5 和每类 AP之后任何改动都跟这个基线比。雾天数据上基线 mAP 通常在 0.5 到 0.7 之间浮动低于 0.4 基本说明配置或数据有问题。第三个动作是拿真实雾天视频抽帧做一次推理验证。训练集的 mAP 再高也不代表实际场景能用。我会用detect.py跑一段没参与训练的雾天素材看框的稳定性和漏检情况python detect.py \ --weights runs/train/exp/weights/best.pt \ --source test_fog_video.mp4 \ --img 640 \ --conf 0.25 \ --save-txt参数上--conf 0.25是置信度阈值雾天场景我一般会调到 0.2 到 0.3 之间太低误检多太高漏检多得按实际画面权衡。--save-txt把检测结果存下来方便后续做统计或者接下游逻辑。最后一个习惯是每次训完都把 data.yaml、训练命令、关键超参和最终指标记在一个小本子上。雾天数据集这种域偏移场景参数敏感度比常规数据高今天调好的配置过两周就忘了细节没有记录等于白调。从那以后我每次动数据集都强制先跑一遍可视化脚本确认标签、再统计类别分布、最后才开训这三步走完基本不会出大问题。希望这份雾天行人车辆数据集能帮你把雾天感知这条线快速跑起来。本文还有配套的精品资源点击获取 雾天行人车辆检测数据集：5类目标4420张图，YOLOv5直接开训
简介这份资源面向从事目标检测算法学习与工程落地的开发者提供雾天场景下的行人、车辆检测数据集可直接用于YOLOv5训练省去格式转换与标注整理环节。数据涵盖人、轿车、公交车、自行车、摩托车共5个类别图像为400至1000分辨率的RGB图片取自雾天马路上的常见车辆与人群适合做恶劣天气下的检测鲁棒性研究与模型对比实验。资源包共约2000个文件以1999个txt标注文件和1个Python可视化脚本为主压缩包大小约123.5MB其中训练集含4320张图片及对应标签验证集含100张图片及对应标签并附有类别说明文本。可视化脚本随机传入一张图片即可绘制边界框并保存到当前目录无需修改即可运行便于快速核验标注质量。目前已有405人学习下载适合需要现成雾天数据做训练、验证与效果展示的读者。1. 雾天行人车辆检测数据集5 类目标、4420 张图YOLOv5 目录直接开训雾天场景的目标检测一直是落地里比较别扭的一类需求。正常天气下训好的模型一遇到雾天马路、能见度下降、目标边缘发灰召回率掉得很难看。这次拆的这份资源就是冲着这个场景来的雾天下的行人、车辆目标检测数据集5 个类别——人、轿车、公交车、自行车、摩托车图像分辨率在 400 到 1000 之间的 RGB 图片全部按 YOLOv5 的目录格式组织好训练集 4320 张图配 4320 个 txt 标签验证集 100 张图配 100 个标签总大小 130MB。它解决的不是从零标注的问题而是让你跳过清洗、划分、格式转换这几步直接把 datasets 目录丢进 YOLOv5 就能跑起来。适合做雾天感知、交通监控、自动驾驶感知预研或者单纯想拿一份现成的多类别交通场景数据练手 YOLOv5 训练流程的人。2. 目录结构与类别定义先看清这份数据集长什么样拿到一份数据集我习惯先不急着训先把目录结构和标签格式过一遍。这一步花十分钟能省掉后面几个小时的报错排查。这份资源的价值很大程度上就体现在结构已经规整上所以先把它讲透。2.1 YOLOv5 标准目录长什么样YOLOv5 对数据集的目录组织有比较固定的约定核心是 images 和 labels 两个文件夹平行放置且内部文件名一一对应。这份数据集按训练集、验证集拆开结构大致是这样datasets/ ├── images/ │ ├── train/ # 4320 张雾天图片 │ └── val/ # 100 张雾天图片 ├── labels/ │ ├── train/ # 4320 个 txt 标签 │ └── val/ # 100 个 txt 标签 └── QC_Bing_515.txt # 类别名称文件这里有个容易忽略的点YOLOv5 默认会去 images 路径里找图片然后把路径里的/images/替换成/labels/再去找同名 txt。所以 images 和 labels 的层级必须严格对应train 对 train、val 对 val文件名不含扩展名也必须一致。这份数据集的 4320 对、100 对文件就是按这个规则配好的省去了自己写脚本对齐的麻烦。2.2 五个类别与标签文件格式类别一共 5 个人、轿车、公交车、自行车、摩托车。类别定义写在QC_Bing_515.txt这类文本文件里一行一个类别名行号从 0 开始就是类别 id。txt 标签文件里每一行的格式是 YOLO 标准class_id x_center y_center width height其中后四个值都是归一化到 0 到 1 之间的相对坐标不是像素值。举个例子一张 800×600 的图里有个轿车框在 (100, 200) 到 (300, 400)那么中心点是 (200, 300)宽 200、高 200归一化后就是1 0.25 0.5 0.25 0.333假设轿车 id 是 1。这个格式是 YOLOv5 直接吃的不需要再做 VOC 到 YOLO 的转换。提示如果你拿到的标签是 VOC 的 xml 或者 COCO 的 json那才需要转换脚本这份资源已经是 txt跳过那一步。2.3 用可视化脚本先验证一遍数据集里带了一个show.py作用是随机传入一张图片把边界框画出来并保存到当前目录。这个脚本不用改就能跑是我拿到任何 YOLO 数据集后的第一道验证工序——先确认标签和图片对得上再谈训练。import cv2 import random import os # 类别名顺序必须和 QC_Bing_515.txt 一致 classes [person, car, bus, bicycle, motorcycle] img_dir datasets/images/train label_dir datasets/labels/train # 随机抽一张图 img_name random.choice(os.listdir(img_dir)) img_path os.path.join(img_dir, img_name) label_path os.path.join(label_dir, img_name.replace(.jpg, .txt)) img cv2.imread(img_path) h, w img.shape[:2] with open(label_path, r) as f: for line in f.readlines(): cid, xc, yc, bw, bh map(float, line.split()) # 反归一化回像素坐标 x1 int((xc - bw / 2) * w) y1 int((yc - bh / 2) * h) x2 int((xc bw / 2) * w) y2 int((yc bh / 2) * h) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(img, classes[int(cid)], (x1, y1 - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2) cv2.imwrite(vis_result.jpg, img) print(saved vis_result.jpg)逻辑说明脚本先随机抽一张训练图再按同名规则找到对应 txt逐行解析归一化坐标反算回像素坐标后画框。参数上classes列表的顺序必须和类别文件严格一致否则框上的文字会张冠李戴img_name.replace(.jpg, .txt)这行假设图片是 jpg如果你的图是 png这里要跟着改。跑完看vis_result.jpg框贴合目标、类别文字正确说明这份数据是干净的可以进入训练。3. 接入 YOLOv5 训练data.yaml 配置与首轮跑通结构确认没问题接下来就是把它接进 YOLOv5 的训练流程。这一步的核心是写对 data.yaml然后确认路径、类别数、缓存策略这几个参数。很多人第一次训自己的数据集翻车八成栽在 yaml 路径上。3.1 写一份能直接用的 data.yamlYOLOv5 通过一个 yaml 文件告诉训练脚本去哪里找数据、有几个类别、类别叫什么。针对这份数据集配置如下# fog_person_vehicle.yaml path: ./datasets # 数据集根目录 train: images/train # 相对 path 的训练图路径 val: images/val # 相对 path 的验证图路径 nc: 5 # 类别数 names: [person, car, bus, bicycle, motorcycle]参数说明path是根目录train和val是相对它的子路径YOLOv5 会自动把images替换成labels去找标签。nc必须等于 names 的长度写错了训练会在算 loss 时直接报维度不匹配。names 的顺序要和QC_Bing_515.txt完全一致因为标签里的 class_id 是按这个顺序索引的。注意path用相对路径时是相对于你执行训练命令的工作目录不是相对于 yaml 文件。我一般直接写绝对路径省得来回 cd 出问题。3.2 启动训练与关键参数配置写好训练命令本身不复杂但几个参数值得说清楚python train.py \ --data fog_person_vehicle.yaml \ --weights yolov5s.pt \ --img 640 \ --batch 16 \ --epochs 100 \ --cache逻辑说明--weights yolov5s.pt表示从官方预训练权重开始微调比从头训收敛快得多雾天这种域偏移场景尤其推荐。--img 640是输入尺寸这份数据原图 400 到 1000统一缩到 640 是常规做法显存吃紧可以降到 416。--batch 16按显存调8G 显存跑 yolov5s 加 640 尺寸16 一般稳。--cache把图片缓存到内存4420 张 130MB 的数据集完全放得下能明显加快每个 epoch 的读取速度。跑起来后重点看几个输出train/box_loss、val/box_loss是否稳定下降metrics/mAP_0.5是否在涨。如果 box_loss 一开始就很大且不降多半是标签坐标有问题如果 mAP 一直上不去先怀疑类别不平衡——这份数据里公交车、自行车、摩托车的样本量大概率远少于人和轿车后面会讲怎么处理。3.3 验证集只有 100 张评估怎么看验证集 100 张说实话偏小评估结果的波动会比较明显。我的做法是不要只盯最后一个 epoch 的 mAP而是看results.csv里 mAP 的整体趋势取一个稳定区间而不是单点。另外可以自己从训练集里再切一小部分出来做二次验证交叉确认模型没有过拟合到那 100 张上。# 训练结束后用验证脚本单独跑一遍 python val.py \ --data fog_person_vehicle.yaml \ --weights runs/train/exp/weights/best.pt \ --img 640 \ --task val参数说明--task val只做评估不保存预测图速度快想看具体预测效果就换成--task test并加--save-txt。best.pt是训练过程中验证指标最好的权重通常比last.pt更适合部署。4. 避坑与排查雾天数据集训练最容易栽的五个地方这一章是我自己踩过、也见过别人踩的坑按现象 → 原因 → 解决整理。雾天数据本身有它的特殊性很多在清晰数据集上不明显的毛病在这里会被放大。4.1 训练 loss 正常但 mAP 极低现象box_loss 一路下降看着很健康但 mAP_0.5 始终在 0.1 以下。原因最常见的是类别顺序错位。标签里的 class_id 是按QC_Bing_515.txt的顺序编的但你在 data.yaml 的 names 里换了顺序模型学到的类别和评估时对不上。解决把 data.yaml 的 names 和类别文件逐行比对确保第 0 行对应第 0 类。改完重新训别在旧权重上接着训。4.2 报错 No labels found现象训练启动时报找不到标签或者警告大量图片没有对应 label。原因images 和 labels 的目录层级没对齐或者文件名扩展名不一致图是 .png标签按 .jpg 去替换找。解决检查 images/train 和 labels/train 是否同级对应用脚本批量核对文件名去掉扩展名后是否一一匹配。这份资源是配好的但如果你自己挪动过目录很容易破坏这个对应关系。4.3 显存溢出 OOM现象训练几个 batch 后报 CUDA out of memory。原因--img或--batch设太大或者没开--cache却用了大 batch。解决先把 batch 降到 8 试再不行把 img 降到 416。开了--cache的话内存占用会上去但显存主要受 batch 和 img 影响。8G 卡跑 yolov5s 640 batch 16 是安全线。4.4 小目标漏检严重现象远处的小轿车、小摩托车基本检不出来。原因雾天本身对比度低小目标特征更弱加上统一缩到 640 后小目标像素更少。解决把--img提到 960 或 1280显存允许的话或者用 yolov5m/l 这种更大 backbone。另一个办法是在数据层面做 mosaic 增强YOLOv5 默认就开确认没被关掉。4.5 类别不平衡导致稀有类几乎不召回现象人和轿车 mAP 还行公交车、自行车、摩托车几乎检不出。原因这 5 类在雾天马路场景里分布天然不均稀有类样本少模型倾向于忽略它们。解决先统计每类框数量确认不平衡程度然后可以用--cls加权或者对稀有类做复制过采样。更彻底的是在 loss 里给稀有类更高权重但这要改代码属于进阶操作。5. 进阶技巧从跑通到跑好几个我固定会做的动作数据集能训起来只是及格线真正决定这份资源值不值得反复用的是你能不能把它调到一个可用的精度。这一章讲几个我每次拿到新数据集都会走的动作尤其是雾天这种域偏移明显的场景。第一个动作是先做一次类别分布统计别凭感觉猜。写个小脚本数一遍每类的框数量心里有数才知道后面要不要做重采样。import os from collections import Counter label_dir datasets/labels/train counter Counter() for fname in os.listdir(label_dir): with open(os.path.join(label_dir, fname)) as f: for line in f: cid int(line.split()[0]) counter[cid] 1 names [person, car, bus, bicycle, motorcycle] for cid, cnt in sorted(counter.items()): print(f{names[cid]}: {cnt})跑完你会看到类似 person 和 car 占大头、bus 和 bicycle 偏少的分布。这个结果直接决定你要不要对稀有类做增强。我一般如果某类占比低于 5%就会考虑过采样或者调 loss 权重。第二个动作是固定一套评估基线别每次换参数就重新猜。我的习惯是yolov5s img 640 batch 16 100 epoch 作为基线记下 mAP_0.5 和每类 AP之后任何改动都跟这个基线比。雾天数据上基线 mAP 通常在 0.5 到 0.7 之间浮动低于 0.4 基本说明配置或数据有问题。第三个动作是拿真实雾天视频抽帧做一次推理验证。训练集的 mAP 再高也不代表实际场景能用。我会用detect.py跑一段没参与训练的雾天素材看框的稳定性和漏检情况python detect.py \ --weights runs/train/exp/weights/best.pt \ --source test_fog_video.mp4 \ --img 640 \ --conf 0.25 \ --save-txt参数上--conf 0.25是置信度阈值雾天场景我一般会调到 0.2 到 0.3 之间太低误检多太高漏检多得按实际画面权衡。--save-txt把检测结果存下来方便后续做统计或者接下游逻辑。最后一个习惯是每次训完都把 data.yaml、训练命令、关键超参和最终指标记在一个小本子上。雾天数据集这种域偏移场景参数敏感度比常规数据高今天调好的配置过两周就忘了细节没有记录等于白调。从那以后我每次动数据集都强制先跑一遍可视化脚本确认标签、再统计类别分布、最后才开训这三步走完基本不会出大问题。希望这份雾天行人车辆数据集能帮你把雾天感知这条线快速跑起来。本文还有配套的精品资源点击获取