简介:本资源为面向目标检测学习者的Pascal VOC格式打桩机数据集,适用于工程车辆识别、施工场景监控及算法训练等任务,尤其适合需要单一类别目标检测数据的中初级开发者与研究人员。压缩包共1219个文件,包含609张jpg图片与609个同名xml标注文件,另附1个说明txt,整体约75.48MB;图片与标注一一对应,xml记录矩形框位置,可直接用于VOC标准训练流程。标注采用labelImg完成,类别为dazhuangji,共标注619个目标框,标注规则为矩形框,数据准确合理。目前已有222人学习下载,可作为打桩机检测模型训练与验证的基础数据,帮助读者快速搭建实验环境、验证算法效果,并减少自行采集与标注的成本。
1. 609 张打桩机图片,凭什么值得单独做一套 VOC 数据集
工地监控画面里,挖掘机、吊车、混凝土搅拌车都有人做数据集,唯独打桩机长期缺席。原因很现实:打桩机作业时桩架高耸、机身被遮挡、扬尘严重,标注成本比普通工程车辆高一截。但如果你在做智慧工地、施工安全监测或工程机械调度,打桩机恰恰是最需要被单独识别的一类目标——它体积大、移动慢、作业半径危险,漏检一次可能就是安全事故。
这套「工程车辆数据集系列2」里的打桩机子集,共 609 张图,采用 Pascal VOC 格式标注。VOC 格式到今天依然是目标检测领域最通用的交换格式之一,YOLO 系列、Faster R-CNN、SSD 都能直接或间接吃进去。609 张不算大,但对于单一类别的打桩机检测,够跑通一个可用的基线模型。这篇文章面向两类人:一类是手里有类似工地数据、想照着流程做一套自有数据集的工程师;另一类是想直接拿这套数据训练打桩机检测模型、但不确定参数怎么设、坑在哪的从业者。下面从 VOC 格式的结构讲起,一路落到训练、验证和排错。
2. VOC 格式拆解:609 张图到底该怎么组织
2.1 VOC 目录结构与打桩机数据集的对应关系
Pascal VOC 的标准目录结构是固定的,很多人拿到一堆图片和 xml 就懵了,其实只要记住三个文件夹:JPEGImages放原图,Annotations放同名 xml 标注文件,ImageSets/Main放训练验证划分的 txt。打桩机这 609 张图,理想状态下应该这样组织:
VOCdevkit/ └── VOC2007/ ├── JPEGImages/ # 609 张 .jpg ├── Annotations/ # 609 个同名 .xml └── ImageSets/ └── Main/ ├── train.txt # 训练集文件名列表(不带扩展名) ├── val.txt # 验证集 └── trainval.txt # 两者合并这里有个容易忽略的点:train.txt里写的是文件名,不带.jpg后缀。比如pile_driver_0001,而不是pile_driver_0001.jpg。我见过不止一个人在这里翻车,训练脚本读不到图,报的错却是「找不到标注」,排查半天。
xml 文件的结构也要心里有数。每个 xml 对应一张图,核心是<object>节点,里面包含<name>(类别名)、<bndbox>(xmin/ymin/xmax/ymax)。打桩机数据集如果只有一个类别,<name>统一写pile_driver或piling_machine,全数据集必须一致,大小写、下划线都不能变。类别名不一致是训练时 loss 不下降的经典玄学原因之一。
2.2 用脚本检查 609 张图的标注完整性
拿到数据集第一件事不是急着训练,而是做完整性校验。609 张图,人工一张张看太慢,写个脚本跑一遍。下面这段代码检查三件事:图片和 xml 是否一一对应、xml 是否可解析、边界框是否越界。
import os import xml.etree.ElementTree as ET from PIL import Image IMG_DIR = "VOCdevkit/VOC2007/JPEGImages" XML_DIR = "VOCdevkit/VOC2007/Annotations" img_files = {os.path.splitext(f)[0] for f in os.listdir(IMG_DIR) if f.endswith(".jpg")} xml_files = {os.path.splitext(f)[0] for f in os.listdir(XML_DIR) if f.endswith(".xml")} # 1. 检查配对 only_img = img_files - xml_files only_xml = xml_files - img_files print(f"只有图无标注: {len(only_img)}, 只有标注无图: {len(only_xml)}") # 2. 检查 xml 可解析性与框越界 bad_xml, out_of_bound = [], [] for name in xml_files & img_files: xml_path = os.path.join(XML_DIR, name + ".xml") img_path = os.path.join(IMG_DIR, name + ".jpg") try: tree = ET.parse(xml_path) except ET.ParseError: bad_xml.append(name) continue w, h = Image.open(img_path).size for obj in tree.findall("object"): bbox = obj.find("bndbox") xmin = int(float(bbox.find("xmin").text)) ymin = int(float(bbox.find("ymin").text)) xmax = int(float(bbox.find("xmax").text)) ymax = int(float(bbox.find("ymax").text)) if xmin < 0 or ymin < 0 or xmax > w or ymax > h or xmax <= xmin or ymax <= ymin: out_of_bound.append((name, xmin, ymin, xmax, ymax, w, h)) print(f"损坏 xml: {len(bad_xml)}, 越界框: {len(out_of_bound)}") for item in out_of_bound[:10]: print(item)逻辑说明:先用集合差集找出不配对的样本,这是最基础的检查。然后遍历交集,用ET.parse捕获解析错误,再用 PIL 读图片尺寸,逐个 object 判断坐标是否在[0, w]和[0, h]范围内。参数上,xmax <= xmin这种退化框也要拦掉,否则训练时算 IoU 会出 NaN。
跑完这个脚本,如果越界框数量在个位数,可以手动修;如果几十个,说明标注工具或导出流程有问题,得回头查。打桩机因为桩架细长,标注时容易把框拉到图像边缘外,这是这类数据的高发问题。
2.3 从 VOC 转 YOLO 格式:转换脚本与四个边界坑
VOC 的 xml 不能直接喂给 YOLO,需要转成每张图一个 txt,每行class_id cx cy w h,且坐标归一化到 0~1。转换脚本本身不长,但坑集中在边界处理上。
import os import xml.etree.ElementTree as ET from PIL import Image CLASSES = ["pile_driver"] # 类别列表,顺序决定 class_id XML_DIR = "VOCdevkit/VOC2007/Annotations" IMG_DIR = "VOCdevkit/VOC2007/JPEGImages" OUT_DIR = "labels" os.makedirs(OUT_DIR, exist_ok=True) for xml_file in os.listdir(XML_DIR): if not xml_file.endswith(".xml"): continue name = os.path.splitext(xml_file)[0] img_path = os.path.join(IMG_DIR, name + ".jpg") w, h = Image.open(img_path).size tree = ET.parse(os.path.join(XML_DIR, xml_file)) lines = [] for obj in tree.findall("object"): cls_name = obj.find("name").text.strip() if cls_name not in CLASSES: continue cls_id = CLASSES.index(cls_name) bbox = obj.find("bndbox") xmin = float(bbox.find("xmin").text) ymin = float(bbox.find("ymin").text) xmax = float(bbox.find("xmax").text) ymax = float(bbox.find("ymax").text) # 坑1:坐标裁剪到图像范围内 xmin, ymin = max(0, xmin), max(0, ymin) xmax, ymax = min(w, xmax), min(h, ymax) # 坑2:退化框跳过 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 # 坑3:归一化后裁剪到 [0,1] cx, cy = min(max(cx, 0), 1), min(max(cy, 0), 1) bw, bh = min(max(bw, 0), 1), min(max(bh, 0), 1) lines.append(f"{cls_id} {cx:.6f} {cy:.6f} {bw:.6f} {bh:.6f}") # 坑4:无目标的图也要生成空 txt,否则训练时找不到文件 with open(os.path.join(OUT_DIR, name + ".txt"), "w") as f: f.write("\n".join(lines))四个坑逐个说。坑一是坐标裁剪,VOC 里偶尔有负坐标或超出图像尺寸的框,不裁剪归一化后会出负数或大于 1 的值,YOLO 训练直接报错。坑二是退化框,宽或高为 0 的框必须跳过,否则算 loss 时除零。坑三是归一化后的二次裁剪,浮点运算可能让 1.0 变成 1.0000001,裁一下更稳。坑四是空 txt,有些图可能没有打桩机(负样本),但 YOLO 要求每张图都有对应 txt,哪怕是空的,否则 dataloader 会报文件不存在。
转换完,建议再写个反向校验:统计所有 txt 里的类别分布和框数量,和 xml 里的总数对一下,数字对不上就说明转换逻辑有漏。
3. 用 YOLOv8 把 609 张打桩机图跑起来
3.1 环境配置与数据 yaml 的最小写法
环境这块,Ultralytics 的 YOLOv8 是目前上手最快的选择,pip 装完就能用。Python 建议 3.8 以上,torch 按显卡 CUDA 版本对应装。不展开环境细节,重点说数据配置文件。
YOLO 训练需要一个 yaml 描述数据路径和类别:
# pile_driver.yaml path: /data/pile_driver # 数据集根目录 train: images/train # 相对 path 的训练图目录 val: images/val nc: 1 # 类别数 names: ["pile_driver"] # 类别名,顺序和转换时的 CLASSES 一致目录结构对应调整为:
pile_driver/ ├── images/ │ ├── train/ # 约 480 张 │ └── val/ # 约 129 张 └── labels/ ├── train/ # 与图同名的 txt └── val/609 张按 8:2 划分,训练 487 张、验证 122 张,这是小数据集的常规比例。划分时注意同一段视频抽帧的图片不要跨训练集和验证集,否则验证指标虚高。如果这 609 张来自连续视频帧,建议按时间顺序切,前 80% 做训练,后 20% 做验证。
3.2 训练命令与 batch、imgsz 的取值逻辑
启动训练的命令很短:
yolo detect train \ data=pile_driver.yaml \ model=yolov8n.pt \ epochs=100 \ imgsz=640 \ batch=16 \ workers=4 \ project=runs/pile_driver \ name=exp1参数逐个说。model=yolov8n.pt用 nano 版本,609 张图用大模型容易过拟合,n 或 s 足够。imgsz=640是默认值,打桩机桩架细长,如果显存够,可以试 800 或 960,小目标召回会好一些,但速度下降。batch=16在 8G 显存上跑 640 尺寸基本稳,显存小就降到 8。epochs=100对小数据集偏多,建议配合早停,观察验证 mAP 连续 20 轮不涨就停。
训练过程中重点看三个指标:box_loss是否稳定下降、mAP50是否上升、cls_loss是否异常。如果 box_loss 降但 mAP 不涨,多半是标注框质量问题;如果 cls_loss 一直很高,检查类别名是否和 yaml 一致。
3.3 推理验证:怎么判断模型是真的学到了打桩机
训练完拿best.pt做推理,别只看指标,要肉眼过一遍验证集:
yolo detect predict \ model=runs/pile_driver/exp1/weights/best.pt \ source=images/val \ conf=0.25 \ save=Trueconf=0.25是默认置信度阈值,打桩机这种单类别场景可以调到 0.3~0.4,减少误检。推理结果存到runs/detect/predict,重点看三类图:远景小目标、扬尘遮挡、多台打桩机同框。如果远景漏检多,考虑提高训练 imgsz;如果遮挡误检多,补充遮挡样本或加数据增强。
判断模型是否真的学到,有个土办法:把验证集里模型置信度最高的 10 张和最低的 10 张挑出来对比看。高置信度的应该是典型打桩机,低置信度的往往是遮挡或远景。如果低置信度里混着明显正确的样本,说明模型欠拟合;如果高置信度里有明显错误的,说明过拟合或标注有噪声。
4. 打桩机数据集训练的避坑与排查
4.1 现象:训练 loss 正常但 mAP 始终为 0
原因通常出在类别名不匹配。VOC 转换时CLASSES写的是pile_driver,yaml 里names写成了piling_machine,或者大小写不一致。YOLO 按索引匹配,名字对不上时类别映射错位,预测框全被当成背景。
解决:转换脚本和 yaml 用同一份类别列表,最好从一个常量文件导入,别手写两遍。排查时打印dataset.names和model.names对比。
4.2 现象:验证集 mAP 很高,实际推理一塌糊涂
原因多半是训练验证集划分泄漏。609 张如果来自连续视频帧,相邻帧几乎一样,随机划分会让验证集里全是训练集的近邻帧,指标虚高。
解决:按视频段或时间顺序划分,确保验证集的场景和训练集有区分度。如果数据来自多个工地,按工地划分更稳。
4.3 现象:小目标打桩机漏检严重
原因有两个:一是训练 imgsz 太小,桩架在 640 下只剩几个像素;二是数据里小目标样本占比低,模型偏向大目标。
解决:提高 imgsz 到 800 或 960;开启 mosaic 和 copy-paste 增强;如果小目标确实关键,可以在验证集里单独统计小目标的召回率,别只看整体 mAP。
4.4 现象:推理时同一台打桩机出多个框
原因是非极大值抑制(NMS)的 IoU 阈值不合适,或者模型对同一目标输出了多个高置信度框。打桩机桩架细长,框之间 IoU 容易偏低,NMS 压不干净。
解决:推理时调低iou阈值(默认 0.7,可试 0.5),或调高conf阈值。如果还不行,说明模型训练不充分,增加 epochs 或补充难例。
4.5 现象:xml 解析报错,训练直接中断
原因是标注文件里有非法字符或编码问题。有些标注工具导出的 xml 带 BOM 头,或者类别名里有中文。
解决:用ET.parse前先读文件内容,去掉 BOM;类别名统一用英文。批量修复可以写个脚本遍历所有 xml,重新编码保存为 UTF-8 无 BOM。
5. 609 张之后:把打桩机检测做扎实的两个进阶技巧
609 张能跑出基线,但想真正落地到工地,还得再往前一步。第一个技巧是难例挖掘。训练完第一版模型后,用它在未标注的工地视频上推理,把置信度在 0.3~0.6 之间的框截出来,人工确认后补进训练集。这批样本是模型自己觉得「像但不确定」的,信息量最大。我一般会迭代两轮,每轮补 50~100 张,mAP 通常能再涨 3~5 个点。
第二个技巧是验证集的分层统计。别只看整体 mAP,把验证集按目标尺寸分成小(面积 < 32²)、中、大三档,分别算召回率。打桩机数据集里,小目标往往是远景桩架,中目标是被遮挡的机身,大目标是近景。如果小目标召回明显低,说明模型对远景不敏感,这时候提高 imgsz 比加数据更直接。
下面这个脚本可以快速统计验证集预测结果的分层召回:
import json from collections import defaultdict # 假设用 yolo 的 val 模式导出了 predictions.json with open("predictions.json") as f: preds = json.load(f) # 按目标面积分档统计 buckets = defaultdict(lambda: {"tp": 0, "fn": 0}) for item in preds: for gt in item["gt"]: area = gt["w"] * gt["h"] level = "small" if area < 32**2 else ("medium" if area < 96**2 else "large") matched = any(iou(gt, p) > 0.5 for p in item["pred"]) buckets[level]["tp" if matched else "fn"] += 1 for level, stat in buckets.items(): recall = stat["tp"] / (stat["tp"] + stat["fn"]) print(f"{level}: recall={recall:.3f}")这段代码的核心是把 GT 按面积分档,再逐个判断是否被预测框匹配上(IoU > 0.5)。iou函数需要自己实现,就是标准交并比。跑完你会清楚看到模型在哪一档掉链子,比盯着一个总 mAP 有用得多。
最后说个习惯:每次改完数据或参数,把训练配置、数据版本、指标结果记在一个 markdown 里。609 张图迭代几轮后,很容易忘了哪版数据对应哪个模型。我吃过这个亏,回头想复现最优结果时,发现数据已经改过三轮,后悔药没处买。希望帮到你。
本文还有配套的精品资源,点击获取