工业老鼠检测数据集：从VOC标注到YOLOv8部署全流程实战

简介：这是一套面向人工智能计算机视觉目标检测任务的老鼠检测标注数据集，特别针对工业厂房、仓库等场景下的小目标识别，适合需要训练、微调或评测检测模型的开发者与研究人员。资源采用PASCAL VOC标准标注格式，图像与XML标签一一对应，压缩包共包含686个文件，其中343张JPG图片和343个XML标注文件，整体大小约58.74MB。数据集内部划分为images与xmls两个子目录，XML中详细记录了每张图像中老鼠目标的边界框坐标与类别名称，可直接接入YOLO、Faster R-CNN等常见的深度学习训练流程。目前已有312人浏览学习，对工厂防鼠监测、食品安全防护等相关视觉项目而言，是一份结构清晰、易于上手的数据基础，便于快速开展目标检测模型训练与验证。实际部署中还可用于鼠害预警、设备防护等方向，有利于降低人工巡检成本。 工业场景里的老鼠检测，听起来是个小方向，但真正做过产线防鼠监测、仓储害虫防治或者食品厂合规巡检的人都知道，这事比想象中复杂得多。通用目标检测模型在室内明亮环境下识别老鼠还行，一放到工业现场——昏暗的管道间、闪烁的监控画面、堆满货物的仓库走廊、夜间红外黑白图像——精度立刻断崖式下跌。我自己在实际项目里就栽过跟头，后来花了不少力气整理工业环境老鼠目标检测数据，统一标注成VOC格式，才把模型效果拉回正轨。这篇就把这份数据集的完整结构、标注思路、训练验证到部署落地的实操链路都梳理一遍，给同样在做这个方向的朋友一个可参考的底稿。

1. 工业场景老鼠检测，为什么值得单独做一套数据集

1.1 传统防鼠手段的痛点和AI视觉监测的切入点

工业环境的老鼠防控，绝大多数企业还在用非常原始的方式：人工巡检、布设粘鼠板、定期投放诱饵、检查鼠粪痕迹。这些方法的问题很明显——发现时间严重滞后，往往是鼠患已经蔓延开、造成设备咬损或者线缆短路之后才意识到出了问题。我在现场看过不少案例，食品车间的线缆被咬断导致停产，损失远超过买几十个摄像头和算法服务的成本。

这两年越来越多的工厂开始在重点区域部署监控摄像头，想用视觉方式实现全天候监测。但摄像头装上了，真正的问题才浮现：通用检测模型根本不理解"工业环境里的老鼠"长什么样。家庭场景的老鼠通常出现在厨房地面、墙角，背景干净，光线充足；工业场景的老鼠往往只露出一截尾巴、一个快速闪过的轮廓，出现在灰暗的货架底部、黑色的管道夹层里，而且监控画面还有大量噪点、拖影、反光。我在一个仓库项目里直接拿YOLOv5的官方预训练权重去测，mAP只有可怜的十几二十个点，漏检率过半，完全没法用。

1.2 通用数据集与工业场景数据集的本质差距

差距的本质在于数据分布，不完全是模型能力问题。COCO、ImageNet这些公开数据集里的鼠类标注，基本是"一整只老鼠、清晰可见、占据画面较大比例"。工业场景下的目标有几个显著特征：

• 目标尺寸小，大量老鼠在画面中只有几十个像素边长，属于典型小目标
• 环境光照复杂，夜间红外模式下是灰度单通道，和白天彩色图像差异巨大
• 目标形态多变，经常只有局部可见（半截身体、探出的头、拖动的尾巴）
• 背景纹理密集且与老鼠颜色接近（灰色水泥地、黑色胶垫、铁皮管道）

这些差异导致模型在真实现场几乎无法泛化。所以我做这套数据集时的核心原则就是：宁要1000张贴合工业现场的难例，也不要1万张漂亮的网图。数据集的图像全部采集自真实的工业监控点位，包含白天/夜间、彩色/红外、不同车间和仓库布局、不同光照条件，标注对象覆盖完整可见的老鼠、局部可见的老鼠、幼鼠等多个细类，目的就是让训练出来的模型能真正在产线环境里干活。

2. VOC标注格式：看懂结构才能用好数据集

2.1 VOC格式的目录结构和标注文件字段解析

很多做算法的人拿到VOC格式数据集，第一反应是直接跑转换脚本，但其实先花十分钟看懂结构，能避免后续一堆坑。VOC格式（PASCAL VOC）是最通用的目标检测标注格式之一，核心结构是一个数据集根目录下包含三个子文件夹：

VOCdevkit/ └── VOC2007/ ├── JPEGImages/ # 存放原始图像 ├── Annotations/ # 存放每张图对应的XML标注文件 └── ImageSets/ └── Main/ # 存放训练/验证/测试集的txt列表

Annotations目录下每个XML文件对应一张JPEG图像，文件名一一对应。XML的核心信息可以分成三块：图像基本信息、标注对象列表、每个对象的包围框。下面这份是典型的例子：

<annotation> <folder>VOC2007</folder> <filename>warehouse_0183.jpg</filename> <size> <width>1920</width> <height>1080</height> <depth>3</depth> </size> <object> <name>rat</name> <pose>Unspecified</pose> <truncated>0</truncated> <difficult>0</difficult> <bndbox> <xmin>1240</xmin> <ymin>680</ymin> <xmax>1312</xmax> <ymax>742</ymax> </bndbox> </object> </annotation>

这里有两个字段很容易被忽略，但实际训练时影响很大。一个是truncated，表示目标是否超出图像边界；工业监控里老鼠经常从画面边缘探出来，如果目标超出边界超过一半，标注时我会把这个值置为1，训练时很多框架会默认忽略这类样本。另一个是difficult，表示目标是否难以辨识（比如严重模糊、极小），置为1的效果类似。这两个字段是VOC官方的"难例机制"，在转换成其他格式时一定要保留处理逻辑，盲目丢弃会让模型学过拟合那些"一眼就能看懂"的框。

2.2 工业环境下标注边界的一个实际案例

标注老鼠的边界框有个特别容易纠结的地方：老鼠蜷缩睡觉时身体是一个紧凑的椭圆，但快速跑动时身体会拉长，尾巴还会拖出长长一条。工业监控里很多老鼠在画面里就是"一个椭圆+一条线"的组合，标注时到底把尾巴算不算进框里？

我处理这套数据集时定了一个标准：框选范围以身体主体为准，尾巴如果超过身体长度的一半、且与身体在同一运动方向上，框进去；如果是蜷曲状态、尾巴绕在身体旁边，就不额外扩大框。这样做的理由是，目标检测框最终服务于定位和计数，身体主体是稳定特征，尾巴形态变化太大，硬框进去反而让模型学到错误的形状先验。另外，如果画面里有两只老鼠挨得很近、身体有部分重叠，我坚持分成两个框标注，绝不合并——这直接影响后续模型对密集场景的预测效果，亲测有效。

3. 数据集体检：拿到标注数据后先做这几件事

3.1 统计类分布和目标尺寸分布，提前规避训练陷阱

拿到一份标注好的数据集，别急着扔进训练脚本。我习惯第一步先做"数据集体检"，用脚本统计几个关键指标。首先是类别分布，VOC格式里每个XML的object字段都可以解析出来，统计一下总共有多少个实例，每张图的实例数分布如何。这份老鼠数据集的实例数分布呈典型的长尾形态：大部分图只有1到2只老鼠，但有几张夜间红外图像里一帧画面出现了10只以上（仓库角落鼠群聚集）。这种极端样本虽然在整体中占比不高，但对模型密集预测能力的提升帮助极大，训练时要注意监督采样避免被忽略。

另一个关键指标是目标尺寸分布。工业监控下小目标占比非常高，我统计了这套数据集的框面积占整图面积的比例，大约63%的边框面积占比小于2%，这个比例如果直接按YOLO默认配置训练，小目标会大量漏检。建议在训练配置里把输入分辨率从默认的640适当提高，或者使用专门的小目标检测层，后面第4节细说。

3.2 标签一致性和坐标合法性检查

标注数据集最怕的是标签名称不统一。同一类东西，有的图标"rat"，有的图标"mouse"，有的图标"Rat"，训练时会被当成三个类别。我写了个简单脚本检查所有XML里的name字段，确保严格统一为小写"rat"，这个检查虽然基础但特别实用。同时还需要检查坐标合法性：xmin必须小于xmax，ymin必须小于ymax，坐标不能超出图像宽高范围。有些标注工具在手工调整时会把框拖出画布边缘，这类非法数据在训练时报错还算好的，怕的是某些框架会自动裁剪、静默生成错误标签。

import os import xml.etree.ElementTree as ET def validate_voc_xml(xml_path, img_width, img_height): tree = ET.parse(xml_path) root = tree.getroot() errors = [] for obj in root.iter('object'): name = obj.find('name').text if name != 'rat': errors.append(f"{xml_path}: unexpected label {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) if xmin >= xmax or ymin >= ymax: errors.append(f"{xml_path}: invalid bbox {xmin},{ymin},{xmax},{ymax}") if xmin < 0 or ymin < 0 or xmax > img_width or ymax > img_height: errors.append(f"{xml_path}: bbox out of image bounds") return errors

3.3 训练验证测试集的划分原则

数据集的划分不是简单随机抽样就行。工业环境数据有一个特性：同一批摄像头拍出来的图往往高度相似，如果训练集和验证集里出现太多来自同一监控点、同一时段的相邻帧，验证结果会虚高，模型看起来效果很好，一装到新点位立刻露馅。我的做法是尽量按场景维度切分：设定train/val/test比例为7:2:1，但切分时先按采集点位和时段分层，保证同一时段连续帧尽量只在其中一个集合里。ImageSets/Main目录下需要生成train.txt、val.txt、test.txt三个文件，每行是图像文件名（不带扩展名），注意换行符用Unix格式，Windows下编辑过的文件有时会带入\r导致读取异常。

4. 用这套数据训练YOLOv8检测模型的完整流程

4.1 VOC格式转YOLO格式的代码实现

YOLO系列（v5/v8等）原生使用的不是VOC的XML标注，而是TXT格式，每行一个目标，格式为class_id x_center y_center width height，坐标全部归一化到0到1之间。从VOC转YOLO是最常见的格式转换需求，我自己写了个脚本，核心逻辑是解析XML、读取bndbox坐标、计算归一化中心点坐标并写入TXT文件。

import os import xml.etree.ElementTree as ET def voc2yolo(xml_file, output_dir, class_map=None): if class_map is None: class_map = {'rat': 0} tree = ET.parse(xml_file) root = tree.getroot() size = root.find('size') img_w = int(size.find('width').text) img_h = int(size.find('height').text) lines = [] for obj in root.iter('object'): name = obj.find('name').text if name not in class_map: continue cls_id = class_map[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) x_center = (xmin + xmax) / 2.0 / img_w y_center = (ymin + ymax) / 2.0 / img_h width = (xmax - xmin) / img_w height = (ymax - ymin) / img_h # 坐标裁剪到[0,1]区间，防止越界 x_center = max(0, min(1, x_center)) y_center = max(0, min(1, y_center)) width = max(0, min(1, width)) height = max(0, min(1, height)) lines.append(f"{cls_id} {x_center:.6f} {y_center:.6f} {width:.6f} {height:.6f}") txt_name = os.path.splitext(os.path.basename(xml_file))[0] + '.txt' with open(os.path.join(output_dir, txt_name), 'w') as f: f.write('\n'.join(lines))

转换时有两个细节必须注意。第一是类别映射必须全局统一，如果后续要往数据集里加新的类（比如"rat_neon"、管道老鼠），类别ID顺序一旦定了就不要变，中途改ID会直接废掉之前的训练成果。第二是归一化后的坐标在极端情况下可能略小于0或大于1，主要是标注框贴边导致的浮点误差，转换脚本里我加了clip操作，宁可在边界处损失几个像素也不要让训练崩溃。

4.2 训练超参数：从底层逻辑到实际调优

配置YOLOv8训练时，最关键的几个参数是imgsz、epochs、batch size和数据增强策略。基于这套包含大量小目标的工业数据，我在多次实验后确认了一套效果比较稳定的参数组合：

特别说一下imgsz的选择。工业监控原图是1920x1080的1080p画面，老鼠目标普遍偏小。如果用640输入，一个原本只有32x32像素的老鼠，缩放到640后可能只剩约11x11像素，几乎不可辨认。我在训练中直接把输入分辨率提到960，小目标AP提升了大约8到10个百分点。不做1280的原因有两个：训练显存和时间成本倍增，且对整个管线部署速度的影响在边缘设备上无法接受。从成本和收益的平衡点看，960是实际生产里比较合适的位置。

4.3 训练过程的监控和常见坑

训练过程中的常见误区是只看mAP一个指标。在工业场景里，我更关注的是Precision和Recall的平衡，尤其是Recall。在防鼠场景下，漏掉一只老鼠的代价，远超多报几次假警。建议训练时重点关注P/R曲线下面积，理想状态是recall能达到0.85以上，precision可以适当牺牲到0.75左右，配合后端的连续帧确认逻辑来过滤误报。

另外，训练日志里如果发现loss曲线反复震荡、val loss不降反升，大概率是学习率和数据增强的耦合问题。我之前遇到过mosaic开启过大导致小目标被裁切出图、模型学到一堆残影的情况，调整策略是把mosaic关闭或者只开0.5，并且把close_mosaic设为最后10轮自动关闭，让模型在最后阶段能稳定收敛到真实分布。这个细节在ultralytics的YOLOv8配置里有对应参数，设一下很省心。

5. 导出ONNX模型并用C++部署：从数据集到产线落地

5.1 为什么要用ONNX Runtime + C++跑推理

数据标注、训练、验证，这一套流程跑完只是完成了第一步。实际产线部署时，大部分工业视觉项目的前端是C++写的视频处理程序，需要把模型集成到现有系统里。ONNX作为中间格式，最大的优势是运行时对硬件平台没有绑定，既可以用CUDA加速，也能在纯CPU机器上跑，还能进一步转换到TensorRT、OpenVINO这些推理引擎，适配不同工控机。

我在导出ONNX时踩过不少坑，最典型的是Dynamic Shape问题。如果导出时把输入尺寸固定死为640x640，部署时换到960就废了。建议导出时设置dynamic_axes让宽高可变：

yolo export model=best.pt format=onnx dynamic=True simplify=True opset=12

这里dynamic=True让ONNX支持任意输入尺寸，simplify=True会借助onnx-simplifier清理掉一些冗余算子，让推理速度更快。opset版本也有讲究，opset 12兼容性最好，在旧版本TensorRT和OpenVINO里都能正常解析，opset 13以上某些算子在边缘设备上会报不支持的错。

5.2 C++侧推理的关键步骤和容易疏忽的细节

C++侧用ONNX Runtime做推理，核心流程大概是：创建推理会话 -> 读入图像 -> 预处理 -> 跑模型 -> 后处理 -> 叠加结果。预处理这一步特别容易出问题，YOLO系列要求把BGR图像按RGB顺序送入模型、归一化到0~1、并做letterbox填充保持宽高比。很多人在部署时忘记做letterbox，直接把图像resize成方形，导致目标变形，检测精度大幅下降。我的做法是保持原始宽高比、等比缩放、用灰色（114,114,114）填充剩余区域，推理完再把框坐标映射回原图尺度。

还有一个高频坑是NMS（非极大值抑制）的实现。ONNX Runtime不带NMS算子，需要在C++代码里手动实现。自己做NMS时要注意置信度阈值的选取，工业场景下我一般把conf_thres设为0.25、iou_thres设为0.45，对遮挡密集场景比较友好。C++侧跑出来的推理结果和Python侧会有细微差异，主要来自浮点精度，但通常影响不大。我建议在部署时先录制一段真实监控视频，用Python脚本跑一遍离线结果作为"黄金参考"，再对比C++实时输出的差异，超过千分之一像素偏差就要排查代码中的归一化或坐标映射问题。

5.3 实测中的性能指标参考

以这套工业老鼠数据训练的YOLOv8s模型为例，导出ONNX后用ONNX Runtime在工控机CPU（i5-8500）上跑960x960输入，单帧推理耗时大约在120到180毫秒之间；如果用GPU（如GTX 1660或者RTX 3050），可以降到20到40毫秒。这个性能对于监控视频流（一般要求每2到3秒一帧即可）是完全够用的。如果现场的摄像头数量多、并发路数高，还可以考虑用TensorRT进一步压速度，但注意TensorRT对动态shape支持不友好，如果要用TensorRT，导出时最好固定输入尺寸。

6. 数据集的进一步扩展和难例补充思路

6.1 主动学习让数据越用越准

模型上线之后，数据集的工作并没有结束。工业环境是动态变化的，夏天和冬天的光照条件不同，不同车间的地面颜色和货物堆放方式不同，仅靠一份固定数据集很难覆盖所有情况。我的做法是把推理结果里置信度在0.3到0.5之间的"灰色地带"样本自动截图保存，每周人工快速检查一遍，把模型漏检和误检的图片补充进数据集，迭代训练。这种主动学习的方式，能让模型用比较小的成本持续进化。实测下来，三到四轮迭代后，新点位上的漏检率能下降30%以上。

6.2 数据增强能否替代真实数据

很多人会问，工业场景很难收集大量数据，能不能靠离线数据增强硬撑？我的答案是：增强可以放大数据价值，但不能替代真实数据的稀缺维度。像翻转、旋转、亮度扰动这些几何和光度增强，几乎是无成本的；但Mosaic、MixUp这类需要多张图拼接的增强，在工业小目标场景里要慎用，原因前面说过——容易把小目标变得更小、更不可辨识。真正有效补充数据的手段是去不同点位采集不同时段的原始视频，抽帧后挑出有老鼠的帧来标注。一小时的监控视频里可能只有几十秒是有老鼠的，好在工业监控24小时不停，积少成多，一个月的素材就够支撑一次模型迭代了。

6.3 从单类别检测到多状态识别的扩展

如果项目后续需要从"有没有老鼠"升级到"鼠患程度有多严重"，可以考虑在现有数据集基础上增加状态类别，比如把老鼠分成"active"（活动状态）和"resting"（静止状态），甚至统计单位时间内的穿越频次来评估活跃度。这种多状态识别的模型，仍然可以复用这份VOC格式的标注框架，只需要在XML里增加新的object块。基础检测模型打得稳，后面无论是做行为分析还是预警联动，都有个可靠的底层信号源。

7. 踩坑复盘：标注到落地的几个关键教训

写到最后，把这套数据集从整理到落地过程中踩过的主要的坑集中复盘一下，都是真金白银换来的经验。

第一，标注阶段最容易被低估的是"一致性"三个字。标注员如果不停切换标准——比如今天把完整的尾巴框进去、明天不框——模型会学到非常奇怪的形状先验，训练loss降不下去。我后来专门写了一份标注规范文档，配了七八张典型示例图（完整老鼠、局部老鼠、粘连老鼠、夜间红外老鼠），让标注员开工前先过一遍，并设置了抽检复核环节，前期每天抽20%的框重新检查。

第二，模型在测试集上指标好看，不代表现场能用。工业监控的点位之间存在巨大的域差异，同一个模型在这个仓库mAP很高，换到隔壁车间的夜视摄像头可能就崩盘。我现在的做法是每个新点位最少预留一周的连续视频，先跑离线推理统计误报率，再决定要不要开实时报警。不要迷信在线实时检测的demo效果，离线视频批量验证才是检验模型真实水平的试金石。

第三，部署时优先考虑CPU推理和ONNX Runtime的组合。很多工控机根本没有独立显卡，项目负责人一听到"深度学习部署"就觉得要买GPU服务器，其实轻量化模型在CPU上跑完全够用。工业防鼠检测不需要毫秒级响应，一两秒一帧的检测频率已经比人工巡检强太多，成本和功耗却低一个数量级，更容易让现场负责人接受。

这套工业环境老鼠检测数据集对应的完整技术链路——从理解场景、整理VOC标注、训练YOLOv8、导出ONNX、C++部署到持续迭代——到这里就全部串起来了。数据集的准备工作看似琐碎枯燥，但它恰恰是整个项目的稳定基座，基座打得牢，后面每一步都省心。如果你也在做类似方向的工业视觉项目，建议拿这份流程做参照，先小批量验证再规模扩展，遇到的具体问题欢迎交流讨论。

本文还有配套的精品资源，点击获取