俯拍道路目标检测实战：从数据集构建到YOLOv8训练与切片推理

简介：俯拍视角下的道路车辆与行人目标检测数据集，面向算法工程师与计算机视觉学习者，适用于智能交通和辅助驾驶项目，可直接用于主流YOLO系列网络训练。数据集包含超过三千张图片及对应标签，划分为训练集与验证集，提供类别文件；整体采用YOLO标注格式，并已进行旋转、缩放、裁剪等数据增强处理，可增强模型鲁棒性。类别共有十个，覆盖汽车、摩托车、行人、卡车等常见城市交通目标，可用于交通监控与辅助驾驶研究。压缩包内共两千个文件，其中一千九百九十九个为文本标签文件，另有一个辅助脚本，整体大小四百六十三点一一兆字节。已有超过一千六百人学习，对需要高质量标注数据的开发者来说，可有效节省采集与标注时间，也可直接作为算法验证模板与项目素材，帮助快速完成目标检测任务。

1. 俯拍道路目标检测数据集：为什么 3000 张图比三万张平视图更考验模型

无人机巡检、高架路口、智慧园区安防，这些场景里摄像头视野是俯拍的：车辆是一个个倾斜的小矩形，行人往往只有十几个像素，道路标线比车身更容易被模型记住。3000 张俯拍道路图，带车辆和行人标签，真正的价值不是“又多了一份数据集”，而是把目标检测在小目标、密集、遮挡条件下的极限摆到桌面上。平视场景里跑得飞快的 YOLO，换到俯拍图往往 mAP 掉十几个点，差距不在数量，在视角与尺度。这篇文章按“数据 → 训练 → 评估 → 清洗”的顺序，把这套数据落地成可复现流程，适合交通感知工程师和用 YOLOv8 训练自己数据集的算法同学。

2. 数据集结构与标注格式：从目录布局看清一张俯拍图被标注成了什么

拿到目标检测数据集，第一个动作不是看图片，而是摸清目录结构和标签口径。俯拍道路数据最常见的组织方式是图片与标签文件同名同层级分布，训练、验证、测试三个子集分开。标签格式决定了后续接训练脚本时要不要写转换器，也决定了类别顺序会不会在某个环节悄悄错位。

2.1 俯拍道路数据集的目录与命名约定

标准布局通常是这样：

data/ ├── images/ │ ├── train/ # 约 2100 张 │ ├── val/ # 600 张 │ └── test/ # 400 张 └── labels/ ├── train/ ├── val/ └── test/

图片img_0042.jpg对应的标签就是同目录级别下的img_0042.txt。这种一一对应的命名约束是所有后续流程的基石，如果原始数据集给你的是 JSON 或 XML，第一步先转成同名文件再谈训练。俯拍道路场景里，同一条路段往往有大量连续帧，划分 train/val/test 时不能随机洗牌，否则同一地点的图片会同时出现在训练集和验证集，评估指标虚高。按拍摄批次或路段 ID 划分，也就是让同一个场景只出现在一个子集里，是这类数据集首先要遵守的纪律。

有一个前提必须确认：3000 张图片里是不是存在“连拍重复”。俯拍无人机录像抽帧出来的数据，相邻帧车辆位置只差几个像素，如果直接全量进训练，模型会把背景纹理当特征。检查方法很简单，对图片算感知哈希，把相似度超过 0.95 的帧做去重或分到同一个批次。

2.2 标签格式怎么选：VOC xml、YOLO txt 还是 COCO json

常见的目标检测标注格式有三种，俯拍道路数据集里概率最高的是前两种。

如果这份数据同时带了 xml 和 txt，优先以 txt 为主做训练，同时保留 xml 作为可读源。拿 YOLOv8 训练的话，标签文件每一行就是class_id cx cy w h，四个坐标值全部除以图片宽高，是 0 到 1 之间的小数。俯拍图里一辆车的框可能只有 0.05 宽，写错成像素值会导致 loss 直接发散。

2.3 读懂一条车辆标注：边界框坐标的两种口径

以一张 3840×2160 的俯拍路口图为例，VOC 里一条车辆标注长这样：

<annotation> <folder>train</folder> <filename>img_0042.jpg</filename> <size> <width>3840</width> <height>2160</height> <depth>3</depth> </size> <object> <name>car</name> <difficult>0</difficult> <bndbox> <xmin>1204</xmin> <ymin>860</ymin> <xmax>1390</xmax> <ymax>968</ymax> </bndbox> </object> </annotation>

对应到 YOLO txt，同样是这个框：

0 0.3378 0.4231 0.0484 0.0500

先从 xml 读出目标框坐标，然后按公式换算中心点：cx=(xmin+xmax)/2/w，cy=(ymin+ymax)/2/h，w=(xmax-xmin)/w，h=(ymax-ymin)/h。这里最容易错的是把中心点当成了角点坐标，或者忘了归一化直接写像素，这两种错误在俯拍小目标上表现得尤其隐蔽，因为数值很小，loss 未必爆炸，但精度会非常差。

遇到像这类垂直视角的采集，一个框里出现半截车身的概率很大。建议核对标签里有没有大量与图像边缘相交的框，如果标注时没有把边缘截断的部分标进去，训练时模型会学到“车身不完整也可以算正样本”的错误规律。

2.4 用脚本统计标签分布与小目标占比

拿到标签后先跑一轮统计，比直接训练重要得多。以下脚本扫描 YOLO 格式标签，输出每类目标数量、小目标占比，并检查类别 id 是否越界：

from pathlib import Path import random label_dirs = [Path("data/labels/train")] class_names = ["car", "person"] stats = {c: {"count": 0, "small": 0} for c in class_names} image_width = 3840 # 改成实际图的宽 for d in label_dirs: for txt in sorted(d.glob("*.txt")): for line in txt.read_text().strip().splitlines(): parts = line.split() if len(parts) != 5: print("异常行:", txt, line) continue cid = int(parts[0]) if cid >= len(class_names): print("类别 id 越界:", txt, cid) continue w_norm = float(parts[3]) area = w_norm * image_width stats[class_names[cid]]["count"] += 1 if area < 48: stats[class_names[cid]]["small"] += 1 for c in class_names: s = stats[c] ratio = s["small"] / max(s["count"], 1) print(f"{c}: 总数 {s['count']}, 小目标占比 {ratio:.2%}")

这段脚本用 width 判断的是归一化宽度小于 48 像素的目标，也就是 MS COCO 定义里 small object 的横向尺寸口径，阈值可以根据俯拍高度调整到 32 或 64。如果小目标占比超过一半，直接喂给默认的模型配置几乎必然在 mAP-small 上惨败，后续训练、切片推理都要按这个统计结果做决策。同时输出异常行也保护了后面 YOLO 训练脚本不会因为一个脏标签中途崩掉。这个统计结果会成为第 4 章切片方案的输入参数。

3. 用 YOLOv8 在俯拍道路数据集上跑通训练：从数据划分到第一个 mAP

YOLO 目标检测流程走到自定义数据这一步，卡住人的地方往往不是模型结构，而是数据文件的对齐。YOLOv8 训练自己的数据集，本质上只做三件事：把图片和标签放到对应目录，写一个 dataset.yaml 描述类别，然后跑训练命令。每一步都有容易踩空的地方，下面拆开说。

3.1 先按路段划分数据，别用随机洗牌

俯拍道路数据里同一路段的光照、地面纹理、车道线高度相似。如果随机划分，验证集里可能藏着与训练集几乎相同的背景，mAP 虚高到 0.8，部署到新路段直接掉到 0.3。按采集批次或路段前缀划分是最稳妥的方案，假设文件名里有路段标识，可以这样切：

python - <<'PY' from pathlib import Path import random imgs = sorted(Path("data/images").glob("*_*.jpg")) site_groups = {} for p in imgs: site = p.name.split("_")[0] site_groups.setdefault(site, []).append(p) sites = sorted(site_groups) random.Random(42).shuffle(sites) # 假设有 20 个路段，按 15:3:2 切分 train_sites = set(sites[:15]) val_sites = set(sites[15:18]) test_sites = set(sites[18:]) for site in train_sites: for p in site_groups[site]: p.rename(Path("data/images/train") / p.name) PY

这段脚本的关键在设计逻辑里：以路段为最小单位洗牌，而不是以图片为最小单位。代码里的站点拆分方式要根据文件名规则调整，但原则不变——验证集和测试集必须包含训练集没见过的路段，才能测出模型在真实场景里的泛化能力。俯拍数据里时间因素也很重要，白天和夜晚尽量同时出现在三个子集里，避免模型没见过夜间灯光下的车辆轮廓。

3.2 写 dataset.yaml 时的类别顺序陷阱

YOLOv8 训练自己的数据集离不开一个 yaml 配置文件。下面的写法兼容官方训练流程：

path: /path/to/data # 数据根目录的绝对路径 train: images/train # 相对 path val: images/val test: images/test nc: 2 names: 0: car 1: person

训练时报错说 “found 2 classes with same name” 或者 mAP 一直为 0，十有八九是这里类别顺序和标签 txt 里的 class_id 对不上。标签里1代表行人，yaml 里却写成了0: person，模型训练出来会把行人当车。如果数据集自带 class_list 说明文件，以它为唯一事实来源；如果没有，按第 2 章的统计脚本输出 order 列表作为 names 顺序。宁可在 yaml 里多写注释，也不要凭文件名猜顺序。

还有一种情况是 names 数量比标签里实际类别多，导致某些类别完全没有正样本，训练日志会看到某一类 AP 为 0。检查方法是在训练前跑一条验证命令，看类别 id 是否在合法范围内。

3.3 训练命令与必调参数

数据就绪后，跑训练的命令如下：

yolo detect train \ data=dataset.yaml \ model=yolov8s.pt \ imgsz=960 \ batch=16 \ epochs=100 \ optimizer=AdamW \ cos_lr=True \ patience=15 \ project=runs/detect \ name=birdview_960

先说 imgsz：俯拍图如果原始是 3840 宽，直接缩到 640 会让车辆框变得只有 8×8 像素，特征提取器根本分不清车和人。建议先尝试 960，显存不够再降 800，而不是一上来就 640。batch 按显存调，单卡 24G 用 16 就差不多，多卡可以翻倍。epochs 配 patience=15 做早停，俯拍数据集 3000 张的情况下，通常第 60 到 80 轮就收敛了，没必要硬跑满。

optimizer 很多人默认用 SGD，但俯拍小目标场景 AdamW 收敛更稳，特别是标签里少量脏样本存在时，AdamW 对梯度噪声的容忍度更高。cos_lr=True 会让学习率按余弦曲线衰减，减少后期在小目标框上反复震荡。几个关键参数的作用和适用场景汇总如下：

命令跑完后看runs/detect/birdview_960/下的results.csv和weights/best.pt。这里说的几个参数不是定死的，如果你的图本身只有 1080p，那 imgsz=800 就够了，960 反而浪费显存。训练结束后先别急着测 test 集，先跑一轮yolo detect val看验证集 mAP-50 是否明显高于 0.5，如果 mAP 很低，回到第 2 章检查小目标占比和脏标签，模型结构的问题排在数据问题之后。

4. 俯拍小目标检测的两个狠招：切片推理与针对性数据增强

模型在验证集上 mAP 到 0.6 不算完，俯拍道路上真正让人头疼的是小目标漏检。车辆只有二三十像素时，直接推理很容易漏，此时常规增强手段帮不上忙，切片推理才是立竿见影的方案。这一章讲怎么判断要不要切片，以及切片参数怎么给。

4.1 先看评估指标再决定要不要切图：mAP-small 和 mAP-50 的差别

训练结束后，跑一次带详细指标的验证：

yolo detect val \ model=runs/detect/birdview_960/weights/best.pt \ data=dataset.yaml \ imgsz=960

输出里除了 mAP50 和 mAP50-95，还有按目标面积分组的指标：small、medium、large。COCO 口径下小于 32×32 像素的框算 small，对俯拍道路图来说这几乎就是最常见的车辆尺寸。如果 mAP50 有 0.7，但 mAP50 small 只有 0.3，说明模型在大目标上工作正常、小目标上漏检严重，切片推理立刻安排。如果 small 和 medium 差距不大，那问题出在类别不平衡或标签噪声，切片解决不了，先回第 2 章做数据清洗。

有一个习惯值得保留：把每次评估的 small/medium 指标和 imgsz、增强参数一起记录。红外小目标检测里讨论的那些面积阈值和评价参数，在可见光俯拍道路上同样适用，唯一区别是阈值要按你的图片宽度等比放大。

4.2 SAHI 式切片：把一张大图切成 640 子图再拼回框

SAHI 是切片推理的常用开源方案，做法是把大图切成若干个重叠子图，分别推理后再把重叠区域的框用 NMS 合并，避免同一个目标被重复计数。安装 sahi 后，用训练好的模型做切片预测：

from sahi import AutoDetectionModel from sahi.predict import get_sliced_prediction detection_model = AutoDetectionModel.from_pretrained( model_type="yolov8", model_path="runs/detect/birdview_960/weights/best.pt", confidence_threshold=0.25, image_size=960, device="cuda:0", ) result = get_sliced_prediction( image_path="data/images/test/site03_018.jpg", detection_model=detection_model, slice_height=640, slice_width=640, overlap_height_ratio=0.2, overlap_width_ratio=0.2, ) result.export_visuals(export_dir="runs/sliced_vis/")

模型推理时会把每个 640×640 子图缩放到模型输入尺寸，小目标在子图里被放大了好几倍，原本只有 20 像素的车轿在子图里变成 60 像素以上，特征提取自然更准确。切片尺寸和重叠比例的设置逻辑如下：

切片推理最大的注意点是速度：一张 4K 图切成 48 个子图，推理耗时可能比整图贵 10 倍。如果项目只有离线分析需求，代价可接受；如果要做实时视频流，就得换思路，比如只在检测到小目标候选区切片，或者用滑窗加缩放采样。另外切片推理结束后拼接回原图时会遇到 NMS 合并阈值，sahi 内部已处理，不需要额外写。

4.3 YOLOv8 的数据增强参数怎么调得不把行人切碎

默认的 mosaic 增强会把四张图拼成一张，对于平视大目标非常有效，但俯拍小目标场景里，mosaic 缩放后行人和车辆会被压缩到只有几个像素，反而成了噪声。这里建议保留但“降量”，在训练命令里加上：

augment: true hsv_h: 0.015 hsv_s: 0.7 hsv_v: 0.4 degrees: 30.0 translate: 0.1 scale: 0.5 fliplr: 0.5 flipud: 0.5 mosaic: 0.5 mixup: 0.1

degrees=30 是俯拍场景下比较关键的参数，因为车辆朝向在画面里是任意角度的，默认 0 度旋转会限制模型对旋转车辆的适应能力；俯拍下左右翻转和上下翻转同样安全，但平视数据里 flipud 不该开。mosaic 和 mixup 调低到 0.5 和 0.1 左右，小目标就不会被拼图操作稀释成噪声。scale 保持 0.5 而不是默认的更大值，避免把小目标缩得完全不可见。

如果数据集本身已经很大，每张图都做这么多变换会拖慢训练速度，可以用cache=True把图片缓存进内存，加速读取。增强策略没有绝对答案，判断标准是：验证集 mAP 变化趋势稳定、训练 Loss 和验证 Loss 同降不背离。一旦发现训练 Loss 持续下降而验证 Loss 开始回升，先把 mosaic 关掉再试。

4.4 错误的做法：把 imgsz 直接拉到 1920

有人觉得小目标检测差，最简单的办法就是把推理分辨率调大，从 960 一路涨到 1920。这样做训练显存暴涨，而收益递减很快——小目标确实变清晰了，但模型在小图训练时见过的尺度分布和 1920 输入不一致，推理时反而产生大量误检。常见可用方案是保持训练 960，推理时做一个二阶段策略：整图粗检，对高密度区域裁块细检；或者把第 2.1 节里的路段去重做得更狠，集中批次去补齐低置信度的困难样本。如果你的数据里目标框本身是任意朝向的窄长条，水平框会把大量背景也框进去，此时可以考虑 mmrotate 这类旋转框检测方案，把 DOTA 风格的 OBB 标注转成旋转框格式再训练。

5. 训练后别急着部署：用可视化校验把脏标签和漏检一起挑出来

模型训练结束后，最常见的心态是直接看 test 集 mAP 数字。俯拍道路场景里，mAP 高不等于能上线，因为 3000 张图片里只要存在个别标签错位或漏标，评估结果就会被污染。收货前至少做一遍可视化校验，把预测框和真实标签叠在同一张图上，人工扫一遍，胜过任何曲线分析。

5.1 用 YOLOv8 自带的预测可视化快速建立第一印象

把验证集图片跑一遍预测，保存输出：

yolo detect predict \ model=runs/detect/birdview_960/weights/best.pt \ source=data/images/val \ imgsz=960 \ conf=0.25 \ save=True \ project=runs/val_vis

跑完打开runs/val_vis里的图片，重点看两类现象：一是同一辆车上有两个重叠框，说明 NMS 阈值需要调低；二是行人被反复漏检，说明增强或切片参数不合适，回第 4 章调整。预测可视化需要和标签叠加对比，可以在代码里读取 YOLO txt 并画矩形，也可以用 LabelImg 打开原图加载标签，做法哪个顺手用哪个。

5.2 低置信度样本里藏着真问题

把置信度阈值从 0.25 降到 0.1，重新预测，专门保存置信度在 0.1 到 0.25 之间的预测框。这些“犹豫框”往往是标签漂移、遮挡严重、目标极小的三类样本。如果这批低置信度框里有大量真实车辆被标成 person，问题不在模型而在标签；如果一半以上都落在非机动车道上的人身上，模型可能把路面纹理或阴影学成了特征。这类样本直接补进数据集比反复调参更有效。

5.3 用硬负样本回填数据集，继续下一轮迭代

人工看过几百张可视化结果之后，把最常被漏检的场景截图回填到训练集中，建议按“候选池”方式管理：先攒 200 到 500 张困难样本，重新训练一轮，对比 mAP-small 的变化。硬负样本不只是“错图”，还包括大量正确的空背景图，模型需要学会在无人无车的路面上输出零检测。俯拍道路的背景变化很大，阴影、匝道护栏、路面积水反光都可能被误检成汽车，空背景图能有效压低误检率。把这一步并入迭代流程：切一批新路段图，做一轮可视化审查，补一批候选框，再训一轮，直到 mAP-small 的变化不再明显为止。验证集评估时保持同一批图片不变，这样前后指标才可比。

本文还有配套的精品资源，点击获取