简介：面向自动驾驶场景的目标检测与YOLOv5格式数据准备需求，这份资源提供大型道路信息检测的标注数据集，覆盖卡车、行人、交通信号灯、车辆等11个类别，适用于多目标与密集场景的模型训练、标签校验和数据增强研究。资源包含训练集与验证集划分，图像分辨率为512×512，整体采用YOLOv5目录结构，下载后无需额外转换即可投入训练流程。包内共2000个文件，以txt格式的边界框标注文件为主，另含1个show.py可视化脚本，压缩包大小约493MB；该脚本无需修改即可运行，能随机读取图片并绘制边界框，便于快速检查标注效果。完整数据对应训练集21031张、验证集5266张，标签信息已按类别整理并附有11类别文本说明。目前已有173人浏览学习，适合正在搭建自动驾驶数据集或需要可直接使用的YOLO格式标注文件的开发者参考。
1. 拿一辆车在道路上看到的东西做目标检测，这个数据集为什么值得你动起来
自动驾驶道路信息检测，核心是把车辆行驶环境里出现的行人、车辆、交通标志、车道线等对象用目标检测模型识别出来。这份 YOLOV5 目录格式的 11 类别数据集，把道路场景压缩成了可直接训练的标准结构：images 放原图，labels 放对应当前图片的 txt 标注文件，训练集和验证集各自独立目录。对正在做自动驾驶感知、机器人导航或者道路交通监控的工程师来说，它的价值在于省掉了自己标注几万张图的成本，用现成的 11 类别体系直接把 YOLOV5 模型拉起来看效果。
常见做法是拿到数据先做目录体检和类别统计，确认格式没问题再进训练流程。因为 YOLO 系模型对标签文件极其敏感，ID 从 0 开始记，坐标归一化到 0 到 1，这些细节稍有偏差训练曲线就会变成随机猜。本文沿着「目录结构 → 数据配置 → 训练拆分 → 避坑 → 进阶验证」这条线，把这套数据集的落地路径完整捋一遍，新手能照着复现，熟手可以跳过基础部分直接看边界条件。
2. 从目录到标签：YOLOV5 格式的目录结构与 11 类别定义
2.1 images 和 labels 怎么对应：一段代码完成目录体检
YOLOV5 的目录约定并不复杂：图片放在 images/train 和 images/val，标注放在 labels/train 和 labels/val，同名文件在两边保持相同的前缀名。例如 images/train/0001.jpg 对应 labels/train/0001.txt。txt 里每一行是一个目标，格式是「class_id x_center y_center width height」，其中 x_center、y_center、width、height 全部是相对图片宽高的归一化数值。
拿到这份数据集之后，第一件事不是急着训练，而是做一次完整性体检。我一般会写一段脚本，把 images 目录里的每张图拿去 labels 里找同名文件，检查两边数量是否一致、label 是否为空、坐标是否越界。下面这段脚本用 Python 直接跑，不依赖任何深度学习框架。
import os from pathlib import Path data_root = Path("./datasets/road_det") for split in ["train", "val"]: img_dir = data_root / "images" / split lab_dir = data_root / "labels" / split imgs = {p.stem: p for p in img_dir.glob("*.jpg")} labels = {p.stem: p for p in lab_dir.glob("*.txt")} missing = imgs.keys() - labels.keys() extra = labels.keys() - imgs.keys() print(f"[{split}] images={len(imgs)} labels={len(labels)}") print(f"[{split}] 缺标签 {len(missing)} 个, 缺图片 {len(extra)} 个") # 检查标签内容合法性 for stem, txt_path in labels.items(): for line in txt_path.read_text().strip().splitlines(): parts = line.split() if len(parts) != 5: print(f"格式异常: {txt_path} -> {line}") break cid = int(parts[0]) x, y, w, h = map(float, parts[1:]) if cid < 0 or x < 0 or y < 0 or w <= 0 or h <= 0 or x + w / 2 > 1.0: print(f"越界: {txt_path} -> {line}")这段脚本会输出三组信息：每个 split 下的图片数和标签数差、缺失文件清单、标签内容里的坐标和类别 ID 是否越界。注意 id 从 0 开始是 YOLO 的硬性规定，和 COCO 数据集的类别编号不同，别拿 COCO 的 80 类编号直接套到这个 11 类别数据集里。如果打印出「缺标签」数量很大，优先检查图片后缀是不是混用了 jpg、png、jpeg，YOLOV5 默认找同名 txt，后缀不影响匹配，但代码里如果需要自己加载数据集改后缀逻辑，容易踩坑。
2.2 11 类别涵盖什么：为什么道路检测要先统一类别 ID
11 类别是这份数据集的「关底 BOSS」。它比 COCO 的 80 类窄，但比多数自动驾驶专用数据集更贴近真实驾驶场景。常见的 11 类别设计覆盖静止物体、动态目标与道路基础设施：行人、骑行者、摩托车、轿车、卡车、公交车、交通灯、停止标志、限速标志、施工区域、其他车辆。具体到这 11 类，训练前需要做一次「类别 ID 核对」，先读 label 里所有出现过的 ID 分布，再去比对类别清单，因为网上流传的许多数据集在打包时把类别顺序换过。
# 统计所有 label 文件中出现的类别 ID 及目标数量 cat datasets/road_det/labels/train/*.txt | awk '{print $1}' | sort | uniq -c如果输出里出现了大于 10 的 ID，说明数据里有不在约定类别里的标签，训练时要决定是丢弃还是归入「其他」。我一般会写个映射表做 ID 重映射而不是直接丢弃，因为「其他车辆」这类兜底类别能把漏检的损失控制在可接受范围。接着在 data.yaml 里定义类别名，顺序必须和 ID 一一对应，比如 ID 0 就是第一行 names 里的名字。这块偷懒严重的话会出现模型学完不知道自己检测的是什么的混乱局面，可视化预测输出时类别名完全错位。
还有一个容易被忽略的点：自动驾驶道路数据里的类别严重不均衡。小目标如交通灯、限速标志在图片里通常只有几十个像素，而轿车卡车动辄占据三分之一个画面。YOLOV5 训练时对小目标天然不友好，默认的 anchor 尺寸是按 COCO 数据分布设计的。处理这份数据时常见做法是在配置文件里把 anchor 重新聚类，或者在增强里加大随机裁剪和 mosaic 的比例。到后面避坑章节我会再展开讲，这里先意识到类别定义不是「写个名字」这么简单就行。
2.3 路径约定：绝对路径还是相对路径
YOLOV5 官方仓库的 train.py 接收的 data 是一个 yaml 文件路径，yaml 里 train、val 字段可以写绝对路径也可以写相对路径。如果是把数据集放在 YOLOV5 仓库的 datasets 目录下，直接写 datasets/road_det/images/train 这种相对路径最省事。如果数据集在磁盘其他位置，写绝对路径时要小心中文目录或空格目录，YOLOV5 用 yaml 读取路径后交给 Path 对象，空格一般没事，但中文路径在 Windows 上偶尔会触发编码问题，训练开始前先验证。
# road_det.yaml train: datasets/road_det/images/train val: datasets/road_det/images/val nc: 11 names: ['person', 'cyclist', 'motorcyclist', 'car', 'truck', 'bus', 'traffic_light', 'stop_sign', 'speed_limit_sign', 'construction', 'other_vehicle']这里的 names 顺序直接决定训练后的类别标签输出。标注文件里 ID 是 0 的类别，就是 names 列表第一个元素。这个 yaml 文件是整个训练的入口配置，被 train.py 的 --data 参数引用，保错一个名字，训练能跑，但最终预测出来的类别全是错的。检查方法很简单：训练完做一次 batch 级别的预测可视化，人眼扫一眼框上的类别名和真实物体是否对得上。
3. 用这份 11 类别数据跑通训练：data.yaml 配置与命令行参数
3.1 训练前必须做的两类检查：标签完整性与图片可读性
很多人在这个阶段翻车：数据集下载解压后直接开工，训练没跑几个 epoch loss 就 NaN，排查半天发现是某张图片损坏。自动驾驶道路数据经常从行车记录仪或车载摄像头采集，图片格式混杂，偶尔出现截断的 JPEG。我习惯在进入训练前用 OpenCV 批量读一遍图，读不出来的直接移入 discard 目录，同时记录下对应 label 一并移走。这一步不是浪费时间，是在替随机数种子排雷。
import cv2 from pathlib import Path data_root = Path("./datasets/road_det") for split in ["train", "val"]: img_dir = data_root / "images" / split lab_dir = data_root / "labels" / split discard_img = data_root / "discard" / "images" / split discard_lab = data_root / "discard" / "labels" / split discard_img.mkdir(parents=True, exist_ok=True) discard_lab.mkdir(parents=True, exist_ok=True) for img_path in img_dir.glob("*.jpg"): img = cv2.imread(str(img_path)) if img is None: lab_path = lab_dir / (img_path.stem + ".txt") print(f"损坏图片: {img_path}") img_path.rename(discard_img / img_path.name) if lab_path.exists(): lab_path.rename(discard_lab / lab_path.name)这段脚本的核心逻辑是用 cv2.imread 的返回空值来判断图片损坏。cv2.imread 读不出来的原因通常是文件头损坏或下载不完整，YOLOV5 的 dataloader 遇到这类图会直接抛 OpenCV 异常，导致训练中断。提前撇掉这些坏数据，训练过程才不会被一个文件打断。注意这里只处理了 jpg，如果数据集里有 png，把 glob 模式改成 "*.png" 再跑一遍即可。
3.2 训练命令怎么下：网络规模、超参数与硬件匹配
数据集本身是 11 类，物体以大中尺寸为主，小目标集中在交通灯和路牌。这个分布下我一般直接用 YOLOV5s 起步，显存不够就换 YOLOV5n，精度优先就上 YOLOV5m，但尽量避免一上来就跑 YOLOV5x——训练时间长、显存压力大，且数据量不够时收益非常有限。运行训练命令前需要确认 PyTorch 版本与 CUDA 可用，然后用下面这条命令启动训练。
python train.py \ --data road_det.yaml \ --weights yolov5s.pt \ --img 640 \ --batch 16 \ --epochs 100 \ --cache ram \ --name road_det_exp1这些参数里有几个值得细说。--img 640表示输入分辨率 640×640，如果原图是 1920×1080 的车载视频帧，直接缩到 640 对小目标极不友好，但直接开到 1280 又会把显存吃满。折中做法是先用 640 跑通验证流程，确认数据没问题后再尝试 960 或 1280。--cache ram把图片预加载到内存，能显著提升训练速度，但如果机器内存低于 16GB，建议改成--cache disk。--name指定输出目录名，训练结果存放在 runs/train/road_det_exp1 下，同时保存每次实验的权重文件和 metrics。
超参数方面，YOLOV5 的 hyp.scratch-low.yaml 默认配置对大多数数据集够用，但自动驾驶道路数据有一个特点：背景复杂、目标重叠多。mosaic 增强默认开启概率较高，对遮挡场景是利好；但 mosaic 会把多张图拼接在一起，小目标被裁掉一半的概率也变高。如果训练后验证集上小目标 AP 很差，试着在训练命令里加--mosaic 0.5降低 mosaic 概率，或者用--augment开关配合官方超参数搜索脚本调一轮。
训练过程中关注两个指标：loss 下降曲线和验证集的 mAP。loss 通常由 box、cls、obj 三部分组成，如果 cls loss 降不下去，说明类别定义里有重复或难以区分的类，比如「轿车」和「其他车辆」边界模糊；如果 obj loss 抖动剧烈，先去查标签里有没有大量空 label 的小图。第一次跑不要迷信 tensorboard，直接在终端看每轮输出的 P、R、mAP50、mAP50-95 四个数值就够判断趋势了。
4. 训练集与验证集的拆分逻辑：目录边界、随机种子与样本均衡
4.1 按目录拆还是按文件拆：划分策略与代码实现
这份数据集自带 training 和 validation 两个目录，理论上可以直接用。但实际使用中你需要回答一个问题：这两个目录到底是怎么划分出来的？如果是按时间切片（前 10 天做训练、后 2 天做验证），那么同一辆车在连续帧里可能同时出现在两边，造成信息泄漏，模型在验证集上的指标虚高。如果按随机比例拆分，则要确认随机种子一致，否则换台机器结果就不可复现。
我拿到自带划分的数据集后，第一步会做图片级去重：计算所有训练集和验证集图片的感知哈希，把相似度高于阈值的图片对找出来。这在自动驾驶数据集里是家常便饭，因为连续帧之间只有少量位移，模型会把「记住场景」误当成「学会检测」。下面这段脚本用简单的方式找出训练集和验证集之间完全相同的图片。
# 用 md5 找出完全相同文件 find datasets/road_det/images/train -type f -exec md5sum {} \; > train.md5 find datasets/road_det/images/val -type f -exec md5sum {} \; > val.md5 comm -12 <(awk '{print $1}' train.md5 | sort) <(awk '{print $1}' val.md5 | sort) | wc -l如果输出明显大于 0，说明划分不干净。遇到这种情况，最直接的补救是重新划分：把 train 和 val 合并，再用 Python 的 sklearn 库按 8:2 拆分，并指定固定随机种子。重新划分后，注意 labels 目录也要同步移动，否则图片和标注就错位了。这里我提供一个简洁的脚本，它会遍历所有图片并按 seed 决定归属。
import random, shutil from pathlib import Path src_img = Path("./datasets/road_det/images") src_lab = Path("./datasets/road_det/labels") dst_img = Path("./datasets/road_det/images_split") dst_lab = Path("./datasets/road_det/labels_split") # 合并所有图片 all_imgs = list(src_img.glob("train/*.jpg")) + list(src_img.glob("val/*.jpg")) random.seed(42) random.shuffle(all_imgs) val_count = int(len(all_imgs) * 0.2) for i, img_path in enumerate(all_imgs): split = "val" if i < val_count else "train" name = img_path.name lab_path = src_lab / img_path.parent.name / (img_path.stem + ".txt") # 复制到新目录 dst_img[split].mkdir(parents=True, exist_ok=True) dst_lab[split].mkdir(parents=True, exist_ok=True) shutil.copy(img_path, dst_img / split / name) if lab_path.exists(): shutil.copy(lab_path, dst_lab / split / lab_path.name)这段脚本把原来两个 split 下的图片先合并再按 8:2 切分。关键在于split = "val" if i < val_count else "train"这行，因为已经 shuffle 过，越靠前的图片越靠近验证集头部，保证两个集合没有时间相关性。如果你想保留原始划分，不建议跑这个合并脚本，直接跳过即可。
4.2 类别均衡检查：哪些类在训练集里太稀薄
11 类的自动驾驶数据集中，行人、轿车通常样本充足，而停止标志、施工区域在训练集里可能只有几十个标注框。类别不均衡在 YOLO 系模型里的表现不是「某类完全学不会」，而是「某类 precision 高但 recall 低」，因为模型学会了只在最有把握的时候才输出该类。检查类别分布的方式很简单，从标签文件里统计每个类别的框数量。
from collections import Counter from pathlib import Path counts = Counter() for split in ["train", "val"]: for txt in Path(f"./datasets/road_det/labels/{split}").glob("*.txt"): for line in txt.read_text().strip().splitlines(): cid = int(line.split()[0]) counts[cid] += 1 names = ["person", "cyclist", "motorcyclist", "car", "truck", "bus", "traffic_light", "stop_sign", "speed_limit_sign", "construction", "other_vehicle"] for cid in range(11): print(f"{names[cid]}: {counts[cid]} 个标注框")看到输出后，如果某个类别的框数量只有另一个类别的百分之一，常见处理方案有三个：第一，用官方 YOLOV5 的--class_weights参数给稀有类别加权；第二，针对稀有类做离线复制粘贴增强，把它们粘贴到不同背景图上；第三，放弃这类别的独立检测，和相近类别合并。我见过很多项目在「施工区域」这种类别上纠结很久，最后发现标注本身就充满歧义——不同标注员对施工锥桶和施工围挡的定义完全不同，这种情况硬调到 50 AP 以上几乎不可能，不如先归入「其他车辆」或删掉。
从我的角度说，判断一份数据集可不可用，先看稀有类别的框数量是否过 200。如果低于这个数，模型几乎只能靠 anchor 先验硬猜。要扩样本时，不要直接把整张图复制几份，而是从训练集里扣出这些目标的子图，做随机旋转、缩放、亮度变化后粘贴回原图，同时生成对应 label。YOLOV5 的 mosaic 增强对这类目标的增益不大，因为它在拼接时可能把小目标进一步缩小。
5. 避坑指南：这份数据集最常踩的 5 个坑
5.1 标签坐标出现「负值」或「超过 1」——增强时报错还是直接不收敛
现象：训练前做脚本检查时发现个别 label 文件里出现-0.002或1.05这种值，训练时文件夹里肉眼可见警告。
原因：标注工具导出时四舍五入，或者人工标注时把边界框画出了图片边缘。YOLO 格式要求坐标归一化到 0～1，但部分标注框紧贴边缘时，标注软件会把中心点坐标算成负数或大于 1。
解决：写清洗脚本把越界值 clamp 回合法区间，注意只 clamp 中心坐标要在 0～1 之间。宽度高度越界则要同时调整中心点，否则框会整体偏移。公式是先把 x、w 同时处理，保证 x - w/2 >= 0 且 x + w/2 <= 1。如果 label 文件损坏严重，直接把对应文件从训练集里剔除。
5.2 txt 标签文件是 UTF-8 with BOM——文件读取失败
现象：脚本读取 label 时，第一行第一个类别 ID 解析失败，报invalid literal for int()错误。
原因：Windows 环境下某些标注工具保存 txt 时自动加上了 BOM 头，Python 的 open 默认按 UTF-8 读取，BOM 会被当成字符\ufeff拼接在数字前。
解决：在读取后做一次编码兼容处理，最省事的方式是改用utf-8-sig编码读文件，这个编码会自动剥离 BOM。如果不方便改读文件的方式，就在写清洗脚本时先对每个 label 文件做open(path, encoding="utf-8-sig")重写一遍。
from pathlib import Path for txt in Path("./datasets/road_det/labels").rglob("*.txt"): raw = txt.read_bytes() if raw.startswith(b"\xef\xbb\xbf"): txt.write_bytes(raw[3:]) print(f"已去 BOM: {txt}")5.3 显存不够但不想换小模型——batch size 和 img size 的制衡
现象：命令行里 batch 16、img 640 一启动就报 CUDA out of memory，换成 batch 8 还是崩。
原因：显存占用不止来自图片本身，还来自特征图和梯度。如果原图是 4K 分辨率，即使缩放到 640，YOLOV5 在训练时仍然要缓存整批图片用于 mosaic 增强，内存峰值远高于单人猜测。
解决：先降 batch 到 4 确认能跑通，再把--cache ram改成--cache disk。如果显存仍然不够，设置--noplots减少训练过程产生的可视化资源，或者把--workers调低。要保留 batch 16 时，两个选择：换 YOLOV5s 为 YOLOV5n，或把 img 降到 480。仔细观察验证集 mAP，480 和 640 在小目标上的差距通常在 3 个点以内，实际部署阶段再切回 640 做推理。
5.4 训练集和验证集出现同帧图片——mAP 虚高
现象：验证集 mAP 到 0.9 以上，但新场景视频里模型表现稀烂，框乱飘。
原因：这是自动驾驶连续帧数据集最常见的坑。相邻帧之间背景几乎不变，如果切分时按目录机械分配，模型相当于在「开卷考试」，它靠记忆场景就拿到了高分。
解决：做帧级去重。用 md5 或者感知哈希找出训练和验证中的重复图片，把验证集里的重复项删除，让验证集只保留与训练视频序列间隔足够远的帧。实操中我还会直接比较相邻文件名的连续性，如果两个 split 里有连续编号超过 10 帧的图片，就手动调整边界。
5.5 类别 ID 和 names 顺序对不上——训练全废
现象：训练完成后跑预测，行人被识别成自行车，交通灯被识别成轿车，但 loss 曲线很正常。
原因：数据集打包时类别顺序和 labels 文件里的 ID 不是同一套体系。比如数据集 README 说 ID 0 是 car，但 names 列表里 ID 0 写的 person。YOLOV5 不校验 names 与标签的内在关系，它只按 ID 硬编码类别向量。
解决：训练前严格核对类别清单，最有效的方法是随机抽 20 张训练图片，把 label 框画到图上并打印类别名，人工扫一眼。检查脚本可以画完图直接存成 jpg 放到临时目录，这个动作花不了三分钟，却能省掉一次完整训练周期。
import cv2 from pathlib import Path img = cv2.imread(str(img_path)) for line in labels: cid, x, y, w, h = map(float, line.split()) x, y, w, h = x * img.shape[1], y * img.shape[0], w * img.shape[1], h * img.shape[0] x1, y1 = int(x - w / 2), int(y - h / 2) x2, y2 = int(x + w / 2), int(y + h / 2) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(img, names[int(cid)], (x1, y1 - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255), 1) cv2.imwrite("check.jpg", img)6. 从训练到验收：模型评估、可视化与向 R2 系列迁移
训练完成后，验证集上的 mAP 指标只能说明模型「在这份静态数据上」的拟合程度。自动驾驶场景的可靠性验证，还需要做三件额外的事：边界框置信度阈值与 NMS 参数扫描、夜间与逆光图片的鲁棒性抽检、以及类别混消矩阵的具体错误模式分析。特别是第二种情况，车载相机在强光、逆光、雨天条件下拍摄的图片分辨率和亮度变化剧烈，训练集再大也不可能覆盖所有天气形态，此时要优先看模型在低对比度区域的漏检位置，再决定是否补充数据还是一味调参数。
类别混消矩阵需要用到val.py生成的 confusion matrix 图表，YOLOV5 在验证后会把结果存成 runs/val/exp/confusion_matrix.png。观察这个矩阵时，重点看两个相反方向的高频错误：一是「car 被预测成 truck」，这类错误多半是类别边界定义不清，对框的大小和形状区分不够。二是「背景被预测成 person」，这类假阳性在路边广告牌人形立牌上经常出现，唯一的缓解手段是增加负样本，或者调整模型对 person 类的置信度阈值。
如果项目准备长期迭代，建议把这份数据迁移到 R2 系列模型上做对比测试。迁移不是直接把 YOLOV5 的标签格式换掉，而是在它的检测头上重新训练验证一次。R2 系列的标签格式和 YOLOV5 完全一致，只是增强策略和网络结构不同，所以直接复用 road_det.yaml 即可。切换后常见的一个坑是 mosaic 增强的默认开关和概率不一样，导致训练早期不稳定，这时把mosaic: 0.0保持到前 10 个 epoch 再恢复，效果会更平滑。
另一个被很多人忽视的细节是：YOLOV5 训练完成后，模型权重里包含类别名与锚框信息，但导出的 ONNX 和 TensorRT 模型默认不保留类别名，推理端需要自己维护一套 names 列表。也就是说，把 pt 权重转成部署格式时，类别名的顺序是写在你的后处理代码里的，不是模型里。我现在做自动驾驶感知部署时，会额外用一段小脚本把 names 列表和标签映射表序列化成 json，和权重放在同一个目录下，这样后续换同事接手或者换设备推理，至少不会在「类别错位」这种低级问题上再翻车。
还有一个小技巧值得分享：验证模型在低光场景的鲁棒性时，不用特意去收集一大堆夜间图片。直接用 OpenCV 对现有验证集的图片做随机亮度降低、对比度调整，生成一个模拟夜间的增强验证集，跑出来的指标已经能说明模型对光照的敏感程度。如果模型在这个模拟集上掉点严重，再决定是增加训练数据的亮度扰动，还是换用带数据标准化策略的模型架构。
我习惯在每个项目结束前把训练集里表现最差的 10 张图打印出来，一张张看模型到底漏掉了什么。这个动作看起来「原始」，但比任何指标曲线都能说明问题——有一次我发现模型频繁漏检远处的小轿车，放大图片后发现这些车在标注框里不足 20 像素宽，属于小目标范畴，单纯调参没有意义，最后还是靠切分大图加上提升输入分辨率才真正把 recall 拉起来。希望这次的路径拆解能帮你在自己的数据集上少走一段弯路。
本文还有配套的精品资源，点击获取
