黄牌检测数据集构建全攻略：json标签转YOLO格式与避坑指南

简介：一份面向车牌检测与车牌识别任务的高质量图像数据集，素材以黄牌车辆为主，涵盖不同拍摄角度与场景，适合目标检测模型训练、车牌角度适配及后续字符识别等应用。压缩包内共9324个文件，其中包含4662个json标注文件、4627张jpg图片及35张jpeg图片，总体积约257.79MB。标注采用polygon多边形格式，每个车牌用四个顶点精准对应四角，能贴合不同拍摄角度下的车牌形变，相比普通矩形框更具几何适应性。所有图片均经过人工逐张筛选，已剔除模糊、遮挡或存在歧义的样本，数据干净一致，可直接输入检测网络进行训练和字符识别，也可用于目标检测、车牌定位、字符分割等典型任务，显著节省数据清洗与二次标注的时间。当前已有883人学习下载，适合需要规整车牌标注数据的开发者、算法工程师及科研人员。若需转为rectangle矩形框或其他标签格式，可私信作者进行转换。

1. 车牌检测数据集（黄牌）+json标签：先弄清它和蓝牌到底差在哪

做车辆视觉落地的人基本都有同感：车牌检测看着门槛低，真正训起来才发现数据全是脏活。尤其黄牌，货车、拖挂、农用机械上最常见，车牌区域大、字符间距宽、反光严重，网上现成的 json 标签数据集又以蓝牌为主，拿来做黄牌检测几乎等于重新攒一份。这篇不绕弯子，就讲清楚怎么从零搞出一份能直接喂给 YOLO 类模型的“黄牌检测数据集 + json 标签”：原始数据从哪来、json 标签文件怎么拆、如何转成训练格式，以及标注清洗里那些必须提前知道的坑。适合正在用 YOLOv8 或 YOLOv5 训练自己的数据集、但被数据质量卡住的人。

2. 黄牌原始数据从哪来：采集场景、开源现状与视频抽帧命令

2.1 黄牌车的真实分布场景：先定场景再拍，别眉毛胡子一把抓

黄牌车和蓝牌车的分布逻辑完全不同。蓝牌私家车在马路上随处都是，随手截几张图就能开训；黄牌车集中在物流园区、高速收费站、港口闸口、建筑工地、农用车辆检测站这几类场景。如果你打算做通用黄牌检测，我的建议是每个场景至少覆盖三类角度：车头正对、30 度左右斜向、以及上下坡带来的俯仰角度。这直接决定模型能不能在真实项目里扛住。

我一般会在拍摄前先列一个采集清单，把场景分布写清楚，避免数据全堆在同一个角度上。给一个可参考的采集表：

拍摄时手机、行车记录仪、监控录像都可以，唯一硬指标是车牌最短边不要少于 40 像素。低于这个值，后面标注员自己都看不清楚字符边界，标注质量很难保证。另外，黄牌比蓝牌长一截，标准的 440mmx140mm 尺寸放在蓝牌旁边视觉上就大不少，这会让模型在后续推断时对目标尺寸的预设产生偏差，数据里必须有意识地混入不同距离下的车牌样本。

2.2 开源数据集里黄牌占比很低：别指望拿来就能用

市面上能找到的车牌数据集，比如常见的城市车牌数据集 CCPD，绝大多数样本是蓝牌，黄牌在其中的比例相当低。另一个常被提到的 UA-DETRAC 是交通监控场景，本身定位是车辆目标检测和跟踪，车牌区域太小，直接拿来做车牌检测需要大量裁剪和二次标注，工作量并不比自采小。

• 检查音频、视频、图片、日志、压缩包、文档等各类文件；
• 集成病毒检测引擎，提供扫描报告与威胁级别判定；可对检测文件采取隔离或删除等处置动作；

提示：安全产品若缺少对压缩包内文件的深度检测，常常让攻击载荷借壳潜入，这是文件检测落地时必须补齐的一环。

我的做法是：拿开源数据做预标注的种子，而不是直接作为训练集。比如先用已有的蓝牌检测模型去对黄牌图片做初筛框，再人工修正边界。这样省掉的只有“画框”这一步，标注员仍然得逐张看，黄牌的字符排列、双层结构、污损反光这些细节必须人来确认。指望一个 json 标签从网上下载下来就能匹配自己的场景，基本不现实。

2.3 从视频抽帧：ffmpeg 命令与去重逻辑

如果你能搞到监控视频或行车记录仪片段，抽帧是最高效的来源方式。我常用的命令是：

ffmpeg -i input.mp4 -vf "fps=1,scale=1920:1080" -q:v 2 -fps_mode passthrough frame_%04d.jpg

这里fps=1表示每秒抽一帧，对车牌检测来说足够密了，太快反而会让相邻帧高度相似，相当于数据翻倍但信息没翻倍。-q:v 2控制 JPEG 质量，2 是高质量档，车牌上的字符边缘在压缩后仍然清晰。-fps_mode passthrough让输出帧率跟随过滤链，避免 ffmpeg 对帧做重采样引入多余处理。

抽完帧之后必须做相似度去重。连续两帧的画面如果只有车牌位置差几个像素，训练时容易被模型当同一条样本反复记忆，导致验证集指标虚高。我一般先抽完帧用感知哈希算法粗筛，两张图的汉明距离小于 5 就删掉一张，然后再人工扫一遍，把镜头快速切换时产生的花帧、运动模糊帧、车辆只露出一半的帧清掉。这个步骤看着琐碎，但直接影响后面标注环节的返工率。

# 用 ImageMagick 比较相邻帧的结构相似度 # 大于 0.95 的帧删除 ffmpeg -i input.mp4 -vf "select=gt(scene,0.05)" -vsync vfr frame_%04d.jpg

用select=gt(scene,0.05)可以直接让 ffmpeg 只保留画面突变超过阈值的帧，配合人工复查比先抽帧再删除省一半时间。注意阈值不要设得太大，黄牌车进出闸口时车速慢，画面变化本来就不大，设 0.05 左右比较稳妥。

3. json 标签文件拆开看：LabelMe 风格、COCO 风格和校验脚本

3.1 车牌检测用 LabelMe 风格就够了：polygon 反而是负担

车牌检测数据集的 json 标签，最常见的两种格式是 LabelMe 风格和 COCO 风格。LabelMe 风格的每个文件对应一张图片，顶层包含imagePath、imageWidth、imageHeight、shapes四个关键字段；COCO 风格则是把所有图片的标注汇总到一个大 json 里，包含images、annotations、categories三个数组。

我的建议是：如果是从标注工具导出，选 LabelMe 风格更省事。车牌是刚性目标，矩形框足够表达，但 LabelMe 默认会让你标 polygon，标注员很容易在车牌四角上多点几下。polygon 看起来精细，训练时反而有害——模型目标检测的锚框回归学习的是矩形框参数，polygon 边界上一点点的抖动都会被放大成 bbox 抖动。所以我统一要求标注员用 rectangle 模式，四个点最多六个点，拖拽一个对角再微调另一边即可。

3.2 一个标准的黄牌 json 文件长什么样

下面这个例子是单张图片、单个车牌框的 LabelMe 风格标签：

{ "version": "5.2.1", "flags": {}, "shapes": [ { "label": "yellow_plate", "points": [ [128, 256], [512, 384] ], "group_id": null, "shape_type": "rectangle", "flags": {} } ], "imagePath": "frame_0001.jpg", "imageData": null, "imageWidth": 1920, "imageHeight": 1080 }

这里points只有两个点，分别是矩形左上角和右下角，坐标单位是像素，以图片左上角为原点。label是类别名，建议统一成yellow_plate，不要一会写yellow_plate一会写yellowplate，后面转格式时踩坑还得回头改。imagePath是相对路径，注意它必须和实际文件名完全一致，包括大小写和后缀。

如果你拿到的数据是 COCO 风格，对应的标注字段是bbox: [x, y, width, height]，area是面积，category_id是类目编号。COCO 的 bbox 用左上角坐标加宽高表达，和 YOLO 训练需要的中心点坐标加宽高不是一回事，转换时公式很容易搞反，后面第四章会给出具体换算方式。

3.3 训练前先跑一遍标签校验脚本：及时发现问题

不管 json 标签来自标注平台还是网上开源，训练前都必须做一次完整性扫描。常见问题包括：json 文件缺失、图片路径指向不存在的文件、同一张图重复标注、类别名不一致、坐标超出图片边界。下面这个脚本可以一次性扫出这些问题：

import json, os from glob import glob img_dir = "images" json_dir = "labels_json" for json_path in glob(os.path.join(json_dir, "*.json")): with open(json_path, "r", encoding="utf-8") as f: data = json.load(f) img_name = data["imagePath"] img_path = os.path.join(img_dir, os.path.basename(img_name)) if not os.path.exists(img_path): print(f"[缺图] {json_path} -> {img_name}") continue w, h = data["imageWidth"], data["imageHeight"] for shape in data["shapes"]: pts = shape["points"] for x, y in pts: if x < 0 or y < 0 or x > w or y > h: print(f"[越界] {json_path}: 点({x},{y})超出 {w}x{h}") break labels = set(s["label"] for s in data["shapes"]) if len(labels) > 1: print(f"[多类别] {json_path}: {labels}")

脚本做了三件事：查图片是否存在、查坐标是否越界、查类别是否统一。输出会逐条列出问题文件路径，照着改就行。这里有个容易被忽略的细节——imagePath里如果写的是绝对路径或含子目录，直接用os.path.basename取文件名去匹配图片，避免路径层级不一致导致的误报。坐标越界这个检查尤其重要，很多标注工具允许你拖出画布边缘，标签照样保存，但模型训练时 loss 直接飘到 NaN。

4. 标签转 YOLO 格式：json 转 txt 的归一化细节与目录划分

4.1 坐标归一化：先加后除，方向搞反就全废

YOLO 训练用的 txt 标签文件，每一行是class_id x_center y_center width height，四个坐标值全部归一化到 0 到 1 之间。这里的 x_center、y_center 是 bbox 中心点相对整张图片的比例，width、height 是 bbox 宽高相对图片宽高的比例。

从 LabelMe 的矩形框左上角点(x1, y1)和右下角点(x2, y2)换算公式如下：

• x_center = ((x1 + x2) / 2) / imageWidth
• y_center = ((y1 + y2) / 2) / imageHeight
• width = (x2 - x1) / imageWidth
• height = (y2 - y1) / imageHeight

注意先求中心点像素坐标，再除以图片尺寸，顺序不要颠倒。有人图省事先各自归一化再加，得到的结果差之毫厘谬以千里。另外，YOLO 格式不接受负数坐标，越界的标注必须在转换时就裁掉，或者直接扔掉这张图，不要想着让模型去学习越界目标。

黄牌特有的一个问题是双层车牌。大货车挂的双层牌，上层小下层大，标注策略必须先统一：是上下两层合起来框一个整体，还是各自分开框两个框。我统一建议分开框，因为检测到两层后，后续识别字符时天然知道哪一层是号牌主体，合框会把两层中间的缝隙噪声带入模型。做转换脚本时，遇到同一个车牌区域出现两个分离的框，不要去合并。

4.2 转换脚本：直接可用，附详细参数说明

下面这个脚本把 LabelMe 风格 json 转成 YOLO txt，同时处理了双层牌、路径分隔符和类别映射：

import json, os from glob import glob CLASS_MAP = {"yellow_plate": 0} img_dir = "images" json_dir = "labels_json" out_dir = "labels_txt" os.makedirs(out_dir, exist_ok=True) for json_path in glob(os.path.join(json_dir, "*.json")): with open(json_path, "r", encoding="utf-8") as f: data = json.load(f) img_w = data["imageWidth"] img_h = data["imageHeight"] img_name = data["imagePath"].replace("\\", "/") base_name = os.path.splitext(os.path.basename(img_name))[0] txt_path = os.path.join(out_dir, base_name + ".txt") with open(txt_path, "w", encoding="utf-8") as out_f: for shape in data["shapes"]: label = shape["label"] if label not in CLASS_MAP: continue pts = shape["points"] x_coords = [p[0] for p in pts] y_coords = [p[1] for p in pts] x1, x2 = min(x_coords), max(x_coords) y1, y2 = min(y_coords), max(y_coords) # 去掉越界部分，避免归一化出现负数 x1 = max(0, x1) y1 = max(0, y1) x2 = min(img_w, x2) y2 = min(img_h, y2) box_w = x2 - x1 box_h = y2 - y1 if box_w <= 2 or box_h <= 2: continue # 面积太小的框视为废标注 x_center = (x1 + x2) / 2 / img_w y_center = (y1 + y2) / 2 / img_h norm_w = box_w / img_w norm_h = box_h / img_h out_f.write(f"{CLASS_MAP[label]} {x_center:.6f} {y_center:.6f} {norm_w:.6f} {norm_h:.6f}\n")

我写脚本时特别注意了两点。第一是data["imagePath"].replace("\\", "/")，Windows 上标注导出的路径经常带反斜杠，Python 读字符串时\f、\t这类会被转义成特殊字符，导致文件名匹配失败。第二是小型过滤，box_w <= 2 or box_h <= 2把面积小于 2 像素的框丢掉，这类框基本是标注员手误点出来的噪点。如果你的图片里有特殊字符类名，比如新能源绿牌要叫green_plate，直接在CLASS_MAP里加一行即可。

4.3 目录划分和训练文件：固定随机种子，验证集别混入重复帧

转换完 txt 标签后，目录结构我一般组织成：

dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ ├── data.yaml

划分时用随机种子固定顺序，否则每次跑训练数据分布都变，实验结果没法对比。下面这段脚本把图片列表打乱后按 9:1 分到 train 和 val：

import os, random from glob import glob random.seed(42) imgs = glob("images/*.jpg") random.shuffle(imgs) val_count = max(1, int(len(imgs) * 0.1)) for i, img in enumerate(imgs): dest = "val" if i < val_count else "train" os.makedirs(f"images/{dest}", exist_ok=True) os.makedirs(f"labels/{dest}", exist_ok=True) base = os.path.basename(img) os.rename(img, f"images/{dest}/{base}") txt = f"labels_txt/{base[:-4]}.txt" if os.path.exists(txt): os.rename(txt, f"labels/{dest}/{base[:-4]}.txt")

这里 val 占比 10% 对车牌检测够用，因为黄牌场景单一，不需要像自动驾驶数据集那样留大量验证场景。划分后打开data.yaml写下路径：

path: /absolute/path/to/dataset train: images/train val: images/val names: 0: yellow_plate

path建议写绝对路径，YOLO 对相对路径的处理在不同版本之间有差异，写绝对路径少踩一个坑。names 里的编号必须和转换脚本里 CLASS_MAP 定义一致，这是最容易被忽略的对应关系。

5. 黄牌数据集避坑：5 个真实翻车点，每一条我都付出过时间代价

5.1 绿牌被标成黄牌：颜色信息是最后的防线

现象：训练完模型后，在新能源车多的路段连续误检，绿色车牌被识别成黄牌。打开标注数据检查，发现大量绿牌样本的 label 写的是 yellow_plate。

原因：标注员在灰度模式下看图，绿牌和黄牌在灰度图上色调接近，肉眼很难区分，一批次标完就全错了。

解决：在标注规范里强制要求彩色模式看图，同时在转换脚本里加一道颜色校验。这里可以写一个小函数，对标注框内的图像区域统计 HSV 色相均值，绿色的色相在 35 到 85 之间，黄色在 20 到 35 之间，如果框内绿像素比例超过 30% 但标签写的是 yellow，就打印警告。这个校验不能完全替代人工复核，但能过滤掉八成以上的低级错误。

5.2 拖挂车的双层车牌只标了一半

现象：模型在高速收费站对拖挂车漏检，而且漏检的集中在车尾。检查标注文件发现，这些车牌的框高度只有正常车牌的三分之一。

原因：部分标注工具默认区域是单目标，标注员看到双层车牌后习惯性只框下半部分大号牌，上半层小号牌完全没标。模型训练时学到的黄牌特征变成“一块窄条形区域”，对完整双层车牌响应低。

解决：规格定义阶段就写明双层牌的标注规则。如果上下两层间距小于上层高度的两倍，合并成一个整体框；间距再大，分两个框标，类别名保持一致。更重要的是，在转换脚本里统计同一个 json 文件里同类目标的框高度分布，如果一批数据中出现大量高度明显偏小的框，立刻回溯检查原始标注。

5.3 反光导致标注员“脑补”边框

现象：验证集 loss 一直正常，但实际使用中逆光场景车牌检测框偏移严重，框边界贴着字符而不是车牌边缘。

原因：户外逆光下黄牌表面反光，标注员看不到真实的金属边框，只能凭经验猜一个边界。不同人猜的偏差不同，有的贴着字符，有的把旁边车灯也框进来了。模型看到的是边界不一致的目标，回归自然学不好。

解决：采集阶段尽量选顺光时段拍摄，或者用行车记录仪循环录像时注意遮阳板角度。如果必须用逆光素材，标注时打开图像增强辅助工具，把亮度临时拉高看清边框再标。建议在标注界面设置一条规则：边框模糊看不清的一律先标一个粗框，后面专门人复查，而不是让标注员自由发挥。数据集质量烂在标注环节，后面对话模型再优秀也救不回。

5.4 ffmpeg 抽帧产生大量异常帧：花屏帧和运动模糊帧

现象：训练到一半 loss 突然跳高，检查数据集发现里面混进了几百张只有半截车身、车牌像被拉伸过的图片。

原因：用fps=1抽帧时，如果视频编码有 B 帧，某些关键帧之间的插值帧会被 ffmpeg 直接输出，画面呈现撕裂；快速变道时运动模糊帧也混进去了。人工筛片很难注意这种异常帧，它们和正常帧通常只有细微差别。

解决：抽帧后跑一遍清晰度筛选。我一般用 OpenCV 的拉普拉斯方差判断模糊程度，方差低于阈值的帧直接删除。同时把抽帧后相邻两帧做一次结构相似度比较，相似度大于 0.9 的删掉。这样处理后数据集整体质量明显提高，loss 曲线的毛刺也少了很多。

5.5 json 文件名和图片名不同步：导出工具的绝对路径陷阱

现象：转换脚本跑完后统计发现只有六成图片有对应 txt，其余图片的标签文件是空的。

原因：标注平台或本地工具导出的 json 里，imagePath有时记录的是标注当时文件的绝对路径，比如/home/user/2024/05/frame_001.jpg，但实际图片被移动到了images/frame_001.jpg。转换脚本按 basename 匹配时，部分文件名中有重复数字或空格导致匹配失败。

解决：转换之前先做一次全量文件名检查，用脚本把 json 里的 imagePath 和 images 目录下的实际文件名做交集比对，列出差集再人工处理。不要试图在转换脚本里用模糊匹配去猜，猜出来的结果迟早会在训练时翻车。另一个技巧是收集 json 时直接要求标注工具输出相对路径，大多数工具在导出设置里可以勾选，这一步能在源头上省掉后面的对齐工作。

6. 用 YOLOv8 快速验证数据集质量：20 轮训练与混淆矩阵查账

6.1 最小训练命令：数据质量验证不需要大模型

只验证标签质量时，不要直接上 YOLOv8x 或 YOLOv5m，用最小的模型跑 20 轮就够。小模型对数据噪声更敏感，数据有问题它会直接体现在指标上，大模型反而可能在参数里“消化”掉部分错误。命令如下：

yolo detect train \ data=dataset/data.yaml \ model=yolov8n.pt \ epochs=20 \ imgsz=640 \ batch=16 \ patience=10

patience=10表示验证集指标连续 10 轮不提升就提前停止，质量差的数据集往往十几轮后就开始震荡，不会出现虚假的“越训越好”。imgsz=640对黄牌这种大目标足够，不要用更高的分辨率测试，否则会把换行符的输入尺寸差异和标签质量问题混在一起。跑完后看两处：results.csv里的验证集 mAP50 和混淆矩阵图。

6.2 训练曲线和混淆矩阵要这么读：指标高不代表数据干净

如果 mAP50 在 0.9 以上，看起来很美，但打开混淆矩阵发现黄牌和蓝牌类别之间有 15% 的互相误判，说明类别之间的区分度有问题。出现这种组合的概率很高——单纯看 mAP 不会暴露具体错在哪里，要真正排查标签噪声，混淆矩阵是最直观的账本。

我还会额外看一眼训练集和验证集的 loss 曲线。训练集 loss 下降而验证集 loss 不降甚至上升，通常不是过拟合，而是验证集里混入了标错的样本，导致验证集本身不可信。这时候做的不是调模型结构，而是回去重新清洗数据。

一天晚上我调了一个模型的参数，怎么都压不住验证集 loss，最后发现是验证集里混了几十张标注框偏了大半的车牌图。从那以后我养成了习惯：每份数据集训完都留一份可视化验证结果，随机抽 100 张验证集图片，把预测框和标签框画出来快速过一遍。这个过程 20 分钟，能省掉后面正式部署时反复排查问题的几小时。数据集的脏东西不会自动消失，只会等你在最不想遇到的时候冒出来，希望这篇梳理能帮你把前面的坑填得平一点。

本文还有配套的精品资源，点击获取