YOLO溺水检测数据集：874张图训练与避坑全攻略

简介：这是面向目标检测开发者和游泳场所安全监控场景的数据集，主要用于溺水行为识别模型的训练与验证。包内共包含2000个文件，以874份xml标注文件与874份txt标签为主体，并配套251张jpg图像与1个yaml配置，压缩包大小约24.69MB。其中txt标签采用yolo格式，xml采用voc格式，分别存储于独立文件夹，便于直接接入yolov5、v7、v8、v9、v10及yolo11等常见框架。数据集已提前完成训练集、验证集划分，可节省自行整理标注的时间成本，适合刚接触yolo系列算法的学习者上手实践，也适合有溺水检测需求的项目开发者快速验证模型效果。截至目前已有302人浏览学习。

1. 这份溺水检测数据集到底解决了什么

做水域安全监控的工程师，大概率都卡在同一个地方：算法在公开数据集上跑得挺好，一换到自家泳池摄像头，误报多到值班员想砸屏幕。原因不复杂——溺水不是一个标准检测目标，它是“人体姿态异常+长时间静止+运动轨迹异常”的组合状态，单靠通用行人检测做不了。这份标题里的“yolo算法-游泳溺水检测数据集-874张图像带标签-溺水.zip”，就是冲着这个痛点来的：一张图里标好谁是正常游泳者、谁是溺水者，直接用 YOLO 系列算法训练检测头，让模型学着区分“正常游动的人”和“姿态不对的人”。

874张图像听起来不多，但对于溺水这种强姿态特征、弱语义差异的任务，正好够把模型从零拉起来再迁移到真实水域。它的直接价值不是“装完就能用”，而是给你一个对齐过标注口径的数据起点。适合谁用？适合已经跑过 YOLO 基础训练、手头有一批自己的水域视频、但不知道从哪开始做异常姿态检测的人。如果你连 YOLO 训练流程都没搭过，建议先用公开行人数据集把整套流程跑通，再回来碰这份数据。

2. 拆解溺水.zip：图像、标签和标注口径检查

拿到压缩包后，第一件事不是解压后立刻开训，而是把“标签到底怎么标、标了几个类、框有多准”查清楚。标注口径不明确，后面所有训练和调参都是空中楼阁。

2.1 先看目录结构：YOLO 格式的标配长什么样

常见的 YOLO 检测数据集压缩包，解压后至少会有这样两层结构：

swim_drowning_dataset/ ├── images/ │ ├── train/ │ │ ├── img_00001.jpg │ │ ├── img_00002.jpg │ │ └── ... │ └── val/ │ ├── img_00020.jpg │ └── ... └── labels/ ├── train/ │ ├── img_00001.txt │ ├── img_00002.txt │ └── ... └── val/ ├── img_00020.txt └── ...

文件名里的溺水.zip并不能说明内部结构一定如此，有些打包者会把 train/val 混在一起，有些会用_darknet风格把所有标签放同一个目录。所以拿到包后第一步是跑一个统计脚本，先把家底盘清楚。我一般会写下面这段脚本，几秒钟就能看到这个包的标注全景：

#!/usr/bin/env bash # 统计 images 和 labels 下的文件数，检查图片和标注是否一一对应 echo "图片数量:"; find images -type f | wc -l echo "标签数量:"; find labels -type f | wc -l # 找出有图片没标签、或者有标签没图片的样本，这些是训练时的定时炸弹 for img in $(find images -type f -name "*.jpg"); do base=$(basename "$img" .jpg) if [ ! -f "labels/$base.txt" ]; then echo "缺标签: $img" fi done

这段脚本的核心逻辑是：以图片文件名为基准，去labels目录找同名的.txt文件。YOLO 系列严格要求图片和标签同名同前缀，任何一张图缺标签，训练时都会被随机跳过，造成样本量缩水。如果跑完发现缺标签数量超过 20 个，建议先找打包者确认，不要直接进训练流程。

2.2 解析标签内容：一个 txt 里到底写了什么

YOLO 的标注文件是纯文本，每行对应一个目标框，格式固定为五列数字：

class_id x_center y_center width height

其中坐标全部归一化到 0~1 区间，width和height是框的宽高占图像宽高的比例，不是像素值。要注意，这里x_center和y_center是框中心点的相对坐标，不是左上角坐标，新手最容易在这个地方换算错。用下面的 Python 脚本可以快速查看某一个标签文件的可读内容：

# 读取单个YOLO标签文件并解析，顺便打印类别分布 from collections import Counter import glob label_files = glob.glob("labels/train/*.txt") class_counter = Counter() total_boxes = 0 for label_path in label_files: with open(label_path, "r") as f: for line in f: parts = line.strip().split() if len(parts) != 5: print(f"格式异常: {label_path} -> {line.strip()}") continue class_id = int(parts[0]) class_counter[class_id] += 1 total_boxes += 1 print(f"共解析 {len(label_files)} 个标签文件，{total_boxes} 个目标框") print("类别分布:", dict(class_counter))

这个脚本的价值有两个：一是发现格式异常行，比如坐标越界、列数不对、类别 id 超出预期范围；二是给出类别分布，让你确定数据集到底标了几个类别。如果class_counter里只出现 0 和 1 两个类别，通常意味着 0 是正常游泳者、1 是溺水者；如果只有 0 一个类别，那这个数据集的定位就变成了“只检测溺水者”，训练时负样本全靠背景图。

2.3 标注口径确认：溺水与正常游泳的边界在哪

打开几张图看一眼标注框，重点观察三类样本：正常游泳的人、挣扎中的人、已经静止漂浮的人。一个合格的数据集，溺水者的标注框应该框住整个人体，而不是只框头部或手臂；正常游泳者的框应该同样完整，不能出现一个类别的框大一个类别的框小，否则模型会倾向于用框的尺寸大小来区分类别，而不是用姿态特征。

我遇到过最典型的口径问题：打包者把所有“没有在游动的人”都标成了溺水，结果换到实际泳池里，站在池边休息的救生员也被误检成溺水。874 张图如果标注口径是“面部朝下漂浮”才算溺水，那训练出来的模型在“面部朝上仰漂”场景下召回会很难看。建议抽出 30 张图用 OpenCV 或任何图像查看工具人工过一遍，确认溺水样本里包含了多种姿态和多种拍摄角度，而不是同一个视频连续截帧。

3. 用 YOLOv8 训练溺水检测模型：从数据划分到参数调优

数据检查完毕后，训练环节最核心的决策有三步：划分数据集、选择模型规格、设置训练参数。874 张图属于小样本，这三点一旦选错，模型不是过拟合就是训练直接崩掉。

3.1 按“视频来源”划分数据，不是按随机比例

很多人在这一步直接train_test_split按 8:2 随机切分，这在溺水检测里是错误做法。溺水视频通常是一段连续录像切帧得到，相邻帧之间背景、人体姿态高度相似，随机划分会把同一段视频的帧同时塞进训练集和验证集，验证集的指标会虚高，到了真实场景直接原形毕露。

正确做法是把同一来源的帧全部放进同一个集合。如果压缩包内已经有 train/val 目录，先检查两个目录里是否有文件名前缀相同的帧；如果数据没分目录，按文件名里的序号段划分，例如 0001~0700 做训练、0701~0874 做验证，保证验证集完全没见过训练集的拍摄场景。这一步没有代码可抄，靠的是对数据来源的判断。

3.2 选择模型规格：别一上来就用 YOLOv8x

874 张图撑不起大模型。YOLOv8x 参数量接近 7000 万，在这种数据量下必然过拟合；反过来 YOLOv8n 只有约 300 万参数，在小样本上表现反而稳健。我的建议是首选 YOLOv8m 或 YOLOv8s。这里有一个基本逻辑可循：

考虑到溺水检测要部署在泳池、河道等固定机位场景，我一般会先拿 YOLOv8s 跑一版，看验证集 mAP 是否能过 0.5；如果验证集 mAP 都能到 0.7 以上，再尝试换 YOLOv8m 看是否有提升。

3.3 最小可复现训练命令与参数说明

使用 Ultralytics YOLOv8 训练前，先写一个数据描述 YAML 文件。注意类别名称要和你统计出来的类别 id 顺序严格对应，顺序错一位，整个训练就白跑：

# drowning_dataset.yaml # 注意: class id 必须与标签文件里的数字一一对应 path: ./swim_drowning_dataset train: images/train val: images/val names: 0: swimmer 1: drowning

训练命令行如下。这里不用急着追最新版本号，ultralytics库的 API 一直保持兼容，v8 系列的命令格式没有大的破坏性变更：

# 安装 ultralytics 库之后直接开训 yolo detect train \ data=drowning_dataset.yaml \ model=yolov8s.pt \ epochs=200 \ imgsz=640 \ batch=16 \ patience=30 \ device=0 \ project=runs/drowning \ name=exp_with_aug

参数含义逐个说清楚：imgsz=640是输入分辨率，874 张图的分辨率如果本身就是 1080p 以上，训练时缩放到 640 能显著加速；如果原始图里溺水者框非常小，低于 32×32 像素，建议用imgsz=1024重新训练一版。batch=16在 874 张图的情况下够用，显存不够就降到 8。patience=30表示验证集指标连续 30 个 epoch 不提升就早停，这是防过拟合的关键机制。epochs=200看起来多，但有早停机制在，实际跑到 70~90 轮就会停。

3.4 预训练权重怎么选：用还是不用

热词里“yolo预训练模型下载”经常被搜到，说明很多人想直接加载 COCO 预训练权重。我的做法是：首次训练用yolov8s.pt作为起点，原因有三。第一，COCO 里有“人”这个类别，预训练模型已经学会了人体特征，迁移到游泳场景只需要微调高层语义；第二，如果不加载预训练权重，874 张图很难在有限轮数内收敛到可用状态；第三，COCO 预训练模型转换到二分类任务时，只需要替换检测头，YOLOv8 的模型结构会自动处理类别数变化。

# 如果想对比: 不加载预训练权重, 从零开始训练 yolo detect train \ data=drowning_dataset.yaml \ model=yolov8s.yaml \ epochs=200 \ imgsz=640 \ batch=16 \ device=0

差别只在model=参数是传.pt还是.yaml。.pt是加载预训练权重继续训练，.yaml是从网络结构随机初始化开始训练。小样本项目基本只跑第一种，从零训练只在验证“预训练权重是否有效”时作为对比实验出现。

4. 游泳溺水检测的避坑指南：5 个必须提前知道的坑

小样本 + 强姿态特征 + 环境千变万化，这个任务的水远比想象中深。以下五条踩坑记录全部来自实际训练中的血泪经验，每一条都按“现象 → 原因 → 解决”来写。

4.1 白天误报暴增：阳光直射水面时，水面反光被识别成人影

现象：晴天下午的泳池画面上，模型把水面波纹和池底瓷砖反光识别成溺水者，误报率从早上的 5% 飙升到 40%。

原因：YOLO 学的是纹理特征，而不是语义理解。水面波纹在阳光照射下会形成强边缘和高亮区域，这些纹理模式和标签中“穿着浅色泳衣的人”高度相似。训练数据里如果缺少强反光环境下的负样本，模型就会把这种纹理误判为人体。

解决：把晴天、阴天、室内灯光、室外自然光四种光照场景分开统计，确认训练集里包含了至少两种光照下的溺水正样本。同时，在预处理阶段增加“只检测画面下 2/3 区域”的约束，一般泳池摄像头画面中上半部分是天空或看台，不会出现溺水者，直接裁剪掉可以减少大量误报。

4.2 淹没后漏检：溺水者已经下沉，模型再也找不到目标

现象：测试视频中，溺水者从开始呛水到完全沉入水下用时约 10 秒，模型在前 5 秒能框住人，一旦人彻底没入水中，检测框消失，后续再也没能恢复。

原因：数据集里的溺水样本大多是“水面漂浮姿态”，比如仰面朝天或俯卧漂浮。但真实溺水过程是“挣扎 → 呛水 → 下沉”，下沉后人体被水折射和波纹遮挡，纹理特征完全改变，模型从未见过这种形态。

解决：调整标注策略，将“只有头部露出水面”的状态也纳入溺水类别；如果数据集中没有这类样本，从网上找公开的溺水救援视频截帧补标。还有一个工程师常用的办法：跟踪上一帧的检测框位置，如果当前帧该区域没有任何检测框，就用光流法或者背景差分判断该区域是否有运动异常，把下游判定移交给跟踪模块而不是单帧检测器。

4.3 类别混淆集中爆发：正常游泳者和溺水者都被标成同一个类别

现象：验证集混淆矩阵显示，normal swimming 类别的样本有 30% 被预测成 drowning，模型严重偏向于报警。

原因：标注数据里两类目标的姿态区分度不够。“狗刨式”游泳动作和“挣扎”动作在外观上非常相似，尤其是镜头距离远、分辨率低的时候，人眼都难分辨，模型只能学到游泳者的共性特征，导致swimmer的置信度永远低于drowning。

解决：降低误报优先级，提升阈值。把conf=0.25（默认值）调到conf=0.5，同时启用agnostic_nms=True，避免两个类别的框互相抑制。最有效的做法是给swimmer类别加权重，让模型在不确定时偏向输出正常游泳类别，把误报控制住，漏报量交给人去看。

4.4 模型训练 loss 不降反升，验证集 mAP 归零

现象：训练到第 20 个 epoch 时，box_loss 和 cls_loss 突然跳动，验证集 mAP 从 0.6 掉到 0，之后再也无法恢复。

原因：学习率设置过高，加上 label smoothing 开启后，小样本数据集对梯度波动更敏感。Ultralytics 默认使用lr0=0.01（初始学习率），对 874 张图来说这个值偏大，在训练后期容易跳过最优解。

解决：训练命令中加上lr0=0.005，把初始学习率降为默认值的一半；同时增大warmup_epochs到 10，让模型在前 10 个 epoch 用较低学习率稳定预训练权重的特征提取层。这一条能解决小样本训练 80% 的损失函数异常问题。

4.5 验证集 mAP 虚高，部署后完全不能用

现象：训练过程中 mAP50 到了 0.85，模型看起来完美。结果部署到现场摄像头后，10 分钟内在空无一人的泳池上连续误报 6 次。

原因：验证集划分是随机的，同一段视频的帧被同时分进训练集和验证集，模型相当于开卷考试。这种情况在数据量小的项目里极其常见，几乎每个拿到小数据集的人都会踩上一次。

解决：强制按视频来源划分数据。如果数据来自多个视频，保证同一个视频的所有帧只出现在训练集或验证集其中一个；如果一张图里有多个溺水者，图像级别的划分必须包含所有标注框。做完这一步之后 mAP 会明显下降，那才是模型真实水平的反映。

5. 把 874 张图“变多”：三类可靠的数据扩充手段

874 张图做一个检测任务，模型能收敛，但泛化能力有限。要提升真实场景表现，可以围绕这个数据集做扩充，三条路按性价比排序。

5.1 在线数据增强：Ultralytics 自带参数，不额外写代码

最常见的 YOLO 训练流程里，数据增强是训练时实时做的，Ultralytics 默认开启 mosaic（四张图拼接）、随机仿射变换、HSV 扰动等增强策略。对于溺水检测，这些增强并不全都适用：mosaic 能显著提升小目标的检测能力，但也会让水面纹理变得不真实，建议保留但降低强度；HSV 扰动不要开太大，泳池水的颜色稳定性是这个任务的重要线索。

在训练命令里用hsv_h=0.015（色调扰动幅度）、degrees=10（旋转角度）、scale=0.3（缩放范围）控制增强强度。数值越大增强越激进，但超过一定限度会让模型学到错误的水域颜色特征：

yolo detect train \ data=drowning_dataset.yaml \ model=yolov8s.pt \ epochs=200 \ imgsz=640 \ batch=16 \ patience=30 \ mosaic=0.8 \ hsv_h=0.015 \ hsv_s=0.3 \ hsv_v=0.2 \ degrees=10 \ scale=0.3

5.2 给自己的视频加标签：最务实的扩充路径

874 张图解决的是“从无到有”的问题，真实项目还是要用自己的场景视频补充数据。常见做法是：用你训练得到的第一个模型（哪怕只有 0.4 mAP）去跑一段新拍摄的泳池视频，把模型高置信度输出的帧保存下来，人工复核后直接作为训练样本追加进去。

# 导出高置信度检测帧, 供人工复核后再进训练集 from ultralytics import YOLO import cv2 model = YOLO("runs/drowning/exp_with_aug/weights/best.pt") cap = cv2.VideoCapture("pool_camera_01.mp4") frame_id = 0 saved = 0 while True: ret, frame = cap.read() if not ret: break frame_id += 1 if frame_id % 30 != 0: # 每秒取两帧, 避免连续帧冗余 continue results = model(frame, conf=0.5) if len(results[0].boxes) > 0: cv2.imwrite(f"candidate_frames/frame_{frame_id:06d}.jpg", frame) saved += 1 # 同时记录模型输出类别和坐标, 方便人工复核时比对 with open(f"candidate_frames/frame_{frame_id:06d}.txt", "w") as f: for box in results[0].boxes: cls_id = int(box.cls[0]) xywh = box.xywh[0].tolist() f.write(f"{cls_id} {xywh[0]/frame.shape[1]} {xywh[1]/frame.shape[0]} {xywh[2]/frame.shape[1]} {xywh[3]/frame.shape[0]}\n") cap.release() print(f"导出 {saved} 帧, 请人工复核标签后再加入训练集")

这段代码的核心思路是“用模型找候选，用人做确认”。模型负责把可能有问题的帧挑出来，人工只需要检查这些候选帧，把误标和漏标修正掉，再追加进原数据集重训。每跑一轮，数据量就增加一次，模型在真实场景下的表现也会同步提高。注意这里输出的是归一化坐标，因为要直接追加到原数据集的 labels 目录，格式必须保持一致。

5.3 加负样本：贴一张“无人泳池”标签进去

溺水检测的误报一大半来自“空无一人的水域被识别成人”。解决办法是主动往训练数据里添加没有人的负样本，也就是全背景帧。

做法很简单：从公开的泳池视频或自己拍摄的空镜中截取 200~300 帧，放到一个新的images/background目录，对应的标签文件写一个空文本。也就是说，有图无标签即可。Ultralytics 训练时会把这张图当作没有目标的负样本，让模型学会“什么都没看到时不要输出任何框”。

# 空标签文件的内容: 没有任何行 # 对应图片: background_001.jpg (同样一张图, 标签文件就一个空txt)

5.4 数据扩充后的重新训练策略

扩充完数据后不要直接从头训练，而是基于上一版权重继续训练。小样本数据集的每一轮训练，都是在上一轮学习过的特征基础上增加新知识。我一般会保持model=runs/drowning/exp_with_aug/weights/best.pt，把epochs降到 100，因为新数据量不大，模型不需要太多轮数就能收敛，轮数过多反而容易遗忘原有的水域特征。

6. 一个必须养成的习惯：训练完先跑视频再谈效果

训练指标再漂亮，不如直接拿一段真实视频看模型表现。我自己的标准流程是：训练完成后，至少用两段视频做验证——一段包含正常游泳的人，一段包含溺水模拟（让会游泳的人配合演示挣扎动作），分别统计误报率和漏检率。

视频验证的指标与图像验证完全不同。图像只看 mAP，视频要看时间连续性：一个真实的溺水过程持续几十秒，单帧检测结果必须在时间轴上保持一致，不能出现“这一秒有检测框、下一秒消失、再下一秒又出现”的情况。我用下面这段脚本统计检测框的帧间稳定性：

# 统计检测框在视频连续帧中的稳定性 # 连续N帧都检测到且框位置变化小于阈值, 才认为是可靠报警 from ultralytics import YOLO import cv2 import sys model = YOLO("runs/drowning/exp_with_aug/weights/best.pt") cap = cv2.VideoCapture("drowning_simulate.mp4") prev_box = None stable_frames = 0 alarm_frames = [] while True: ret, frame = cap.read() if not ret: break results = model(frame, conf=0.5) boxes = results[0].boxes if len(boxes) == 0: stable_frames = 0 prev_box = None continue # 取置信度最高的框做稳定性判断 best_box = boxes.xyxy[0].cpu().numpy() if prev_box is not None: # 计算中心点偏移量, 小于50像素视为同一目标持续存在 cx_diff = abs((best_box[0]+best_box[2])/2 - (prev_box[0]+prev_box[2])/2) cy_diff = abs((best_box[1]+best_box[3])/2 - (prev_box[1]+prev_box[3])/2) if cx_diff < 50 and cy_diff < 50: stable_frames += 1 else: stable_frames = 1 else: stable_frames = 1 prev_box = best_box # 连续15帧(约0.5秒)检测到同一目标, 触发一次报警 if stable_frames >= 15: alarm_frames.append(int(cap.get(cv2.CAP_PROP_POS_FRAMES))) print(f"触发警报的帧序号: {alarm_frames}") print(f"共触发 {len(alarm_frames)} 次警报")

这个脚本给你的不是一个 mAP 数字，而是一个可验收的标准：如果这个溺水视频连续几十秒的溺水过程只触发了 1~2 次警报，说明检测稳定性合格；如果警报断断续续触发十几次，说明模型在场景中的置信度波动太大，部署后值班员会直接关掉警报功能。

这个习惯我一直坚持：每次训练完模型，不管训练集 mAP 多高，都必须跑一段“自己拍的真实视频”看效果。874 张图训练出来的模型，本身就是一个需要不断迭代的半成品，视频验证能告诉你模型在该场景下的真实短板在哪，是补数据还是调阈值，一目了然。希望这个流程能帮你少走一些弯路，把更多时间花在真正有效的迭代上。

本文还有配套的精品资源，点击获取