简介：这份资源是面向计算机视觉开发者与电力智能巡检方向研究者的目标检测数据集，聚焦电塔上鸟巢的识别与定位任务，可用于生态观测、电网安全预警等场景的模型训练与评估。压缩包共2000个文件，以1165个VOC格式xml标注文件和835个YOLO格式txt标注文件为主，另含对应jpg图片，整体约87.32MB，xml记录矩形框坐标与类别，txt则适配YOLO系列算法直接读取。数据集仅含nest一个类别，共标注1187个鸟巢框，采用labelImg完成矩形框标注，图片与标注一一对应，部分图片含多个目标。目前已有202人学习下载，适合直接投入检测模型训练、格式转换与算法对比实验，省去自行采集与标注成本。
1. 电塔鸟巢检测数据集：1165 张 VOC+YOLO 双格式到底怎么用
电力巡检这几年最大的变化，不是无人机飞得多稳，而是后端算法开始真正替代人眼去盯绝缘子、销钉和塔顶的鸟巢。鸟巢这东西看着简单，实际在航拍图里特别难缠：枯枝颜色和塔材接近，逆光下只剩一团黑，小目标还经常被压缩到几十像素。所以当我拿到「目标检测电塔上鸟巢检测数据集1165张VOC+YOLO格式.zip」这个标题时，第一反应不是它有多大，而是它同时给了 VOC 和 YOLO 两套标注——这意味着从传统检测框架到 YOLO 系训练链路都能直接接上，省掉了最耗时的格式转换和标注校验。1165 张这个量级，说大不大，说小也绝不算玩具集，刚好够做一次完整的迁移学习微调，也够暴露小目标检测里那些玄学问题。这篇就按我实际处理这类电力巡检数据集的顺序，把格式、划分、训练参数和踩过的坑讲清楚，适合正在做电力视觉巡检、或者手上有类似鸟类目标检测需求的人照着走一遍。
2. 先搞懂 VOC 和 YOLO 两套标注在鸟巢检测里的差别
2.1 VOC 的 XML 结构决定了它能承载哪些信息
VOC 格式每张图对应一个 XML 文件，核心节点是folder、filename、size和若干个object。对鸟巢检测来说，object里通常只有一个类别名，比如nest或birdnest，外加bndbox的四个坐标。VOC 的好处是信息冗余度高：图片宽高、通道数、标注是否截断、是否难例都能写进去。电力巡检场景里，塔顶鸟巢经常被塔材部分遮挡，truncated和difficult这两个字段就有实际意义——你可以在训练时决定要不要把 difficult 样本的损失降权。
但 VOC 的坐标是绝对像素值，且原点在左上角，不同标注工具导出的 XML 在xmin/ymin上偶尔会出现 1 像素的取整差异。1165 张里如果混了多个标注批次，这种差异会累积成框偏移。我一般会先跑一遍统计脚本，看所有 XML 的宽高分布和框面积分布，确认没有异常值再往下走。
import os import xml.etree.ElementTree as ET from collections import Counter def parse_voc_stats(xml_dir): widths, heights, areas, labels = [], [], [], [] for f in os.listdir(xml_dir): if not f.endswith('.xml'): continue tree = ET.parse(os.path.join(xml_dir, f)) root = tree.getroot() size = root.find('size') w = int(size.find('width').text) h = int(size.find('height').text) widths.append(w) heights.append(h) for obj in root.findall('object'): name = obj.find('name').text labels.append(name) bbox = obj.find('bndbox') xmin = float(bbox.find('xmin').text) ymin = float(bbox.find('ymin').text) xmax = float(bbox.find('xmax').text) ymax = float(bbox.find('ymax').text) areas.append((xmax - xmin) * (ymax - ymin)) print('图片数量:', len(widths)) print('宽高范围:', min(widths), max(widths), min(heights), max(heights)) print('类别分布:', Counter(labels)) print('框面积中位数:', sorted(areas)[len(areas)//2]) print('最小框面积:', min(areas), '最大框面积:', max(areas)) parse_voc_stats('./VOC/Annotations')这段脚本输出四个关键信息：图片总数、宽高范围、类别分布和框面积分布。如果类别分布里出现多个标签名，比如nest和birdnest混用，必须在转 YOLO 之前统一，否则训练时会被当成两个类。框面积中位数如果小于 32×32，说明小目标占比高，后面选模型和调 anchor 都要针对性处理。
2.2 YOLO 的 txt 格式为什么更适合直接训练
YOLO 格式每张图对应一个 txt，每行是class_id x_center y_center width height，全部归一化到 0 到 1。它不存图片尺寸，也不存 difficult 标记，所以信息量比 VOC 少，但训练时读取快、解析简单。1165 张的规模，用 YOLO 格式直接喂给 ultralytics 系的训练脚本，几乎不需要额外预处理。
从 VOC 转 YOLO 的公式很直接：x_center = (xmin + xmax) / 2 / img_w，y_center = (ymin + ymax) / 2 / img_h，width = (xmax - xmin) / img_w，height = (ymax - ymin) / img_h。但这里有个容易翻车的点：如果 XML 里的size和实际图片尺寸不一致，归一化就会整体偏移。我遇到过标注工具导出时把size写成固定 1920×1080，而实际图片是 3840×2160，结果所有框缩小了一半。所以转换前必须用 PIL 或 OpenCV 重新读一遍真实尺寸，和 XML 里的size做校验。
import os import xml.etree.ElementTree as ET from PIL import Image def voc_to_yolo(xml_dir, img_dir, out_dir, class_map): os.makedirs(out_dir, exist_ok=True) for f in os.listdir(xml_dir): if not f.endswith('.xml'): continue tree = ET.parse(os.path.join(xml_dir, f)) root = tree.getroot() img_name = root.find('filename').text img_path = os.path.join(img_dir, img_name) with Image.open(img_path) as im: real_w, real_h = im.size lines = [] for obj in root.findall('object'): name = obj.find('name').text if name not in class_map: continue cls_id = class_map[name] bbox = obj.find('bndbox') xmin = float(bbox.find('xmin').text) ymin = float(bbox.find('ymin').text) xmax = float(bbox.find('xmax').text) ymax = float(bbox.find('ymax').text) # 用真实图片尺寸归一化，避免 XML size 字段错误 xc = (xmin + xmax) / 2.0 / real_w yc = (ymin + ymax) / 2.0 / real_h bw = (xmax - xmin) / real_w bh = (ymax - ymin) / real_h # 裁剪到 0-1，防止标注越界 xc = min(max(xc, 0), 1) yc = min(max(yc, 0), 1) bw = min(max(bw, 0), 1) bh = min(max(bh, 0), 1) lines.append(f'{cls_id} {xc:.6f} {yc:.6f} {bw:.6f} {bh:.6f}') out_name = os.path.splitext(f)[0] + '.txt' with open(os.path.join(out_dir, out_name), 'w') as wf: wf.write('\n'.join(lines)) voc_to_yolo('./VOC/Annotations', './VOC/JPEGImages', './labels', {'nest': 0})这段代码里class_map把类别名映射成 0，因为鸟巢检测通常单类。real_w和real_h从图片实际读取，不信任 XML 的size。最后做了 0 到 1 的裁剪，防止个别越界框导致训练时 loss 爆炸。转换完一定要抽查几张，用可视化脚本把 YOLO 框画回原图，确认框位置没偏。
2.3 双格式并存时该以哪套为准
如果压缩包里 VOC 和 YOLO 两套标注都全，我的习惯是以 VOC 为原始真值，YOLO 只作为转换产物。原因是 VOC 保留了difficult和truncated，你可以在转 YOLO 时决定是否过滤掉 difficult 样本，或者保留但记录索引。反过来，如果只有 YOLO 没有 VOC，那就没法恢复这些元信息，遇到遮挡严重的鸟巢只能硬训。
实际操作中，我会先校验两套标注的一致性：随机抽 50 张，把 VOC 转出的 YOLO 和包里自带的 YOLO 逐行对比，看class_id和四个归一化值是否在 1e-4 误差内一致。如果不一致，说明其中一套有问题，通常以 VOC 为准重新生成。这一步花不了十分钟，但能避免后面训练完发现 mAP 异常却找不到原因。
3. 1165 张怎么划分训练验证集才不浪费样本
3.1 按场景分层比随机划分更稳
1165 张如果纯随机 8:2 划分，训练集 932 张、验证集 233 张。但电力巡检图有个特点：不同塔型、不同光照、不同拍摄角度的分布很不均匀。如果随机划分，可能出现验证集里全是逆光样本，训练集里全是顺光，导致验证 mAP 虚低。我一般按三个维度做分层：光照条件（顺光/逆光/阴天）、拍摄距离（近景/中景/远景）、塔型（如果标注里有的话）。每个维度下按比例抽验证集，保证验证集覆盖所有子场景。
具体做法是给每张图打一个场景标签，可以用文件夹名或者文件名前缀，如果没有就人工快速过一遍，1165 张大概半小时能标完。然后用sklearn的train_test_split带stratify参数按场景标签分层。
import os import shutil from sklearn.model_selection import train_test_split def split_dataset(img_dir, label_dir, out_root, val_ratio=0.2): imgs = [f for f in os.listdir(img_dir) if f.endswith(('.jpg', '.png'))] # 这里用文件名前缀模拟场景标签，实际按你的命名规则改 scenes = [f.split('_')[0] for f in imgs] train_imgs, val_imgs = train_test_split( imgs, test_size=val_ratio, stratify=scenes, random_state=42 ) for subset, files in [('train', train_imgs), ('val', val_imgs)]: img_out = os.path.join(out_root, 'images', subset) lbl_out = os.path.join(out_root, 'labels', subset) os.makedirs(img_out, exist_ok=True) os.makedirs(lbl_out, exist_ok=True) for f in files: shutil.copy(os.path.join(img_dir, f), os.path.join(img_out, f)) lbl = os.path.splitext(f)[0] + '.txt' src_lbl = os.path.join(label_dir, lbl) if os.path.exists(src_lbl): shutil.copy(src_lbl, os.path.join(lbl_out, lbl)) print('训练集:', len(train_imgs), '验证集:', len(val_imgs)) split_dataset('./images', './labels', './dataset', val_ratio=0.2)stratify=scenes保证每个场景在训练和验证里的比例一致。random_state=42固定随机种子，方便复现。划分完检查一下验证集里是否每个场景都有样本，如果某个场景只有一两张，考虑合并到相近场景或者直接放进训练集，避免验证指标抖动。
3.2 验证集不能只用来算 mAP
很多人划分完验证集就只等训练结束看 mAP，这浪费了验证集的一半价值。我的做法是训练前先用验证集跑一遍可视化，把每张图的真值框画出来，人工过一遍看有没有漏标、错标。鸟巢检测里最常见的标注问题是：把塔材交叉处误标成鸟巢，或者鸟巢只标了外圈没标内部。1165 张里如果有 5% 的错标，训练时模型会学到错误特征，mAP 卡在 0.6 上不去。
另外验证集要留一部分做「困难样本」专项：把逆光、远距离、遮挡严重的图单独拎出来组成一个子集，训练过程中每隔若干 epoch 单独跑一次这个子集，观察模型在困难场景下的召回率变化。如果整体 mAP 在涨但困难子集召回不涨，说明模型在拟合简单样本，需要加困难样本的损失权重或者做针对性增强。
3.3 小目标占比高时划分要注意框面积分布
鸟巢在远景图里可能只有 20×20 像素，在近景图里能到 200×200。如果训练集里全是小框、验证集里全是大框，模型学到的尺度先验就会偏。划分时除了场景分层，还要看框面积分布。简单做法是统计每张图的平均框面积，按面积分位数分成小、中、大三档，再在每档里按比例抽验证集。
import os import numpy as np def box_area_stats(label_dir): areas = [] for f in os.listdir(label_dir): if not f.endswith('.txt'): continue with open(os.path.join(label_dir, f)) as rf: for line in rf: parts = line.strip().split() if len(parts) == 5: _, _, _, w, h = map(float, parts) areas.append(w * h) # 归一化面积 areas = np.array(areas) print('归一化面积分位数:') for q in [10, 25, 50, 75, 90]: print(f' {q}%: {np.percentile(areas, q):.6f}') print('小目标占比(<0.01):', (areas < 0.01).mean()) box_area_stats('./labels')归一化面积小于 0.01 基本对应小目标。如果小目标占比超过 40%，训练时输入分辨率不能太低，640 可能不够，要考虑 960 或 1280。同时 anchor 的尺寸也要重新聚类，不能直接用 COCO 的默认 anchor。
4. 用 YOLO 训练鸟巢检测的必调参数与避坑记录
4.1 输入分辨率和 batch size 的取舍
1165 张的规模，单卡 8G 显存的话，640 分辨率下 batch size 可以到 16，960 分辨率下大概 8，1280 下只能 4。鸟巢检测里小目标多，我倾向优先保分辨率，batch size 小一点用梯度累积补。比如 960 分辨率、batch 4、累积 4 步，等效 batch 16。这样显存不爆，小目标召回也能上来。
但分辨率不是越高越好。如果原始图片本身是 1920×1080，你拉到 1280 训练，推理时也用 1280，速度会明显下降。电力巡检如果要求实时，得在精度和速度之间找平衡。我的经验是：验证集上小目标召回率低于 0.7 就加分辨率，高于 0.85 且推理速度不达标就降分辨率。
4.2 anchor 聚类和损失函数里的小目标权重
YOLO 默认 anchor 是基于 COCO 的，鸟巢的宽高比和 COCO 里的目标差别很大。用 k-means 在自己的标注框上重新聚类 anchor，通常能提升 2 到 5 个点 mAP。聚类时用归一化宽高，k 取 9，迭代 100 次。
import numpy as np from sklearn.cluster import KMeans def cluster_anchors(label_dir, k=9): wh = [] for f in os.listdir(label_dir): if not f.endswith('.txt'): continue with open(os.path.join(label_dir, f)) as rf: for line in rf: parts = line.strip().split() if len(parts) == 5: _, _, _, w, h = map(float, parts) wh.append([w, h]) wh = np.array(wh) kmeans = KMeans(n_clusters=k, random_state=42, n_init=10).fit(wh) anchors = kmeans.cluster_centers_ anchors = anchors[np.argsort(anchors[:, 0] * anchors[:, 1])] for a in anchors: print(f'{a[0]:.4f} {a[1]:.4f}') cluster_anchors('./labels', k=9)输出的 9 组宽高按面积从小到大排列，替换模型配置里的 anchor。注意聚类前要确认标注里没有宽高为 0 的脏数据，否则 k-means 会报错。
损失函数方面，如果小目标占比高，可以适当提高 box loss 的权重，或者用 CIoU 替代 GIoU。有些 YOLO 版本支持fl_gamma调节 focal loss，鸟巢检测里正负样本极不平衡，focal loss 能缓解简单负样本主导梯度的问题。但fl_gamma别设太大，1.5 到 2.0 之间比较稳，设到 3 以上容易训练不稳定。
4.3 避坑记录：鸟巢检测训练里最常见的 5 个翻车点
现象一：训练 loss 正常下降，但验证 mAP 一直是 0。原因通常是类别映射错了。VOC 里类别名是nest，转 YOLO 时class_map写成了{'birdnest': 0}，导致所有标注被跳过，txt 全是空的。解决方法是转换后统计每个 txt 的行数，如果大量为 0，回去检查类别名。
现象二：训练到一半 loss 突然变成 NaN。最常见的原因是学习率太大或者标注框越界。先检查 txt 里有没有坐标大于 1 或小于 0 的行，有就裁剪。然后看学习率，1165 张微调一般从 0.001 开始，如果 NaN 就降到 0.0005。另外 batch size 太小时 BN 层统计量不稳定，也会导致 loss 爆炸，可以改用 group norm 或者增大 batch。
现象三：验证集 mAP 很高，但实际推理时漏检严重。这是典型的过拟合到验证集分布。检查验证集和实际推理图的场景差异，如果推理图里有大量夜间红外图而验证集全是可见光，模型没见过红外特征自然漏检。解决办法是在训练集里补充红外样本，或者做可见光到红外的风格迁移增强。
现象四：同一张图里多个鸟巢只检出一个。NMS 的 IoU 阈值设太高了。鸟巢之间如果挨得近，默认 0.45 的 NMS 会把相邻框抑制掉。把 NMS IoU 降到 0.3 到 0.4 之间试试，或者用 soft-NMS。另外如果两个鸟巢确实重叠，标注时要注意区分，别标成一个框。
现象五：模型把塔材交叉处误检成鸟巢。这是负样本不足导致的。训练集里如果只有鸟巢图，没有纯塔材图，模型没见过「没有鸟巢的塔」长什么样。解决办法是加入一定比例的负样本图，即没有鸟巢的塔材图，标注为空 txt。负样本比例控制在 10% 到 20% 之间，太多会拉低召回。
5. 从 1165 张到可部署模型：验证与进阶技巧
训练完拿到权重只是第一步，真正要部署到电力巡检流程里，还得过验证和优化两关。我一般会做三件事：第一，用验证集跑一遍混淆矩阵，看误检和漏检的具体分布，如果误检集中在某个塔型，就针对性补样本；第二，用测试集（从训练集里再切一小部分，训练时完全不碰）跑一次端到端推理，统计每张图的推理耗时和显存占用，确认在目标硬件上能跑；第三，把模型导出成 ONNX 或 TensorRT，对比导出前后的 mAP 差异，如果掉点超过 1 个点，检查导出时的输入尺寸和归一化参数是否一致。
进阶技巧方面，如果 1165 张训完 mAP 卡在瓶颈，可以试试半监督或者自训练：用当前模型对未标注的电力巡检图做推理，把高置信度的预测框作为伪标签加入训练集，迭代两到三轮。这个方法在鸟巢检测里效果不错，因为鸟巢特征相对固定，伪标签噪声可控。但要注意每轮加入的伪标签图不能太多，控制在原始训练集的 30% 以内，否则错误会累积。
还有一个容易被忽略的点：推理时的输入尺寸最好和训练时一致。训练用 960，推理用 640，小目标召回会掉得很明显。如果部署端算力有限，宁可在训练时就用 640，让模型适应低分辨率，也不要训练高分辨率再降推理分辨率。
我自己在这个数据集上踩过最深的坑，是早期没做标注校验直接开训，结果验证 mAP 一直在 0.5 左右晃，查了两天才发现有一批 XML 的size字段是错的，导致归一化坐标整体偏移。从那以后我养成了一个习惯：任何数据集到手，先跑统计脚本，再看可视化，最后才写训练配置。这个顺序看起来慢，实际上省时间。希望帮到你。
本文还有配套的精品资源，点击获取
