VOC车辆检测数据集制作与转换：从标注到YOLOv8训练的全流程避坑指南

简介：这是面向视觉目标检测学习者与算法工程师的车辆检测标注数据集，包含 bus、car、suv、taxi、truck 五类常见车辆。图片按类别前缀统一命名，并同时提供 txt 与 xml 两套标注文件，适合用于 YOLO 系列、SSD 或 Faster R-CNN 等模型的训练与效果验证，也可作为数据格式转换练习的素材。资源共 2000 个文件，其中原始图片 699 张 jpg，对应标注 699 个 xml 与 700 个 txt，压缩包整体约 466.3MB。xml 为 PASCAL VOC 标注格式，txt 为 YOLO 格式归一化坐标标注，两者分别存放在独立文件夹中，便于按需选用。目前已有 961 人学习下载，常用于车辆检测的教学实验与小型项目验证。下载后可直接获得成体系的车辆检测数据，既可用于训练自定义检测模型，也可对比两种主流标注格式的差异，省去自行采集与转换标注的时间成本。

1. 为什么说“VOC 各种类型车辆检测数据集”不是下载即用的成品

深夜一点，val 集里两百辆卡车被模型认成轿车，mAP 掉到 0.33。打开 xml 一看，训练集 bus 只有 117 张，car 却有一万八千张——这就是接触“VOC 各种类型车辆检测数据集”的人最常见的开局。它指的不是某个打包好的压缩包，而是一套以 Pascal VOC 的目录结构和 xml 标注为核心、覆盖多类车辆对象的检测数据组织方案，通常包含 car、bus、truck、motorcycle、bicycle 等类别，服务于 YOLO、Faster R-CNN、SSD 这类检测模型的训练。适合谁？手上有图像或视频素材，想做成能被复现、能迭代、能换模型不换标注的数据资产的人。先记住一个反直觉结论：网上能下到的“VOC 车辆数据集”，大概率只有 JPEGImages 和 Annotations，没有划分好的 train/val，类别也可能只有 car 一类，剩下全靠自己补。

2. VOC 数据集的目录结构与车辆类别划分：从 Annotations 到 labelmap 的落地约定

2.1 一个规范的 VOC 目录：JPEGImages、Annotations 与 ImageSets 的分工

VOC 格式的核心不是单个 xml 文件，而是整套目录约定。做车辆检测时，我一般会先按下面的结构把数据落盘，后面对接任何训练框架都靠这套结构兜底：

VOCdevkit/ └── VOC2007/ # 年份只是协议标识，不影响解析 ├── JPEGImages/ # 原始图像，统一 .jpg，文件名与 xml 一一对应 ├── Annotations/ # 每张图像一个 .xml，Pascal VOC 标注 ├── ImageSets/ │ └── Main/ # train.txt / val.txt / trainval.txt / test.txt │ # 每行一个不带后缀的文件名，例如 000001 └── labels/ # 非 VOC 标准目录，很多团队自己加，放 YOLO txt

JPEGImages 和 Annotations 必须严格同名，ImageSets/Main 里的 txt 只写文件名不带扩展名，这是 VOC 协议给训练脚本的接口。一个典型血泪经验是：有人把标注文件存成 .XML 大写后缀，Linux 下 ET.parse 找不到文件，排查半天才发现是大小写问题。图像统一转成 .jpg 而不是 png，不只是省空间，还因为很多检测框架按扩展名判断解码路径，混着用容易在 dataloader 报错。VOC 没有强制图像尺寸，但同一批训练数据最好控制在接近的分辨率范围，否则 batch 里一边是 1920×1080，一边是 640×480，resize 后目标尺度差异会直接反映在 AP 上。

2.2 车辆类别怎么从 VOC 的 20 类缩到我们自己的 labelmap

Pascal VOC 原生 20 类里，跟车辆强相关的只有 bicycle、bus、car、motorbike，aeroplane 偶尔算作空中目标，truck、van、pickup 这些在 VOC 里没有独立类别，全部并进 car。做多类型车辆检测时，这点最需要提前约定：

确定了 labelmap 后，第一步是写一个干净的映射表，而不是直接改 xml。我习惯把映射独立成文件，比如生成一个 label_map.json，转换脚本只读它。原因很简单：后续加类别、合并类别时只改一处，不用重新遍历标注。

2.3 为什么不直接下“现成交付的 VOC 车辆包”

很多第三方发布的 VOC 车辆数据集，实际是用脚本从 VOC trainval 里筛出 car、bus 等类别打包的。直接用有三个风险：一是分布不对齐，VOC 的 car 大量是街景角落里几十像素的小目标，而你的业务可能是高速卡口大目标；二是类别覆盖不够，van、truck 基本没有；三是来源不可追溯，xml 可能是爬虫抓的图重新标注的，商用授权无法证明。这也是 BDD100K、UA-DETRAC、KITTI 这些自动驾驶数据集更常被选作底料的原因——不是它们标注更准，而是它们的类别定义和场景分布更接近真实车辆检测任务。需要注意的是，这些数据集的标注格式都不是 VOC，BDD100K 是 json 风格，KITTI 是自定义 txt，UA-DETRAC 带轨迹属性，全部要走到第 4 章的转换流程。另外 CCPD 这类数据集框的是车牌不是整车，训练整车检测时别混用，它的 bbox 范围完全不是你要的目标。

3. 从零搭建车辆数据集：数据来源选型、抽帧初筛与 VOC 标注生成

3.1 公开车道数据集怎么选：先看类别分布，再看标注质量

搭建车辆数据集最省力的路径，是在公开自动驾驶数据集基础上做类别裁剪和清洗，而不是从零找图标注。我接触过的几个常用来源如下：

选型逻辑不是哪个数据集大就选哪个。夜间场景的检测任务优先看 BDD100K，因为它的夜间帧占比明显高于 KITTI；路口遮挡多就选 UA-DETRAC；只跑结构化道路，KITTI 就够用。我的建议是：主数据源选 1 个，辅助数据源选 1 个，用辅助源补充主源缺失的类别和天气组合。注意这些数据集图像分辨率差异很大，BDD100K 是 1280×720，KITTI 是 1242×375，训练前要么统一 resize，要么在转换时保留原始尺寸让 dataloader 自行处理。

3.2 视频抽帧：别让连续帧淹掉你的硬盘

如果自己采集视频，第一步是抽帧。常见错误是把视频所有帧都存下来，一段 10 分钟 30fps 的视频就是 18000 张，九成是重复背景。我一般按间隔抽帧，同时把视频文件名写进帧名，方便后面做时序划分：

import cv2 import os def sample_frames(video_path, out_dir, sample_interval=30): cap = cv2.VideoCapture(video_path) os.makedirs(out_dir, exist_ok=True) idx = 0 base = os.path.splitext(os.path.basename(video_path))[0] while True: ret, frame = cap.read() if not ret: break if idx % sample_interval == 0: out_file = os.path.join(out_dir, f"{base}_{idx:06d}.jpg") cv2.imwrite(out_file, frame) idx += 1 cap.release() print(f"processed {idx} frames, saved to {out_dir}") # 参数说明： # sample_interval=30 表示每 30 帧取 1 帧，30fps 视频下约每秒取 1 张 # 帧名带视频名和帧号，是为了后续按时间段切 train/val，防止信息泄漏

sample_interval 取多少要看目标运动速度。高速公路场景 10 帧取 1 帧可能漏掉快速变道的瞬间，城市路口 30 帧取 1 帧足够。保守做法是先抽一版，人工扫一遍，如果同一个车在相邻帧里位置几乎没变，就加大间隔。抽完帧之后建议跑一遍清晰度筛选，把模糊帧删掉。OpenCV 的 Laplacian 方差是个便宜的指标，方差低于阈值的帧直接丢，不要留给标注员浪费时间。

3.3 使用 LabelImg 标注并生成标准 VOC xml

标注阶段我仍推荐 LabelImg，它原生支持 PascalVOC 和 YOLO 两种导出格式。选 PascalVOC 导出，因为 xml 带图像尺寸信息，后续转 YOLO、COCO 都方便：

<annotation> <folder>VOC2007</folder> <filename>000001.jpg</filename> <size> <width>1280</width> <height>720</height> <depth>3</depth> </size> <object> <name>car</name> <bndbox> <xmin>100</xmin> <ymin>150</ymin> <xmax>350</xmax> <ymax>400</ymax> </bndbox> </object> </annotation>

标注规范里必须写清楚 bndbox 贴多紧。我的约定是：四边贴着车体外轮廓，含后视镜但不含车牌突出部分；被遮挡超过一半的目标不标；路灯下阴影不算车体。LabelImg 导出后，xml 散落在各个目录，需要归拢到标准 VOC 结构。一个很简单的脚本就能完成：

import shutil import os from pathlib import Path def collect_to_voc(src_dirs, voc_root): jpg_dir = Path(voc_root) / "JPEGImages" xml_dir = Path(voc_root) / "Annotations" jpg_dir.mkdir(parents=True, exist_ok=True) xml_dir.mkdir(parents=True, exist_ok=True) for src in src_dirs: for img in Path(src).glob("*.jpg"): xml = img.with_suffix(".xml") if xml.exists(): shutil.copy(img, jpg_dir / img.name) shutil.copy(xml, xml_dir / xml.name) else: print(f"missing xml: {img}")

这段脚本做两件事：把 jpg 和 xml 配对复制进标准目录；发现缺 xml 的图直接打日志。missing xml 列表要人工确认，很多时候是标注漏了而不是文件损坏。归拢之后，强烈建议跑一次 xml 完整性校验，解析每个文件、检查 bndbox 是否在图像范围内，这能挡掉后面训练时最常见的崩溃来源。

4. VOC 转 YOLO 与 COCO：归一化参数、类别映射与防泄漏划分

4.1 为什么训练前必须做格式转换

VOC 标注能直接喂给 torchvision 自带的 Faster R-CNN，但 YOLOv5/YOLOv8、MMDetection 都不吃 xml。YOLO 系列要求每个标注文件是 txt，每行格式为“类别序号 中心点x 中心点y 宽 高”，且 x、y、w、h 都是相对图像宽高的归一化数值；MMDetection 的常用配置则要求 COCO json 格式。范围再广一点，如果你用 MMRotate 做旋转框检测，那需要的是 DOTA 格式，VOC 的 axis-aligned 框转过去后基本要重新标。所以格式转换不是可选项，而是从数据到训练闭环的第一道工序。转换脚本本身不难，难在类别映射的一致性：VOC 里 class 是字符串，YOLO 里是整数，COCO 里是 id+name 的结构，三套体系一旦没对齐，模型训练得越久越难查错。这也是我强调 labelmap 单文件管理的原因。

4.2 VOC 转 YOLO：一个脚本吃透归一化和类别映射

YOLO 训练目录通常是 images/ 和 labels/ 平级，每张 jpg 对应一个同名的 txt。下面是核心转换逻辑：

import xml.etree.ElementTree as ET from pathlib import Path def voc_to_yolo(xml_path, out_dir, class_map): tree = ET.parse(xml_path) root = tree.getroot() size = root.find("size") w = int(size.find("width").text) h = int(size.find("height").text) lines = [] for obj in root.iter("object"): name = obj.find("name").text if name not in class_map: continue box = obj.find("bndbox") xmin = float(box.find("xmin").text) ymin = float(box.find("ymin").text) xmax = float(box.find("xmax").text) ymax = float(box.find("ymax").text) # 计算中心点坐标和宽高，全部除以图像宽高做归一化 xc = (xmin + xmax) / 2 / w yc = (ymin + ymax) / 2 / h bw = (xmax - xmin) / w bh = (ymax - ymin) / h lines.append(f"{class_map[name]} {xc:.6f} {yc:.6f} {bw:.6f} {bh:.6f}") out_path = Path(out_dir) / (Path(xml_path).stem + ".txt") out_path.write_text("\n".join(lines)) return len(lines)

class_map 是从类别名到整数编号的字典，比如{"car": 0, "bus": 1, "truck": 2, "motorcycle": 3, "bicycle": 4, "van": 5}。这里有个细节：xmin、ymin 是 int 类型，但读出来一定要转 float 再运算，否则除以宽高后直接舍零，小目标会全部变成面积为 0 的框。out_path只写了 txt，没写 jpg，因为 YOLO 训练时是从图片目录反向找同名 txt，不是从 txt 找图片。批量处理时我习惯每个 xml 做完后把结果追加到一个 all_labels.txt 统计表，方便后面数各类别数量。

4.3 VOC 转 COCO：json 结构与 seg 字段的补零技巧

如果走 MMDetection 或 Detectron2，需要 COCO json。VOC 转 COCO 的关键是 categories、images、annotations 三项的组织方式。可以直接把 COCO 的 segmentation 字段写成矩形轮廓[xmin, ymin, xmax, ymin, xmax, ymax, xmin, ymax]，COCO API 能正常读，只是没有精细分割而已。核心代码如下：

def voc_to_coco(xml_dir, class_map, output_json): coco = {"images": [], "annotations": [], "categories": []} for name, cid in class_map.items(): coco["categories"].append({"id": cid, "name": name}) ann_id = 1 for idx, xml_path in enumerate(Path(xml_dir).glob("*.xml")): tree = ET.parse(xml_path) root = tree.getroot() size = root.find("size") w, h = int(size.find("width").text), int(size.find("height").text) coco["images"].append({ "id": idx, "file_name": root.find("filename").text, "width": w, "height": h }) for obj in root.iter("object"): name = obj.find("name").text if name not in class_map: continue box = obj.find("bndbox") xmin = int(box.find("xmin").text) ymin = int(box.find("ymin").text) xmax = int(box.find("xmax").text) ymax = int(box.find("ymax").text) coco["annotations"].append({ "id": ann_id, "image_id": idx, "category_id": class_map[name], "bbox": [xmin, ymin, xmax - xmin, ymax - ymin], "area": (xmax - xmin) * (ymax - ymin), "iscrowd": 0, "segmentation": [[xmin, ymin, xmax, ymin, xmax, ymax, xmin, ymax]] }) ann_id += 1 with open(output_json, "w") as f: json.dump(coco, f)

bbox 用的是xmin, ymin, width, height，不是 xmin、ymin、xmax、ymax，这个顺序写错最常见的表现是训练时 loss 不降、mAP 始终在 0.1 以下。categories 的 id 要严格按 class_map 来，而不是直接沿用 COCO 原生的 80 类 id——很多现成脚本会默认 car 是 2，但你的模型只检测车辆时类别下标是从 0 重排的。

4.4 划分 train/val/test：防信息泄漏的按片段拆分

划分是最容易把数据做脏的一步。常见操作是random.shuffle所有文件名后按比例切，这对独立图片数据集问题不大，但对视频抽帧数据是灾难：同一辆车出现在连续帧里，可能一帧在 train、一帧在 val，mAP 虚高到离谱，部署时直接崩。正确做法是按视频片段划分：

import random from collections import defaultdict def split_by_video(file_list, train_ratio=0.7, val_ratio=0.2, seed=42): random.seed(seed) video_groups = defaultdict(list) # 文件名格式为 {video_name}_{frame_idx}.jpg for f in file_list: video_name = f.split("_")[0] video_groups[video_name].append(f) videos = list(video_groups.keys()) random.shuffle(videos) n_train = int(len(videos) * train_ratio) n_val = int(len(videos) * val_ratio) train_files = [] val_files = [] test_files = [] for i, video in enumerate(videos): if i < n_train: train_files.extend(video_groups[video]) elif i < n_train + n_val: val_files.extend(video_groups[video]) else: test_files.extend(video_groups[video]) return train_files, val_files, test_files

seed 固定下来，保证每次划分结果一致。比例上我一般用 7:2:1，验证集至少覆盖每个类别 20 张以上；类别本身就少的 bus 如果验证集里只有 3 张，评估结果方差会大到没有任何参考价值。划分完成后把 list 写入 txt 文件，同时打印各类别在 train/val 中的数量分布，不均衡的就在这里发现，别等训练完才追。

5. 车辆检测数据集的 5 个排查避坑点：xml 解析、类别失衡与验证集泄漏

5.1 ET.parse 报错的隐藏原因：BOM 头和相对路径

现象：批量转换时ET.ParseError发生在某个 xml，但用浏览器打开一切正常。 原因：一是 xml 被人用带 BOM 的编码保存过，解析器不认识开头的不可见字符；二是 xml 里 filename 写的是「./images/000001.jpg」这种相对路径，转换脚本直接拿来拼接目录就找不到文件。 解决：转换前先做一次全线校验。用xmllint --noout Annotations/*.xml快速暴露解析问题；对 filename 字段统一Path(x).name只取文件名。遇到 BOM 问题，在代码里用utf-8-sig读文件再转存一次即可。这个坑在你自己写脚本合并多批标注时极容易出现，LabelImg 导出的原始文件没问题，问题都出在后处理阶段。

5.2 类别失衡：bus 只有 117 张，car 有一万八千张，模型直接摆烂

现象：训练后 val 集上 car 的 AP 有 0.85，bus 只有 0.12，整体 mAP 被平均得很难看。 原因：数据分布天然倾斜，街景里轿车数量碾压客车。模型学不到 bus 的判别特征，不是它笨，是它见的 bus 样本太少。 解决：先统计每个类别的数量做公示，如果最少的类别和最多的差一个数量级，就要处理而不是硬训。简单有效的手段是类别加权采样：dataloader 里给样本分配权重，bus 的采样概率调到 car 的 5 到 10 倍。注意这不是让模型重复看同一张图，而是降低 car 在每一轮 iteration 中的占比。对 bus 单独做增强也有用：hsv 扰动、上下翻转、随机裁剪后粘贴到街景背景里。粘贴时要处理透视，直接矩形贴上去会让模型学到边框特征。

5.3 转换时没过滤 difficult 和截断目标

现象：训练时 loss 下降正常，但验证集 AP 在 0.4 附近上不去。 原因：VOC xml 里 object 下有difficult、truncated、occluded字段，很多转换脚本直接忽略。结果是把被树挡了 90% 的车、训练集里只有半个车身的目标全当正样本，模型被噪声标签反复拉扯。 解决：转换前过滤。我一般把difficult等于 1 的目标直接跳过不输出；truncated大于 0.5 的如果有其他完整样本兜底就删，如果已经是稀缺类别就单独建一个 hard_examples.txt 备用。只对occluded做记录不做过滤，因为遮挡目标在真实场景中很常见，全删了会导致模型对遮挡不鲁棒。

5.4 resize 图像后 xml 坐标没同步缩放

现象：训练开启imgsz=640后一切正常，但自己写预处理脚本时，图像缩到 640×480，坐标还是原图 1920×1080，框全部错位。 原因：xml 里的坐标是绝对像素值，和具体图像一一绑定。任何对图像尺寸的改动都要同步更新这两个坐标。 解决：统一在转换脚本里把图像和标注同时处理，不要先 resize 图片、后改 xml。我自己踩过这个坑后，把规则定为「resize 必须发生在格式转换之前」，一旦进入 YOLO 的归一化坐标阶段，image 的原始宽高就不该再改。若必须改，用new_x = x * new_w / old_w的公式重算四个值，别手动估。

5.5 验证集泄漏带来的假高分

现象：训练记录显示 mAP 0.85，模型一出实验室就翻车，现场视频里车都漏检。 原因：train 和 val 里混入了同一视频片段的相似帧。车辆外观、背景、光照几乎一致，模型实际上是在做记忆而不是做泛化。更隐蔽的泄漏是同一地点不同时间段的图像，比如停车场固定车位上的同一辆车反复出现。 解决：划分时严格按视频片段、时间戳、地理位置元数据做分组。正则表达式解析文件名把视频 ID 提取出来分组划分；如果是网络爬的独立图片，那就控制来源域名，同一域名的图像默认放同一集合。划分完成后做一个检查：随机抽 20 对 train/val 图像，看是否有完全相同的车出现在两张图里。另外，训练完成后对比 train mAP 和 val mAP，如果差值超过 15 个点，优先怀疑泄漏而不是模型过拟合。

6. 用转换后的 VOC 车辆数据集跑通 YOLOv8：data.yaml、训练命令与按类别看 AP

转换完成后，最后一个闭环是把数据喂进 YOLOv8 跑一遍训练并验证效果。项目根目录下面应该同时存在 images/ 和 labels/，data.yaml 按这个方式写：

path: /path/to/your_dataset train: images/train val: images/val nc: 6 names: ['car', 'bus', 'truck', 'motorcycle', 'bicycle', 'van']

YOLOv8 会自动在同等路径下寻找 labels/train 下的 txt 文件。nc 必须和 names 长度一致，这两个值由 labelmap 生成，不要手写数字。训练用如下命令：

yolo detect train \ data=data.yaml \ model=yolov8s.pt \ epochs=100 \ imgsz=640 \ batch=16

一个几百到几千张规模的数据集，s 模型在单张消费级显卡上两三个小时能跑完。训练结束后看runs/detect/train/下的 confusion_matrix.png 和 results.png，先确认 loss 曲线没有发散，再看混淆矩阵里 truck 和 bus 是否互混。验证阶段直接跑：

yolo detect val \ model=runs/detect/train/weights/best.pt \ data=data.yaml

终端输出的 Per Class 表会列出每个类别的 AP50 和 AP50-95。我现在的习惯是：数据集交付前先跑一版「完全默认参数」的 baseline，不看调参效果，只看数据和标注质量。如果 car 的 AP50 在 0.9 以上但 bus 只有 0.3，先回去补 bus 样本，不要动模型结构；如果所有类别都低，检查第 5 章里的遮挡过滤和划分泄漏。数据质量过关之前调任何超参都是自我安慰。希望帮到你。

本文还有配套的精品资源，点击获取