无人机航拍行人检测：7400张YOLO数据集的构建、标注与训练实务

无人机航拍行人检测，这几年在智慧城市、低空巡检、应急救援和大型赛事保障里已经是个绕不开的话题。只要做这个方向的项目，手头必然要面对“无人机航拍行人检测数据集”这类资源，类似“7400张YOLO航拍检测数据集”的标题也经常能在各路渠道里看到。但说句实在话，仅仅看数字和格式名，很容易踩坑。如果直接就把一批数据灌进YOLO训练，等到验证集指标上不去、漏检一堆的时候，回头看才发现问题都出在数据构建和标注这些最基础的地方。

我这个做检测项目的人，拿到一个数据集通常不会急着下载、解压、开训练，而是先花小半天把目录结构、标注格式、场景分布、框的质量全部盘一遍。这篇内容我就按照这个习惯来写，把这类航拍行人检测数据集的组成部分、YOLO标注文件到底怎么读、自己整理同量级数据的完整流程，以及用这种数据集训练时必须注意的坑，一次说清楚。

1. 航拍行人检测数据集和普通监控数据集差在哪儿

1.1 航拍场景让检测任务难在哪

地面监控摄像头拍行人，机位高度固定，行人一般占几十乘几十像素，角度基本是斜俯视，目标之间重叠也不夸张。所以地面检测算法相对成熟，训练数据集里绝大多数图像也来自这种场景。无人机则完全不是一回事：飞行高度可以从几十米到几百米，镜头一会儿垂直俯拍、一会儿斜向前拍，同一个行人放在画面里，可能只有20乘40甚至10乘15像素，密集情况下几十个人挤在一起，树冠、车顶、阴影还会把身体切得支离破碎。

这种差异直接影响模型训练。从通用目标检测数据集里训出来的模型，拿来跑航拍画面，第一轮验证往往惨不忍睹：小目标漏检率高，俯拍角度下人形特征不全导致误判，树干和电杆被当成行人。这不是模型结构过时，而是训练数据的“域”和航拍场景差太远。要解决，最直接的手段就是多准备航拍视角的真实样本，让模型见过足够多“从天上往下看”的人长什么样。

1.2 7400张规模的数据集能干什么

7400张图像在大型公开数据集面前不算大，但在细分场景里是一个非常务实的体量。一个目标检测模型从零训练，一般几千张高质量图像就能把基本泛化能力拉起来；如果采用通用数据集预训练再微调，几千张样本足以针对特殊视角做有效适配，训练时间也可以控制在几小时到十几小时级别。相比动辄几十万张的公开数据集，这个规模的最大优势是迭代成本低，适合快速验证算法方案。

具体到实用层面，这类数据集的定位通常是：

• 直接训练出一个可以直接部署的航拍行人检测权重，服务于小区安防、工地人员统计、景区人流预警、无人机避障等功能；
• 作为预训练来源，在自有小样本数据上继续微调，用航拍权重初始化比用通用检测权重效果好很多；
• 用来做算法评测，对比不同骨干网络、不同注意力模块在俯拍小目标场景下的表现。

所以拿到手后第一个动作，是搞清楚这个数据集里的图像覆盖哪些高度、哪些角度、哪些场景类别。如果案例只是同一段视频抽帧组成，那训练出来的模型换个地方就退化，这类问题需要单独验证。

2. 7400张YOLO航拍数据集的细节拆解

2.1 数据划分与目录结构怎么看

拿到一个有组织的航拍检测数据集，我一般先看三个东西：图像分辨率、目录拆分、标注格式。图像分辨率决定了下游训练输入尺寸的参考范围；目录拆分决定验证集是否可信；标注格式决定数据能不能直接被训练脚本读取。

如果数据集按照标准做法整理，通常目录结构类似：

dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── train.txt val.txt test.txt

训练验证测试的划分比例常见的是8:1:1，也就是7400张里大约5900张训练、750张验证、750张测试。这个比例没有绝对标准，但验证集不能太小，因为航拍场景变化大，几百张图才能相对稳定地评估模型在小目标检测上的表现。另外，如果划分时按视频帧随机分配，很容易让同一个飞行片段里高度相似的帧同时出现在训练集和验证集，导致验证指标虚高，这一点在自建数据集时要主动避免。

2.2 YOLO标注文件里的每一行到底表示什么

YOLO格式的标签文件是纯文本，跟图像同名、同前缀，只是后缀从.jpg变成.txt。图像里每个目标对应一行，格式固定：

class_id x_center y_center width height

其中坐标全部是归一化值，范围0到1，用目标框中心相对图像尺寸的比例表示。例如某个标签文件内容：

0 0.5187 0.4231 0.0243 0.0538 0 0.6734 0.3012 0.0312 0.0699

第一行含义是：类别编号0（通常对应person），目标框中心点位于图像横向51.87%、纵向42.31%的位置，框的宽度约占图像宽度的2.43%，高度约占图像高度的5.38%。如果原始图像是3840乘2160，那这个目标的像素宽就是93像素、高116像素，整体仍然是画面里比较小的个体；如果图像是1920乘1080，它就只剩47像素宽、58像素高。这提醒我们，同样一个txt，在不同分辨率原图下的实际目标大小完全不同，训练时最好把输入分辨率和原始图像分辨率的关系考虑清楚。

2.3 标注质量能看出数据集的真正水平

张数能糊弄人，但框的质量糊弄不了。我检查一个航拍数据集是否靠谱，通常随机挑几十张图，把所有标签画回原图，重点看几类情况：

• 行人特别小的时候，是否还有漏标；
• 裁掉一半身体的行人，是否被标注；
• 密集人群里，框与框之间是否乱叠；
• 误把远处电线杆、树桩标成行人的情况多不多。

标注标准不一致比某个单框画偏更致命。同一个目标，你标全身轮廓，我标到衣服边缘，训练出来的回归器就会在框的大小上摇摆不定，最后表现就是无论怎么调IoU阈值，检测框都差口气。所以真正高质量的数据集，内部一定有一套清晰可执行的标注规则，而且执行得很统一。

3. 从视频到数据集：整理一份同规模航拍行人数据的完整实操

3.1 原始视频采集与抽帧策略

自己整理航拍检测数据，第一步是获得足够多源的视频素材。个人项目通常有两个渠道：一是自己飞无人机拍摄，二是用公开渠道上可授权使用的航拍视频素材。无论哪种，都要注意素材覆盖多样环境，不能只拍空地也不能全拍闹市区，必须把住宅小区、商业街、公园、道路、工地、校园等场景混着来。

抽帧不是简单地把视频每秒抽几帧出来就完事。同一个画面连续帧之间相似度极高，如果按每秒3帧抽，一个60秒的4K视频会产生180帧，其中大部分是重复信息，直接全部拿去标注会浪费大量人力。我的做法是先按每秒2到5帧抽出候选图，再做一次相似度去重，保留画面变化明显的帧。去重可以用图像感知哈希（pHash）算相似度，也可以用结构化相似度指标，阈值设定后批量过滤。

去重之后还要检查画面模糊度。无人机飞行中运动模糊很常见，一个在屏幕上看似清楚的行人，放大后边缘全是拖影，标框容易把边缘越画越大。个人处理习惯是对每张图计算拉普拉斯方差，低于阈值的模糊帧直接淘汰，宁缺毋滥。

抽帧数量控制上，目标7400张，一般原始素材准备两到三小时的有效视频量基本够用。如果某段视频场景单一，就多换几段来源，不要硬凑。

3.2 标注流程细化到操作级别

标注是整套流程最耗时间、也最能决定上限的环节。若是一个人标，7400张图大约需要一到两周时间，所以更合理的方式是多人分工，但必须统一规则。

我建议的标注规则可以写成这样：

• 目标类别只保留person，不做多类别，避免类别不平衡导致训练分心；
• 可见部分超过50%的行人必须标注，即使被树干、栏杆遮挡，只要大部分人形能辨认就标；
• 可见部分不足30%的不标，这部分主要出现在人群边缘和画面边缘，标注了反而会引入不一致的回归目标；
• 画面边缘被切一半的行人，仍按剩余可见部分完整标框，让模型学会适应边界截断；
• 像素高度小于8个像素的目标不标，这个尺寸即使标了，训练时下采样也会失真，框中心位置的噪声远大于信号；
• 行人与行人重叠严重时，每个可见轮廓独立标框，即使两个框高度重叠也要分别标注。

这些规则里有几条是踩过坑之后的经验。尤其是“太小目标标不标”这个问题，最怕团队里有人标有人不标。有人觉得10乘10像素也算潜在行人，有人觉得画这种框纯属浪费时间，最后训练出来的模型对小目标极其不稳定。统一才行。

3.3 双重复核与抽检机制

标注完成之后不要直接拿去训练。我会先做一轮程序化检查，用脚本扫描所有txt文件，检查数值是否越界、类别编号是否合法、标注框是否超出图像边界，这些是低级错误，但一旦混进训练集，轻则浪费训练时间，重则把损失搞得忽高忽低。

然后做一轮人工复核，随机抽取10%左右图像，把预测框叠加在原图上人工检查。注意这里不是看有没有标，而是集中看三类问题：标了不该标的背景目标、漏了明显可见的行人、框明显偏大或偏小。人工抽检不必追求把所有错误都找出来，关键是发现系统性的标注偏离，比如某个人的标注习惯整体把框放大10%，或者对某个场景的遮挡行人普遍漏标，这类问题需要及时纠正。

3.4 样本均衡与负样本处理

航拍视频里真正有大量行人的画面占比其实不高，很多帧就是拍了一条空马路、一片绿地，这种无目标帧被称为负样本。负样本不是完全没有价值，训练时适当保留一些能让模型学会“什么不是行人”，抑制误报。但我建议负样本总量控制在训练集的10%到15%左右，太多了模型训练会被带偏，总在猜背景；太少了模型又容易见啥都框。

另一个需要检查的是不同目标的尺度分布。把训练集里所有标注框的宽和高统计出来，画成分布图，如果绝大多数框都集中在小尺度区域，中等尺度和较明显尺度的样本极少，那就要考虑补充一些无人机低空贴近拍摄的画面，让尺度分布更均衡。我之前整理数据集时遇到过这类情况，补充素材后指标改善非常明显。

3.5 按数据集划分而不是按帧划分的隐藏要求

我把这个单独拉出来讲，是因为大部分新手在做训练验证集划分时，都是随机从全量文件里抽10%当验证集，结果验证集和训练集混进了大量来自同一段航拍视频的连续帧。连续帧高度相似，模型等于变相把部分训练数据留在验证集里作弊，验证分数好看，真到部署时立刻打回原形。

正确的做法是先把所有图像按照视频来源分组，比如文件名前缀代表拍摄批次，然后以批次为单位划分。宁可某些场景在训练集里少了，也不要把同一组的相似帧切成两部分。做完划分后，再检查训练集和验证集的场景构成，确保二者都有空地、密集街区、公园、道路等典型场景，不要训练集都是闹市、验证集全是绿地，否则验证结果没有参考意义。

4. 用这套数据集训练YOLO模型的经验与坑

4.1 训练参数配置的一个可参考起点

拿到或者整理好一个这样的数据集之后，训练配置怎么定？以我在类似规模航拍数据上的习惯做法，可以给你一个起点参考：

模型选型：YOLO 系列中s或m规格，优先考虑推理速度快的结构 输入图像：640x640起步，如果小目标多且显存充足，再用1280x1280或局部切片 批次大小：16或32，视显卡显存调整 初始学习率：0.01，配合余弦衰减或线性衰减 训练轮数：300轮左右，配合早停策略 数据增强：马赛克前200轮开启，后100轮关闭；随机缩放范围0.5到1.5

这些参数不是固定的。比如开启了mosaic增强，它能提升模型对遮挡和上下文理解的鲁棒性，但马赛克会把四个图拼成一张，每个目标的尺寸只有原来的四分之一，航拍行人本来就小，拼完之后目标更小，训练后期模型可能只关注局部纹理而忽略整体轮廓。所以后期把马赛克关掉，回归正常尺度，是个人觉得比较稳的做法。

如果显存不够处理大分辨率，还有个常用技巧是滑窗切片。把原始大图切成若干带重叠的小块，每个小块独立推理，最后再合并结果。虽然推理时间增加，但对小目标检出率的提升非常直接。

4.2 验证指标怎么看：mAP和AP_small的区别

训练收尾后，不要只盯mAP@0.5一个数。mAP@0.5只要求预测框和标注框的IoU超过0.5就算命中，在航拍小目标场景下偏低，因为小目标框本来就小，中心稍微偏几像素IoU就掉到底。所以真正要看的两个指标：

• mAP@0.5:0.95，要求框要画得足够准，这个值才能上去；
• AP_small，专门统计小目标类别的精度召回，航拍数据集里这部分基本决定模型能不能用。

如果mAP@0.5看着有0.9，但mAP@0.5:0.95不到0.5，说明框定位还不稳定，大概率是标注框质量或细节回归能力的问题。这时候优先检查标注边框是否偏大，以及输入分辨率是不是太低，而不是急着换更强的骨干网络。

4.3 小目标漏检比想象中顽固

航拍行人检测里最常遇到的就是小目标漏检。排查优先按顺序来：

• 确认训练数据的标注框有没有遵循统一尺度规则，小目标是否被随意漏标；
• 确认输入分辨率是否匹配原图尺度，800像素宽的行人在1920分辨率原图里清晰可见，缩到640输入后可能只剩模糊一团；
• 确认后处理NMS阈值是否合理，置信度阈值太高会把低分正确目标滤掉；
• 尝试局部切片推理，这个通常对小目标有立竿见影的提升。

我见过一种极端情况，某数据集里低于15像素的小目标全被标注员忽略了，模型就根本没往这个尺度学。后来重新补了333张密集小目标图，指标直接提升了好几个点。数据问题，永远是排在第一位的。

4.4 密集人群场景里重复检测的处理

航拍下的密集人群，预测框经常出现一个行人被框两次，或者一个框把两三个人全包住。这种情况首先要降低NMS的IoU阈值，比如从默认0.45调到0.3，让重叠度高的框更容易被合并。但太低了又可能把相邻行人的独立框误删，所以要在验证集上多试几个值。

其次，训练时要注意增强策略对尺度的影响。某些增强方式会在缩小图像的同时轻微扭曲边框位置，对密集目标影响格外大。我习惯在密集样本上做copy-paste增强，把同一个行人实例复制到图像其他区域，既能增加目标数量，又不改变原始局部布局，配合适度使用试验结果还不错。

4.5 常见问题排查速查表

为了方便对照，把常用排查思路整理成一张速查表：

这张表不是万能的，它最大的用处是提醒你别一上来就改网络结构。大多数时候，性能瓶颈不在模型复杂度，而在数据本身。

写在最后，几点实在感受

把7400张航拍行人检测数据集这类资源理顺并真正用起来之后，我最深的一个感受是：做视觉检测项目，花在数据和标注上的时间永远不会白费。很多人以为拿到标注数据就能立刻跑出好模型，实际上任何数据集拿来都要先验证内部一致性，再谈训练策略。一套统一标注、合理划分、场景覆盖广的几千张数据，比随便凑几万张碎片数据有用得多。

还有一个小技巧可以分享：测试模型好坏时，我习惯单独准备一两个完全没参与训练的真实航拍视频片段，既不是训练集也不是验证集的帧，而是从实际拍摄设备上现场采集的画面。模型在这些片段上的表现，才是真正代表部署效果的指标。比盯着训练日志上的数字可靠得多。这些工作做完之后，再回去看“7400张”“YOLO格式”这些关键词，你心里就有数了：真正值钱的不是那个数字，而是数字背后有没有一份靠谱的构建逻辑。