指针仪表数据集：VOC xml校验、YOLO转换与读数落地

简介：指针仪表数据集面向目标检测任务，适合机器学习研究者、算法开发者及需要仪表读数识别项目实践的中高级学习者，用于训练与评估指针仪表定位及关键读数信息提取模型。压缩包共785个文件，以783张jpg仪表图像为主，另含2个json格式的标注与数据划分文件，整体约950.3MB，可支撑训练集、测试集的组织与模型泛化能力验证。已有303人学习，说明该数据在仪表检测与读数识别方向具有一定参考价值。图像样本覆盖多种表盘与拍摄视角，配合标注文件可开展目标框、指针方向及读数关联信息的解析；训练集用于模型学习，测试集便于检验未见样本上的检测效果。包内结构清晰，适合按类别与用途检索，能为自动化仪表读数、智能巡检等场景的算法复现与实验对比提供基础数据。

1. 指针仪表数据集解压之后：训练集、测试集和 xml 哪个先看

一份指针仪表数据集通常长这样：几个按日期或设备编号命名的文件夹，里面是现场拍的 JPG，旁边躺着同名 xml，再往外一层是 train 和 test 两个目录。不少人的动作是直接找 train 丢进模型，三天后回来发现 test 里一半表盘压根没标过，或者 xml 里画的是整块表盘、模型却要在指针上出框，返工成本比从头做还高。指针仪表数据集的难度从来不在模型，而在「训练集和测试集是不是同一批工况」「xml 里的框到底代表什么」。这篇按我自己做工业巡检项目的顺序讲：先把 xml 校验清楚，再转格式、切分复核，训练完把检测框变成读数。适合手里已经有一份带 xml 的仪表数据、准备做表盘检测或指针读数识别的人。

2. 指针仪表 xml 标注拆开看：字段、类别与框边界的三个必查项

2.1 一条 VOC xml 里哪些字段真的会影响训练

先看一条典型标注，别急着写解析器，先把字段语义对上：

<annotation> <folder>gauge_0412</folder> <filename>gauge_0412_0031.jpg</filename> <size> <width>1920</width> <height>1080</height> <depth>3</depth> </size> <object> <name>dial</name> <difficult>0</difficult> <bndbox> <xmin>512</xmin><ymin>300</ymin><xmax>1100</xmax><ymax>890</ymax> </bndbox> </object> <object> <name>pointer</name> <bndbox> <xmin>760</xmin><ymin>430</ymin><xmax>812</xmax><ymax>640</ymax> </bndbox> </object> </annotation>

真正决定训练效果的只有四个东西：filename（能不能和图片对上）、size（宽度高度是不是真实图像尺寸）、object/name（类别名，决定类别映射）、bndbox（坐标本身）。folder、path、segmented、difficult这些字段在绝大多数检测训练里是冗余的，但path里带着的绝对路径偶尔会暴露原始采集机的目录结构——如果这份数据要往外分发，先把它清掉。

三个必查项按优先级排：

第一，filename与磁盘文件是否严格一致。带空格、大小写不同、后缀写成.JPG，都会让后面的转换脚本静默跳过，最后标签数量少了你还以为是模型的问题。常见做法是在统计脚本里把filename统一strip()并按小写比对。

第二，size是否等于真实图片尺寸。这条最容易被忽略。图片被批量压缩过（比如长边从 1920 缩到 1280），xml 里的 size 没跟着改，转换出来的归一化坐标会整体偏小，框全挤向左上角。稳妥做法是转换时以cv2.imread读到的真实尺寸为准，xml 里的 size 只用来交叉验证。

第三，bndbox的坐标基准。VOC 惯例是 1-based 闭区间，即xmin从 1 开始、xmax是框内最后一个像素。有些标注工具输出的是 0-based 连续坐标。差 1 个像素对检测几乎无影响，但一套数据里两种基准混用就必须统一——最怕的是转换脚本一半减一、一半没减。

至于类别名，别假设它只叫 dial 和 pointer。我见过的命名有Dial、dial_area、gauge、meter、表盘，甚至同一个文件夹里两种写法并存。.lower()之后做一次Counter统计，比任何猜测都省事。

2.2 用 xml.etree 跑一遍全量统计：类别、框尺寸、缺图

标注看一眼就够了，全量统计必须跑脚本。下面这段是通用的体检脚本，标准库就够，不引入额外依赖：

import collections from pathlib import Path import xml.etree.ElementTree as ET XML_DIR = Path("annotations/xml") # 原始 xml 目录 IMG_DIR = Path("images/all") # 与 xml 对应的原图目录 cls_stat = collections.Counter() # 类别 -> 目标数 area_stat = collections.Counter() # 框面积分档 missing_img, bad_box, parse_err, empty_xml = [], [], [], [] for xp in sorted(XML_DIR.glob("*.xml")): try: root = ET.parse(xp).getroot() except ET.ParseError as e: # 半截文件、编码损坏都在这里暴露 parse_err.append((xp.name, str(e))) continue fname = (root.findtext("filename") or "").strip() if not fname or not (IMG_DIR / fname).exists(): missing_img.append(xp.name) continue size = root.find("size") W, H = int(size.findtext("width")), int(size.findtext("height")) objs = root.findall("object") if not objs: # 负样本 xml，要单独统计 empty_xml.append(xp.name) continue for obj in objs: name = (obj.findtext("name") or "").strip().lower() cls_stat[name] += 1 bb = obj.find("bndbox") x1, y1 = float(bb.findtext("xmin")), float(bb.findtext("ymin")) x2, y2 = float(bb.findtext("xmax")), float(bb.findtext("ymax")) if x2 <= x1 or y2 <= y1: # 坐标反向，标注时拖反了 bad_box.append((xp.name, name, "reverse")) continue if x1 < 0 or y1 < 0 or x2 > W or y2 > H: bad_box.append((xp.name, name, "out_of_range")) w, h = x2 - x1, y2 - y1 area_stat["tiny" if w * h < 32 * 32 else "normal"] += 1 print("类别分布 :", dict(cls_stat)) print("框面积档 :", dict(area_stat)) print("空 xml :", len(empty_xml)) print("缺图 :", len(missing_img), missing_img[:5]) print("坏坐标 :", len(bad_box), bad_box[:5]) print("解析失败 :", len(parse_err), parse_err[:5])

逐项说明这段脚本的判断逻辑。parse_err优先看，它意味着文件根本不完整，后面所有的数量对账都会被它带偏。missing_img用的是root.findtext("filename")而不是文件名 stem，是因为有些工具的 xml 名和里面的 filename 并不一致，必须以 xml 内声明的为准才符合推理时的对应关系。area_stat里 32×32 这个阈值不是标准，只是我习惯拿它区分「正常框」和「可能是刻度线被错标成目标」的小框——指针细长的时候短边很容易掉到 10 像素以下，这类框在 640 输入下基本消失。

参数上可调的是XML_DIR和IMG_DIR，其余不用动。跑完把四个数字记下来，后面转换完要拿它对账。

2.3 表盘框、指针框与刻度区：标注边界怎么定才不返工

统计干净了，接下来是标准问题，也是返工最多的地方。同一个人隔一周标同一批图，表盘框的松紧都能差出 10 个百分点。

我的约定是这样的：表盘框（dial）贴着表盘外圈玻璃或金属边框的内沿，宁紧勿松，把背景反光、螺丝、旁边的管线全部排除在外。理由很实际——这个框的唯一用途是裁剪，下游找圆心、做二值化都在裁剪图里进行，框大了多出来的背景会让霍夫圆检测直接选错圆心。指针框（pointer）如果要做，只框指针的可视主体，从转轴到针尖，不要为了「框得好看」而往两头各扩十几像素，那会让指针方向和框的长轴方向对不上。

刻度区要不要单独标一类，取决于你的读数方案。走「检测框 + 角度法」这条路的，刻度线不标也行，用标定角度线性映射就够；走「关键点 + 刻度读数」这条路的，刻度必须标，而且要用关键点格式而不是矩形框。两种方案混着标是最麻烦的，转换脚本里还得判断哪些 object 转框、哪些转点。

还有一个坑：多人标注时，一定要先标 20 张做交叉验证，算一下同一个表盘两个人框的 IoU。IoU 低于 0.85 就说明标准没对齐，这时候直接开工，模型学到的是标注者之间的分歧，不是表盘的边界。

提示：先拿 20 张图做双人交叉标注，IoU 达标再批量开工，比标完 2000 张再返工便宜得多。

3. 把指针仪表 xml 转成 YOLO txt：归一化脚本与四个边界坑

3.1 目录怎么摆：images、labels 与 train/test 的对应关系

转换之前先把目录定死，后面所有脚本都按这个结构走，能省掉大量路径拼接的调试时间：

这里有个关键决定：原始数据给的 train/test 不要盲目相信。工业现场的数据集，test 往往是从同一段采集视频里连续抽帧出来的，相邻帧只差几毫秒，表盘角度几乎没变。这种 test 的指标会虚高到 0.98，上线后遇到新表型立刻掉到 0.6。我的处理是从 test 里按「设备型号 / 光照条件 / 拍摄距离」三个维度做一次分组统计，如果某一组在 train 里完全没出现，那它才是真正有价值的测试集；如果三个维度上都和 train 高度重叠，就把它降级成 val，另外从现场补一批新工况的图做 test。

val 的切分同理，按工况分层抽样，不要用random.shuffle一刀切。表盘倾斜角度、指针位置、曝光强度这三个维度各分三档，每档按比例抽，切出来的 val 才有代表性。

3.2 转换脚本逐段讲：1-based 转 0-based、越界裁剪、类别映射

下面是核心转换函数，两个参数xml_path和img_path分别指向一条标注和它对应的原图：

import math import xml.etree.ElementTree as ET from pathlib import Path import cv2 # 顺序必须和 data.yaml 的 names 完全一致，改这里就要改 yaml CLASSES = ["dial", "pointer"] def voc_to_yolo(xml_path: Path, img_path: Path): root = ET.parse(xml_path).getroot() img = cv2.imread(str(img_path)) if img is None: raise FileNotFoundError(img_path) H, W = img.shape[:2] # 以真实图像尺寸为准，不信任 xml 的 size lines = [] for obj in root.findall("object"): name = (obj.findtext("name") or "").strip().lower() if name not in CLASSES: # 未知类别显式跳过，不要静默给 0 print("skip unknown class:", name, xml_path.name) continue cid = CLASSES.index(name) bb = obj.find("bndbox") # VOC 惯例 1-based 闭区间 -> 0-based 连续坐标 x1 = float(bb.findtext("xmin")) - 1 y1 = float(bb.findtext("ymin")) - 1 x2 = float(bb.findtext("xmax")) y2 = float(bb.findtext("ymax")) # 越界裁剪：宁可切掉几像素，也不产出 >1 的归一化坐标 x1, x2 = max(0.0, x1), min(float(W), x2) y1, y2 = max(0.0, y1), min(float(H), y2) # 退化框直接丢，留着会在训练时把 loss 拉爆 if x2 - x1 < 2 or y2 - y1 < 2: continue cx = (x1 + x2) / 2.0 / W cy = (y1 + y2) / 2.0 / H bw = (x2 - x1) / W bh = (y2 - y1) / H lines.append(f"{cid} {cx:.6f} {cy:.6f} {bw:.6f} {bh:.6f}") return lines

逻辑上分四步：读图拿真实尺寸、按 name 映射类别、坐标基准转换、归一化输出。参数上只有CLASSES需要你改，顺序错了模型学出来的类就是乱的——这类错误在训练曲线上完全看不出来，loss 照降，只是预测框的类别标签反了，很难发现。所以CLASSES一定要和data.yaml里的names逐字对照一遍。

cv2.imread那一步是刻意的开销。有人为了快，直接用 xml 里的 size 做归一化，遇到图片被压缩过的批次就整体偏移。读一次图多花几十毫秒，能省掉后面半天的排查。

批量驱动部分：

for split in ["train", "val", "test"]: xml_dir = Path(f"annotations/{split}") for xml_path in sorted(xml_dir.glob("*.xml")): stem = xml_path.stem img_path = Path(f"images/{split}/{stem}.jpg") if not img_path.exists(): print("no image:", stem); continue labels = voc_to_yolo(xml_path, img_path) out = Path(f"labels/{split}/{stem}.txt") out.parent.mkdir(parents=True, exist_ok=True) # 没有目标也要写空文件，表示这是一张负样本 out.write_text("\n".join(labels), encoding="utf-8")

空文件那行值得单说。YOLO 系训练里，一张图对应一个 txt，txt 为空代表「这张图确认没有目标」，是合法的负样本；但如果 txt 文件不存在，有些实现会当成「标签缺失」直接跳过这张图。含背景无表盘的图对抑制误检很有用，别顺手删。

3.3 转换后的三道自检：数量对账、坐标越界、空标签

转换跑完不算完，三道自检必须过。

第一道是数量对账，命令行就够：

# 三个数字必须完全一致，不一致就是有图片或 xml 被跳过了 ls images/train | wc -l ls labels/train | wc -l ls annotations/train/*.xml | wc -l

第二道是坐标合法性，把越界和字段数错误一次扫出来：

from pathlib import Path bad = [] for p in Path("labels").rglob("*.txt"): for i, line in enumerate(p.read_text(encoding="utf-8").splitlines()): if not line.strip(): continue parts = line.split() if len(parts) != 5: # 检测格式必须是 5 列 bad.append((p.name, i, "字段数", len(parts))) continue cid = int(parts[0]) cx, cy, w, h = map(float, parts[1:]) if not (0 <= cx <= 1 and 0 <= cy <= 1 and 0 < w <= 1 and 0 < h <= 1): bad.append((p.name, i, "归一化越界")) elif cx - w / 2 < -1e-6 or cx + w / 2 > 1 + 1e-6: bad.append((p.name, i, "横向出框")) # 中心对但框超出图像边界 elif cy - h / 2 < -1e-6 or cy + h / 2 > 1 + 1e-6: bad.append((p.name, i, "纵向出框")) print("问题行:", len(bad)) for row in bad[:10]: print(row)

这里特意多查了「中心合法但框出边界」的情况。裁剪逻辑写得糙的时候，cx落在 0 到 1 之间是必然的，但w可能大到让cx - w/2变成负数，训练时框会贴到图像边缘之外，回归目标本身就错了。

第三道是空标签统计，按 split 分别算空 txt 占比。全空说明路径配错了，占 30% 以上说明这批数据里有大量无表盘图，得回去看采集是不是空拍。

第三道之后还有一件事容易被跳过：抽 5 张图把转换后的框画回去看一眼。写个十行的可视化脚本，红色画 dial、绿色画 pointer，肉眼扫一遍比任何数字都直观。

4. 指针仪表检测训练：输入尺寸、增强开关与 mAP 之外的三个指标

4.1 从 train 里再切一份 val：切分比例与分层依据

前面提过 val 要分层切，具体落地是这样。先把 train 里每张图的元信息整理成一张表：表盘在图中占的短边像素数、指针角度（如果已有标注就粗算，没有就用人工抽样的 200 张估个分布）、图像平均亮度。然后按这三个维度各分三档，九个格子每格抽 15%，凑成 val。

比例上 15% 是常见起点。数据量少于 500 张时，val 占比可以压到 10%，把更多样本留给训练；数据量超过 5000 张，20% 也可以接受，因为此时 val 的统计波动已经够小。关键是 val 一旦切定就不再变动，所有超参对比都对着同一份 val，否则模型选型的依据就变成了噪声。

test 集的唯一用途是最后出一份数字。整个调参过程中不打开、不看、不参与早停，这是我自己定的规矩，破了这条规矩，最后报出去的数字就没有意义。

4.2 必须手动改的四组训练参数

默认配置在通用数据集上调得不错，但指针仪表有几个特性会让默认值翻车。下面这四组是每次都要动的：

imgsz这条最容易低估。如果一份数据里表盘的平均短边是 380 像素，而原图是 1920×1080，那么 resize 到 640 之后表盘只剩 127 像素，指针宽度不到 3 像素，卷积核基本抓不到。这时候要么把imgsz提到 960 或 1280，要么改成两级方案：先训一个粗定位模型找到表盘区域，再在裁剪图上训第二个模型。后者的显存开销小很多，代价是多一次推理。

mosaic和degrees是两个此消彼长的参数。表盘在图中占比大的数据集，mosaic 开到 0.5 也无所谓；占比小的，mosaic 一定要压低，甚至直接关掉。旋转同理，倾斜 3 度以内的增强对应的是手持抖动，倾斜 30 度对应的是你在教模型认识一个现场不存在的场景。

学习率和轮次反而没那么挑。lr0从 0.01 起，小数据集（1000 张以下）用 0.005 更保险；epochs给 200，靠早停收，别指望 30 轮就收敛——表盘这种低纹理目标，前 50 轮的 box loss 下降会慢得让你怀疑数据有问题。

4.3 指标怎么读：漏检率、中心误差与分工况评估

mAP50到 0.9 以上之后，这个数字就没什么信息量了，继续盯它只会让你错过真正的问题。我一般看三个东西：

表盘检测的召回率。在读数链路里，表盘漏检等于完全无法出读数，误检还可以靠后续规则过滤。所以 dial 类的 recall 要单独拉出来看，目标是 0.99 以上。如果 recall 卡在 0.95，回去看漏检的那 5% 是什么工况——多半是强反光、表盘被遮挡一角，或者拍摄距离过远。这些样本补进训练集的收益，比调任何超参都大。

表盘中心点误差。把预测框和标注框的中心点算欧氏距离，除以标注框的短边，得到归一化中心误差。这个指标直接决定下游找圆心的难度，经验上要压到 0.05 以内。

分工况的分组指标。按前面切分 val 用的三个维度分组，分别算 recall 和中心误差。整体 0.97、但「远距离 + 强光」这一组只有 0.72，这种结论才有指导意义——你会立刻知道下一批要补采什么样的数据。

评估脚本不用写太复杂，在验证集上跑完推理，把每张图的文件名、预测框、真值框导成一张 CSV，再用 pandas 按分组标签做groupby就行。分组标签在建 val 的时候顺手存下来，后面一直能用。

5. 指针仪表数据集排查：五类翻车现场的现象、原因与解决

5.1 数据与标注侧的两类问题

训练 loss 正常下降，验证 mAP 始终是 0。现象是所有类别的 AP 都是 0，但框看起来很合理。原因基本只有一种：data.yaml里的names顺序和转换脚本里的CLASSES不一致，或者nc写成了类别数但 names 少写了一行。模型预测的类别 id 落在未定义的区间，评估时匹配不上任何真值。解决方法是转换完成后立刻打印一次CLASSES，和 yaml 逐行对照，把这一步固化成流程而不是靠记性。

提示 No labels found，训练直接不启动。现象是日志里报找不到标签，但ls labels/train | wc -l明明有几千个文件。原因通常是路径层级对不上：训练框架按「把images替换成labels」的规则找 txt，如果你的目录是images/train/xxx.jpg而标签在labels/xxx.txt（少了一层 train），替换后就找不着。还有一种情况是 txt 文件名带上了原扩展名，变成xxx.jpg.txt。解决办法是把目录结构调整成镜像关系，images/train对应labels/train，文件名保持一致且不含扩展名。

5.2 训练与评估侧的两类问题

测试集 mAP 0.97，换一批现场图掉到 0.6。现象是离线指标漂亮得不像话，上线就崩。原因是训练集和测试集来自同一段连续采集，帧间只差几毫秒，切分本质上是对同一批样本的重复采样，属于数据泄漏。解决方法是按采集批次而不是按帧切分，同一个视频片段、同一台设备、同一个时间段拍的所有图只能落在同一个 split 里。已经切错的，宁可重新划一遍，也不要拿这份虚高的指标去汇报。

指针框总是框在表盘正中间的一小块。现象是预测出来的 pointer 框又短又方，不像指针。原因是标注时多个人对「指针从哪开始」理解不同，有人从转轴标起，有人只标了针尖那一段，训练时模型学到的是两者的平均——一个居于中间的短框。解决方法是先做双人交叉标注验证，把指针框的起点固定为转轴可见边缘、终点固定为针尖，写进标注规范里，然后对已有标注做一次抽检，短边小于表盘短边 30% 的 pointer 框全部重标。

5.3 上线侧的一类问题

xml 的 size 和真实图片对不上，框整体偏移。现象是转换完画回去看，所有框都往左上角偏了一截，偏移量和图片缩放比例成正比。原因是图片在某次整理中被批量缩放过，xml 没同步更新。解决办法是转换脚本坚持用cv2.imread读到的真实尺寸做归一化，同时把 xml 里的 size 和真实尺寸比对，不一致的样本记进日志单独处理——这类样本的坐标本身可能也需要按比例换算，不能只改分母。

注意：这五类问题里有四类在训练开始前就能发现，前提是转换完一定把框画回去看五张图。

6. 从检测框到读数：把角度误差压到 1 度以内的验证习惯

检测只是中间产物，真正交付的是读数。我用得最多的是角度法：拿 dial 框裁出表盘区域，在裁剪图里找指针方向，再通过标定角度线性映射到量程。核心函数不长，但参数很挑：

import cv2, math, numpy as np def pointer_angle(crop_bgr): h, w = crop_bgr.shape[:2] cx, cy = w / 2.0, h / 2.0 gray = cv2.cvtColor(crop_bgr, cv2.COLOR_BGR2GRAY) gray = cv2.GaussianBlur(gray, (5, 5), 0) # 深色指针在浅色表盘上，用反相 OTSU 拿到指针与刻度的前景 _, mask = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU) lines = cv2.HoughLinesP( mask, 1, np.pi / 360, threshold=30, # 累加器阈值，噪声多就往上调 minLineLength=int(min(w, h) * 0.25), # 至少四分之一表盘直径 maxLineGap=6, ) if lines is None: return None best, best_len = None, 0.0 for x1, y1, x2, y2 in lines[:, 0]: # 只保留过圆心附近的线段，滤掉刻度线和外框 num = abs((y2 - y1) * cx - (x2 - x1) * cy + x2 * y1 - y2 * x1) den = math.hypot(y2 - y1, x2 - x1) + 1e-6 if num / den > 0.08 * min(w, h): continue L = den if L > best_len: best, best_len = (x1, y1, x2, y2), L if best is None: return None x1, y1, x2, y2 = best # 屏幕坐标 y 向下，取负号换到数学坐标系 return math.degrees(math.atan2(-(y2 - y1), x2 - x1)) % 360.0

0.08 * min(w, h)这个容差是这条链路里最需要调的参数。表盘圆心和框中心一般差不了几个像素，容差给太小，指针线因为轻微弯曲被全滤掉；给太大，外圈的刻度线会混进来，选到最长的那根刻度，角度直接跑偏几十度。我是按表盘半径的 8% 起试，在验证集上扫一遍 0.05 到 0.15，挑角度误差中位数最低的那个。

角度拿到之后不能直接当读数，必须标定。找两张图：一张指针明确指在零位，一张明确指在满量程，分别跑出theta_zero和theta_full，之后按(theta - theta_zero) % 360 / ((theta_full - theta_zero) % 360) * range线性映射。跨 0 度的那一段一定要取模，不然会算出负值。表盘如果是非线性的（有些压力表刻度前密后疏），就在零位、25%、50%、75%、满量程各标一个点，做分段线性插值。

验证习惯上，我每次交付前一定做同一件事：抽 20 张图，人工读数写在纸上，再和脚本结果逐个比对，算绝对误差的中位数和 95 分位。中位数能压到满量程的 0.5% 以内、95 分位在 1.5% 以内，这套链路才算能用。有一次我省了这一步，客户拿回来的第一批数据里有一半读数偏了整整一格，查下来是指针尖端有个高光点，霍夫线被它拽偏了几度——这种翻车，只有拿人工读数对着看才能发现，任何离线的检测指标都照不出来。希望帮到你。

本文还有配套的精品资源，点击获取