企业官网建设流程全解析

简介：公路落石检测是智慧交通与山区道路安全巡检中的关键环节，依赖高质量标注数据支撑模型训练与效果评估。这份数据集专注公路落石目标检测，共包含282幅道路场景图像，统一标注为单一stone类别，框选总数632个；每幅图像同时配套Pascal VOC格式的xml标注与YOLO格式的txt标注，兼顾VOC系列检测框架与YOLO、SSD等主流算法，标注经labelImg工具完成，类别标签与边界框坐标规范可靠，可直接用于训练、验证或测试。压缩包共849个文件，构成上以jpg图像、xml标注、txt标注三类文件为核心，282组图像与标注一一对应，整体体积约13.9MB，轻量易部署，适合快速开展实验与迁移学习。目前已有748人学习使用，适合从事小目标检测、道路灾害识别、自动驾驶感知等方向的研究人员与开发者，既可作为标准基准数据集，也能为数据标注规范提供参考。

1. 公路落石数据集：282张VOC+YOLO双格式图，能训练出能直接用的检测模型吗

公路落石检测是边坡监测、道路养护里最典型的“小目标、杂乱背景”场景：石头小、颜色与岩壁接近、光照变化剧烈。这份282张的公路落石数据集打包了VOC和YOLO两种标注格式，给它配上YOLO预训练权重做微调，完全能训出一个在监控画面上判断石块滚落、提醒值守人员的检测模型。先说反直觉的结论：282张在公开数据集里算是“袖珍”级别，但落石这类目标外观相对单一，边界框小而集中，小数据反而容易收敛，真正决定效果的不是模型选多大，而是你怎么划分数据、怎么控制增强。适合正在做交通感知、边坡预警、地质灾害监测的工程师和研究生拿来当基线数据集。

2. 数据集目录与双格式标注：VOC和YOLO到底差在哪

2.1 目录结构与文件组织

解压之后，以最常规的VOC+YOLO数据集结构来看，核心是四个目录：JPEGImages、Annotations、ImageSets/Main、labels。JPEGImages放原始图片，Annotations放VOC格式的XML标注，ImageSets/Main里是划分好的train.txt和val.txt，labels则是YOLO训练直接读取的txt标注。很多初学者拿到手第一反应是直接把图片和txt扔进YOLO训练，结果报错找不到图片，原因就是没搞懂YOLO的dataset组织方式——它需要data.yaml里同时指定图像目录和标注目录，而不是把所有东西平铺在一个文件夹里。

样本命名一般是日期或桩号加序号，比如IMG_20230912_081234.jpg这种风格，好处是同一个路段、同一时间段拍摄的图片会天然聚集，坏处是如果直接按文件名排序划分train/val，很容易把同一场景的相似帧塞进两个集合，导致验证集虚高。这个坑我在第5章会专门讲。

2.2 VOC与YOLO坐标体系的核心差异

VOC的XML里存的是绝对像素坐标。一个典型的标注是这样：

<annotation> <filename>IMG_20230912_081234.jpg</filename> <size> <width>1920</width> <height>1080</height> </size> <object> <name>rock</name> <bndbox> <xmin>312</xmin> <ymin>445</ymin> <xmax>376</xmax> <ymax>489</ymax> </bndbox> </object> </annotation>

而YOLO的txt里每行是class cx cy w h，四个值全部归一化到0~1区间。同样是上面这个框，YOLO格式大概就是0 0.1791 0.4324 0.0333 0.0407。两者的bbox语义完全一致，只是坐标系不同，所以网上到处流传的“VOC转YOLO”脚本本质上就是一次坐标变换。这个数据集因为官方已经提供了labels目录，大多数情况下不用你自己转换。

但如果你是拿别的数据源来补充落石样本，或者想检查官方转换有没有出错，我一般会自己再跑一遍转换脚本对照，防止出现xmin大于xmax这种低级错误。转换脚本的常见写法如下：

import os import xml.etree.ElementTree as ET def voc_to_yolo(xml_path, out_path): tree = ET.parse(xml_path) root = tree.getroot() width = int(root.find("size/width").text) height = int(root.find("size/height").text) lines = [] for obj in root.iter("object"): name = obj.find("name").text # 单类别落石场景，通常直接映射为0 class_id = 0 if name.lower() in ("rock", "stone", "falling_rock") else -1 if class_id < 0: 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) # 防御性检查：防止标注本身越界 xmin = max(0, min(xmin, width)) xmax = max(0, min(xmax, width)) ymin = max(0, min(ymin, height)) ymax = max(0, min(ymax, height)) cx = (xmin + xmax) / 2.0 / width cy = (ymin + ymax) / 2.0 / height w = (xmax - xmin) / width h = (ymax - ymin) / height lines.append(f"{class_id} {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}") with open(out_path, "w") as f: f.write("\n".join(lines)) if __name__ == "__main__": xml_dir = "Annotations" out_dir = "labels_check" os.makedirs(out_dir, exist_ok=True) for xml_name in os.listdir(xml_dir): if xml_name.endswith(".xml"): voc_to_yolo( os.path.join(xml_dir, xml_name), os.path.join(out_dir, xml_name.replace(".xml", ".txt")), )

脚本逻辑不复杂：解析XML拿到图片宽高，取每个object的bndbox，做完越界clip之后换算成归一化的中心点坐标和宽高。注意我在这里加了clip，这个动作很重要，因为数据里偶尔会出现标注框比图像还大的情况，不处理后面训练时YOLO会一直打印坐标警告，虽然不至于崩，但会干扰你对数据质量的判断。

2.3 282张单类别数据在小数据集里算什么水平

282张、单类别、每张图的目标数量大多在1到3个之间，这个规模跟COCO那种十几万张的量级没法比，但在工业场景的垂直目标数据里不算罕见。落石目标本身外观比较一致——大石头、小碎石、带棱角的岩块——相比COCO里80类物体的复杂纹理，单类目标的可学习特征空间小得多，所以282张配合预训练权重微调是可行的。

关键在于两点：一是必须用迁移学习，从yolov8n.pt或者更轻量的模型继续训练，不要从头随机初始化；二是数据划分要克制，40张左右的验证集已经很小了，训练集再被乱分就会更脆弱。下一章我就先带你把数据吃透，再讨论训练。

3. 训练前先吃透数据：标注统计与可视化检查

3.1 bbox分布统计：不用逐张看图也能发现规律

282张图一张张看其实也花不了太久，但不看也不妨碍你发现问题。更快的做法是直接统计labels目录下的txt文件，算出目标总数、每张图的框数分布、目标面积占比和宽高比，这些数字能直接告诉你该不该调整imgsz、该不该做特定增强。我一般会写这样一个脚本：

import os import numpy as np label_dir = "labels" areas, counts_per_img = [], [] wh_ratios = [] for fname in os.listdir(label_dir): if not fname.endswith(".txt"): continue path = os.path.join(label_dir, fname) with open(path, "r") as f: lines = [line.strip() for line in f if line.strip()] counts_per_img.append(len(lines)) for line in lines: parts = line.split() if len(parts) != 5: print(f"格式异常: {fname} -> {line}") continue _, cx, cy, w, h = parts w, h = float(w), float(h) areas.append(w * h) # 归一化面积 wh_ratios.append(w / h if h > 0 else 0) print(f"图片总数: {len(counts_per_img)}") print(f"框总数: {sum(counts_per_img)}") print(f"每张目标数: 均值{np.mean(counts_per_img):.2f} 最大{np.max(counts_per_img)}") print(f"目标归一化面积: 中位数{np.median(areas):.4f} 均值{np.mean(areas):.4f}") print(f"宽高比: 中位数{np.median(wh_ratios):.2f} 均值{np.mean(wh_ratios):.2f}")

这段代码的意义是快速定位两类问题：一是目标面积中位数如果低于0.01，说明整批数据以小目标为主，640的输入尺寸下可能只有十几个像素，你得考虑提高imgsz；二是宽高比如果集中在0.3到0.5之间，说明落石大多是横躺的碎石，垂直方向拉伸增强的意义不大，反而水平翻转和随机旋转更有用。参数方面要注意，面积用的是归一化面积而不是像素面积，这样在分辨率不统一的图片集合里才有可比性。

3.2 可视化画框：把标注贴到图上再决定要不要重标

统计只能发现问题，能不能用还得看标注贴不贴边。我的习惯是随机抽30张图，把标注框画在图上，人工快速扫一遍。画框的脚本如下：

import os import cv2 img_dir = "JPEGImages" label_dir = "labels" out_dir = "visual_check" os.makedirs(out_dir, exist_ok=True) for fname in os.listdir(img_dir)[:30]: stem = fname.rsplit(".", 1)[0] img = cv2.imread(os.path.join(img_dir, fname)) h, w = img.shape[:2] txt_path = os.path.join(label_dir, stem + ".txt") if not os.path.exists(txt_path): continue with open(txt_path, "r") as f: for line in f: parts = line.split() _, cx, cy, bw, bh = parts cx, cy, bw, bh = float(cx)*w, float(cy)*h, float(bw)*w, float(bh)*h x1, y1 = int(cx - bw/2), int(cy - bh/2) x2, y2 = int(cx + bw/2), int(cy + bh/2) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 0, 255), 2) cv2.putText(img, "rock", (x1, max(20, y1-5)), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 0, 255), 2) cv2.imwrite(os.path.join(out_dir, fname), img)

画框检查的重点是三类问题：框内是否混入了大量背景岩壁、框是否只包住石头的中段而漏了边缘、远处的小碎石有没有根本没标注。这个数据集整体标注算比较干净，但我在抽查时也见过个别框把石头边上的杂草算进去了，这种框在训练时会让模型误以为草也是落石的一部分，验证集里如果恰好也有草，就会造成虚高的假象。

3.3 训练/验证划分：别让同一场景的两帧各走一边

数据集自带的ImageSets/Main里已经有train.txt和val.txt，我建议优先使用官方划分，因为它大概率是按场景错开的。但如果你要自己重新划分，或者想做k折交叉验证，一定要避免同一个路段连续拍摄的相似帧被分到两个集合里。落石监控视频抽帧出来的图片，相邻帧之间背景几乎一样，模型记住背景而不是记住目标就是这么来的。

import os import random from collections import defaultdict img_dir = "JPEGImages" # 按文件名前缀分组，适配实际命名规则 scene_groups = defaultdict(list) for fname in os.listdir(img_dir): stem = fname.rsplit(".", 1)[0] scene = stem.split("_")[0] # 前缀相同视为同一场景 scene_groups[scene].append(stem) random.seed(42) train_stems, val_stems = [], [] for scene, stems in scene_groups.items(): random.shuffle(stems) split = int(len(stems) * 0.85) train_stems.extend(stems[:split]) val_stems.extend(stems[split:]) with open("train.txt", "w") as f: f.write("\n".join(train_stems)) with open("val.txt", "w") as f: f.write("\n".join(val_stems)) print(f"train: {len(train_stems)}, val: {len(val_stems)}")

这里关键的一点是按场景前缀分组而不是直接shuffle所有文件。如果文件名没有明显前缀，就得靠图片拍摄时间戳或GPS信息分桶；什么都没有的话，至少先按文件名的日期字段粗分。85/15的划分对这种规模的落石数据比较合适，验证集太小的话后面会看到mAP曲线剧烈抖动，那个不是模型问题，是评估样本太少。

4. 用YOLOv8训练落石模型：Anaconda环境到训练参数一次说清

4.1 Anaconda环境配置与依赖版本

YOLOv8和更新的YOLOv11都跑在ultralytics框架里，环境配置大同小异。我建议用Anaconda单独建一个环境，不要直接装在base里，这样后面换PyTorch版本不会把其他项目搞崩。创建命令如下：

conda create -n yolo python=3.10 -y conda activate yolo pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 pip install ultralytics

一个常见的疑问是torch版本怎么选。我的建议是看显卡驱动：驱动支持CUDA 11.8的就装cu118的wheel，支持CUDA 12.1的就把上面的index-url末尾改成cu121。装完之后用python -c "import torch; print(torch.cuda.is_available())"验证，输出True再继续。这个数据集训练量不大，用CPU也能跑，但效率差距在5到10倍以上，一张入门级显卡能省下大量调参时间。

4.2 编写data.yaml：路径和类别名别偷懒

YOLO训练靠一个yaml文件告诉框架数据在哪、有几个类别。这个数据集的类别大概率就叫rock，单类别场景class id从0开始。data.yaml的常见写法：

path: /data/rock_detection train: images/train val: images/val nc: 1 names: 0: rock

注意这里的path要写绝对路径。很多新手翻车就翻在这：写成相对路径后，在项目根目录运行没问题，换个目录运行就报Dataset not found。另外，有些数据集会把图片和labels分开放，此时上面的train/val指向的是图片目录，ultralytics会自动在同级找labels目录——如果你的labels目录名字不叫labels，要么调整目录结构，要么用符号链接指过去，否则训练会一直报找不到标注文件。

4.3 训练命令与核心参数

数据检查完了、yaml写好了，训练命令其实很短：

yolo detect train \ model=yolov8n.pt \ data=rock.yaml \ epochs=100 \ imgsz=640 \ batch=16 \ patience=20 \ lr0=0.001 \ seed=42

几个参数我按重要性逐个说。model用yolov8n.pt而不是从零开始，是因为预训练权重里已经包含了通用特征提取能力，落石外观即使和ImageNet差异大，浅层边缘纹理特征也完全可以直接复用。epochs先给100，配合patience=20早停，如果模型在20个epoch内mAP不再提升会自动停，省得你盯着曲线。imgsz=640是默认值，但这个数据集如果想提升小目标召回率，后续可以试1280，代价是训练时间变成四倍。batch=16在282张图上有点偏小，如果显存够可以调到32，增大batch对BN层的稳定性有帮助。

loss曲线怎么看：训练结束后runs目录下会有results.png，里面包含了train_loss、val_loss和mAP曲线。你重点看val_loss有没有在某个epoch后开始反弹，反弹就是过拟合的信号，这时候epochs跑到多少都不重要，早停或者加增强才对。

4.4 小样本训练策略：数据增强和lr是成败关键

282张的数据集，模型容易过拟合，但也没必要过度恐慌。落石任务的目标形态比较单一，我一般会做这样几件事。第一，用yolov8n而不是yolov8s或更大，小模型参数少，在数据量有限时反而更稳，泛化能力不输大模型。第二，打开mosaic增强，ultralytics默认在训练前10个epoch启用mosaic，它把四张图拼成一张，能极大丰富背景组合，缺点是如果标注框太小，mosaic后目标更小，所以有人会关掉它，我的做法是保留但观察前几十个epoch的loss。

第三，适度放宽水平翻转和旋转。落石是自然物体，没有文字那种方向敏感性，fliplr=0.5和degrees=10都可以开。垂直翻转不建议，因为监控画面的语义有上下之分，你把地面翻到天上，模型学到的特征会混乱。实际调整命令如下：

yolo detect train \ model=yolov8n.pt \ data=rock.yaml \ epochs=150 \ imgsz=640 \ batch=32 \ mosaic=0.8 \ fliplr=0.5 \ degrees=10 \ lr0=0.0005

lr0从默认的0.01降到0.0005是我在这种小数据上的习惯。预训练权重已经比较接近收敛状态，学习率太大会把已经学好的特征直接冲掉，表现为训练初期loss不降反升。如果发现loss在第一个epoch就飙到3以上，优先查lr0是不是设大了。

5. 避坑：落石数据集训练中踩过的五个问题

5.1 bbox越界：训练日志里的坐标警告

现象：训练时控制台反复打印坐标越界提示，验证时某些样本的mAP贡献为0。原因：大部分是VOC转YOLO时归一化分母用错，或者原始XML里的xmax本身就大于图像宽度，少部分是标注工具导出时没做边界裁剪。解决：训练前跑一遍第2章的转换脚本做clip，同时过滤掉宽高小于1像素的框。落地到这份数据上，官方labels我是信任的，但如果你从外部补充数据，这条必须做。

5.2 验证集太小：mAP50在0.7到0.95之间反复跳

现象：训练结束后看results.png，val曲线不是平滑变化，而是大幅震荡，明明train_loss很稳，验证mAP就是不稳。原因：282张里分出40张左右做验证集，样本太少，一次包含大石头、一次不包含大石头，mAP就剧烈变化，这不是模型问题，是评估噪声。解决：一是用k折交叉验证，把282张分成三折训练三次，取平均mAP；二是尽量用官方划分的val.txt，因为它做过场景均衡；三是接受现状，在推理时用更低置信度阈值来保证召回率。我一般选方案一，多花的时间不超过一小时，但结论可靠得多。

5.3 小目标漏检：mAP50-95远低于mAP50

现象：mAP50到了0.9，mAP50-95只有0.5左右，预测结果里大石头全中，远处的小碎石几乎全miss。原因：imgsz=640时，远处落石在图上可能只有15×20像素，经过网络下采样后特征图上的响应极弱。解决：先把imgsz提到1280实测一轮，如果显存不够就采用切片推理，把大图切成512×512的重叠块分别检测后合并；也可以把监控画面按距离划分ROI，远处区域单独用更高倍率的模型。这个坑在落石场景几乎必踩，因为监控摄像头覆盖的边坡纵深通常有几百米。

5.4 loss突然变成nan：BN崩溃或学习率失控

现象：训练到第30个epoch，train_loss突然从1.2掉到nan，之后全部输出nan，模型直接报废。原因：bn层的统计量在batch过小时不稳定，配合lr0过大，梯度更新一步越过数值解空间；另外混合精度下少数极端样本会导致fp16溢出，这也是nan的常见来源。解决：先关掉amp，amp=False，如果不再nan说明是混合精度问题；还nan就把batch加倍或lr0减半。在282张数据的训练里，我遇到过两次nan，一次是lr0=0.01，一次是batch=4，都是小数据上比较典型的翻车路径。

5.5 混淆矩阵总和不为1：别被ultralytics的图吓到

现象：训练结束后打开confusion_matrix.png，发现每一行的比例加起来不是100%，怀疑是不是计算错了。原因：ultralytics的混淆矩阵是行归一化加background设计，预测中所有未命中目标的检测都被归到background列，漏检的ground truth则落在background行，所以单看某一行会发现漏检和错检被分开统计，总和自然对不上。解决：不用纠结总和，关心对角线数值即可。对角线接近1说明主要目标是准的，如果你的落石应用更怕漏检，就提高IoU阈值重跑验证，或者把background列计入误报总量里人工评估。

6. 验证落石模型能不能用：三个习惯和一个推理参数

6.1 用连续监控帧做场景验证

训练完看mAP只是第一步。我的习惯是抽一段真实的监控视频，把相邻帧逐帧跑推理，观察同一块石头在连续5帧里是不是都能被检出。落石是运动物体，理想模型应该对连续帧都稳定检出，偶尔丢一帧不可怕，可怕的是某个角度稳定漏检。如果发现漏检集中在某个区域，就把该区域的图像裁出来补充训练数据，这个比盲目加epochs有效得多。

6.2 用PR曲线而不是只看mAP

PR曲线能直接告诉你误报和漏检的权衡关系。落石告警的代价和一般目标检测不同：误报多了监控员会直接关掉告警系统，漏检则可能导致安全事故，所以我会在验证集上把置信度阈值从0.25调到0.5，看召回率掉多少。如果recall掉得厉害，说明大量目标都在低置信度区间，这时宁可保留0.25的阈值，用NMS和帧间确认来过滤误报。

6.3 一个推理参数：agnostic-nms

推理时我习惯加上agnostic-nms，让落石这一类目标的框跨类别做NMS。单类别场景下效果差别不大，但如果你后续加了“避险车道”“施工人员”等新类别，这个参数能避免同一目标被两个类别的框重复检出。

yolo predict model=runs/train/exp/weights/best.pt \ source=test_video.mp4 \ conf=0.25 \ agnostic-nms

老实说，第一次拿到282张的落石数据时，我是有点怀疑的，毕竟平时习惯了用大几十G的数据集。但跑完统计、做完数据检查、用yolov8n微调一轮之后，我发现小数据集只要控制好lr和增强，结果完全够用。从那以后我每次拿到新数据集，都强制自己在训练前先跑一遍标注统计和可视化检查，这个习惯帮我拦下了不少标坏的数据。希望帮到你。

本文还有配套的精品资源，点击获取