企业官网建设流程全解析

简介：面向起重机（crane）目标检测任务，这份已标注图像数据可供计算机视觉学习者、算法工程师及项目开发者直接用于YOLO系列模型的训练与效果验证，既适合初学者熟悉标准标注流程，也适合有经验者快速评估模型。数据集合计约2900张图像，类别仅含起重机一种，已完成训练集、验证集划分，省去额外拆分与格式转换的中间环节，整体适配工业场景目标检测的常见需求。资源包共2000个文件，主体为1999个txt格式的YOLO标注文件，另有1个Python脚本show.py用于标注结果可视化，压缩包为7z格式，整体约146.53MB，文件命名规范、目录结构清晰。目前已有498人学习下载。借助该资源，学习者能跳过人工采集与标注环节，直接获得统一格式的标签数据，高效开展模型训练、参数调优与精度对比；同时可结合标注预览功能逐一核对目标框质量，降低误标漏标对训练效果的影响，系统掌握目标检测从数据准备到模型评估的完整流程。

1. 起重机crane图像目标检测数据：拿到2900张YOLO标签图后，为什么你的模型还是不会数起重机

起重机crane图像目标检测数据，约2900张图和YOLO格式标签，听起来像是可以直接拿去训练模型的半成品。但说句实话，我拿到手第一版直接训，结果在工地测试时塔吊和履带吊互相误检，夜晚场景更是惨不忍睹。这份数据的价值不在“已标注”三个字，而在于你愿不愿意花时间做格式核对、类别映射和分层划分。它适合两类人：一是想快速验证YOLO训练流程的学生，二是做工业吊装视觉识别、需要私有数据但不想从零标注的工程师。如果你正要拿这类数据跑YOLO，这篇笔记能帮你少踩一半坑。

2. 先看懂YOLO标注格式：train.txt、images、labels三类文件怎么协同

很多刚接触YOLO数据集的同学，以为标注格式就是画个框、存成txt。实际上YOLO标注格式在三处容易出问题：类别id从0开始、坐标归一化、图片和标签同名对应。先把这套格式彻底看透，后面训练才不会翻车。

一份标准的YOLO目标检测数据集目录里，images和labels是成对存在的。images放图片，labels放同名txt文件，train.txt/val.txt列出参与训练的图片路径，三者缺一不可。如果数据交付只有images和labels，那train.txt需要自己生成，这一章我会把检查标签的脚本一并写出来。

2.1 YOLO格式的txt标注到底存了什么：类别、中心坐标、宽高

一张图片对应一个同名的txt文件，比如images/0001.jpg对应labels/0001.txt。txt里每一行代表一个目标框，五个数值：类别id、中心点x坐标、中心点y坐标、框宽度、框高度，所有坐标都除以图片宽高做了归一化。例如：

# labels/0001.txt - 对应 images/0001.jpg # 第一行：类别0，中心点(0.5234, 0.4812)，框宽0.3124，高0.2513 0 0.5234 0.4812 0.3124 0.2513 # 第二行：类别1，中心点(0.8012, 0.6123)，框宽0.1820，高0.1345 1 0.8012 0.6123 0.1820 0.1345

注意YOLO格式不保存目标的类别名，只保存数字。类别名单独放在classes.txt或data.yaml里，顺序必须和数字一一对应。这种设计的麻烦在于：如果标注工具导出时，类别列表顺序和准备给训练用的顺序不同，模型训出来就是错位的。我在一次从LabelImg的xml转YOLO时，就因为没检查顺序，训练一个礼拜后才发现识别结果全反了。

归一化坐标的意思不是像素，而是相对图片宽高的比例。假设图片宽1600、高1200，实际边界框左上角是(300, 400)，右下角是(1100, 1000)，那么中心点x等于(300+1100)除以2再除以1600，结果是0.4375，中心点y等于(400+1000)除以2再除以1200，结果是0.5833，宽是800除以1600等于0.5，高是600除以1200等于0.5。这个换算一旦搞错，最直接的结果就是框全偏到角落。

我自己拿到数据集，第一件事就是写个Python函数，把标注转回像素坐标，然后叠在图片上人工抽查：

import os def load_yolo_label(txt_path, img_w, img_h): boxes = [] with open(txt_path, 'r', encoding='utf-8') as f: for line in f: line = line.strip() if not line: continue parts = line.split() if len(parts) != 5: print(f"格式异常: {txt_path}: {line}") continue cls_id, cx, cy, w, h = parts # 转成像素坐标，便于可视化或后处理 x1 = (float(cx) - float(w)/2) * img_w y1 = (float(cy) - float(h)/2) * img_h x2 = (float(cx) + float(w)/2) * img_w y2 = (float(cy) + float(h)/2) * img_h boxes.append((int(cls_id), x1, y1, x2, y2)) return boxes

这个函数把每一行5个数值拆出来，先还原成像素坐标，再交给可视化或后处理。如果某一行的数值不是5个，多半是转换脚本没处理空框或多余逗号。另外，从COCO或VOC转来的数据还有一个隐蔽问题：COCO的框是左上角x、左上角y、宽、高，VOC是左上角和右下角，转换时很容易把宽高和坐标搞混。我一般要求转换脚本保留至少6位小数，别在归一化时四舍五入成整数，否则框的边界会漂移几个像素。

2.2 目录结构和类别映射：从0开始的类别id不能乱

交付的数据集目录通常是这样的：

crane_dataset/ ├── images/ │ ├── 0001.jpg │ ├── 0002.jpg │ └── ... ├── labels/ │ ├── 0001.txt │ ├── 0002.txt │ └── ... └── classes.txt

有些版本还会附train.txt和val.txt，每行是图片的完整或相对路径，这在做YOLOv5/v8训练时可以直接在data.yaml里引用。没有也不要紧，用脚本自己生成，下一章给方案。

classes.txt里每一行是一个类别名，第一行对应id 0，第二行对应id 1。如果数据里只有truck_crane和tower_crane两类，那所有txt里只会出现0和1。一旦出现数字2，就说明要么类别没列全，要么labels里混了其他目标。

用Ultralytics YOLO训练时，data.yaml里的names列表顺序必须和标注txt里的id一致。比如data.yaml里names第一个是tower_crane，而classes.txt第一行是truck_crane，那么所有标注为0的框都会被当塔吊训练，推理结果自然不对。所以拿到数据集的第一步不是急着训练，而是写个命令统计每个txt里的类别id分布：

# 抽查前5张图片的标注类别id分布 for f in labels/*.txt; do echo "$f: $(awk '{print $1}' "$f" | sort | uniq -c)"; done | head -5

这条命令会把每个文件里出现的类别id及次数打出来。如果classes.txt只有两个类别，但输出里出现了id=2，那就要把对应的图片找出来删掉或重标。我习惯把这一步叫做“标签向量校准”，虽然听起来玄学，但它能在训练前拦截90%的类别错位问题。

我还会顺手统计整个数据集的标注框宽高分布，用一段Python代码打印宽高中的中位数、最大值和长宽比异常值。这里的数据决定了后续训练该怎么选imgsz和尺度先验，而不是闷头跑默认参数。

import os from statistics import median ws, hs = [], [] for txt in os.listdir('labels'): with open(os.path.join('labels', txt)) as f: for line in f: parts = line.strip().split() if len(parts) != 5: continue _, _, _, w, h = map(float, parts) ws.append(w) hs.append(h) print('中位宽:', median(ws), '中位高:', median(hs)) print('最大宽:', max(ws), '最大高:', max(hs))

如果中位宽高都在0.2到0.5之间，说明目标框普遍占图面积较大，用640训练就够了。如果大量框小于0.05，那就要考虑提高imgsz到1280，或者把图片中目标区域截出来单独训练。搞懂了YOLO格式，你可以开始动手训练了。

3. 用起重机数据集训练YOLOv8：从目录整理到训练命令

看懂了格式，接下来就是把2900张图喂给YOLO。我习惯先用Ultralytics YOLOv8，因为一条pip install ultralytics就能装好，而且它原生支持这种标注格式，不需要额外写数据加载器。

3.1 把2900张图划分成train/val/test：随机划分脚本与比例选择

我平时会按8:1:1划分，2900张图大约变成2320训练、290验证、290测试。如果场景单一，验证集10%也够；如果包含多种机型，建议把验证集提到20%。但最关键的是按“设备来源”或“采集场景”分层，而不是简单地对每张图随机打乱。否则同一个塔吊拍摄的连续帧会同时出现在训练集和验证集，mAP虚高，部署后立刻打回原形。

先写一个基础脚本，把有效的图片过滤出来再随机划分：

import os import random from collections import defaultdict random.seed(42) img_dir = "crane_dataset/images" label_dir = "crane_dataset/labels" # 只保留有对应txt且txt非空的jpg，避免后面报错 valid_imgs = [] for img_name in os.listdir(img_dir): stem = os.path.splitext(img_name)[0] label_path = os.path.join(label_dir, stem + ".txt") if os.path.exists(label_path) and os.path.getsize(label_path) > 0: valid_imgs.append(img_name) else: print("跳过无效样本:", img_name) random.shuffle(valid_imgs) train_ratio = 0.8 n_train = int(len(valid_imgs) * train_ratio) n_val = int(len(valid_imgs) * 0.1) train_imgs = valid_imgs[:n_train] val_imgs = valid_imgs[n_train:n_train + n_val] test_imgs = valid_imgs[n_train + n_val:] with open("train.txt", "w") as f: for img in train_imgs: f.write(os.path.join(img_dir, img) + "\n") with open("val.txt", "w") as f: for img in val_imgs: f.write(os.path.join(img_dir, img) + "\n") with open("test.txt", "w") as f: for img in test_imgs: f.write(os.path.join(img_dir, img) + "\n") print(f"可用图 {len(valid_imgs)} 张 -> train {len(train_imgs)} / val {len(val_imgs)} / test {len(test_imgs)}")

脚本里我先把没有对应标签或标签为空的图过滤掉，免得训练时找不到标签。随机种子固定成42，保证每次复现结果一致。写到train.txt里的路径可以是相对路径，但YAML里path字段配置好后，最好写相对路径，这样换机器不用改路径。如果你需要分层划分，就在valid_imgs之前按图片名的前缀或目录分组，然后对组进行随机分配。

提示：如果这批数据是从同一个监控视频里抽帧得到的，请先按时间连续段做分组，再划分。否则连续帧高度相似，验证结果会非常乐观。

3.2 写data.yaml并启动训练：YOLOv8的命令与关键参数

划分好文件后，在数据集根目录写一个crane.yaml：

# crane.yaml path: /home/yourname/crane_dataset # 改成你的实际绝对路径 train: train.txt # 也可以写 images/train val: val.txt names: 0: truck_crane 1: tower_crane 2: crawler_crane

然后启动训练：

pip install ultralytics yolo detect train data=crane.yaml model=yolov8s.pt imgsz=640 epochs=100 batch=16 device=0

这里解释一下参数：model=yolov8s.pt会从官方预训练权重开始训练，迁移学习能加快收敛。如果数据只有2900张图，不要轻易用yolov8x，参数太多反而容易过拟合。imgsz=640是训练分辨率，batch=16受显存限制，8G卡建议降到8。epochs=100对10类以内的小数据集足够，如果只是想验证数据质量，先跑到50轮看趋势。

训练日志里每轮会打印Box(P, R, mAP50, mAP50-95)、box_loss、cls_loss、dfl_loss。其中box_loss是边界框回归损失，cls_loss是分类损失，dfl_loss是分布焦点损失，三者一起构成YOLOv8的损失函数。如果cls_loss一直不降，先怀疑标签错位；如果box_loss很大，先检查坐标归一化。约2900张图，yolov8s在单张3060上100个epoch大约2到3小时。如果中途发现loss在抖，可以先停掉，改学习率或batch。

4. 起重机目标检测的3个必调参数：尺度先验、imgsz和yolo损失函数怎么设

很多人拿到数据集直接跑默认参数，训练完后发现精度不够，就怪数据不行。实际上，起重机这个目标的特殊性在于：既有横跨整张图的塔吊臂架，也有远处只有几十个像素的小吊车。默认配置不是为这种尺度分布设计的，必须手动调三个东西。

4.1 尺度先验（anchor机制）：别让网络从零猜目标的大小

如果你用的是YOLOv5或YOLOv7，anchor是必调的。YOLOv8虽然是anchor-free架构，但检测头依然在不同尺度特征图上做预测，所以理解目标尺度分布依然关键。起重机目标的长宽比很极端，塔吊臂架往往是扁长的横条，普通预设框偏向正方形，导致回归难收敛。

我一般会把所有标注框的宽高统计出来，看散点图。常用的做法是运行YOLOv5自带的聚类脚本，或者手动算一下中位宽高。比如数据里中位宽0.35、中位高0.2，长宽比接近1.75，那预设框就要偏横向。YOLOv5可以在模型yaml里直接指定anchors，格式是：

anchors: - [10, 13, 16, 30, 33, 23] - [30, 61, 62, 45, 59, 119]

如果不是很熟练，不要手写，用python train.py --data crane.yaml --cfg models/yolov5s.yaml让它自动计算，训练时会打印新的anchor。对于YOLOv8，虽然没有anchor参数，但你同样可以观察训练时各特征层的检测收益，如果大目标层持续损失很高，说明应该增强高分辨率输入。

4.2 imgsz：640还是1280？

训练分辨率直接影响小目标检出能力。我用同一份数据分别跑640和1280，mAP50-95能差4到7个百分点，但显存和训练时间也翻了一倍。起重机场景要分清楚：如果摄像机固定在工地入口，目标都很近很大，640足够，而且推理速度快；如果监控画面覆盖整个堆场，塔吊在几百米外，那就必须用1280。

显存紧张时，别直接放弃1280，可以试试多尺度训练。Ultralytics支持imgsz=640同时开启deterministic和cache，但我常用的做法是训练时把imgsz设为[640, 1280]之间的随机值，让模型适应不同尺度。具体命令里可以写作imgsz=640，然后在超参数里开Mosaic和MixUp增强。如果推理端用TensorRT部署，分辨率尽量固定，因为动态分辨率会增加优化复杂度。

4.3 yolo损失函数：分类、定位和置信度权重的影响

YOLO的损失函数在不同的版本里写法不一样。YOLOv5在hyp.scratch-low.yaml里暴露cls和box权重，默认cls=0.5、box=0.05。把box调高会让模型更关注框的位置精度，但也可能让分类变差。YOLOv8把权重固化在源码里，新手建议不要直接改损失权重，先观察三个loss的下降趋势。

如果box_loss降了但cls_loss震荡，说明类别分布不均衡。2900张图里如果90%是塔吊、5%是履带吊，模型会倾向于把所有东西都识别成塔吊。这时调损失权重只能缓解，真正有效的是对少数类别做复制增强，或者换一种更平衡的分类损失。如果精度卡在0.8上不去，先去看是不是某些类别的正样本太少，别急着动损失函数。

5. YOLO标注数据避坑：5条现场排查记录

这一章是我自己的血泪经验。每一次翻车，最后都不是模型结构的问题，而是数据细节的问题。下面5条按“现象、原因、解决”写清楚，拿到数据集后先对着过一遍。

5.1 空标注文件导致训练中断

现象：训练到一半，报错说某张jpg没有对应的label，或读取label时维度为0，进程直接退出。

原因：标注工具在导出时对没有目标的图片生成了空txt，或者漏导出，导致图片和标签数量对不上。

解决：划分数据集前先跑一条命令过滤：

find images -name "*.jpg" | while read f; do stem=`basename "$f" .jpg` [ -s "labels/$stem.txt" ] || echo "缺少标签或为空: $f" done

这条命令会把所有“有图片但没有非空标签”的样本列出来。我遇到过一次，2900张图里有17张空标签，全是从标注平台导出时漏掉了。删掉或补标后，训练才正常。

5.2 类别id错位

现象：训练时loss正常，验证mAP也不错，但实际测试把塔吊识别成履带吊，且错得很有规律。

原因：classes.txt里的顺序和data.yaml里的names顺序不一致，导致类别id语义错位。比如classes.txt第一行是truck_crane，而data.yaml里names第一个是tower_crane，那么所有id为0的框都会被当塔吊训练。

解决：用可视化脚本抽查前5张图，把类别id画在框上：

import cv2 import glob for txt in glob.glob('labels/*.txt')[:5]: img_path = txt.replace('labels', 'images').replace('.txt', '.jpg') img = cv2.imread(img_path) with open(txt) as f: for line in f: cid, cx, cy, w, h = map(float, line.split()) x1 = int((cx - w/2) * img.shape[1]) y1 = int((cy - h/2) * img.shape[0]) x2 = int((cx + w/2) * img.shape[1]) y2 = int((cy + h/2) * img.shape[0]) cv2.rectangle(img, (x1, y1), (x2, y2), (0,255,0), 2) cv2.putText(img, str(int(cid)), (x1, y1-5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0,0,255), 1) cv2.imshow('check', img) cv2.waitKey(0)

框上的数字就是类别id。对照classes.txt看对不对，不对就改data.yaml，不要动标注文件。

5.3 “crane”一词带来的数据污染

现象：数据集中有一些图片，框的目标完全不是起重机，而是大型机械臂、桥梁，甚至鸟类。

原因：收集数据时用了“crane”做关键词，英文里起重机与鹤是同一个词。如果是公开爬取的数据，混入鹤的图片非常常见。

解决：逐张过滤掉没有起重机的图片。如果标注是现成的，不可能一张张看，至少把预测置信度最高的误检样本抽出来人工复查。我在一份数据里遇到过把白鹤当成塔吊的情况，模型学到的特征是“翅膀”而不是“吊臂”。这种污染样本只要占3%，就会明显拉低准确率。

5.4 边界框越界导致gt宽高为0

现象：训练日志出现NaN，或者loss突然暴涨然后卡住。

原因：标注框的部分坐标落在图片外，比如x1等于-2。归一化坐标如果没裁剪，还原成像素后宽高可能是负数。

解决：写一个清洗脚本，把所有框裁剪到[0,1]区间内，并过滤掉宽高小于0.001的值。

def clean_label(txt_path): lines = [] with open(txt_path) as f: for line in f: vals = list(map(float, line.strip().split())) if len(vals) != 5: continue cid, cx, cy, w, h = vals # 先把坐标裁剪到[0,1]，避免越界 cx, cy = max(0, min(1, cx)), max(0, min(1, cy)) w, h = max(0, min(1, w)), max(0, min(1, h)) if w < 0.001 or h < 0.001: continue lines.append(f"{int(cid)} {cx} {cy} {w} {h}") with open(txt_path, 'w') as f: f.write("\n".join(lines))

需要注意，如果框越界很多，单纯clip会让中心点偏移。更严格的做法是先把框还原成像素坐标，裁到图片边界后重新计算中心点和宽高。

5.5 验证集划分不当导致指标虚高

现象：训练时验证集mAP达到0.95，部署到工地上直接降到0.6。

原因：划分数据集时对每张图独立随机，同一个设备在相邻视频帧里同时出现在训练集和验证集，模型相当于“背过答案”。只要换一个没见过的机位，泛化能力立刻打回原形。

解决：按采集视频段分组，把同一个视频段的所有帧放到同一个集合里。如果数据集没有元数据，可以用感知哈希对图片去重，把相似帧聚类后每类只保留一张，或者把相似组整体划分到同一侧。这样虽然会减少有效训练帧数，但换来的泛化能力是值得的。

6. 用mAP曲线和误检图验证数据集质量：小样本快速判读法

训练跑完，先别急着导出部署。我习惯做三件事。第一，看PR曲线。YOLO训练完会输出PR_curve.png，如果曲线在召回率0.7时突然掉头向下，说明这个类别的样本太少；如果曲线是阶梯状，说明目标尺度差异太大，imgsz可能不够。第二，看混淆矩阵。如果两个类互相混淆，大概率是标注类别边界不清，比如塔吊和履带吊的吊臂外观太像，要么重新定义类别，要么合并类别。第三，也是我最依赖的：用验证集输出一批置信度在0.25到0.4之间的误检图，人工看一遍。这些图才是模型真正拿不准的地方。

我一般会跑一条推理命令，把低置信度的结果保留下来：

yolo detect predict model=runs/train/exp/weights/best.pt source=val_images/ conf=0.25 save_txt=False save_conf=True

然后翻看runs/detect/predict里的图。凡是框错位的，十有八九是标签画错；凡是漏检的，十有八九是目标太小或遮挡。有一次我训练的模型mAP50到了0.85，但实际工地上一片夕阳就把塔吊漏了，原因就是训练集里没有逆光样本。后来我刻意把一些低亮度图片复制三份并调低对比度，loss分布才恢复正常。从那以后，我每次训练都会单独留5%的现场照片做validation，而不是盲目用数据集自带的划分。

如果你拿到这份2900张的起重机数据集，我的建议是：先花半天核对标签、清洗坐标、分层划分，再小跑50个epoch看损失曲线。这套流程走通，再花时间调imgsz和损失函数权重。数据本身是死的，真正让模型好用的是你对数据边界和场景坑的判断。希望帮到你。

本文还有配套的精品资源，点击获取