简介面向目标检测初学者与算法工程师的楼梯识别数据集图片拍摄清晰、场景贴近日常楼道环境可用于训练楼梯检测模型或验证YOLO/VOC系列算法效果解决楼梯场景样本不足问题。压缩包共2000个文件其中jpg原图1043张配套xml与txt标注文件各1043个分别对应VOC格式和YOLO格式整体封装为仅9.49MB的zip包目录按JPEGImages、Annotations、labels清晰划分便于直接读取与转换。所有图片均未增强标签类别为单一staircase共1224个矩形框标注准确规范资源内另附数据集信息说明txt可快速了解文件组织与标注规范方便训练前核对标注信息。目前已有88人学习下载适合需要标准格式数据集开展模型训练、标注校验或目标检测入门实践的学习者使用可省去自行采集与标注的时间直接聚焦算法调参与效果优化。1. 楼梯目标检测数据集1043 张图能直接喂给训练脚本做目标检测的同行都有体会公开数据集里人、车、猫狗很多楼梯这种室内结构化目标反而难找。这份楼梯数据集共 1043 张图片同时给 YOLO 和 VOC 两套标注解压后直接能喂训练脚本。它解决的痛点很实际——楼梯检测在建筑巡检、机器人导航、安防监控里都是刚需但自采数据加标注一千多张图画框就要两三天还不算返工。适合正在跑 YOLOv8/YOLOv5 训练、需要现成数据的算法工程师以及做室内机器人视觉验证的学生。下面按我拆包的固定套路把目录解构、标注校验、训练参数、排障记录和二次迭代依次讲完。每步都给能直接跑的脚本照着执行就能复现整条链路也能绕开我踩过的几个明显坑。2. 先摸清压缩包YOLO 与 VOC 两套标注的目录结构2.1 VOC 标注XML 里藏着图尺寸与框的绝对坐标VOC 是 PASCAL VOC 体系留下的 XML 标注格式特点是「每个物体一个 object 节点」框坐标用绝对像素值表示不做归一化。对检测任务来说读 XML 能拿到三类关键信息图片宽高、目标类别名、bndbox 的四个像素坐标。LabelImg 这类标注工具导出的就是这个结构所以很多老检测框架原版 Faster R-CNN 的 voc 数据类直接吃 XML。annotation folderimages/folder filenamestair_0001.jpg/filename size width1280/width height720/height depth3/depth /size object namestair/name bndbox xmin240/xmin ymin180/ymin xmax980/xmax ymax690/ymax /bndbox truncated0/truncated difficult0/difficult /object /annotation这段 XML 是这类数据集里的典型样本。size 节点里的 width 和 height 是后续一切换算的基准bndbox 的四个值分别代表框左上角和右下角的 x、y 像素坐标。truncated 表示目标是否被图边缘截断difficult 表示是否难例这两个字段多数训练脚本不读但标注工具会保留并在下次编辑时回写。实际使用中你会发现XML 存在的意义更多是「给人看」和「给标注工具续用」。比如你想在 LabelImg 里打开某张图补框它认的就是 XML想把标注转成 COCO 的 json第一步也是从 XML 读坐标。后面写转换脚本时解析 XML 比解析 txt 更稳因为 XML 里带着图宽高不容易算错分母。2.2 YOLO 标注一行五个数坐标全部按图归一化YOLO 的标注格式极简每行五个数字类别 id、中心点 x、中心点 y、框宽、框高全部除以图片宽高做归一化。以这个楼梯数据集为例如果 classes.txt 里只有 stair 一个类它的 id 就是 0对应标注文件里的一行长这样0 0.4766 0.6042 0.5781 0.7083换算关系是固定的cx (xmin xmax) / 2 / widthw (xmax - xmin) / widthy 方向同理用 height 做分母。反过来把 YOLO 坐标还原成像素坐标就是 xmin (cx - w/2) × width。这两组公式是整个数据集最常用的工具后面章节的校验脚本全靠它。维度VOC XMLYOLO txt坐标形式绝对像素 xmin/ymin/xmax/ymax归一化浮点 cx/cy/w/h目标表示每个目标一个 object 节点每行五个数字可读性人能读、工具能改简单但容易写错典型消费方Faster R-CNN、SSD 的 voc 分支YOLO 全系为什么 YOLO 要归一化因为训练时图片会被随机缩放、pad 成 640×640 的输入如果标注是绝对像素缩放后还要重新映射归一化之后只要训练脚本做相同的 letterbox 处理标注就不用动。数据集同时给两套格式就是为了兼容两条技术路线跑 YOLO 系直接用 txt跑检测头更重的框架直接上 XML。需要提醒的是txt 里的类别 id 必须和 data.yaml 的 names 顺序严格对应。单类别数据集表面上安全但你后续如果要加一类「扶手」或者「台阶」新类必须 append 在末尾插在中间会把所有历史标注全部错位。我一般会在项目里专门留一个 classes.txt每次动类别顺序都先改它再批量重写 txt。2.3 目录与命名先跑一遍 tree 再动手别急着训练这类双格式数据集最常见的排布是 images / Annotations / labels 三个平级目录图片统一 jpgXML 和 txt 跟图片同名不同后缀。解压之后我习惯先跑一次目录树确认没有嵌套错位unzip 楼梯数据集1043张YOLOVOC.zip -d stairs_dataset tree stairs_dataset -L 2常见输出大概是stairs_dataset/ ├── images/ │ ├── stair_0001.jpg │ ├── stair_0002.jpg │ └── ...共 1043 张 ├── Annotations/ │ ├── stair_0001.xml │ └── ... └── labels/ ├── stair_0001.txt └── ...命名规则是三件套同名stair_0001.jpg、stair_0001.xml、stair_0001.txt。这个规则直接决定了后面校验脚本怎么写——按 stem 配对而不是按文件名乱序匹配。有些打包者习惯把图片直接散在一个目录里有些会预先分成 train/val 两个子目录两种都正常我遇到预分目录时会先把 train/val 合并自己用固定随机种子重新划分保证实验可复现。解压后第一件事千万别直接开训练。先把图片总数、标注文件总数、XML 和 txt 是否齐平这三件事查清楚。我在别的数据集上吃过亏一千多张图里有二十来张 xml 和 txt 数量对不上训练时 loss 照常下降但 val 结果一直不对查了半下午才发现是配对错位。下一章给的校验脚本就是干这个的。3. 训练前先校验用三段脚本把 1043 张标注统查一遍3.1 统计脚本类别、框数与图片尺寸一次摸清拿到新数据集先别急着划 train/val。第一步是全局统计搞清楚一共多少个框、每类多少目标、图片分辨率分布如何。这些数字直接决定后面的超参数——比如楼梯目标普遍偏大还是偏小决定 imgsz 选 640 还是 1280。下面这段脚本解析全部 XML输出汇总信息import os import xml.etree.ElementTree as ET ann_dir Annotations stats {total_images: 0, total_boxes: 0, classes: {}} size_hist [] for xml_name in sorted(os.listdir(ann_dir)): if not xml_name.endswith(.xml): continue tree ET.parse(os.path.join(ann_dir, xml_name)) root tree.getroot() w int(root.find(size/width).text) h int(root.find(size/height).text) size_hist.append((w, h)) stats[total_images] 1 for obj in root.findall(object): cls obj.find(name).text stats[classes][cls] stats[classes].get(cls, 0) 1 stats[total_boxes] 1 print(图片数:, stats[total_images]) print(总框数:, stats[total_boxes]) print(类别分布:, stats[classes]) print(分辨率范围:, min(size_hist), max(size_hist))脚本逻辑很简单遍历 Annotations 目录下所有 XML逐个解析 size 和 object 节点累加类别计数和分辨率列表。四个输出项里类别分布决定 data.yaml 的 nc 和 names分辨率范围用来判断训练时的 imgsz——如果多数图在 1920×1080 附近而楼梯目标只占画面五分之一那 640 的输入尺寸会让目标缩到十几个像素后面必然漏检。有个细节分辨率用 min/max 打出来只能看大区间我一般会再按宽高比分桶统计一次看看是否存在竖图。楼梯场景里手机竖拍的图很常见如果竖图比例超过两成训练时就要在增强里显式加旋转否则模型对竖构图泛化很差。3.2 越界检查txt 坐标不在 [0,1] 内的一律标红YOLO 训练对标注的要求是严格归一化。坐标大于 1、小于 0、w 或 h 为 0这些标注在训练时会被直接过滤或导致 loss 异常。更隐蔽的是浮点精度问题如果 XML 转 txt 时忘了除以 width会出现 cx 在 0.5 附近但 w 接近 1.5 的情况loss 能降但框全歪。检查脚本import os label_dir labels bad 0 for txt_name in sorted(os.listdir(label_dir)): if not txt_name.endswith(.txt): continue path os.path.join(label_dir, txt_name) with open(path) as f: for line in f: parts line.strip().split() if len(parts) ! 5: print(f{txt_name}: 列数不为5 - {line.strip()}) bad 1 continue cls, cx, cy, w, h parts cx, cy, w, h map(float, (cx, cy, w, h)) if not (0 cx 1 and 0 cy 1 and 0 w 1 and 0 h 1): print(f{txt_name}: 越界 - {line.strip()}) bad 1 print(异常行数:, bad)这段脚本把每个 txt 的每一行拆成五个字段先检查列数再检查数值范围。正常标注里 cx、cy 应该在 0 到 1 之间w、h 应该在 0 到 1 之间且大于 0如果出现负数或大于 1 的值基本可以断定是转换脚本除错了分母。越界行不需要手工改用下面这个公式批量重算更省事# 用 XML 里的真实宽高把越界行重新归一化 from PIL import Image import os def fix_txt(image_path, txt_path): w, h Image.open(image_path).size new_lines [] with open(txt_path) as f: for line in f: cls, cx, cy, bw, bh line.strip().split() cx, cy, bw, bh map(float, (cx, cy, bw, bh)) # 先按原标注反算像素坐标 xmin (cx - bw / 2) * w ymin (cy - bh / 2) * h xmax (cx bw / 2) * w ymax (cy bh / 2) * h # 再用真实图宽高重新归一化 new_cx (xmin xmax) / 2 / w new_cy (ymin ymax) / 2 / h new_w (xmax - xmin) / w new_h (ymax - ymin) / h new_lines.append(f{cls} {new_cx:.6f} {new_cy:.6f} {new_w:.6f} {new_h:.6f}) with open(txt_path, w) as f: f.write(\n.join(new_lines))这个修法有个前提像素坐标本身是对的只是归一化分母错了。如果原始 XML 的 bndbox 就有问题修 txt 是治标不治本得回头找标注源头重新校正。3.3 配对检查图、XML、txt 三者必须同名对齐第三个检查是配对也是我血泪经验最集中的一步。训练脚本按图片名找同名 txt如果 txt 缺了这张图会被当成无目标背景图参与训练模型学到的全是「这张图没有楼梯」的错误信号如果 txt 多了而图不存在训练直接报文件找不到。检查脚本import os img_dir, ann_dir, label_dir images, Annotations, labels def stems(d): # 取文件名主干去掉后缀 return {os.path.splitext(f)[0] for f in os.listdir(d) if not f.startswith(.)} imgs, anns, labels stems(img_dir), stems(ann_dir), stems(label_dir) print(图片:, len(imgs), XML:, len(anns), txt:, len(labels)) print(缺 XML:, len(imgs - anns), 缺 txt:, len(imgs - labels)) print(多余 XML:, len(anns - imgs), 多余 txt:, len(labels - imgs))输出四组差值分别对应「图没有标注」「标注没有图」两类问题。对 1043 张的数据集理想输出是四个 0。差几个的话手工补差太多就得怀疑压缩包在传输时丢文件重新解压再查。这三个检查都跑完且全绿这个数据集才算真正可用。我自己的习惯是写成一个 check_dataset.py 一次性跑完任何一条异常输出都拦在训练之前。后面训练翻车的第一排查项永远是回头跑这三段脚本而不是改学习率——先怀疑数据再怀疑模型这是顺序问题也是纪律问题。4. 跑通 YOLOv8 训练从数据划分到权重导出的完整参数表4.1 数据划分单类目标也要做分层抽样校验完就该划分数据集。常见比例是 train:val:test 8:1:1但划分方式有讲究。直接 random.shuffle 虽然简单却可能让 val 集里某一类目标数量极端——单类楼梯数据没有类别错位问题但存在场景分布问题如果某栋楼的楼梯间照片恰好全进 val训练集就缺了这种拍照角度val 分数会虚低。import os, random, shutil random.seed(42) img_dir images imgs [f for f in os.listdir(img_dir) if f.endswith(.jpg)] random.shuffle(imgs) n len(imgs) train, val, test imgs[:int(n*0.8)], imgs[int(n*0.8):int(n*0.9)], imgs[int(n*0.9):] def move(split, dest): # 图片和同名 txt 一起复制到目标 split os.makedirs(fdata/{dest}/images, exist_okTrue) os.makedirs(fdata/{dest}/labels, exist_okTrue) for f in split: shutil.copy(f{img_dir}/{f}, fdata/{dest}/images/{f}) stem os.path.splitext(f)[0] shutil.copy(flabels/{stem}.txt, fdata/{dest}/labels/{stem}.txt) move(train, train) move(val, val) move(test, test) print(len(train), len(val), len(test))固定随机种子 42 保证每次划分结果一致这样两次实验的对比不会因为数据不同而失真。复制而不是移动文件是为了保留原始目录做对照——万一划分后某个 split 里缺了文件还能从原始目录快速比对。1043 张按 8:1:1 切出来大约 834/104/105 张val 和 test 各一百张出头对单类检测够用如果追求更稳的指标可以把 test 合并进 val只保留 train/val 两个 splitval 占比提到两成。4.2 data.yaml路径、nc 与 names 必须逐一对应YOLOv8 用 data.yaml 描述数据集。路径可以写绝对路径也可以写相对路径我一般写相对路径并保证启动命令的当前目录在项目根——这样换机器不踩路径坑。path: ./data train: train/images val: val/images test: test/images nc: 1 names: 0: stairpath 指向数据根目录train/val/test 填相对于 path 的子目录。nc 是类别总数names 的索引必须跟 labels 里 txt 第一列的数字严格一致。这张表里类别叫 stair 还是 staircase 并不影响训练影响的是后续部署时显示名保持一致即可。改 yaml 时最容易出错的地方是方向train 指向了 images 还是 labels。YOLOv8 会在 train 目录下自动找同名 labels 目录所以 yaml 里写 train/images它会自己找 train/labels如果你写反成 train/labels训练会报找不到图片。我见过同事在这里卡了半小时报错信息是数据集找不到一查是路径配反了。4.3 训练命令模型体积、imgsz 与 batch 的取舍装好 ultralytics 后训练命令是单行的事pip install ultralytics yolo detect train \ datadata.yaml \ modelyolov8s.pt \ epochs100 \ imgsz640 \ batch16 \ patience20model 参数填的是预训练权重yolov8n 是 nano 版体积最小s 是小版m 和 l 依次变大。对 1043 张的楼梯数据我一般从 yolov8s 起步n 在室内小目标场景下容易欠拟合l 又需要更多数据去喂s 是性价比平衡点。epochs100 对单类数据偏多patience20 会让 val 指标连续 20 轮不涨就早停实际通常五六十轮就收敛。参数推荐值调整方向modelyolov8s.pt显存小换 n精度优先换 mimgsz640小目标多时提到 960/1280显存翻倍batch168G 显存减到 8OOM 先降这个epochs100配合 patience 早停不用硬跑满patience20越小越早停过大容易过拟合后还在跑imgsz640 是默认值但前面统计分辨率时如果发现楼梯目标占比小可以提到 960 或 1280代价是显存和训练时间翻倍。batch16 取决于显存8G 卡跑 yolov8s 建议 16不够就减半不要开梯度累积硬撑——排查问题时少一个变量比省几分钟更有价值。训练日志里重点看两行loss 是否在几十轮内降到 0.05 以下val 的 mAP50 是否在 0.9 以上。YOLOv8 的损失函数默认是 CIOU 加分类损失日志里的 box_loss 和 cls_loss 分开显示如果 box_loss 降了但 cls_loss 不动多半是类别 id 错位回头检查 yaml。4.4 验证与导出权重怎么从实验落到部署训练结束后val 结果自动输出在 runs/detect/train 目录下包括混淆矩阵、PR 曲线和各类的 mAP。单类数据看混淆矩阵最简单横轴真实、纵轴预测对角线的 1.0 就是全部命中。yolo detect val \ modelruns/detect/train/weights/best.pt \ datadata.yamlbest.pt 是 val 指标最好的权重last.pt 是最后一轮的。部署用 best.pt导出 ONNX 也用它。导出命令yolo export modelruns/detect/train/weights/best.pt formatonnx imgsz640导出后跑一次推理拿一张 val 里没见过的楼梯照片验证确认框的位置和类别名都正常再考虑接 TensorRT 或 OpenVINO。到这里从解压到可用权重的主链路已经走通剩下的是现场适配和迭代。5. 避坑与常见问题标注错位、格式不同步与训练发散排查这一章是我在多个场地数据集上反复翻车后攒下的记录每一条都按「现象 → 原因 → 解决」写直接对照自己的日志看就行。5.1 现象loss 正常下降但 val 的 mAP 全为 0训练日志里 train loss 一路降到 0.02val 的 mAP50 始终是 0没有任何波动。这个现象在双格式数据集上最容易出现——图片和标注来自不同打包环节某个 txt 里的框坐标整体出错。原因分两类一是文件名错位脚本按索引而不是按 stem 配对时标注张冠李戴二是 txt 与 XML 不同步比如有人改了 XML 补框但训练读的是 txt。解决方法是先跑第三章的配对脚本确认三件套一致再抽几张图画框肉眼确认import cv2 img_path images/stair_0001.jpg txt_path labels/stair_0001.txt img cv2.imread(img_path) h, w img.shape[:2] with open(txt_path) as f: cls, cx, cy, bw, bh f.readline().split() cx, cy, bw, bh map(float, (cx, cy, bw, bh)) # YOLO 归一化坐标还原成像素框 xmin int((cx - bw / 2) * w) ymin int((cy - bh / 2) * h) xmax int((cx bw / 2) * w) ymax int((cy bh / 2) * h) cv2.rectangle(img, (xmin, ymin), (xmax, ymax), (0, 255, 0), 2) cv2.imwrite(check.jpg, img)这段代码把归一化坐标还原成像素框并画到图上保存成 check.jpg 人工看。抽样三到五张就够了如果抽查全部错位直接回到转换脚本找 bug不要人工修标注。5.2 现象mAP 很高但现场实拍漏检严重模型在 val 上 mAP50 有 0.95拿到现场用手机拍一段楼梯视频发现很多角度完全检测不到。这个坑跟数据集本身质量无关是采样偏差数据集中楼梯多为正面标准视角而现场视频大量出现俯拍、仰拍、逆光和部分遮挡。解决分两步。第一步在训练增强里加大随机性和角度扰动imgsz 保持 640mosaic、mixup、上下翻转都打开第二步收集现场失败帧做难例回灌这是第六章的主线。注意不要一上来就换大模型场景不匹配时换 l 版只会让过拟合更严重。5.3 现象改了 XML 却对训练结果毫无影响有人用 LabelImg 打开 XML 把漏检的楼梯框补上重新训练发现指标纹丝不动。原因很直接YOLOv8 训练读的是 labels/.txt不是 Annotations/.xml。XML 只是给人看和给旧框架用的副本改了它不重写 txt训练数据就等于没变。解决方法是改标注时统一入口要么全程用 txt 手工改要么改完 XML 后跑一遍转换脚本把 XML 全量同步成 txt。我自己的做法是在资源目录里放一个 XML 转 YOLO 的脚本每次标注迭代结束强制跑一遍确保两套格式永远一致。5.4 现象Linux 下解压中文名 zip 出现乱码这个资源压缩包名是中文在 Windows 下双击解压没问题放到 Linux 服务器上用 unzip 解压目录名变成乱码脚本里写死的中文路径全部失效。原因zip 包内文件名编码是 GBK 或 UTF-8Linux 的 unzip 默认按系统 locale 解码中文环境下容易错位。解决方法是显式指定编码unzip -O gbk 楼梯数据集1043张YOLOVOC.zip -d stairs_dataset如果 -O 参数不被当前 unzip 版本支持用 7z 代替7z 对中文名 zip 的兼容性更好。解压后第一时间执行第二章的 tree 命令确认目录名正常再往下走流程。5.5 现象训练 loss 发散权重变成 NaNloss 在前几轮直接冲到几十然后出现 NaN训练中断。楼梯数据集本身是常规图像不太可能是数据问题多半是超参数学习率默认配大 batch 时偶发或 imgsz 设得过大把显存压爆OOM 后显存里的脏数据写回权重。解决顺序是先降 batch 到 8 或 4确认不 OOM再检查是否开了混合精度关了 amp 再试最后把 model 换成 yolov8n 做两轮冒烟训练能跑通就说明是资源或超参数问题不是数据问题。冒烟训练用 20 张图、10 个 epoch全程五分钟是排查训练异常最快的手段。6. 进阶用法难例挖掘与 ONNX 导出后的部署验证6.1 用训练好的 best.pt 回灌现场图训练收敛后把现场拍的、网上找的、以及 val 里表现差的图全部丢给模型跑一遍预测yolo predict modelruns/detect/train/weights/best.pt \ sourcehard_samples/ \ conf0.35 save_txtTrueconf 阈值放低到 0.35目的是让模型把拿不准的框也吐出来。预测结果里置信度在 0.35 到 0.6 之间的框就是最好的追加标注素材——把它转回 VOC 格式导入标注工具人工确认后并入训练集再来一轮训练。如此迭代两轮现场漏检率通常能明显下降。注意回灌图不要和原训练集重复重复样本会让 val 分数虚高而不提升真实泛化。6.2 部署验证不要只看一张图ONNX 导出后我习惯写一个最朴素的验证脚本读一张没参与训练的图跑推理把输出框画出来用和训练时相同的 letterbox 参数对齐坐标。很多部署翻车都出在坐标对齐上——训练时图片被 letterbox 成 640×640推理时如果忘记做同样变换框的位置会整体偏移。从那以后我每次拿到新数据集都强制走一遍「解压 → 校验 → 划分 → 小模型冒烟 → 正式训练 → 现场抽测」的固定流程校验脚本三件套永远放在第一位。数据集的坑从来不在训练本身而在你信任标注的那一刻。希望帮到你。本文还有配套的精品资源点击获取