弄智慧交通项目的时候最大的坑从来不是算法选型而是数据。我前前后后翻遍了能找到的开源资源要么头盔检测数据集只有两三千张、场景单一要么标注格式五花八门拿回来还得花大量时间清洗。后来干脆自己整理了一份8300张的YOLO格式智慧交通数据集从头盔角度、光照变化到遮挡程度都做了针对性补充实际训练下来效果比之前用零散数据好了不止一个档次。这篇就把数据集整理思路、标注规范、YOLO训练调参与部署踩坑一次性讲清楚给正在做骑手头盔检测、工地安全帽识别这类需求的朋友做个参考。1. 数据集定位与建设思路1.1 先搞明白头盔检测到底要解决什么问题头盔/安全帽检测的核心不是简简单单“框出一个头盔”而是要在监控画面里判断“这个骑手或工人到底有没有戴”。市面上很多数据集只标“头盔”一类没戴头盔的头部就成了背景这样训练出来的模型很容易出现一个毛病看到所有圆形物体都兴奋安全帽、垃圾桶、甚至车灯都能被当成头盔。我这份8300张的数据集任务定义成典型的两分类检测helmet表示佩戴头盔的头部目标head表示未佩戴头盔的头部目标。模型输出两类框业务侧只需要统计同一目标是否同时出现头盔框就能判断违规行为。用这个思路训练模型学的是“戴与不戴”的差异而不是单纯找头盔误检率会低很多。针对智慧交通场景这个数据集还特别加强了几个容易被忽略的维度俯拍角度城市道路监控一般装在横臂杆或者路边立杆上视角是斜向下45度左右如果训练数据全是平视角度部署时精度会明显下降。密集骑行早晚高峰非机动车道经常出现十几个人挤在一起目标相互遮挡严重模型需要学会区分每个头部的边界。夜间和逆光晚上电动车开灯、路灯闪烁图像噪声大头盔轮廓不清晰这部分数据必须单独补充。不同头盔类型工地安全帽、电动车半盔、全盔、棒球帽样子的“伪头盔”都要覆盖。1.2 8300张数据是怎么整理出来的整理这份数据我大致走了三个步骤。第一步是基础收集从公开数据集中筛选出质量较高的头盔检测图片再补充一部分自采的交通监控视频抽帧。这类公开资源里场景重复度高直接拿来训练容易过拟合到固定机位所以我没有盲目堆数量。第二步是场景分层。8300张不是均匀切一刀就完事而是按照场景比例分配白天正常光照约40%夜间约20%逆光/黄昏约15%雨天和恶劣天气约10%剩下的15%留给工地、园区、停车场等非道路场景。一开始我也想做成五五开后来发现夜间样本过多反而会让模型在白天场景下的表现变弱最后还是按业务真实分布来配比。第三步是清洗和复核。这是一个极其枯燥但又不能省的步骤。我找了两个标注同学背对背做同一批图不一致的框单独拉出来讨论。尤其是那种“头盔戴在车把手上”“手里拎着安全帽”的样本统一按背景处理不标任何框避免模型学到错误语义。1.3 类别定义和标签平衡很多数据集标注不规范最典型的问题是“一个头部既标了helmet又标了head”。这是标签逻辑混乱导致的。我在整理时定了一条死规矩同一个身体区域有头盔才允许标helmet没头盔才允许标head两者互斥。如果画面里一个人恰好露出两个头部比如后座小孩探出头必须分别标两个独立框。数量分布上head和helmet的比例我控制在大约1:1.2。稍微让头盔类多一点点原因是头盔在俯拍镜头下往往更清晰模型更容易学。未带头部因为有时被身体遮挡、肤色接近背景难度更高所以在后续训练时我会给head类稍微加一点损失权重。但比例不能差太远否则模型会倾向于把难例全部预测为某一类。还需要专门提一下“困难样本”的标注策略。对于严重遮挡、目标小于32×32像素、或者完全模糊的人物如果人类标注者也很难判断是否戴头盔就统一归到ignore区域在转换成YOLO格式时直接跳过这些框。这样做的目的是防止噪声标签干扰模型训练尤其是边界框回归任务对错误标签非常敏感一个偏移了50%的框可能直接把AP拉低两三个点。2. 标注规范与YOLO格式转换实操2.1 标注工具选型与统一规范数据标注我推荐用开源的LabelImg或者X-AnyLabeling前者轻量适合VOC格式后者支持YOLO格式直出还带一些半自动预标注能力。如果是多人协作可以统一用LabelStudio这类在线工具方便分配任务和审核。但不管用什么工具导出格式我建议先全部统一成VOC XML然后再脚本转换成YOLO格式。为什么绕一圈因为VOC XML是结构化数据每一张图对应一个XML文件标签、坐标、难易标志都在里面好做版本管理和二次校验。而YOLO的txt格式一旦出问题肉眼查起来非常痛苦。标注规范里要写清楚几句操作口径目标必须框住整个头部包括头发和耳朵但不要扩展到肩膀。头盔只标“头盔外轮廓”不要标头盔下面的脸。如果两个人挤在一起允许框与框之间有少量重叠但要保证每个目标都有独立框。模糊目标如果确信是头盔或头部也要标出来这类样本对提升模型泛化能力很重要。2.2 从VOC XML转YOLO的完整脚本YOLO标签格式很简单每一行是class_id x_center y_center width height坐标都归一化到0到1之间。VOC XML里存的是绝对坐标和图片宽高所以转换核心就是做一次除法。下面这段脚本我每次整理新数据都会用它会把XML里的object节点读取出来跳过difficult1的样本最后生成对应的txt文件。import os import xml.etree.ElementTree as ET from pathlib import Path def voc_to_yolo(xml_path, output_dir, class_names): tree ET.parse(xml_path) root tree.getroot() img_w int(root.find(size/width).text) img_h int(root.find(size/height).text) image_name Path(xml_path).stem out_txt Path(output_dir) / f{image_name}.txt lines [] for obj in root.iter(object): # 跳过困难样本 difficult obj.find(difficult) if difficult is not None and int(difficult.text) 1: continue class_name obj.find(name).text if class_name not in class_names: continue class_id class_names.index(class_name) 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) # 防止边缘越界 xmin max(0, min(xmin, img_w)) xmax max(0, min(xmax, img_w)) ymin max(0, min(ymin, img_h)) ymax max(0, min(ymax, img_h)) # 计算YOLO需要的归一化中心坐标和宽高 x_center (xmin xmax) / 2 / img_w y_center (ymin ymax) / 2 / img_h width (xmax - xmin) / img_w height (ymax - ymin) / img_h lines.append(f{class_id} {x_center:.6f} {y_center:.6f} {width:.6f} {height:.6f}) with open(out_txt, w) as f: f.write(\n.join(lines)) return len(lines) # 使用示例 classes [helmet, head] xml_root path/to/xmls txt_root path/to/labels for xml_file in Path(xml_root).glob(*.xml): voc_to_yolo(str(xml_file), txt_root, classes)这里有个容易被忽略的细节XML里的坐标有时候会超出一张图的边界尤其是标注工具手动微调时很容易拖出去一点。如果不加clip处理生成的归一化坐标会出现负数或者大于1YOLO训练时虽然不一定会报错但损失函数会计算到无效区域导致mAP曲线抖动。我一开始没做这步前几十个epoch看着loss正常下降但val mAP永远卡在0.5上下排查了很久才发现是有些txt里出现了x_center1.02这种脏数据。2.3 数据集划分与目录结构数据划分是训练前最考验经验的一步。很多人图省事直接np.random.shuffle打乱但智慧交通数据通常是连续视频抽帧相邻帧高度相似如果随机划分训练集和验证集会混入同一段画面的不同帧验证集指标会虚高部署到新路口时就露馅。我建议按视频片段或者拍摄时间做分组划分。比如从同一段10分钟监控里抽出的100帧应该全部进同一个集合而不是20帧进验证、80帧进训练。这样验证集的场景完全没在训练时见过评估结果才真实。划分比例我常用train:val:test 8:1:1其中test是最后部署前用来做终极评估的平时训练调参只看val。目录结构固定成这样dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── data.yamldata.yaml里的内容很简单train: dataset/images/train val: dataset/images/val test: dataset/images/test nc: 2 names: [helmet, head]注意path字段如果是相对路径要在启动训练的终端目录下执行命令否则YOLOv8会找不到图片。我习惯全部用绝对路径或者统一前缀避免在不同机器上复现时还要改动。3. 基于YOLO系列模型的训练与调参记录3.1 YOLOv5还是YOLOv8怎么选这次训练我重点对比了YOLOv5s和YOLOv8s。直观感受YOLOv8默认带Anchor-Free检测头和更强的数据增强小目标检测能力比v5有明显提升尤其是在密集骑行的场景里两个紧挨着的头部不容易被合成一个框。但如果你的部署端是非常老的GPU或者只能用OpenVINO、TensorRT核验过的v5工程代码那YOLOv5也完全够用毕竟头盔检测不是超高难度的任务收敛速度也快。我自己最终选的是YOLOv8s理由有三数据集尺寸8300张不算大s模型参数量中等在单张2080Ti上训练大约3小时能跑完100轮。官方预训练权重在COCO上学到的通用特征对头盔这类明显刚性目标很有帮助。Anchor-Free设计省去了调anchor尺寸的麻烦头盔和头部的宽高比集中在0.8~1.3之间不需要像检测车牌那样专门处理细长目标。如果你更在意极端小目标可以试YOLOv8m或者YOLOv8l但监控画面里的头部最小也有二三十像素s模型在640分辨率下已经够用。为了更稳妥我还在图像金字塔层面做了一点手脚随机把部分图的短边缩放到480和800两种尺寸交替训练相当于变向增强尺度泛化。3.2 训练参数配置与损失函数关注点下面是一套我实测下来表现稳定的训练参数直接写在YOLOv8命令行里就行yolo train \ modelyolov8s.pt \ datadataset/data.yaml \ imgsz640 \ batch16 \ epochs120 \ lr00.01 \ lrf0.001 \ optimizerSGD \ augmentTrue \ patience20 \ workers4 \ valTrue \ projectresults \ namehead_helmet_exp很多新手看到这里的第一个问题是为什么不用AdamWYOLOv8官方默认其实可以选AdamW但在目标检测这类任务上SGD配合余弦退火往往能得到更稳的收敛曲线。尤其是数据集只有8300张时AdamW的梯度更新步子容易偏大前期mAP涨得快后期容易在小目标类别上震荡。我对比过两组实验SGD最终val mAP比AdamW高1.2个点左右。loss方面YOLOv8本身由三部分组成分类lossBCE、回归lossCIoU、以及Distribution Focal LossDFL。头盔检测里最值得关注的是回归loss。因为很多错误是“框准了头盔但位置偏移”CIoU会同时惩罚中心点距离和宽高比匹配比普通IoU loss更严格。如果训练时发现预测框整体偏大可以在ultralytics的配置里适当增大回归损失的系数或者调整DFL的矩阵长度。类别不平衡问题我通过给head类加权重解决。具体做法是在loss函数里传入类别权重对head类的分类损失乘一个1.2的系数。这个数值不能太大否则模型会过度倾向输出head类把一些戴头盔的人误判成未佩戴。3.3 数据增强策略与小目标提升YOLO内置的增强已经很强但对头盔检测这种场景我还额外开了几个不太常用的开关MixUp把两张训练图按一定比例混合模型被迫学习更鲁棒的特征。在密集人群图上效果特别明显不太容易出现漏检。Copy-Paste把头部的局部样本随机复制到背景图上等于无中生有地增加了小目标数量。我用它专门弥补夜间样本不足的问题。HSV增强头盔颜色跨度很大红白蓝绿都有把饱和度扰动调大一些能避免模型只认某一种颜色。夜间场景是这次训练中最大的难点。一开始我直接把原始夜间图丢进去val的mAP0.5只有0.63。后来加了两个操作一个是图像降噪预处理用轻度去噪把监控视频的压缩噪声压下去另一个是曝光增强把暗部细节拉出来再进模型。这两个操作都不改标签只是在训练前做在线增强批量处理时用OpenCV一行就能搞定。如果你嫌调参麻烦还有一条捷径先用官方COCO预训练的YOLOv8s在数据集上训50轮拿到一个baseline然后冻结backbone只训练head再跑30轮。这种“两段式训练”对付小数据集特别有效能显著减少抖动。4. 部署场景与常见问题排查4.1 智慧交通落地的精度与速度平衡模型训练完后部署是另一道坎。智慧交通项目通常有两种部署形态一种是云侧/服务器侧用Jetson或GPU服务器跑推理另一种是边缘侧摄像头算力非常有限。我这次主要部署在Jetson Orin Nano上需要保证1080p视频流实时处理同时准确率不能掉太多。YOLOv8s在640分辨率下Orin Nano上用TensorRT FP16推理能跑到35ms左右一帧差不多28FPS刚好满足25帧监控流。如果把imgsz降到480可以跑到20ms以内但小目标召回率会掉3~4个百分点。我的做法是白天用480分辨率夜间自动切换成640按时间段动态控制输入尺寸实测在项目里效果很好。如果你要部署在更低功耗的设备上可以考虑用YOLOv8n加知识蒸馏。我试过把s模型当teacher把n模型当student用数据集里的伪标签做蒸馏最终n模型在Orin Nano上能到15ms一帧AP只掉了1.5%。这个收益很香尤其是需要同时跑多路视频流的场景。4.2 典型问题速查表我整理了这次项目里实际遇到过的问题按出现频率排了个序每个问题都附上了最终有效的解决办法。问题现象根本原因解决办法戴头盔的人被误报为head数据里“伪头盔”样本太多模型没学全增加棒球帽、兜帽、遮阳帽等负样本小目标框抖动一会儿有一会儿没目标太小特征不明显提高imgsz到800或使用SAHI切图推理夜间召回率低训练数据中夜间占比不足或曝光太低补充夜间图并做曝光增强两个紧挨着的人只出一个框NMS阈值过高重叠框被合并降低NMS IoU到0.45或改用Soft-NMS训练时loss正常但mAP一直不涨标签坐标越界出现脏数据检查txt里是否有大于1的坐标值部署帧率低输入分辨率太大TensorRT FP16量化按时间段动态切分辨率这里特别说一下SAHI切图推理。监控画面里人往往集中在某个区域如果全图缩放小头部的像素不够。SAHI会把原图切成一格格的小块分别推理再合并结果。我在高分辨率抓拍机上用这个方法头部目标从原来漏检一半变成漏检不到10%。代价是单帧推理时间变成原来的三四倍所以只适合对单张抓拍图做二次分析不适合实时视频流。4.3 数据迭代建议8300张远不是终点模型上线后不要以为就万事大吉了。智慧交通场景的分布变化比想象中快得多夏天电动车骑手戴遮阳帽冬天换棉帽雨天穿雨衣戴雨衣帽这些都会让模型的置信度下降。我的建议是建立闭环数据回流机制在部署系统上把置信度在0.3~0.7之间的难样本自动截图保存每周人工复核一次挑出真正的错误样本进入下一轮微调。微调时不要全部重训直接用原权重继续训练20~30轮学习率设成正常值的五分之一比如lr00.002这样既能适应新数据又不会忘掉旧知识。我在截止到目前的项目里已经迭代了三轮每一轮大概能提升5%左右的召回率。如果你有进一步的需求比如要统计“车上有几个人没戴头盔”也可以考虑给头盔检测再加一个实例分割分支用YOLOv8-seg来输出每个头部的分割掩码。这样即使两个人紧挨着也能按像素区分开比纯目标框更稳。还有结合ByteTrack做多目标跟踪后还可以分析同一骑手是否在行驶过程中摘下头盔这已经是完整的智慧交通业务闭环了。我个人的习惯是每次新增数据后都会重新按视频分组划分训练集和验证集绝不沿用旧划分。因为新增样本里可能包含与旧验证集同场景的抽帧再沿用旧划分会让验证集失真。这个细节容易被忽略但对模型评估的可靠性影响很大。头盔检测这种落地项目慢工出细活数据整理阶段的每一分认真都会在mAP和误检率上直接体现出来。