简介这是一份面向目标检测与深度学习开发者的电梯内人车识别数据集适用于YOLO系列、Faster RCNN、SSD等主流模型训练可用于电梯安全监控、智慧楼宇、无人配送等场景的算法验证。资源共2000个文件其中1999个txt标签文件采用YOLO格式记录目标类别与归一化坐标1个yaml文件指定person、motorcycle、bicycle三个类别及路径配置可直接接入YOLOv5至YOLOv10等算法框架。压缩包整体约193.33MB包含97张真实电梯监控场景图片及对应标注覆盖行人、摩托车、自行车等典型目标数据规模适中适合作为模型训练的起点数据集。已有201人浏览学习说明该资源具备一定参考价值。下载后即可获得已按YOLO与VOC规范整理的标注数据及配套类别配置文件可大幅减少数据预处理时间帮助快速开展模型训练、效果验证与算法调优。1. 电梯内人车识别数据集为什么这个场景值得单独做一套目标检测数据电梯内人车识别数据集听着像是把通用目标检测数据集里的“人”和“车”抽出来重标一遍实际上完全不是。通用数据集里的车是路面上的汽车人是街上走来走去的行人到了电梯里镜头是从墙角往下拍的广角人和电动车、轮椅、推车挤在一起遮挡、反光、形变全占了。拿通用模型直接做电梯目标检测漏检和误检能把梯控联动的逻辑全带偏。这套数据集的真正价值是把电梯这个固定视角下的目标尺度、遮挡模式和光照条件固化下来让模型从第一天起就活在真实场景里。适合做梯控、智慧社区、楼宇安防的工程师以及想用现成数据快速验证目标检测方案的开发者。2. 先看懂数据集标注格式、类别分布和场景覆盖拿到一套电梯内人车识别数据集第一件事不是急着训练而是把它当成待清洗的样本池来审。目标检测数据集的质量直接决定模型上限电梯这种小场景尤其敏感。我一般会分三步走先看标注格式再看类别和场景分布最后抽样检查边界框。2.1 电梯场景的数据特性遮挡、形变和光照电梯内人车识别的难点不在类别多而在同一个类别内部形态差异极大。人可能是站着的、蹲下扶电动车的、背对镜头的车这里泛指能进电梯的代步工具可能是电动车、自行车、轮椅、手推车甚至施工用的平板车。同一个“车”类别在标注规范不统一的数据集里经常被标成不同名字或者把车上的杂物也算进框里。所以使用任何数据集前先要搞清楚它的类别定义vehicle包含哪几种bounding box是标完整车还是标可见部分。这个决定直接决定后面能否迁移到你的业务场景。另一个特性是视角固定。电梯监控通常是顶角广角人车目标多数以俯视或斜俯视出现而且相互遮挡频繁。比如人站在电动车后面人和车的前半部分重叠如果标注框只框可见部分训练时模型学到的是“半个人”推理时遇到完整的人反而犹豫。因此标注边界框是基于可见部分还是推测的完整轮廓这是你拿到数据后必须确认的第一个细节。光照方面电梯内是强光、反光、暗光交替。不锈钢镜面反光会把倒影也照出来夜间红外模式下图像是灰度偏绿的。一套好的数据集应该覆盖这些情况但很多电梯数据集白天帧占大头。评估时要统计不同亮度、色温下的样本占比如果全是白天后续训练就要靠增强补偿不然模型到了地下室或夜间楼层直接翻车。2.2 标注格式与目录结构从XML/JSON到YOLO的转换脚本最常见的电梯人车识别数据集标注格式是VOC XML或COCO JSON少数直接给YOLO txt。我建议先用脚本把所有标注统一成YOLO格式因为后续训练和迁移最省事。下面这个脚本把VOC XML转换成YOLO txt只保留person和vehicle两个大类并读取图片尺寸做归一化import xml.etree.ElementTree as ET from pathlib import Path classes {person: 0, vehicle: 1} # 按数据集实际类别映射调整 def convert_voc_annotation(xml_file, out_dir): tree ET.parse(xml_file) root tree.getroot() img_w int(root.find(size/width).text) img_h int(root.find(size/height).text) txt_name Path(xml_file).stem .txt with open(Path(out_dir) / txt_name, w) as f: for obj in root.findall(object): cls_name obj.find(name).text if cls_name not in classes: continue box obj.find(bndbox) x1 int(box.find(xmin).text) y1 int(box.find(ymin).text) x2 int(box.find(xmax).text) y2 int(box.find(ymax).text) # 转为YOLO中心点坐标并归一化 cx ((x1 x2) / 2) / img_w cy ((y1 y2) / 2) / img_h w (x2 - x1) / img_w h (y2 - y1) / img_h f.write(f{classes[cls_name]} {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}\n) # 用法示例 convert_voc_annotation(annotations/电梯_001.xml, labels)逻辑是遍历每个object读取类别名和bndbox坐标除以图片宽高得到归一化中心点与宽高。两个关键参数一是类别映射表必须和数据集的标注名完全一致常见坑是数据集里把电动车写成“ebike”脚本只认vehicle导致大量框被静默丢弃二是如果原图带旋转框或四边形标注这个脚本不适用需要先转外接正框。跑完后每张图生成同名txt和图片放同一目录。然后写个统计脚本数一下每个类别的框数量、平均框面积和宽高比心里就有底了。2.3 检查数据集质量的三个维度类别平衡、边界框完整性和重复帧第一是类别平衡。电梯内人车识别数据集里人往往占压倒性多数vehicle类可能只有人的十分之一。直接训练模型会把注意力全放在人上车经常漏检。这不只是数据集的问题而是真实场景里车进电梯本来就是低频事件。处理方法不是简单复制而是要调整类别权重或做增强后面章节会细说。第二是边界框完整性。用LabelImg或X-AnyLabeling打开样本看框是不是把目标完整包住。有些标注员只框车把手没框车身模型就会把“车把手”当特征。遇到这种框用脚本删掉或人工改别指望训练自动修正。另一个容易出问题的点是漏标广角下同一帧可能有三个人一辆车标注员往往只标了最显眼的。一个廉价但有效的检查方法拿一个室内场景预训练YOLO模型比如COCO预训练权重在全部图上跑推理把置信度高于0.5但不在任何标注框附近的候选目标抽出来。这个列表不一定都是漏标但值得扫一遍尤其是有车出现在图边缘的情况。第三是重复帧。监控视频抽帧生成的数据集常有连续几十帧几乎一模一样的图这些训练样本除了增加过拟合风险几乎没有信息量。用一个感知哈希去重脚本把相似度超过0.95的帧剔除再按时间间隔重新采样。很多“数据集跑出来指标虚高到了现场不行”就是重复帧造成的信息冗余。处理干净后再做数据划分划分要按视频ID而不是按帧随机切否则前后帧会在train和val之间泄漏指标虚高更严重。3. 用该数据集跑通YOLOv8训练最小可复现流程数据集审完就进入最直接的环节跑通训练。我习惯用YOLOv8因为它对这类中等规模数据集最友好训练命令简单断点续训和导出都顺手。如果你拿到的是VOC或COCO格式先按第2章转换再往下走。3.1 数据划分与YOLO目录组织YOLO系列希望数据目录长成下面这样dataset/ images/train/ images/val/ labels/train/ labels/val/划分时必须按视频片段维度做。同一个视频里前5秒和后5秒的帧相似度极高如果随机打散train和val之间会互相泄漏验证mAP就没有参考意义。我在处理电梯抽帧数据时先按文件名里的视频ID归组再把视频ID按8:2划分脚本如下import os import random import shutil from pathlib import Path src_images Path(images) src_labels Path(labels) # 假设文件名格式为 lift01_00012.jpg取下划线前作为视频ID video_groups {} for img_path in src_images.glob(*.jpg): video_id img_path.stem.split(_)[0] video_groups.setdefault(video_id, []).append(img_path) video_ids list(video_groups.keys()) random.seed(42) random.shuffle(video_ids) split_point int(len(video_ids) * 0.8) for split, ids in [ (train, video_ids[:split_point]), (val, video_ids[split_point:]), ]: os.makedirs(fimages/{split}, exist_okTrue) os.makedirs(flabels/{split}, exist_okTrue) for vid in ids: for img_path in video_groups[vid]: label_path src_labels / (img_path.stem .txt) shutil.move(str(img_path), fimages/{split}/) shutil.move(str(label_path), flabels/{split}/)这里的核心是按视频ID而不是按单帧划分。随机数种子固定为42保证每次跑完结果可复现。如果你的文件名不带视频ID必须先根据时间戳或图像相似度聚成伪视频组不能直接shuffle。划分完再统计一下train和val里每个类别的框数量确保稀有类在验证集里至少有几个样本。如果某个类在val里一个都没有那验证mAP没有意义得手动调整split_point或干脆把稀有类视频单独划一个val。3.2 编写data.yaml并调整模型参数YOLOv8通过data.yaml把数据集和训练配置连接起来。对电梯人车识别我一般这样写# data.yaml path: /absolute/path/to/dataset # 建议写绝对路径 train: images/train val: images/val names: 0: person 1: vehiclepath字段建议写绝对路径避免不同工作目录下解析出错。names的索引必须和标注txt里的类别id一致如果转换脚本里person0、vehicle1这里就不能写成1: person。第一轮训练不要做任何花哨操作直接用默认配置跑一个baseline。训练命令yolo detect train datadata.yaml \ modelyolov8n.pt \ imgsz640 \ epochs100 \ batch16 \ device0 \ projectele_ev \ namebaseline选择yolov8n而不是s/m/l是因为电梯场景目标数量少、类别少小模型往往足够迭代快。如果算力充足可以换yolov8s。epochs设100但YOLOv8默认有早停实际上大部分电梯数据集在40到60轮已经收敛。batch16是8GB显存下的保守值如果显存不够就降batch尽量不要降imgsz否则小目标会更难学。3.3 训练与验证先看baseline再谈调优训练结束后用验证集跑一次指标yolo detect val modelele_ev/baseline/weights/best.pt \ datadata.yaml \ splitval不要只看mAP0.5这一个数字要同时看mAP0.5:0.95和每个类别的AP。电梯这种小数据集mAP0.5可能到0.95以上但mAP0.5:0.95如果低于0.6说明框的定位精度不够对梯控这种需要精确联动比如车到门口才报警的场景不够用。看训练曲线时重点看train/box_loss和val/cls_loss。如果box_loss持续下降但val/cls_loss上升就是过拟合。这时候不要把锅甩给模型回去查第2章的重复帧和漏标数据集干净度比模型容量更容易成为瓶颈。3.4 首轮训练后做一次错误分析训练完baseline先别急着调参用模型在val集上跑预测把结果画出来人工扫一遍yolo detect predict modelbest.pt sourceval/images saveTrue conf0.25然后把预测图按置信度排序重点看两类错误把背景当成人电梯门开、地砖倒影以及把电动车漏检。这一步花15分钟能直接告诉你下一步该调什么。如果错误全是倒影那就要在数据增强里加入翻转和亮度扰动如果错误全是“人骑在车上”这种高度重叠目标那就要考虑NMS策略或类别合并。这个习惯能帮你躲开90%的“loss曲线玄学”。4. 人车识别调参针对电梯环境的3个必调参数有了baseline之后调参要针对电梯场景的特点来不要照搬通用目标检测套路。这里讲三个我每次做电梯人车识别都会调整的点输入尺寸、类别损失权重、NMS与重叠目标策略。4.1 小物体与遮挡输入尺寸和训练超参电梯内人车目标近大远小广角畸变让同一辆车的框在不同位置宽高比差异极大。640输入通常够用但如果val集里小目标较多可以试试imgsz800小目标召回往往能提升三到五个点代价是训练时间增加约一半。YOLOv8是anchor-free模型不需要手动调锚框但可以加mosaic1.0和mixup0.2让模型在训练时看到更多遮挡叠加的合成样本。超参数不需要命令行硬塞我一般单独写一个hyp文件# hyp_ele.yaml lr0: 0.01 mosaic: 1.0 mixup: 0.2 cls: 0.7 box: 7.5训练时加hyphyp_ele.yaml。这里cls: 0.7相比默认0.5略高是让模型更重视类别分类对低频的vehicle类友好box: 7.5控制边界框损失权重如果mAP0.5够了但mAP0.5:0.95不够可以适当调到8.0。注意这些值不要一次改太多一次动一个否则没法归因。4.2 类别不均衡采样策略与离线增强电梯数据集里person和vehicle的比例可能到10:1甚至更夸张。YOLOv8没有暴露直接的类别权重参数但有两招很实用。第一招是调整copy_paste。在hyp文件里把copy_paste从0.0改成0.3训练时会随机把一张图里的目标“粘贴”到另一张图等效增加vehicle样本出现频率。第二招是离线做车辆类过采样只对vehicle样本做随机HSV扰动、旋转、缩放生成副本加进训练集但注意副本不要直接复制原帧否则会加深过拟合。另一个思路是训练后处理如果业务只关心“电梯里有没有违规车”没必要强求模型把所有车完全分开。把person和vehicle框的IOU大于0.5的预测合并成“人车重叠事件”也能达到梯控触发目的这种取舍在安防场景很常见。4.3 NMS与拥挤框多人多车怎么后处理电梯内经常出现两个人和一辆车挤在一帧里检测框之间的IOU非常高。默认NMS阈值0.5可能把挨得近的两个人合并成一个框或者把人和车压掉一个。预测时可以用更低阈值yolo detect predict modelbest.pt sourceval/images iou0.4 conf0.25iou0.4让NMS更激进宁愿多保留重叠框也不合并。这个值对拥挤场景有效但也会带来少量重复检测需要结合实际报警策略权衡。如果发现“人推自行车”这种长期重叠的情况与其调NMS不如把训练数据里类似样本刻意多放一些让模型学习到重叠部分属于哪个目标。下面是我用过的参数组合供参考参数baseline电梯场景推荐作用imgsz640640或800提升小目标召回cls0.50.7缓解类别不均衡copy_paste0.00.3增加重叠样本mixup0.00.2抗遮挡过拟合iou0.50.4避免拥挤框合并每次只改一个参数跑完val对比再改下一个。别同时动三个不然模型翻车了都不知道是哪一项引起的。5. 电梯人车数据集训练避坑5个常见翻车点与排查训练和调参过程中有几类问题我反复遇到过每次都能从数据或配置里找到原因。这里写出来是希望你能少走几趟弯路。5.1 现象loss一直下降但mAP上不去原因标签里有大量漏标或错标尤其是车窗、倒影被标成人模型学了一堆矛盾特征。loss下降不代表模型学对了它只是在拟合噪声。解决回第2章做漏标排查把预训练模型的预测结果和标注框比对抽200张图人工复核。通常能把标签的问题解决掉mAP就开始跟着loss走了。5.2 现象电梯门开启瞬间大量误检原因数据集里几乎没有“空电梯门打开后外部走廊出现”的帧模型没见过门缝里突然出现的人影于是把门框、楼道尽头的杂物当成人。解决补充电梯门开启瞬间的负样本即没有目标的帧。在训练集里加入纯背景帧标签为空txt。让模型学会“没人就是没人”这是抑制误检最直接的手段。5.3 现象地砖反光倒影被识别成人原因标注时把倒影也框成了person或者训练时有倒影的样本太少模型把倒影形状当成了人形特征。解决先检查标注把倒影框全部删掉。然后在增强里加大hsv_h和hsv_s的随机范围让模型对人形颜色不那么敏感。如果现场还是误检就在后处理加一条规则检测框底部与镜面区域重叠超过70%就过滤掉但注意不要把真实站立的人过滤了。5.4 现象夜间红外图整体偏色模型检测率暴跌原因白天训练样本太多模型隐式学到了白平衡和亮度的特征。夜间红外图是灰度偏绿模型没见过。解决训练时加hsv_v随机变暗以及灰度化增强。更彻底的做法是找一批真实夜间红外样本哪怕只有几十张用复制粘贴增强扩到训练集里。不要指望单独用CUT或风格迁移成本高收益低。5.5 现象训练时batch size稍微调大就显存溢出原因电梯数据集图片分辨率高imgsz640时一张图占显存可能超过1GBbatch16在8GB显卡上已经接近极限。解决优先降batch到8显存仍不足就把workers调低或把cache关掉。不要同时降imgsz因为imgsz对小目标影响太大。实在不行用梯度累积YOLOv8里通过batch配合accumulate参数等效放大batch。6. 从数据集到落地的最后一公里扩充、导出与验收习惯baseline跑通、参数调完整个流程才走了一半。真正让电梯人车识别数据集发挥价值的是把模型用起来并让它适应现场数据。这里说一个我常用的验证习惯拿一段连续30分钟的电梯监控视频不做任何剪辑原速跑推理统计每帧的检测结果关注误报率和漏报率而不是只看mAP。mAP衡量的是离线指标连续视频才能暴露出帧间抖动、门开误检、灯光切换带来的现实问题。如果现场误报多先用第5章的负样本思路补数据再考虑剪枝或量化。导出到嵌入式设备前我会把FP32模型和INT8模型在同样30段视频上跑一遍对比每段的误报数。INT8掉点一般在1到2个mAP以内如果掉得厉害就启用混合量化只量化卷积层。最后把模型导出为ONNX或Engine格式用推理引擎跑一遍确保后处理里的iou和conf参数和训练时一致。这个东西做久了我最大的教训是数据集干净、划分科学、验证视频真实比任何花哨的网络结构都重要。每次现场翻车八成原因是训练数据没覆盖到某个角落的光照或遮挡模式。所以现在每拿到一套电梯内人车识别数据集我都会先花两天时间清洗和补样本而不是急着训练。这套流程走顺了后面调参基本是水到渠成。希望帮到你。本文还有配套的精品资源点击获取 电梯内人车识别数据集实战：基于YOLOv8的训练与调参指南
简介这是一份面向目标检测与深度学习开发者的电梯内人车识别数据集适用于YOLO系列、Faster RCNN、SSD等主流模型训练可用于电梯安全监控、智慧楼宇、无人配送等场景的算法验证。资源共2000个文件其中1999个txt标签文件采用YOLO格式记录目标类别与归一化坐标1个yaml文件指定person、motorcycle、bicycle三个类别及路径配置可直接接入YOLOv5至YOLOv10等算法框架。压缩包整体约193.33MB包含97张真实电梯监控场景图片及对应标注覆盖行人、摩托车、自行车等典型目标数据规模适中适合作为模型训练的起点数据集。已有201人浏览学习说明该资源具备一定参考价值。下载后即可获得已按YOLO与VOC规范整理的标注数据及配套类别配置文件可大幅减少数据预处理时间帮助快速开展模型训练、效果验证与算法调优。1. 电梯内人车识别数据集为什么这个场景值得单独做一套目标检测数据电梯内人车识别数据集听着像是把通用目标检测数据集里的“人”和“车”抽出来重标一遍实际上完全不是。通用数据集里的车是路面上的汽车人是街上走来走去的行人到了电梯里镜头是从墙角往下拍的广角人和电动车、轮椅、推车挤在一起遮挡、反光、形变全占了。拿通用模型直接做电梯目标检测漏检和误检能把梯控联动的逻辑全带偏。这套数据集的真正价值是把电梯这个固定视角下的目标尺度、遮挡模式和光照条件固化下来让模型从第一天起就活在真实场景里。适合做梯控、智慧社区、楼宇安防的工程师以及想用现成数据快速验证目标检测方案的开发者。2. 先看懂数据集标注格式、类别分布和场景覆盖拿到一套电梯内人车识别数据集第一件事不是急着训练而是把它当成待清洗的样本池来审。目标检测数据集的质量直接决定模型上限电梯这种小场景尤其敏感。我一般会分三步走先看标注格式再看类别和场景分布最后抽样检查边界框。2.1 电梯场景的数据特性遮挡、形变和光照电梯内人车识别的难点不在类别多而在同一个类别内部形态差异极大。人可能是站着的、蹲下扶电动车的、背对镜头的车这里泛指能进电梯的代步工具可能是电动车、自行车、轮椅、手推车甚至施工用的平板车。同一个“车”类别在标注规范不统一的数据集里经常被标成不同名字或者把车上的杂物也算进框里。所以使用任何数据集前先要搞清楚它的类别定义vehicle包含哪几种bounding box是标完整车还是标可见部分。这个决定直接决定后面能否迁移到你的业务场景。另一个特性是视角固定。电梯监控通常是顶角广角人车目标多数以俯视或斜俯视出现而且相互遮挡频繁。比如人站在电动车后面人和车的前半部分重叠如果标注框只框可见部分训练时模型学到的是“半个人”推理时遇到完整的人反而犹豫。因此标注边界框是基于可见部分还是推测的完整轮廓这是你拿到数据后必须确认的第一个细节。光照方面电梯内是强光、反光、暗光交替。不锈钢镜面反光会把倒影也照出来夜间红外模式下图像是灰度偏绿的。一套好的数据集应该覆盖这些情况但很多电梯数据集白天帧占大头。评估时要统计不同亮度、色温下的样本占比如果全是白天后续训练就要靠增强补偿不然模型到了地下室或夜间楼层直接翻车。2.2 标注格式与目录结构从XML/JSON到YOLO的转换脚本最常见的电梯人车识别数据集标注格式是VOC XML或COCO JSON少数直接给YOLO txt。我建议先用脚本把所有标注统一成YOLO格式因为后续训练和迁移最省事。下面这个脚本把VOC XML转换成YOLO txt只保留person和vehicle两个大类并读取图片尺寸做归一化import xml.etree.ElementTree as ET from pathlib import Path classes {person: 0, vehicle: 1} # 按数据集实际类别映射调整 def convert_voc_annotation(xml_file, out_dir): tree ET.parse(xml_file) root tree.getroot() img_w int(root.find(size/width).text) img_h int(root.find(size/height).text) txt_name Path(xml_file).stem .txt with open(Path(out_dir) / txt_name, w) as f: for obj in root.findall(object): cls_name obj.find(name).text if cls_name not in classes: continue box obj.find(bndbox) x1 int(box.find(xmin).text) y1 int(box.find(ymin).text) x2 int(box.find(xmax).text) y2 int(box.find(ymax).text) # 转为YOLO中心点坐标并归一化 cx ((x1 x2) / 2) / img_w cy ((y1 y2) / 2) / img_h w (x2 - x1) / img_w h (y2 - y1) / img_h f.write(f{classes[cls_name]} {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}\n) # 用法示例 convert_voc_annotation(annotations/电梯_001.xml, labels)逻辑是遍历每个object读取类别名和bndbox坐标除以图片宽高得到归一化中心点与宽高。两个关键参数一是类别映射表必须和数据集的标注名完全一致常见坑是数据集里把电动车写成“ebike”脚本只认vehicle导致大量框被静默丢弃二是如果原图带旋转框或四边形标注这个脚本不适用需要先转外接正框。跑完后每张图生成同名txt和图片放同一目录。然后写个统计脚本数一下每个类别的框数量、平均框面积和宽高比心里就有底了。2.3 检查数据集质量的三个维度类别平衡、边界框完整性和重复帧第一是类别平衡。电梯内人车识别数据集里人往往占压倒性多数vehicle类可能只有人的十分之一。直接训练模型会把注意力全放在人上车经常漏检。这不只是数据集的问题而是真实场景里车进电梯本来就是低频事件。处理方法不是简单复制而是要调整类别权重或做增强后面章节会细说。第二是边界框完整性。用LabelImg或X-AnyLabeling打开样本看框是不是把目标完整包住。有些标注员只框车把手没框车身模型就会把“车把手”当特征。遇到这种框用脚本删掉或人工改别指望训练自动修正。另一个容易出问题的点是漏标广角下同一帧可能有三个人一辆车标注员往往只标了最显眼的。一个廉价但有效的检查方法拿一个室内场景预训练YOLO模型比如COCO预训练权重在全部图上跑推理把置信度高于0.5但不在任何标注框附近的候选目标抽出来。这个列表不一定都是漏标但值得扫一遍尤其是有车出现在图边缘的情况。第三是重复帧。监控视频抽帧生成的数据集常有连续几十帧几乎一模一样的图这些训练样本除了增加过拟合风险几乎没有信息量。用一个感知哈希去重脚本把相似度超过0.95的帧剔除再按时间间隔重新采样。很多“数据集跑出来指标虚高到了现场不行”就是重复帧造成的信息冗余。处理干净后再做数据划分划分要按视频ID而不是按帧随机切否则前后帧会在train和val之间泄漏指标虚高更严重。3. 用该数据集跑通YOLOv8训练最小可复现流程数据集审完就进入最直接的环节跑通训练。我习惯用YOLOv8因为它对这类中等规模数据集最友好训练命令简单断点续训和导出都顺手。如果你拿到的是VOC或COCO格式先按第2章转换再往下走。3.1 数据划分与YOLO目录组织YOLO系列希望数据目录长成下面这样dataset/ images/train/ images/val/ labels/train/ labels/val/划分时必须按视频片段维度做。同一个视频里前5秒和后5秒的帧相似度极高如果随机打散train和val之间会互相泄漏验证mAP就没有参考意义。我在处理电梯抽帧数据时先按文件名里的视频ID归组再把视频ID按8:2划分脚本如下import os import random import shutil from pathlib import Path src_images Path(images) src_labels Path(labels) # 假设文件名格式为 lift01_00012.jpg取下划线前作为视频ID video_groups {} for img_path in src_images.glob(*.jpg): video_id img_path.stem.split(_)[0] video_groups.setdefault(video_id, []).append(img_path) video_ids list(video_groups.keys()) random.seed(42) random.shuffle(video_ids) split_point int(len(video_ids) * 0.8) for split, ids in [ (train, video_ids[:split_point]), (val, video_ids[split_point:]), ]: os.makedirs(fimages/{split}, exist_okTrue) os.makedirs(flabels/{split}, exist_okTrue) for vid in ids: for img_path in video_groups[vid]: label_path src_labels / (img_path.stem .txt) shutil.move(str(img_path), fimages/{split}/) shutil.move(str(label_path), flabels/{split}/)这里的核心是按视频ID而不是按单帧划分。随机数种子固定为42保证每次跑完结果可复现。如果你的文件名不带视频ID必须先根据时间戳或图像相似度聚成伪视频组不能直接shuffle。划分完再统计一下train和val里每个类别的框数量确保稀有类在验证集里至少有几个样本。如果某个类在val里一个都没有那验证mAP没有意义得手动调整split_point或干脆把稀有类视频单独划一个val。3.2 编写data.yaml并调整模型参数YOLOv8通过data.yaml把数据集和训练配置连接起来。对电梯人车识别我一般这样写# data.yaml path: /absolute/path/to/dataset # 建议写绝对路径 train: images/train val: images/val names: 0: person 1: vehiclepath字段建议写绝对路径避免不同工作目录下解析出错。names的索引必须和标注txt里的类别id一致如果转换脚本里person0、vehicle1这里就不能写成1: person。第一轮训练不要做任何花哨操作直接用默认配置跑一个baseline。训练命令yolo detect train datadata.yaml \ modelyolov8n.pt \ imgsz640 \ epochs100 \ batch16 \ device0 \ projectele_ev \ namebaseline选择yolov8n而不是s/m/l是因为电梯场景目标数量少、类别少小模型往往足够迭代快。如果算力充足可以换yolov8s。epochs设100但YOLOv8默认有早停实际上大部分电梯数据集在40到60轮已经收敛。batch16是8GB显存下的保守值如果显存不够就降batch尽量不要降imgsz否则小目标会更难学。3.3 训练与验证先看baseline再谈调优训练结束后用验证集跑一次指标yolo detect val modelele_ev/baseline/weights/best.pt \ datadata.yaml \ splitval不要只看mAP0.5这一个数字要同时看mAP0.5:0.95和每个类别的AP。电梯这种小数据集mAP0.5可能到0.95以上但mAP0.5:0.95如果低于0.6说明框的定位精度不够对梯控这种需要精确联动比如车到门口才报警的场景不够用。看训练曲线时重点看train/box_loss和val/cls_loss。如果box_loss持续下降但val/cls_loss上升就是过拟合。这时候不要把锅甩给模型回去查第2章的重复帧和漏标数据集干净度比模型容量更容易成为瓶颈。3.4 首轮训练后做一次错误分析训练完baseline先别急着调参用模型在val集上跑预测把结果画出来人工扫一遍yolo detect predict modelbest.pt sourceval/images saveTrue conf0.25然后把预测图按置信度排序重点看两类错误把背景当成人电梯门开、地砖倒影以及把电动车漏检。这一步花15分钟能直接告诉你下一步该调什么。如果错误全是倒影那就要在数据增强里加入翻转和亮度扰动如果错误全是“人骑在车上”这种高度重叠目标那就要考虑NMS策略或类别合并。这个习惯能帮你躲开90%的“loss曲线玄学”。4. 人车识别调参针对电梯环境的3个必调参数有了baseline之后调参要针对电梯场景的特点来不要照搬通用目标检测套路。这里讲三个我每次做电梯人车识别都会调整的点输入尺寸、类别损失权重、NMS与重叠目标策略。4.1 小物体与遮挡输入尺寸和训练超参电梯内人车目标近大远小广角畸变让同一辆车的框在不同位置宽高比差异极大。640输入通常够用但如果val集里小目标较多可以试试imgsz800小目标召回往往能提升三到五个点代价是训练时间增加约一半。YOLOv8是anchor-free模型不需要手动调锚框但可以加mosaic1.0和mixup0.2让模型在训练时看到更多遮挡叠加的合成样本。超参数不需要命令行硬塞我一般单独写一个hyp文件# hyp_ele.yaml lr0: 0.01 mosaic: 1.0 mixup: 0.2 cls: 0.7 box: 7.5训练时加hyphyp_ele.yaml。这里cls: 0.7相比默认0.5略高是让模型更重视类别分类对低频的vehicle类友好box: 7.5控制边界框损失权重如果mAP0.5够了但mAP0.5:0.95不够可以适当调到8.0。注意这些值不要一次改太多一次动一个否则没法归因。4.2 类别不均衡采样策略与离线增强电梯数据集里person和vehicle的比例可能到10:1甚至更夸张。YOLOv8没有暴露直接的类别权重参数但有两招很实用。第一招是调整copy_paste。在hyp文件里把copy_paste从0.0改成0.3训练时会随机把一张图里的目标“粘贴”到另一张图等效增加vehicle样本出现频率。第二招是离线做车辆类过采样只对vehicle样本做随机HSV扰动、旋转、缩放生成副本加进训练集但注意副本不要直接复制原帧否则会加深过拟合。另一个思路是训练后处理如果业务只关心“电梯里有没有违规车”没必要强求模型把所有车完全分开。把person和vehicle框的IOU大于0.5的预测合并成“人车重叠事件”也能达到梯控触发目的这种取舍在安防场景很常见。4.3 NMS与拥挤框多人多车怎么后处理电梯内经常出现两个人和一辆车挤在一帧里检测框之间的IOU非常高。默认NMS阈值0.5可能把挨得近的两个人合并成一个框或者把人和车压掉一个。预测时可以用更低阈值yolo detect predict modelbest.pt sourceval/images iou0.4 conf0.25iou0.4让NMS更激进宁愿多保留重叠框也不合并。这个值对拥挤场景有效但也会带来少量重复检测需要结合实际报警策略权衡。如果发现“人推自行车”这种长期重叠的情况与其调NMS不如把训练数据里类似样本刻意多放一些让模型学习到重叠部分属于哪个目标。下面是我用过的参数组合供参考参数baseline电梯场景推荐作用imgsz640640或800提升小目标召回cls0.50.7缓解类别不均衡copy_paste0.00.3增加重叠样本mixup0.00.2抗遮挡过拟合iou0.50.4避免拥挤框合并每次只改一个参数跑完val对比再改下一个。别同时动三个不然模型翻车了都不知道是哪一项引起的。5. 电梯人车数据集训练避坑5个常见翻车点与排查训练和调参过程中有几类问题我反复遇到过每次都能从数据或配置里找到原因。这里写出来是希望你能少走几趟弯路。5.1 现象loss一直下降但mAP上不去原因标签里有大量漏标或错标尤其是车窗、倒影被标成人模型学了一堆矛盾特征。loss下降不代表模型学对了它只是在拟合噪声。解决回第2章做漏标排查把预训练模型的预测结果和标注框比对抽200张图人工复核。通常能把标签的问题解决掉mAP就开始跟着loss走了。5.2 现象电梯门开启瞬间大量误检原因数据集里几乎没有“空电梯门打开后外部走廊出现”的帧模型没见过门缝里突然出现的人影于是把门框、楼道尽头的杂物当成人。解决补充电梯门开启瞬间的负样本即没有目标的帧。在训练集里加入纯背景帧标签为空txt。让模型学会“没人就是没人”这是抑制误检最直接的手段。5.3 现象地砖反光倒影被识别成人原因标注时把倒影也框成了person或者训练时有倒影的样本太少模型把倒影形状当成了人形特征。解决先检查标注把倒影框全部删掉。然后在增强里加大hsv_h和hsv_s的随机范围让模型对人形颜色不那么敏感。如果现场还是误检就在后处理加一条规则检测框底部与镜面区域重叠超过70%就过滤掉但注意不要把真实站立的人过滤了。5.4 现象夜间红外图整体偏色模型检测率暴跌原因白天训练样本太多模型隐式学到了白平衡和亮度的特征。夜间红外图是灰度偏绿模型没见过。解决训练时加hsv_v随机变暗以及灰度化增强。更彻底的做法是找一批真实夜间红外样本哪怕只有几十张用复制粘贴增强扩到训练集里。不要指望单独用CUT或风格迁移成本高收益低。5.5 现象训练时batch size稍微调大就显存溢出原因电梯数据集图片分辨率高imgsz640时一张图占显存可能超过1GBbatch16在8GB显卡上已经接近极限。解决优先降batch到8显存仍不足就把workers调低或把cache关掉。不要同时降imgsz因为imgsz对小目标影响太大。实在不行用梯度累积YOLOv8里通过batch配合accumulate参数等效放大batch。6. 从数据集到落地的最后一公里扩充、导出与验收习惯baseline跑通、参数调完整个流程才走了一半。真正让电梯人车识别数据集发挥价值的是把模型用起来并让它适应现场数据。这里说一个我常用的验证习惯拿一段连续30分钟的电梯监控视频不做任何剪辑原速跑推理统计每帧的检测结果关注误报率和漏报率而不是只看mAP。mAP衡量的是离线指标连续视频才能暴露出帧间抖动、门开误检、灯光切换带来的现实问题。如果现场误报多先用第5章的负样本思路补数据再考虑剪枝或量化。导出到嵌入式设备前我会把FP32模型和INT8模型在同样30段视频上跑一遍对比每段的误报数。INT8掉点一般在1到2个mAP以内如果掉得厉害就启用混合量化只量化卷积层。最后把模型导出为ONNX或Engine格式用推理引擎跑一遍确保后处理里的iou和conf参数和训练时一致。这个东西做久了我最大的教训是数据集干净、划分科学、验证视频真实比任何花哨的网络结构都重要。每次现场翻车八成原因是训练数据没覆盖到某个角落的光照或遮挡模式。所以现在每拿到一套电梯内人车识别数据集我都会先花两天时间清洗和补样本而不是急着训练。这套流程走顺了后面调参基本是水到渠成。希望帮到你。本文还有配套的精品资源点击获取