简介行人目标检测数据集YOLOV5目录格式面向目标检测开发者和入门学习者聚焦生活场景中的单一类别person识别可应用于安防监控、智能驾驶、人流量统计等任务尤其适合需要快速搭建行人检测训练集的学生和工程师省去自行采集与标注的繁琐流程。资源包共2000个文件以1999个YOLO格式txt标注文件为核心另含1个Python可视化脚本整体压缩包约523MB。txt文件保存边界框类别与坐标信息按YOLOv5的train/val目录结构划分训练集与验证集并附类别字典文件可直接用于YOLOv5系列框架训练无需额外格式转换。py脚本支持随机传入图片绘制检测框便于直观核查标注质量和调试数据。目前已有356人浏览学习既可作为目标检测项目的数据基础也能用来学习YOLO标注文件的具体规范。1. 行人目标检测数据集为什么要先盯住 YOLOV5 目录格式真实的起步场景往往是这样的你手里有一批行人图片想用 YOLOv5 训练自己的行人检测模型但网上的开源标注五花八门——COCO 给的是 JSONCrowdHuman 是一堆密集框 txtLabelImg 导出又是 XML。所谓“行人目标检测数据集”交付时几乎都收敛成同一种形态YOLOV5 目录格式。它要求 images 与 labels 双目录、同名 txt、归一化坐标再配一份 data.yaml。这篇文章写给被格式转换劝退的人目录格式到底怎么拆、COCO 和 CrowdHuman 怎么转、自建数据从哪里开始以及你一定会撞上的几个坑。看完你能照着把任意行人数据整理成规范目录格式并躲开最常见的翻车点。2. YOLOV5目录格式拆解一张行人照片怎么变成训练样本把散落的行人图片整理成目标检测数据集本质就是让每张图和它的标注在同一个命名规则下对齐。YOLOV5 目录格式的核心假设只有两条图片与标签同名同层级标签用归一化坐标写进 txt。所有转换工作最后都收敛到这两条。2.1 images 与 labels 双目录文件如何一一对应YOLOV5 目录格式最直观的形态是一棵双目录树dataset 下面平级放 images 和 labels各自再按 train/val/test 分子目录。训练脚本靠文件名匹配建立对应关系images/train/street_001.jpg的标签一定在labels/train/street_001.txt。这个“一定”意味着拷贝图片时顺手改了文件名而标签没有同步改那一张图就等于没有监督信号训练时会被静默跳过。dataset ├── images │ ├── train │ │ └── street_001.jpg │ ├── val │ │ └── street_002.jpg │ └── test │ └── street_003.jpg └── labels ├── train │ └── street_001.txt ├── val │ └── street_002.txt └── test └── street_003.jpg上面我故意留了一个错误labels/test/street_003.jpg应该是street_003.txt。标签文件必须是 txt哪怕原图是大写.JPG或带空格的命名标签后缀也固定为.txt文件名主体与图片完全一致。常见翻车现场是同一份数据里出现Image_001.JPG、Image_001.jpg、Image_001.txt三套命名最后大量图片没有标签可用。labels/train/street_001.txt的内容长这样一行一个目标0 0.486328 0.415740 0.089844 0.583333这一行的参数含义要先说死第一个数字是类别 id行人单类场景固定为 0如果数据集里除了行人还想分骑手、背包客那就按 0、1、2 依次排。后面四个分别是归一化中心点 x、中心点 y、归一化宽度、归一化高度全部是 0 到 1 的小数。训练脚本用这五个数在图片上恢复检测框所以一旦坐标不是归一化值轻则框画到画外重则训练直接崩。2.2 归一化坐标为什么是行人检测的生命线行人图片尺寸极不统一监控截图常常是 1920×1080手机随手拍又是 4032×3024。像素坐标在不同分辨率下无法混合训练而归一化坐标把框的位置和大小折算成相对值让跨分辨率训练成为可能。这也是为什么写转换脚本时必须先拿到图片真实宽高再去做除法不能在某个固定分辨率下硬套。下面这段脚本用来复查已有标注是否规范做法是把归一化坐标还原成像素框并画出来。这一步很值得做因为训练前先肉眼确认标注质量比训练完再回头查 loss 快得多。import cv2 img_path dataset/images/train/street_001.jpg label_path dataset/labels/train/street_001.txt img cv2.imread(img_path) h, w img.shape[:2] with open(label_path) as f: for line in f: cls, cx, cy, bw, bh map(float, line.split()) if not (0 cls 1): print(class id 越界:, cls) x1 int((cx - bw / 2) * w) y1 int((cy - bh / 2) * h) x2 int((cx bw / 2) * w) y2 int((cy bh / 2) * h) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.imwrite(check.jpg, img)这段脚本逻辑很简单读取图片尺寸把归一化中心点和宽高换算回像素坐标再用 OpenCV 画矩形框。复查时重点关注两件事框有没有包住行人主体框是否超出图片边界。注意w和h必须来自当前图片的 shape不能用一个固定尺寸。常见错误是先把图片 resize 到统一大小再做除法实际上 YOLOv5 训练时会自己把输入缩放到img参数指定尺寸标签始终按原图归一化值参与运算转换端只要保证归一化正确即可。有人会问坐标写成0.486328这种 6 位小数够不够用够用。YOLOv5 在数据增强阶段会对坐标做随机缩放和旋转归一化坐标跟着图片变换走精度保留到 1e-6 已经远高于像素级需求。2.3 目录结构决定后续train/val/test 怎么摆目录格式的第三个隐藏点在于划分。YOLOv5 默认把 train 和 val 的路径写在 data.yaml 里路径本身不是写死的但目录结构直接决定 data.yaml 怎么写。常见两种摆法一种把 dataset 作为独立根目录data.yaml 里写train: dataset/images/train另一种直接在 yolov5 工程目录下建 images 与 labelsdata.yaml 里写train: images/train。两者都能跑差别在于相对路径的基准——YOLOv5 以运行 train.py 的当前目录为基准而不是以 data.yaml 所在位置为基准。我一般把数据集放在 yolov5 工程外data.yaml 里用相对路径指向并固定用同一套 train/val/test 划分。不要每次训练前临时跑一个切分脚本那是给自己埋雷今天随机切分、明天又随机切分验证集和训练集之间可能混入同一段视频的相邻帧指标虚高不说模型换场景就漏检。提示目录格式的价值就是让划分结果可见、可版本管理。train/val/test 体现在目录上而不是写在某个没人维护的切分代码里才算一份能交付的数据集。3. 从 COCO/CrowdHuman 转出行人数据转换脚本与三个边界坑大多数人不缺标注数据缺的是把公开数据转成 YOLOV5 目录格式的方法。目标检测论文里公认的行人数据源就那几个本节讲怎么把它们变成能直接训练的目录格式以及转换时最容易被忽略的三个边界问题。3.1 值得转的三个开源来源COCO 行人子集、CrowdHuman、BDD100KCOCO2017 是绕不开的起点。它提供 person 类别JSON 结构完整图片质量高适合做行人检测的底座数据。CrowdHuman 是专门为密集行人设计的一张图里几十上百人带 head 和 visible 两种框对遮挡和密集场景特别有价值但标注格式是 LTRB 而不是 COCO 式 bbox。BDD100K 是自动驾驶场景行人、骑手分开标视角贴近车载摄像头缺点是类别定义和 COCO 不是一套转换时要自己维护映射表。这三个来源的选型逻辑很简单COCO 打底保证泛化CrowdHuman 补密集遮挡BDD100K 补开车视角。如果只做监控场景COCO 加一部分 CrowdHuman 就够如果做道路场景再加 BDD100K。目标检测论文里的 SOTA 结论大多建立在这类公开数据上但你要训练自己的落地方案必须先把它们转成同一套目录格式。3.2 把 COCO JSON 转成 YOLOV5 目录格式转换代码COCO 的标注文件是instances_val2017.json这种结构里面images数组记录图片 id、文件名、宽高annotations数组记录每个目标的 category_id 和 bbox。下面这段脚本只提取 person 类并转成 YOLOV5 目录格式import json import shutil from pathlib import Path img_dir Path(val2017) ann_file instances_val2017.json out_img Path(dataset/images/train) out_lbl Path(dataset/labels/train) PERSON_ID 1 # COCO 中 person 的 category_id 固定为 1 out_img.mkdir(parentsTrue, exist_okTrue) out_lbl.mkdir(parentsTrue, exist_okTrue) coco json.load(open(ann_file)) img_id2name {im[id]: im[file_name] for im in coco[images]} img_id2wh {im[id]: (im[width], im[height]) for im in coco[images]} anns_by_img {} for ann in coco[annotations]: if ann[category_id] ! PERSON_ID: continue x, y, w, h ann[bbox] if w 0 or h 0: continue anns_by_img.setdefault(ann[image_id], []).append((x, y, w, h)) for img_id, boxes in anns_by_img.items(): if not boxes: continue src img_dir / img_id2name[img_id] if not src.exists(): continue shutil.copy(src, out_img / img_id2name[img_id]) label_name Path(img_id2name[img_id]).stem .txt W, H img_id2wh[img_id] with open(out_lbl / label_name, w) as f: for x, y, w, h in boxes: cx (x w / 2) / W cy (y h / 2) / H bw w / W bh h / H f.write(f0 {cx:.6f} {cy:.6f} {bw:.6f} {bh:.6f}\n)几个参数说明。PERSON_ID 1是 COCO 的固定值不是随便选的如果你要连骑手一起转就得自己建一个 category_id 到新类别的映射表而不是沿用原 id。COCO 的 bbox 格式是[x, y, w, h]x 和 y 是左上角坐标所以中心点要加上 w/2 和 h/2。输出时统一写成0开头因为这里只保留行人一类。txt 文件名用Path(img_id2name[img_id]).stem .txt生成避免手工拼字符串时踩大小写坑。3.3 转换边界类别标签、黑边坐标、无效框过滤转换脚本能跑通不算完真正决定数据集质量的是三个边界处理。第一个是类别标签重新编号。如果最后只留 person 一类输出固定写0没问题但如果想要“行人 骑手”两类就得先扫一遍 COCO JSON 里所有出现的 category_id再做映射。最忌讳的是直接拿 COCO 的 category_id 当 YOLO class idCOCO 的 person 是 1、bicycle 是 2但 YOLOv5 要求 class id 从 0 连续编号中间空一个 1 会出现什么后果训练时 nc 和实际类别数对不上loss 直接起飞。第二个是坐标越界。COCO 的部分 bbox 贴边x 可能等于图片宽度减一除以 W 之后加上 w/2 可能得到1.00001。这种越界值 YOLOv5 训练时会当作无效框忽略但严重时会导致一张图一个正样本都没有。处理办法是转换时对 cx、cy 做一次 clamp 到[0, 1]区间同时对宽高小于 1 像素的框直接丢弃。第三个是 CrowdHuman 的重复框。它同一个人有 head 和 visible 两套框常见的错误是把两套都转成独立 person等于给一个行人发了两份标签。我一般只取 visible 框并额外做一次 IoU 去重把重合度超过 0.8 的框保留较大的那个。这属于血泪经验别问是怎么知道的。4. 自建行人数据集的完整流水线采集、标注、切分与 data.yaml 闭环开源数据再全也覆盖不了你本地的真实场景——比如商场闸机视角、学校门口早晚高峰、停车场夜间灯光。这种时候就得自建数据集。本节给出从采集到 data.yaml 的完整流程其中切分脚本是直接能抄的。4.1 采集阶段先想清楚 scale行人检测要覆盖哪几档尺度行人检测最典型的难点是尺度跨度大。一个 1080p 监控画面里远处行人可能只有 40 像素高近处行人占半帧。如果采集时只顾近景模型学不会小目标只拍远景近处细节又欠拟合。采集阶段就要按距离分档近景、中景、远景各占三分之一左右。这背后有明确的量化依据。YOLOv5 在img640输入下高度小于 16 像素的行人几乎不会被任何锚框匹配为正样本等于白标。所以自建数据集时低于 20 像素的“行人”可以直接不标标了反而是噪声。另外要注意的是相机高度同一批数据如果机位差异太大无人机俯拍加行人手机平拍模型会试图同时拟合两种视角分布收敛变慢。我一般建议一个项目主体上用同一种机位再少量掺入其他视角做增强。4.2 标注约定person 的框到底画到哪标注行人框最容易吵的一处是遮挡。一个人被汽车挡住一半到底框全身还是只框可见部分我的约定是只框可见部分。顶部取可见头部最高点底部取可见身体最低点左右取可见边界。这样训练出来的模型学的是“我能看到的部分”而不是去脑补被遮挡的腿。标注工具用 LabelImg 或 labelme 都行。LabelImg 选择 YOLO 格式导出时会自动生成一个按类别顺序排列的classes.txt这一点很方便但如果你手工写标签就必须保证类别顺序与 classes.txt 一致否则同样一张标注可能对应完全不同的语义。自建数据时别贪类别多先只标 person 一类跑通后续再扩骑手、推车之类。4.3 切分脚本用随机种子保证验证集不泄漏切分是整个自建流程里最值得写脚本的一步。常见的错误是用random.shuffle逐张打乱然后切分但这种做法会把同一段视频的相邻帧同时分到 train 和 val——训练集见过“前一帧”验证集里是“后一帧”指标虚高换场景就露馅。import random import shutil from pathlib import Path random.seed(42) # 固定种子保证复现 # 假设原始图片按场景目录组织: raw/场景A/xxx.jpg all_imgs sorted(Path(raw).glob(*/*.jpg)) random.shuffle(all_imgs) n_val int(len(all_imgs) * 0.15) val_files all_imgs[:n_val] train_files all_imgs[n_val:] for split, files in [(val, val_files), (train, train_files)]: out_img Path(fdataset/images/{split}) out_lbl Path(fdataset/labels/{split}) out_img.mkdir(parentsTrue, exist_okTrue) out_lbl.mkdir(parentsTrue, exist_okTrue) for img in files: # 同场景图片的标签按约定放在 raw/场景A/xxx.txt lbl img.with_suffix(.txt) if not lbl.exists(): continue shutil.copy(img, out_img / img.name) shutil.copy(lbl, out_lbl / lbl.name)这个脚本有两个关键参数。random.seed(42)固定种子让切分可复现不会今天跑出一个版本、明天跑出另一个版本。Path.glob(*/*.jpg)限定原始数据按“场景目录/图片”组织切分时以单张图为单位但保留场景目录的语义你可以在切分前先按场景目录分组再随机效果更稳。脚本里img.with_suffix(.txt)是查找同名标签的最稳妥方式比字符串拼接更不容易踩大小写坑。4.4 写 data.yaml 与 class_names和目录格式闭环最后一步是写data.yaml让 YOLOV5 能找到数据。目录格式到这里才真正闭环目录结构、类别定义、训练路径全部对齐。# dataset/data.yaml train: dataset/images/train val: dataset/images/val nc: 1 names: - personnc是类别总数names是类别名列表顺序必须和标签文件里的 class id 一一对应。person排在 names 第一项对应 id 0如果加了骑手放在第二位就是 id 1。路径写相对路径时基准是 train.py 的运行目录所以如果你把 yolov5 工程和 dataset 放在同一级上面写法没问题如果不在要么写绝对路径要么调整相对层级。注意很多人训练时发现“找不到 labels”十有八九是 data.yaml 里的路径写到了 images 目录而 labels 目录不存在于同一层级。YOLOv5 会尝试在图片路径同级或上级找 labels路径错一层的表现是 cache 构建时报大量 missing。5. 行人数据集避坑清单5 个真实翻车现场与排查顺序目录格式看着简单真正跑起来翻车的点一个比一个隐蔽。下面五个问题是我做数据集时最常遇到的按出现频率排序每个都按现象、原因、解决三个层面讲清楚。5.1 现象训练刚起步 loss 直接起飞日志里 class 数量对不上训练脚本读到nc1但标签文件里出现了class id 1模型在类别空间里越界loss 波动剧烈甚至 NaN。原因基本只有一个类别编号映射错了。比如把 COCO 的 category_id 直接当 YOLO class id 写入标签或者多类数据集里漏了一个类没写进 names。解决方法是训练前扫一遍所有标签文件里的最大 class id确保它小于 data.yaml 里的nccat dataset/labels/train/*.txt | awk {print $1} | sort -n | uniq这个命令输出所有标签文件里实际出现的类别号看一眼就知道是不是 0 到 nc-1。如果出现1而你配置的 nc1必然翻车。5.2 现象验证集 mAP 很高部署到新场景全漏检这是最容易误判的一个坑。mAP 0.85 给了你信心结果换个商场、换条街道漏检率直线上升。原因不是模型差而是划分泄漏同一段视频的相邻帧被随机切分进了 train 和 val验证集里全是“看过”的样本。解决方法是按场景或按视频片段分组切分而不是逐张打乱。上一节的切分脚本就是为此设计的。另外验证集里最好刻意留出 10% 的“陌生场景”数据模拟部署时的分布偏移指标才有参考价值。5.3 现象标签坐标出现 1.0001训练时正样本大量减少框贴边时(x w/2) / W可能得到略大于 1 的值。YOLOv5 在构建标签时会过滤越界框过滤多了一张图可能只剩一两个正样本模型学不动。原因是转换脚本做了除法但没做边界截断。解决方法是转换时对五个值统一clamp到合法区间同时对极端小框做过滤cx min(0.999, max(0.001, cx)) cy min(0.999, max(0.001, cy)) bw min(0.999, max(0.001, bw)) bh min(0.999, max(0.001, bh)) if bw 0.003 or bh 0.003: continue这里的0.003是对 640 输入下约 2 像素的过滤阈值你可以按最小目标尺寸调整。写一段这样的小工具脚本全量刷一遍标签目录比训练时看日志猜原因快得多。5.4 现象训练日志大量 warning图片与标签文件名匹配不上YOLOv5 构建 cache 时会报告找不到标签但照样继续跑。你以为是正常提示实际上已经有一半图片变成了无监督样本。原因很常见图片扩展名大小写不统一.JPG与.jpg或者复制文件时改了图片名但没同步标签名再或者标签文件里带了多余的空格和 BOM 头。解决方法是转换完成后来一次硬校验每个 images 下的文件都必须在 labels 对应位置存在同名.txt文件。校验用一条 shell 命令就能排查for img in dataset/images/train/*.jpg; do base${img##*/} lbldataset/labels/train/${base%.*}.txt [ -f $lbl ] || echo missing: $img done有输出就是有问题。这个检查跑一遍花不了几秒值得形成习惯。5.5 现象密集行人场景闸机级漏检NMS 把相邻框一起打压单张图里几十个行人彼此重叠时YOLOv5 默认的 NMS 阈值会认为相邻框是重复检测把其中一些人直接抑制掉。这不是数据集标签错而是密集场景下标签分布与后处理参数不匹配。解决分两步。第一步数据层面保证密集场景的样本量足够并在标注时对完全重叠的两个行人分别画框即使它们 IoU 很高。第二步训练和推理阶段适当调低 NMS 阈值到 0.35 左右让模型保留更多候选框也可以在训练时用 YOLOv5 的默认超参数先跑通再针对密集场景小范围调优。数据集本身的目录格式没有错但标签里每个目标都是独立个体这一点要传导到标注人员那里。6. 先用 200 张图跑通最小闭环目录格式合格与否一晚上见分晓最后一个落地技巧不要一上来转几千张图再训练。正确做法是先拿 200 张图150 train、50 val跑一个最小闭环确认目录格式、标签坐标、训练链路都没问题再大规模扩数据。最小闭环包括三步。第一步用前面的切分脚本从原始行人图片里抽出 200 张生成 train 和 val 两个目录。第二步跑一个短训练看 loss 是否稳定下降cd yolov5 python train.py --data ../dataset/data.yaml --weights yolov5s.pt \ --img 640 --epochs 50 --batch 8第三步训练结束后跑一次验证推理把检出的框画出来和原图标注做视觉对比python detect.py --weights runs/train/exp/weights/best.pt \ --source ../dataset/images/val --save-txt --save-conf这三个命令是 YOLOv5 的标准流程不需要额外代码。关键判断标准有两个loss 在前 20 个 epoch 内持续下降而不是横盘不动detect 输出的框基本贴合行人轮廓没有大量偏移、漏检或重复框。我自己的血泪教训是有一回转完 CrowdHuman 直接全量导入训练跑了一整夜第二天发现因为标签扩展名大小写不一致一半图片的标签根本没被读进去。那以后我固定了这套流程——任何数据集先抽 200 张跑通闭环确认标签路径、坐标范围、类别编号都无异常再谈扩量。目录格式合格的标志从来不是目录树长得好看而是这份 YOLOV5 目录格式能让训练脚本一遍通过、验证结果与标注一致。先小样本验证再扩量能帮你省掉大量返工时间。希望帮到你。本文还有配套的精品资源点击获取