简介这份资源是面向矿业智能化与计算机视觉方向的YOLO格式目标检测数据集聚焦轨道场景下矿车与人员的识别任务适合从事工业安全监测、深度学习目标检测的开发者与研究人员使用。压缩包共2000个文件包含1045张jpg图像、954个txt标注文件及1个yaml配置文件整体约206.69MB标注类别为Normal与With People两类可直接对接YOLO系列训练流程。数据集图像取自真实矿业轨道环境覆盖矿车正常运行与人员干扰两类场景标注框清晰便于模型专注学习矿车与人员两种特定目标。目前已有118人学习下载。借助该数据集读者可快速搭建训练与验证环境完成模型训练、精度评估与场景适配为矿业安全生产中的实时检测方案提供可靠的数据支撑与实验基础。1. 轨道矿车与人员检测近千张 YOLO 标注数据能解决什么井下轨道运输最怕的场景不是设备故障而是矿车运行轨迹上突然出现人。传统做法靠司机目视和调度喊话一旦视线被弯道、粉尘或设备遮挡留给反应的时间往往只有一两秒。这套 MineCarWithPeople 数据集就是冲着这个痛点来的近一千张实拍轨道场景图像按 YOLO 格式标注只分Normal和With People两类专门训练轨道上有没有人这个二分类检测任务。它适合做矿业安全监测的算法工程师、做工业视觉落地的团队以及想拿真实场景练 YOLO 全流程的人。类别少不代表简单恰恰因为只有两类模型能把全部容量压到人和矿车这两个目标上收敛快、误报可控这是它比通用数据集更适合工业现场的地方。2. 数据集结构与 YOLO 标注格式先看懂再动手拿到一个数据集我第一件事不是急着跑训练而是把目录结构和标注文件翻一遍。翻车最多的环节从来不是模型而是数据本身对不上。这套数据按 YOLO 标准组织data.yaml里写死了训练和验证路径类别数nc: 2类别名是Normal和With People。理解这套结构后面换路径、改类别、接自己的训练脚本才不会抓瞎。2.1 目录布局与 data.yaml 字段含义标准 YOLO 数据集长这样训练集和验证集各自带images和labels两个子目录MineCarWithPeople_yolo_data/ ├── data.yaml ├── train/ │ ├── images/ # 训练图像jpg 格式 │ └── labels/ # 对应标注txt 格式与图像同名 └── valid/ ├── images/ # 验证图像 └── labels/ # 对应标注data.yaml的内容就是摘要里给的那几行train: ../train/images val: ../valid/images nc: 2 names: - Normal - With People这里有几个参数必须说清楚。train和val用的是相对路径相对的是data.yaml所在目录所以你把整个文件夹挪位置时只要内部结构不变路径就不用改但如果你把data.yaml单独拎出来放到别处这两个路径立刻失效训练会直接报找不到图像。nc: 2是类别数量它必须和names列表长度严格一致多一个少一个都会在加载标签时报索引越界。names的顺序决定了标签文件里类别 id 的含义id0对应Normalid1对应With People顺序写反了模型学到的就是反的这个坑后面避坑章节还会细说。提示names里带空格的With People在 YAML 里是合法字符串但如果你后续用某些脚本按空格切分类别名会切出两个词建议在代码里始终按列表索引取类别不要按名字匹配。2.2 标注文件长什么样一行一个目标YOLO 的标注是纯文本每张图对应一个同名.txt文件里每一行描述一个目标框格式是class_id x_center y_center width height五个字段全部归一化到 0 到 1 之间x_center、y_center是框中心点相对图像宽高的比例width、height是框宽高相对图像宽高的比例。举个例子一张 1920×1080 的图里有个矿车框的像素范围是左上角 (400, 300) 到右下角 (1000, 700)那么框宽 1000 - 400 600归一化 width 600 / 1920 ≈ 0.3125框高 700 - 300 400归一化 height 400 / 1080 ≈ 0.3704中心 x (400 1000) / 2 700归一化 x_center 700 / 1920 ≈ 0.3646中心 y (300 700) / 2 500归一化 y_center 500 / 1080 ≈ 0.4630写进 txt 就是0 0.3646 0.4630 0.3125 0.3704。理解这个换算你才能自己写校验脚本也才能在标注出错时判断到底是框画歪了还是归一化算错了。下面这段脚本我每次拿到新数据集都会先跑一遍检查标签和图像是否一一对应、坐标是否越界import os from pathlib import Path def check_yolo_dataset(root): 检查 YOLO 数据集图像与标签的对应关系及坐标合法性 for split in [train, valid]: img_dir Path(root) / split / images lbl_dir Path(root) / split / labels imgs {p.stem for p in img_dir.glob(*.jpg)} lbls {p.stem for p in lbl_dir.glob(*.txt)} # 图像有但标签缺失或标签有但图像缺失都是问题 missing_lbl imgs - lbls missing_img lbls - imgs print(f[{split}] 图像 {len(imgs)} 张, 标签 {len(lbls)} 个) if missing_lbl: print(f 缺标签: {list(missing_lbl)[:5]}) if missing_img: print(f 缺图像: {list(missing_img)[:5]}) # 逐行校验坐标范围 bad 0 for lbl in lbl_dir.glob(*.txt): for line in lbl.read_text().strip().splitlines(): parts line.split() if len(parts) ! 5: bad 1 continue cls, x, y, w, h parts vals [float(x), float(y), float(w), float(h)] if any(v 0 or v 1 for v in vals): bad 1 print(f 坐标越界或格式错误行数: {bad}) check_yolo_dataset(MineCarWithPeople_yolo_data)这段脚本做了三件事比对图像和标签的文件名集合找出单边缺失的样本逐行读取标签检查字段数是否为 5检查四个坐标值是否落在 0 到 1 之间。任何一项报警都说明数据在进入训练前就需要修别指望模型能容忍脏标签。参数上root指向数据集根目录脚本默认图像后缀是.jpg如果你的数据混了.png把glob(*.jpg)改成同时匹配两种后缀即可。2.3 两类标签的语义边界Normal 到底指什么这套数据只有两类但Normal这个词有歧义。从任务描述看它指的是轨道矿车场景中无人员干扰的正常状态With People是矿车周围出现人员。这里有个容易忽略的点如果一张图里既没有矿车也没有人它算不算Normal按二分类检测的常规做法Normal类通常框的是矿车本体With People框的是人两类目标在空间上可能同时出现。你在训练前最好抽十几张图可视化一下标注框确认每个类的框到底框在什么目标上否则模型学出来的语义和你部署时想要的语义可能对不上。可视化用下面这段就够import cv2 from pathlib import Path def draw_labels(img_path, lbl_path, names): 把 YOLO 标签画到图上用于人工核对标注语义 img cv2.imread(str(img_path)) h, w img.shape[:2] for line in Path(lbl_path).read_text().strip().splitlines(): cls, x, y, bw, bh map(float, line.split()) # 归一化坐标还原成像素坐标 x1 int((x - bw / 2) * w) y1 int((y - bh / 2) * h) x2 int((x bw / 2) * w) y2 int((y bh / 2) * h) color (0, 255, 0) if int(cls) 0 else (0, 0, 255) cv2.rectangle(img, (x1, y1), (x2, y2), color, 2) cv2.putText(img, names[int(cls)], (x1, max(y1 - 5, 10)), cv2.FONT_HERSHEY_SIMPLEX, 0.6, color, 2) cv2.imwrite(check_vis.jpg, img) draw_labels(MineCarWithPeople_yolo_data/train/images/new_04_30.jpg, MineCarWithPeople_yolo_data/train/labels/new_04_30.txt, [Normal, With People])draw_labels把归一化坐标反算回像素按类别上色Normal画绿框、With People画红框输出一张check_vis.jpg。抽几张不同场景的图各跑一次你就能判断标注质量框是否贴紧目标、有没有漏标的人、Normal框的是矿车还是空轨道。这一步花十分钟能省掉后面几小时的调参玄学。3. 用 YOLOv8 跑通训练与验证从 data.yaml 到指标数据看懂了接下来就是把它喂进模型。这套数据命名里带 yolo就是给 YOLO 系列准备的我用 YOLOv8 走一遍完整流程因为它的命令行接口最省事yolov8n.pt这种小模型在单卡上几十分钟就能出结果适合先验证数据可用性。整条链路是装环境、改配置、起训练、看指标、导出模型。3.1 环境安装与目录准备先建一个干净的虚拟环境避免和系统里的包打架。ultralytics 是 YOLOv8 的官方库一条命令装齐python -m venv yolo_env source yolo_env/bin/activate # Windows 用 yolo_env\Scripts\activate pip install ultralytics opencv-python装完验证一下版本yolo version能打印出版本号就说明环境通了。然后把数据集解压到一个固定位置比如~/datasets/MineCarWithPeople_yolo_data确认data.yaml里的train和val相对路径指向的train/images、valid/images真实存在。如果你把数据放在别处最稳妥的做法是直接改data.yaml里的路径而不是去改训练命令因为路径解析以data.yaml为基准改一处就够。注意valid这个目录名是这套数据用的YOLOv8 默认也认val两者都能识别但data.yaml里写的是哪个就必须存在哪个别自己重命名成test又不改配置。3.2 训练命令与关键参数YOLOv8 训练一行命令就能起但参数得按数据规模调。近一千张图属于小数据集轮数要给够否则欠拟合yolo detect train \ dataMineCarWithPeople_yolo_data/data.yaml \ modelyolov8n.pt \ epochs150 \ imgsz640 \ batch16 \ patience30 \ projectruns/minecar \ nameexp1逐个说参数。data指向data.yaml类别数和类别名都从那里读不用在命令里重复。modelyolov8n.pt用 nano 版预训练权重小数据集上 nano 往往比大模型更不容易过拟合而且推理快适合工业边缘设备。epochs150是上限配合patience30做早停连续 30 轮验证指标不涨就停避免白跑。imgsz640是输入分辨率如果你的原图很大、远处的人很小可以提到960或1280代价是显存和耗时上升。batch16按显存调8G 显存跑 640 分辨率一般能到 16爆显存就降到 8。project和name决定结果存到runs/minecar/exp1每次实验换个name方便对比。训练过程中终端会打印每轮的 box_loss、cls_loss 和 mAP。小数据集上 loss 抖动是正常的重点看mAP50和mAP50-95是否稳定上升。如果mAP50卡在很低的值不动八成是标签或路径有问题回到第 2 章的校验脚本查。3.3 验证与指标解读训练完用验证集单独跑一次评估确认指标不是训练集上的假象yolo detect val \ modelruns/minecar/exp1/weights/best.pt \ dataMineCarWithPeople_yolo_data/data.yaml \ imgsz640输出里几个指标要会看。mAP50是 IoU 阈值 0.5 下的平均精度反映框得差不多就算对的水平mAP50-95更严格IoU 从 0.5 到 0.95 每隔 0.05 算一次再平均反映框的精准度。工业检测里如果只是判断有没有人mAP50够用如果要精确定位人员位置做联动mAP50-95更值得盯。另外看每个类别的 P精确率和 R召回率安全场景下召回率比精确率更重要漏检一个人比多报一次代价大得多所以宁可让With People的 R 高一些哪怕 P 低一点。如果With People召回明显偏低说明这类样本太少或太难需要补数据或调类别权重。3.4 推理与导出部署格式验证过关后拿一张图跑推理直观看看效果yolo detect predict \ modelruns/minecar/exp1/weights/best.pt \ sourceMineCarWithPeople_yolo_data/valid/images \ conf0.25 \ saveTrueconf0.25是置信度阈值低于它的框不输出。安全场景可以调低到0.15提高召回代价是误报变多具体值要在现场数据上试。结果默认存到runs/detect/predict。要上边缘设备把模型导出成 ONNX 或 TensorRTyolo export modelruns/minecar/exp1/weights/best.pt formatonnx imgsz640 yolo export modelruns/minecar/exp1/weights/best.pt formatengine imgsz640 halfTrueONNX 通用性好TensorRT 的engine在 NVIDIA 设备上推理最快halfTrue用 FP16 进一步提速但精度会掉一点点导出后务必用同一批图对比一下导出前后的检测结果确认没掉太多。4. 避坑与排查标注、路径、过拟合的常见翻车这套数据规模不大、类别又少看起来简单但小数据集该踩的坑一个不少。下面几条是我在类似项目里反复遇到的按现象 → 原因 → 解决列出来你对照排查能省不少时间。现象一训练一启动就报No labels found或nc不匹配。原因通常是data.yaml里的路径写错或者标签目录名不是labels。YOLO 找标签是按图像路径把images替换成labels再找同名 txt如果你把标签放在别的目录它就找不到。解决确认train/images和train/labels同级且data.yaml的train指向的是images目录而不是根目录。现象二训练 loss 正常下降但验证 mAP 一直很低。大概率是类别 id 和names顺序对不上。比如标注里With People用的是 id0而data.yaml里0是Normal模型学到的语义就反了验证时按错误语义算指标自然低。解决抽几张图用第 2 章的draw_labels可视化确认框的颜色和类别名一致不一致就统一改标注或改names顺序。现象三训练集 mAP 很高验证集明显低一截。这是过拟合近一千张图对检测任务来说偏少尤其With People这类可能样本更少。解决先用yolov8n而不是大模型加数据增强YOLOv8 默认开了 mosaic、翻转等必要时冻结主干先训头部或者补采With People场景的图。别一上来就堆 epochs过拟合时训得越久验证越差。现象四推理时同一辆车被框出好几个重叠框。这是 NMS非极大值抑制没压干净或者conf设太低。解决推理时适当提高conf或在predict里调iou参数控制 NMS 阈值默认 0.7重叠框多就降到 0.5 左右。工业场景里矿车目标大、人目标小两类框的尺度差异大NMS 阈值要兼顾必要时分类别设。现象五换到自己的机器上路径全失效。因为data.yaml用的是相对路径一旦你把data.yaml和数据分开存放就崩。解决要么保持整个数据集目录结构不动要么把data.yaml里的路径改成绝对路径。我一般倾向保持结构不动绝对路径换机器又要改一遍。提示每次改完data.yaml或标注先跑一遍第 2 章的校验脚本再起训练比训练跑一半报错再回头查省事得多。5. 小数据集的进阶技巧把两类检测做到可上线两类检测听起来简单但要真上线光跑通训练不够。近一千张图的小数据集模型很容易在训练集上表现漂亮、到现场就拉胯。我一般会从三个方向压榨这套数据的价值用交叉验证判断数据是否够用、用类别权重和阈值调优平衡漏检误检、用困难样本挖掘补数据。下面这套流程是我在工业检测项目里固定会走的。先做 K 折交叉验证判断模型表现是否稳定。把训练集切成 5 份轮流留一份做验证看 5 次 mAP 的波动。如果波动很大说明数据分布不均某一折里可能With People样本特别少这时候补数据比调参有用。YOLOv8 本身不直接带 K 折但可以写脚本切分后循环调用训练或者用split参数控制。波动小于 3 个点基本可以认为数据够用。再调类别权重和置信度阈值。安全场景的核心矛盾是漏检和误报的权衡。漏检一个人可能出事故误报一次只是多看一眼。所以我会把With People的召回率作为第一指标做法是推理时把conf从 0.25 降到 0.15 甚至 0.1看召回能提到多少、误报增加多少画一条 P-R 曲线找拐点。如果降阈值后误报爆炸说明模型对With People的判别力不够得回去补这类样本而不是硬压阈值。最后是困难样本挖掘。跑完一轮推理把验证集里漏检和误检的图挑出来人工看它们有什么共性是光线太暗、粉尘遮挡还是人在远处太小。把这些图单独存一个目录作为下一轮训练的补充数据或者用它们做针对性增强比如调亮度、加噪声。这套数据里文件名是new_04_30.jpg这种编号没有场景标签所以困难样本得靠你自己看。我一般会把漏检图按场景归类发现某一类场景反复漏就重点补那类。from ultralytics import YOLO import cv2 from pathlib import Path model YOLO(runs/minecar/exp1/weights/best.pt) # 低阈值推理把漏检的图挑出来 results model.predict( sourceMineCarWithPeople_yolo_data/valid/images, conf0.1, # 故意压低宁可多框 saveTrue, projectruns/hard_mining, namelow_conf ) # 统计每张图检出的 With People 数量为 0 的重点人工复核 for r in results: names r.names counts {} for c in r.boxes.cls.tolist(): counts[names[int(c)]] counts.get(names[int(c)], 0) 1 if counts.get(With People, 0) 0: print(f疑似漏检: {Path(r.path).name})这段脚本用conf0.1跑验证集把没有检出With People的图打印出来这些就是最可能漏检的候选人工复核后决定是否加入训练。参数上conf压得越低候选越多但复核成本也越高0.1 是个经验起点。跑完这一轮你对这套数据的边界就有数了哪些场景它扛得住哪些场景必须补数据。从那以后我每次拿到小数据集都强制先跑一遍交叉验证看波动、再跑一遍低阈值推理挖困难样本这两步走完才敢谈调参。希望这套流程能帮到你把轨道上的人和矿车真正盯住。本文还有配套的精品资源点击获取