简介面向目标检测入门与进阶学习者的YOLO人体行为检测数据集包含真实场景下1000张高质量图片场景涉及街道、校园、室内、运动场等环境覆盖不同姿态、多人交互与遮挡情况适合行人检测、行为识别等研究方向。压缩包共2000个文件包括约1000个xml标注文件、990个txt标签文件辅以html教程文档、Python划分脚本和yaml配置文件整体68.55MB。标签提供voc、coco、yolo三种格式按文件夹分类存放可直接切换用于YOLO系列模型标注由LabelImg工具完成框体贴合目标质量可靠。随附的Python脚本支持按比例生成训练集、验证集和测试集并输出ImageSets索引方便扩展新数据。教程涵盖Windows与Linux双平台从环境搭建、数据集修改到训练参数调整均有说明。目前已有518人学习下载适合需要快速获得完整训练链路的目标检测学习者。资源结构清晰分类明确便于按需取用可支撑课程设计、毕业课题或实际项目快速开展实验。1. 先把这包数据拆开看为什么1000张图配三格式标签才是核心你解压完这个压缩包真正值钱的不是那1000张图片而是三件事已经替你做好了同一批数据带着VOC、COCO、YOLO三种标签一个能直接跑的划分脚本以及一批按这个小数据量调过的训练参数。很多第一次做人体行为检测的人把时间耗在“把XML转成txt”“自己写train/val划分”这些和模型无关的杂活上还没开始训练人就累了。这套东西的价值就是把“从数据到训练”之间最折腾的几步解耦让你拿到就能开跑。这篇文章把整条链路走一遍三格式之间怎么互转、划分脚本怎么改成你自己的目录规则、1000张图用什么超参不容易翻车再补上我实际踩过的几个坑。适合正在做摔倒检测、行为越界、安全帽佩戴这类单人/多人行为识别任务的人——新手照着能把第一次训练跑通熟手可以直接抄转换和划分的逻辑。2. VOC/COCO/YOLO三格式互转坐标归一化与类别映射的落地脚本一个数据集同时给三种格式标签听着是福利实际是个麻烦你用什么框架就只需要一种格式另外两种是冗余。但它们能互相校验。我用VOC转YOLO、COCO转YOLO的脚本把标签统一成txt顺便把标注里的脏数据清理掉。2.1 三格式对比存储形态、坐标体系与类别管理三种格式的设计目标完全不同先看一张表把边界划清楚。维度VOCCOCOYOLO存储形态每张图对应一个XML文件整个数据集一个JSON文件每张图对应一个txt文件框坐标xmin, ymin, xmax, ymax绝对像素值x, y, w, h左上角宽高绝对像素值x_center, y_center, w, h相对图像宽高0~1类别表示标签里的name字符串category_id整数全局共享表txt里第一列整数附加字段少基本就是box和namearea、iscrowd、segmentation、supercategory无常见来源labelImg等标注工具导出标注平台导出、公开数据集YOLO系框架原生格式这里最需要记住的一个差异VOC和COCO存的是绝对像素坐标YOLO存的是归一化相对坐标。像素坐标的好处是直观、人能读缺点是换分辨率就得重新算YOLO归一化坐标的好处是训练时不管输入缩放到640还是1280标签都不用再动。所以训练前把VOC或COCO统一转成YOLO的txt是一件一劳永逸的事。另外一个容易忽略的点COCO的category_id是标注平台里定义的ID它不一定是连续从0开始的整数而YOLO要求类别索引必须从0开始连续。转格式时一定要做一次重映射别把category_id直接当YOLO的类别号。VOC的类别是字符串其实更安全但要求你有一张固定的类别词表词表顺序就是最终的类别索引顺序。2.2 VOC转YOLO坐标归一化脚本与边界裁剪把VOC的XML转成YOLO的txt核心就一个公式把对角坐标换成中心点归一化坐标。公式本身不复杂真正让转换脚本翻车的全是边界情况。先看这个完整脚本。import os import xml.etree.ElementTree as ET def voc_to_yolo(xml_path, out_txt_path, 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) lines [] for obj in root.findall(object): name obj.find(name).text if name not in class_names: continue # 类别不在词表里直接跳过不要报错中断 cls_id class_names.index(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) # 标注框超出图像边界是常见脏数据先裁剪到图像范围内 xmin max(0.0, min(xmin, img_w)) xmax max(0.0, min(xmax, img_w)) ymin max(0.0, min(ymin, img_h)) ymax max(0.0, min(ymax, img_h)) if xmax xmin or ymax ymin: continue # 裁剪后框退化成一个点或一条线直接丢弃 x_center (xmin xmax) / 2 / img_w y_center (ymin ymax) / 2 / img_h w (xmax - xmin) / img_w h (ymax - ymin) / img_h # 归一化后理论上一定在0~1内但浮点误差会导致1.000001再兜底一次 x_center max(0.0, min(1.0, x_center)) y_center max(0.0, min(1.0, y_center)) w max(0.0, min(1.0, w)) h max(0.0, min(1.0, h)) lines.append(f{cls_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}) with open(out_txt_path, w) as f: f.write(\n.join(lines)) # 词表顺序就是训练时的类别索引必须和后续data.yaml里names的顺序一致 class_names [standing, walking, running, falling, sitting, lying] voc_to_yolo(annotations/0001.xml, labels/0001.txt, class_names)逻辑说明脚本先读XML里的图像宽高再遍历每个object节点。class_names列表的顺序决定了类别ID比如standing是0walking是1后面data.yaml里的names必须跟这个顺序完全一致否则训练时类别全错位。参数说明out_txt_path要和图片同名后缀改成.txt放在labels目录下。YOLO训练时是按“同名文件”来找标签的图片是0001.jpg标签就必须是0001.txt。归一化保留6位小数足够再长对训练结果没有意义反而让文件变大。边界裁剪这段不是可有可无——很多公开数据集里存在框超出图像边缘的标注不裁剪的话训练时可能出现NaN loss。2.3 COCO转YOLO类别ID重映射与iscrowd过滤COCO转YOLO比VOC多一个麻烦COCO是全局单文件结构得先把annotations按image_id聚合起来再逐图生成txt。另外COCO里的iscrowd字段表示“群体标注”一群人挤在一起打一个大框这种目标不适合当单目标检测的标签训应当跳过。import json import os with open(annotations.json) as f: coco json.load(f) # COCO的category_id是平台自定义的可能是任意整数必须重映射成0起始连续索引 cat_id_to_idx {cat[id]: i for i, cat in enumerate(coco[categories])} img_id_to_name {img[id]: img[file_name] for img in coco[images]} img_id_to_size {img[id]: (img[width], img[height]) for img in coco[images]} anns_by_img {} for ann in coco[annotations]: if ann.get(iscrowd, 0) 1: continue # 群体标注不适合当单框目标跳过 img_id ann[image_id] anns_by_img.setdefault(img_id, []).append(ann) for img_id, anns in anns_by_img.items(): img_w, img_h img_id_to_size[img_id] out_lines [] for ann in anns: x, y, w, h ann[bbox] # COCO的bbox是左上角x,y加宽高w,h绝对像素 x_center (x w / 2) / img_w y_center (y h / 2) / img_h norm_w w / img_w norm_h h / img_h cls_id cat_id_to_idx[ann[category_id]] out_lines.append(f{cls_id} {x_center:.6f} {y_center:.6f} {norm_w:.6f} {norm_h:.6f}) stem os.path.splitext(img_id_to_name[img_id])[0] with open(flabels/{stem}.txt, w) as f: f.write(\n.join(out_lines))逻辑说明这里用enumerate重排了类别ID不管你COCO里category_id是3还是7转出来都变成0、1、2这样的连续索引。聚合时把同一张图的所有标注append到一个列表里最后一起写入一个txt。参数说明bbox读出来后x和y直接是左上角坐标不需要再减宽高的一半很多人在这一步把中心点算错。如果你后面还要做COCO转VOC反向操作时注意VOC的xmax x wymax y h别再减一次。转完格式后随手抽查几张图把txt里的归一化坐标乘回图像宽高看框是不是落在人身上这一步比写任何校验代码都快。3. 划分脚本的另一种打开方式按场景分组别让验证集指标骗你拿到划分脚本后大多数人第一反应是直接运行然后看train.txt和val.txt里文件数量对不对。但划分这件事比“数量对”更重要的是“怎么划分”。如果划分方式错了训练时验证集指标会高得离谱一上真实场景立刻现原形。3.1 纯随机划分的隐患连续帧泄漏让验证指标虚高人体行为检测数据集的图片不是独立的它通常来自连续视频抽帧——同一个人的同一次动作在相邻帧里长得几乎一样只是位移了几个像素。如果用纯随机方式把图片分成train和val同一个动作的相邻帧会同时出现在两边。模型在训练时见过这一帧的“前一眼”和“后一眼”验证时自然表现很好mAP50能到0.9以上。但这不叫泛化这叫背题。换一个没见过的场景、光线、机位模型立刻现出原形。判断一个划分脚本能不能用就看一点同一个场景或同一条视频源的图片是否被完整地划到了一侧。正确做法是先按场景分组再把整个组分配到train、val、test里。场景分组的依据通常是文件名前缀或子目录名比如scene01_0001.jpg里的scene01就是场景ID。3.2 按场景分组的划分脚本分组键、随机种子与比例设置下面这个脚本按文件名前缀分组在组粒度上打乱并划分保证同一场景的帧不会跨集合。import os import random from collections import defaultdict random.seed(42) # 固定种子划分结果可复现方便对比调参 img_dir images train_ratio, val_ratio 0.7, 0.15 # test 自动取剩余的 0.15 # 假设文件名形如 scene01_0001.jpg前缀到下划线为止作为场景ID groups defaultdict(list) for fname in sorted(os.listdir(img_dir)): if not fname.lower().endswith((.jpg, .jpeg, .png)): continue group_key fname.split(_)[0] groups[group_key].append(fname) group_names list(groups.keys()) random.shuffle(group_names) n_train max(1, int(len(group_names) * train_ratio)) n_val max(1, int(len(group_names) * val_ratio)) train_groups set(group_names[:n_train]) val_groups set(group_names[n_train:n_train n_val]) test_groups set(group_names[n_train n_val:]) for split_name, split_groups in [ (train, train_groups), (val, val_groups), (test, test_groups) ]: out_path f{split_name}.txt with open(out_path, w) as f: for g in sorted(split_groups): for fname in sorted(groups[g]): f.write(f{os.path.join(img_dir, fname)}\n) count sum(len(groups[g]) for g in split_groups) print(f{split_name}: {len(split_groups)} 个场景, {count} 张图)逻辑说明脚本先把图片按场景前缀归类再对场景ID列表打乱然后按比例切出train_groups、val_groups、test_groups。写清单文件时遍历组内的所有图片保证同一个组完整落在同一个集合里。参数说明random.seed(42)必须固定否则每次划分结果都不同你没法对比两次训练到底是模型变好了还是数据划分变了。train_ratio和val_ratio可以按你的数据量调1000张图建议7:1.5:1.5test太少没统计意义太多浪费训练数据。文件名没有场景前缀时怎么办常见做法是用目录名当分组键或者用视频文件名去掉帧号后的剩余部分。如果这套数据的文件名是纯数字编号看不出场景那你只能认栽用纯随机划分但要意识到验证指标会有水分。3.3 划分后的三件套清洁无标签图、空标签与路径分隔符划分脚本跑完不代表一定能开训。训练前我还固定做一遍清洁检查查三类问题有图片没有对应的标签文件、标签文件是空的、清单文件里的路径分隔符不对。import os img_dir images label_dir labels no_label [] empty_label [] for fname in sorted(os.listdir(img_dir)): if not fname.lower().endswith((.jpg, .jpeg, .png)): continue stem os.path.splitext(fname)[0] label_path os.path.join(label_dir, stem .txt) if not os.path.exists(label_path): no_label.append(fname) elif os.path.getsize(label_path) 0: empty_label.append(fname) print(无标签文件图片:, len(no_label)) print(空标签文件:, len(empty_label)) for f in no_label[:10]: print(示例:, f) for f in empty_label[:10]: print(空标签示例:, f)逻辑说明这段脚本遍历图片目录逐个查找同名txt。无标签图片在训练时会让YOLO在加载阶段报错或跳过空标签文件则会让这张图被当作纯背景训练除非你有意保留背景图否则建议删除。参数说明检查结果里如果无标签图数量很大先别急着删——回源头确认是不是标签文件名规范和图片不一致。路径分隔符的问题在Windows上最明显清单文件里如果是反斜杠训练时Linux环境可能读不到。我一般用os.path.join生成路径然后统一替换成斜杠。划分脚本输出train.txt后随手head看一眼前三行路径能少折腾十分钟。4. 用这套数据跑通YOLO训练data.yaml、超参与日志判读三格式转好、划分脚本跑完终于到训练的环节。1000张图说多不多说少不少关键是配置要匹配这个量级模型别太大、增强别太猛、早停别关。这一章把配置文件和训练命令拆开讲清楚。4.1 写对data.yaml类别顺序就是标签ID千万别自己改data.yaml是YOLO训练的数据入口它告诉框架去哪读图片、有几类、类别叫什么。80%的格式转换问题最后都暴露在这一个文件上。# 数据集根目录可以是绝对路径也可以是相对路径 path: ./datasets/action # 训练/验证/测试清单文件里面每行一张图片的路径 train: train.txt val: val.txt test: test.txt # 类别数量 nc: 6 # 类别名称顺序就是标签txt里第一列的数字 names: 0: standing 1: walking 2: running 3: falling 4: sitting 5: lying参数说明path写的根目录会和train/val/test做拼接比如实际路径就是./datasets/action/train.txt。如果train.txt里已经写的是完整路径这里可以留空或只写./。names列表的顺序就是标签文件里的类别ID第2章里class_names的顺序必须和这里完全一致。常见翻车姿势是转换脚本里standing是0data.yaml里standing排在第2位结果模型把站着的人学到类别1上去了。还有一个细节nc数量和names的数量必须一致多个少个训练时都会报错报错信息还会误导你往路径配置上排查。这类YAML文件我写完总会先做一次语法自检用任意YAML解析器读一遍确认缩进没问题。4.2 1000张图的训练配置预训练权重、batch与增强策略小数据量训练的第一原则不要从零开始随机初始化。用预训练权重起步哪怕是体积最小的n规格模型特征提取能力也远好于随机权重。下面是完整训练命令。yolo detect train \ dataaction.yaml \ modelyolov8n.pt \ epochs150 \ imgsz640 \ batch16 \ patience30 \ projectruns \ nameaction_exp \ lr00.005 \ mosaic1.0 \ close_mosaic10 \ fliplr0.5 \ degrees0.0参数说明modelyolov8n.pt表示用官方预训练权重起步n是体积最小的规格1000张图的数据量上yolov8s或m不是不行但很容易过拟合而且训练时间成倍上涨。epochs设150配合patience30早停——如果连续30轮验证集指标没涨训练自动停止省时间。batch16在8G显存上跑yolov8n没问题显存更小就降到8或4。lr0调到0.005是给迁移学习降一点初始学习率小数据集上默认0.01容易震荡。增强参数里特别注释一下degrees0.0人体行为检测不建议开旋转增强。摔倒的人转90度就变成躺下走路的人转180度变成倒立这类语义在旋转后会发生改变模型学到的特征会被带偏。mosaic1.0保持默认它能把四张图拼一起训练缓解小目标不足的问题。close_mosaic10表示最后10轮关闭马赛克增强让模型在真实分布上稳定收敛。关于训练教程这块命令跑起来后你要做的事是盯住日志不是刷手机。YOLO训练会每轮打印GPU占用、各loss值和mAP进度条上如果显示显存占用超过90%要么降batch要么关掉cache选项。1000张图一次训练通常十几分钟到半小时不需要通宵挂机。4.3 训练日志判读loss曲线、早停与过拟合信号训练完成后输出目录下有个results.csv里面记录了每一轮的box_loss、cls_loss、dfl_loss还有验证集precision、recall、mAP50、mAP50-95。我判断训练是否健康的顺序是先看loss曲线再看mAP差值最后看早停触发在哪一轮。正常信号是train/box_loss和val/box_loss同步下降在第80~100轮附近趋于平缓。过拟合的典型信号是train loss持续下降、val loss先降后升两者在第某轮后叉开。这时候去看patience有没有触发如果早停在120轮之后说明增减弱一点会有帮助。另一个判断点mAP50和mAP50-95的差距如果超过0.15说明框定位精度不够优先检查标注框是不是画得粗糙而不是盲目加epochs。还有一个容易忽略的点看best.pt和last.pt的差值。best.pt是验证集最优权重last.pt是最后一轮权重如果两个文件对应的mAP差很多说明最后几十轮模型还在不稳定波动要么增大close_mosaic的轮数要么降低lr0继续微调。5. 人体行为检测训练避坑五个实测翻车点与排查方法这部分是血泪经验合集。前四个坑我在不同数据集上反复踩过第五个属于环境问题但最打击心态都按“现象→原因→解决”写清楚。5.1 标签与数据层面的三个坑坑一类别ID错位。现象训练全程不报错loss正常下降mAP也正常但把模型拿出来预测时走路的人被识别成躺下跑步的人被识别成坐着类别关系完全错乱。原因转换脚本里的class_names顺序、data.yaml里的names顺序、原始XML或JSON里的类别定义三者之间出现了两套不同顺序。常见场景是某开发者把XML里的类别按字母序排了一遍而data.yaml按出现频次排两边对不上。解决在任何格式转换之前先dump数据集里所有出现过的类别名去重排序后写入一个固定的class_names.txt转换脚本和data.yaml都从这份文件生成。不要靠肉眼记顺序1000张图六个类别还能扛住类别一多必翻车。坑二归一化后坐标越界导致NaN loss。现象训练到一半loss突然变成nan或者验证集mAP一直停在0附近不涨日志里box_loss数值异常地大。原因标注框超出图像边界没处理归一化后出现x_center大于1或w为负值还有少数标注的xmin和xmax写反了导致宽高算出来是负数。这类脏数据在VOC里最常出现因为手工标注时框拉出图像边缘很常见。解决在转换脚本里加边界裁剪逻辑就是我第2章里写的那段min/max处理同时检查xmax xmin就丢弃。转完格式后写一个统计脚本扫一遍所有txt打印出任何不在0~1范围内的数值有就回到源头修XML别在txt层面硬改。坑三验证集指标虚高换场景就废。现象val的mAP50有0.95模型拿到现场拍的新视频上测漏检率超过一半同一个动作换了个角度就认不出来。原因划分脚本按单张图片随机切分同一个视频源的连续帧同时出现在训练集和验证集模型等于提前背过答案。解决回到第3章改成按场景分组的划分方式。判断标准同一个文件名前缀或同一个拍摄片段绝对不能横跨train、val、test。如果你拿到手的数据集文件名完全随机无场景信息那只能接受验证指标有水分上线前额外准备一批完全独立的数据做终测。5.2 训练与评估层面的两个坑坑四图片格式混杂导致训练中断。现象训练到第几十轮时突然报错提示图像读取失败或尺寸对不上重启训练后进度从0开始之前的都白跑。原因数据集里有灰度图、四通道PNG、损坏的截断图片或者图片尺寸极不统一。YOLO虽然会做letterbox缩放但读取异常图像时仍可能崩溃。四通道PNG在某些环境里会被当成RGBA读进来通道数不对直接报错。解决训练前跑一个统一预处理脚本把所有图片转成RGB三通道JPG压缩存储损坏图片直接删掉并同步删除对应的标签txt。处理完再跑一次第3章的清洁检查确认图片和标签一一对应再开训。坑五显存OOM或训练进程被杀。现象训练命令刚跑起来没几分钟终端报CUDA out of memory或者直接在服务器上显示Killed没有任何报错信息。原因batch设太大超出显卡显存另一个是workers线程数开太多和数据cache同时启用短时间内存爆掉被系统杀掉。后者在共享服务器上特别常见。解决把batch降到8或4workers控制在4以内训练命令里不主动开cacheTrue。如果还OOM就把imgsz从640降到512代价是检测小目标的精度会略降但至少训练能跑完。先让流程通起来再回头优化精度。6. 训练完别只盯mAP用一张可视化验证图验收模型训练完第一件事不是发测试报告而是跑一批验证集图片把预测框画出来亲眼看。mAP是个汇总数字它不会告诉你模型是把“扶着墙的人”误检成了“摔倒”还是把“蹲下系鞋带”漏掉了。可视化能。我每次训练完都会用写好的脚本批量出图。from ultralytics import YOLO import cv2 model YOLO(runs/action_exp/weights/best.pt) with open(val.txt) as f: image_paths [line.strip() for line in f if line.strip()] for p in image_paths[:20]: # 先抽前20张看别一次全跑 img cv2.imread(p) results model.predict(p, conf0.25, imgsz640, verboseFalse) for r in results: for box in r.boxes: x1, y1, x2, y2 map(int, box.xyxy[0].tolist()) conf float(box.conf[0]) cls int(box.cls[0]) label f{model.names[cls]} {conf:.2f} color (0, 255, 0) if conf 0.6 else (0, 165, 255) cv2.rectangle(img, (x1, y1), (x2, y2), color, 2) cv2.putText(img, label, (x1, y1 - 6), cv2.FONT_HERSHEY_SIMPLEX, 0.6, color, 1) cv2.imwrite(fpred_{p.split(/)[-1]}, img)这段脚本把验证集预测结果直接写到当前目录置信度低于0.6的框用橙色画方便你快速找出哪些是低置信度误检。抽看20张图的流程里我一般按三个问题过一遍行为类别有没有张冠李戴小目标画面里远处的人有没有漏检遮挡场景下框是不是乱跳。这些问题在mAP曲线里完全看不出来。我还有一个习惯把预测图和原图的标签叠加图放在一起看。具体做法是用第2章的反向换算把txt的归一化坐标乘回图像尺寸用纯色框画在图上。预测框和标注框一对比就能看出模型是不是系统性偏大或偏小。某次摔倒检测实验里mAP50有0.88但可视化后发现所有框都比真实身体区域大一圈原因是标注时把整个身体外扩了模型学到的就是这种框风格光看指标根本发现不了。训练日志的results.csv我也会和可视化图一起归档下次调参时先翻上次的图再决定改增强还是改阈值。这个习惯帮我把调参从玄学变成了对比实验。希望帮到你。本文还有配套的精品资源点击获取