男女性别检测数据集：VOC转YOLO格式与训练避坑全解析-育师

简介：针对男女性别检测需求，这套VOC+YOLO格式数据集整体包含9769张JPEG图像及完整标注，适合正在学习目标检测的开发者、需要快速验证网络效果的算法工程师，以及从事安防、零售等行人属性分析场景的实践者。图像均使用LabelImg工具手工绘制矩形框，标注类别为Female与Male两类，两个类别的目标框数量分别为5491个和4308个，总计9799个，类别分布均衡度较好，可直接用于训练YOLO系列、Faster R-CNN等常见检测模型，标注风格统一、矩形框贴合目标边缘，能有效减少数据预处理时间。压缩包共2000个文件，其中1999个为VOC格式XML标注，另有一个说明用TXT文件，文件组织简洁，目录层级清晰；整体压缩后仅104.49MB，便于下载、迁移与二次处理。XML标注保留了目标位置与类别信息，适合VOC系列训练管线；TXT标注则方便YOLO系列直接读取，免去格式转换步骤，对不同代码库的适配性更强。目前已有348人学习该数据集，是一份标注规范、格式双备的性别检测基础数据，可用于模型从零训练、微调或算法对比评测，也可作为课堂作业、毕业设计或竞赛练习的配套数据集。

1. 拿到这批9769张性别检测数据后，先别急着开训

很多人下载完「男女性别检测数据集VOC+YOLO格式9769张2类别.7z」这个压缩包后，第一反应是解压，第二反应是直接丢进YOLO开始训练。我见过不止一个人这么干，结果训练三五天后发现模型输出几乎全是男性，或者loss一直在降但验证集上女性类别AP只有个位数。问题往往不在模型，而在数据本身。

这份数据集解决的是行人场景下的二分类目标检测问题：输入一张图，模型要同时定位出人，并判断是男还是女。9769张图、2个类别，这个规模对YOLOv5/v8这类模型来说属于「够起步但不够奢侈」的量级。它适合做安防、客流统计、零售场景的算法原型验证。VOC和YOLO双格式意味着你不用重复造轮子，但正因为两种格式并存，标签错位、坐标混淆这类坑也会多出不少。这篇文章把解压、格式核对、转换、校验和训练前的避坑点一次说清楚。

2. 打开压缩包之前：VOC与YOLO两种目录结构到底差在哪

2.1 先看VOC侧该有什么文件

VOC格式最早来自PASCAL VOC挑战赛，它的核心是XML标注文件。目录结构一般长这样：

VOCdevkit/ └── VOC2007/ ├── JPEGImages/ ├── Annotations/ ├── ImageSets/ │ └── Main/ └── labels/

JPEGImages放原始图片，Annotations放同名XML标注，ImageSets/Main下是train.txt、val.txt、trainval.txt这样的划分文件。每个XML里记录的是目标的绝对像素坐标：

<object> <name>male</name> <bndbox> <xmin>102</xmin> <ymin>60</ymin> <xmax>310</xmax> <ymax>480</ymax> </bndbox> </object>

xmin、ymin、xmax、ymax都是图片上的实际像素值，裁图或者可视化时直接用就行，不需要换算。

2.2 YOLO侧每行数字的含义

YOLO格式是每张图对应一个txt文件，文件名要和图片名一致。比如img_0001.jpg对应img_0001.txt，文件里每一行代表一个目标：

0 0.2684 0.3521 0.2135 0.4865 1 0.7316 0.6458 0.1689 0.4123

五个数字分别是类别ID、归一化中心点x、归一化中心点y、归一化宽度w、归一化高度h。这里的类别ID是按某个约定顺序排的，这个数据集里0通常对应男性，1对应女性，但不同发布者对顺序的约定可能相反，拿到手第一件事是确认类别映射。

2.3 用一段bash快速核对目录结构

解压之后，先用命令看一眼实际目录长什么样：

tar -tvf 男女性别检测数据集VOC+YOLO格式9769张2类别.7z

严格来说7z不是tar能直接看的格式，需要先装p7zip：

sudo apt install p7zip-full 7z l 男女性别检测数据集VOC+YOLO格式9769张2类别.7z

7z l只列目录不实际解压。重点看是否有labels目录，因为很多自称双格式的数据集，实际上YOLO格式那一侧只有train.txt文件，没有对应的labels目录。如果发现YOLO侧不完整，就得用第3章的脚本自己转一遍。

3. 把VOC的XML转成YOLO的txt：转换脚本与坐标归一化细节

3.1 转换逻辑与两个坐标系的换算

VOC存的是绝对坐标（像素值），YOLO存的是相对坐标（0到1之间的比例值），这是两个格式最容易出错的根源。归一化公式如下：

x_center = (xmin + xmax) / 2 / img_width y_center = (ymin + ymax) / 2 / img_height box_width = (xmax - xmin) / img_width box_height = (ymax - ymin) / img_height

注意是像素坐标换算，不是像素值直接除以255之类的东西——见过有人把图片像素值归一化和坐标归一化混淆，导致框全部缩小了255倍，这个错误很低级但发生的频率远比你想象的高。

3.2 完整转换脚本

import os import xml.etree.ElementTree as ET def convert_voc_to_yolo(xml_path, out_txt_path, class_names): tree = ET.parse(xml_path) root = tree.getroot() size = root.find('size') img_width = int(size.find('width').text) img_height = int(size.find('height').text) lines = [] for obj in root.iter('object'): name = obj.find('name').text if name not in class_names: continue # 跳过当前任务不需要的类别 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) # 边界裁剪，防止坐标越界导致训练报错 xmin = max(0, min(xmin, img_width)) xmax = max(0, min(xmax, img_width)) ymin = max(0, min(ymin, img_height)) ymax = max(0, min(ymax, img_height)) x_center = (xmin + xmax) / 2.0 / img_width y_center = (ymin + ymax) / 2.0 / img_height w = (xmax - xmin) / img_width h = (ymax - ymin) / img_height # 过滤掉异常框 if w <= 0 or h <= 0 or x_center > 1 or y_center > 1: print(f"跳过异常框: {xml_path} {name}") continue 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)) # 用法示例 class_names = ['male', 'female'] convert_voc_to_yolo( 'Annotations/img_0001.xml', 'labels/img_0001.txt', class_names )

核心逻辑分三步：解析XML取出目标类别和bndbox矩形框、读取图片宽高做归一化、写出行格式。

5. 训练性别检测模型前绕不开的5个坑：现象、原因、解决

5.1 损失正常但验证集全判为男性

现象：训练时loss曲线降得挺好看，验证集mAP却一直上不去，打开预测结果一看几乎全是男性，女性框偶尔出一个还算不准。原因：数据集中女性目标数量明显少于男性，二分类逻辑回归在类别不平衡时，会倾向于把不确定的样本全部归入多数类，loss还不会显著变差。解决：先统计train.txt里两类的目标数，差距超过2倍就得处理。常见做法是对少数类做重复采样，或者在loss里给类别加权重。YOLOv8的class权重参数在超参文件里配置，v5的话可以在loss函数里手改alpha权重。

5.2 图片里目标小，标注框占比也小

现象：远距离行人、全身照中的人，模型总是漏检，或者框直接画到背景上去。原因：9769张图看似不少，但图里小目标占比高的话，有效监督信息就稀疏了。YOLO默认的anchor尺度是为通用目标设计的，小目标特征层得不到充分训练。解决：训练时把输入尺寸拉到640x640以上，数据增强里加mosaic和copy_paste。还不行就换用SAHI这类切片推理方案，大图切成小patch分别检测再合并，对小目标效果立竿见影。如果你这9769张数据里目标平均高度占了图片纵向的30%以上，那大概率用不到这个方案，先检查一下再决定。

5.3 标签文件里混入了损坏的txt

现象：某个epoch训练到一半直接报FileNotFoundError，或者验证时突然遇到报错。原因：下载的数据集可能在传输中丢文件了，或有人解压时中断导致文件不完整。解决：别等训练报错才去查，解压后先跑一遍文件校验：

import os img_dir = 'JPEGImages' label_dir = 'labels' missing = [] for img_name in os.listdir(img_dir): stem = os.path.splitext(img_name)[0] label_path = os.path.join(label_dir, stem + '.txt') if not os.path.exists(label_path): missing.append(img_name) print(f"缺失标签的文件数: {len(missing)}") for name in missing[:10]: print(name)

如果缺失数量少，直接从训练划分里去掉对应图片名；数量大的话，重新解压原压缩包，别手动补标签，人工补不齐还会引新的错误。

5.4 训练集和验证集存在同源图片

现象：训练时mAP高得离谱，但一到自己拍的测试视频上效果崩了。原因：数据划分没有按顺序抽样，或者原始数据里连续帧图片太多，随机划分后验证集里混入了训练集相邻帧。人脸和行人数据集常见这个情况。解决：看ImageSets/Main下的划分文件，如果train.txt和val.txt里出现了大量文件名相近的图，比如person_0001、person_0002这种，就按视频片段或拍摄批次分组划分。稳妥做法是重划分数据集，保证同一个场景来源的图只出现在一边。

5.5 VOC和YOLO两套标注互相矛盾

现象：用VOC标注验证时框的位置完全正确，换成YOLO标注训练后框偏移了。原因：某些数据集的YOLO格式不是从同一批VOC转换来的，可能来源不同、类别顺序不同，甚至有中心点坐标用的是像素值而不是归一化值的可能。解决：用3.3节的验证脚本抽样对比，逐图把XML转成YOLO再画框比对。如果偏差集中的话，直接用VOC标注重新生成YOLO标签，别嫌麻烦，校一次坐标偏移好过训练出来全部偏框。

6. 把二分类做稳：类别平衡、阈值调整与两阶段后处理

6.1 用类别权重与重采样拉平二分类失衡

YOLO训练时对类别不平衡的容忍度比分类网络高一些，但也不是无限容忍。先跑一段统计代码看看性别目标数差异：

import os import numpy as np label_dir = 'labels' counts = [0, 0] for txt_name in os.listdir(label_dir): with open(os.path.join(label_dir, txt_name)) as f: for line in f: parts = line.strip().split() cls_id = int(parts[0]) counts[cls_id] += 1 total = sum(counts) print(f"男性目标数: {counts[0]}, 女性目标数: {counts[1]}") print(f"比例: {counts[0] / max(counts[1], 1):.2f} : 1")

比例超过3:1时，建议复制女性目标占比高的图片，让每个epoch都强制看到多次。另外YOLOv5里可以在data.yaml里配置cls权重系数，v8在hyp.yaml里调整，把少数类权重拉上去。多数情况下处理后女性AP能升10个点左右。

6.2 后处理阶段的阈值与框过滤技巧

双类别检测最后输出时，置信度阈值是决定性参数。YOLO默认的conf阈值是0.25，对二分类场景偏高了一些。性别检测真值框本身就小，模型输出分数普遍没那么高。我一般会把conf调到0.1，然后用NMS的iou阈值0.5压重复框。还有一个更实用的过滤手段：按目标框的宽高比过滤，行人场景下正常人体的宽高比大概在0.3到0.7之间，明显偏离这个范围的框基本都是误检。

6.3 备选方案：换成「行人检测+性别分类」两阶段管线

如果单模型检测精度一直卡在瓶颈，常见做法是把任务拆成两段：先用一个通用行人检测模型把所有「人」框出来，再对每个框单独做性别分类。性别分类用轻量CNN或者直接裁剪后过一个小分类网络。这样做的优势是两个模型各自收敛，检测模型不需要同时优化定位和性别判别，性别分类任务也从目标检测变成了图像分类，数据量利用率更高。代价是多一次推理，实际应用时通常是重场景可接受的开销。

如果你要部署到边缘设备，这个方向更合适，因为分类网络可以换成MobileNet这类轻量结构，实时性比大模型好得多。

我的经验是：在这种二分类人检测项目上，先花一天时间把数据分布摸清楚，比直接折腾模型结构有用得多。一份9769张的双格式数据集，真正的价值在于你可以快速验证「数据够不够、标注齐不齐、管线通不通」，而不是一次训练就出成品的期望。希望帮到你。

本文还有配套的精品资源，点击获取