无人机数据集解析：PASCAL VOC XML转YOLO训练实战与避坑指南

简介：面向无人机目标检测与视觉感知任务的数据集，基于一万张原始航拍图片制作，统一标注为无人机类别，并按训练、验证、测试三个子集划分，数量分别为三千一百五十五、三千九百零六、两千九百三十九，模型实测正确识别率可达百分之九十五点七。压缩包约七百三十五兆，包含两千个PASICAL VOC XML标注文件，坐标框信息完整，便于后续转换为YOLO、COCO JSON等常用格式。数据划分与标签字段完整，可直接用于目标检测模型训练、算法效果对比、航拍目标识别演示等场景。目前已有二百三十七人学习，对需要搭建无人机感知演示项目、完成毕业设计或开展科研试验的开发者，是一份现成可用的标注数据基础，可显著减少数据准备时间。

1. 10000张PASCAL VOC XML无人机数据集：先看清“95.7%”是怎么来的

做无人机目标检测的人拿到“10000张原始无人机图片、PASCAL VOC XML格式标注、识别率95.7%”这套数据时，第一反应通常是兴奋，第二反应才是冷静：这个95.7%到底是准确率、召回率还是mAP？实测场景能不能复现？这批数据的价值不在标注格式本身，而在“原始”两个字——采集后没做过筛选，大量背景、遮挡、模糊、反光都留在里面，比清洗过的数据集更接近真实部署环境。它适合正在做电力巡检、违建识别、车辆检测、目标计数，但又缺一套带规范标注的航拍数据来冷启动的工程团队。如果你指望把XML直接扔进训练脚本就能拿到95.7%，我劝你先花半小时看完第2章的标注结构。

2. 拆开10000张无人机数据集：JPEGImages、Annotations、ImageSets 各管什么

2.1 三件套目录：一张原图对应一个 XML，别再把标注文件搞混

PASCAL VOC 格式的数据集，目录结构几乎固定，这套一万张的无人机数据也不例外。拿到压缩包后先不要急着训练，第一步是确认目录是否完整：

├── JPEGImages/ # 10000张jpg原始航拍图 │ ├── 000001.jpg │ ├── 000002.jpg │ └── ... ├── Annotations/ # 10000个同名xml标注文件 │ ├── 000001.xml │ ├── 000002.xml │ └── ... └── ImageSets/ └── Main/ ├── train.txt # 训练集图片列表（不带扩展名） ├── val.txt # 验证集图片列表 ├── trainval.txt # 训练+验证合并列表 └── test.txt # 测试集列表（可能没有）

这里的核心规则是：JPEGImages 里的000001.jpg对应 Annotations 里的000001.xml，文件名一一对应，扩展名不同。ImageSets/Main 下的 txt 文件每一行是图片名，不带.jpg后缀。很多人第一步就栽在这里——用glob.glob('*.jpg')遍历图片后，想当然地拼出xml_path = img_path.replace('.jpg', '.xml')，结果在 Windows 与 Linux 混用环境下，因为文件大小写不一致或者路径分隔符问题，导致大量 XML 找不到。

这批数据是“原始”采集，所以图片往往不止 1920x1080 一种分辨率，无人机不同飞行高度、不同云台角度拍出来的图宽高比差异很大。VOC 格式里每张图片的尺寸是写进 XML 内部的，不是靠代码读图片再猜的。因此任何解析脚本都必须以 XML 里的 size 字段作为坐标归一化的基准，不要用cv2.imread()返回的实际宽高去替换它，除非你能确认二者完全一致。

2.2 读透一个标注文件： 到 的逐层含义

打开任意一个 XML 标注文件，结构大概是这样的：

<annotation> <folder>JPEGImages</folder> <filename>000001.jpg</filename> <path>D:/uav_dataset/JPEGImages/000001.jpg</path> <source> <database>UAV Dataset</database> </source> <size> <width>1920</width> <height>1080</height> <depth>3</depth> </size> <segmented>0</segmented> <object> <name>car</name> <pose>Unspecified</pose> <truncated>0</truncated> <difficult>0</difficult> <bndbox> <xmin>100</xmin> <ymin>200</ymin> <xmax>180</xmax> <ymax>260</ymax> </bndbox> </object> </annotation>

size字段里的 width 和 height 是这张图片的原始宽高，所有坐标都必须在这个坐标系下解释。object节点是重复出现的——一张图里有几个目标就有几个<object>。name是类别名，bndbox里是矩形框的左上角（xmin, ymin）和右下角（xmax, ymax），坐标单位是像素，不是百分比。

三个容易被忽略的字段：truncated表示目标是否在图像边缘被截断；difficult表示目标是否存在严重遮挡或极小、极不清晰。PASCAL VOC 官方的评估规则默认不算入 difficult 目标，但如果你在自己训练时不做过滤，difficult 目标也会参与 loss 计算，最终表现为验证集 mAP 和“官方宣称的95.7%”对不上。pose字段在无人机俯视视角下基本没有意义，它本身是 PASCAL VOC 为行人、车辆侧视图设计的。

解析时还有一个隐蔽点：VOC 的 bndbox 坐标理论上是整数，但部分标注工具会输出浮点数，或者出现 xmin == xmax 这种退化框。不要默认数据就是干净的，解析脚本里必须加一层坐标合法性校验。

3. 用 Python 正确解析 VOC XML：从 xml.etree 到可视化验证

3.1 选择解析工具：为什么我不用正则而是用 ElementTree

VOC XML 的层级相对固定，有人图省事直接用正则去提取 bndbox 里的数字。这种做法在标注工具版本单一、文件从未被其他软件改动时能跑通，但只要 XML 里多了一个属性，或者<xmin> </xmin>之间有换行和缩进，正则就崩给你看。XML 是结构化数据，正确做法是用解析器按节点读取，Python 标准库里xml.etree.ElementTree完全够用，零第三方依赖，不会引入 lxml 的编译安装问题。

打开和编辑这些 XML 文件时，同样不建议用 IDE 的自动格式化功能。IDEA 或 VS Code 的 XML 格式化会自动重排缩进、甚至改写空行，导致 git diff 时每一行都显示为改动，后续做标注版本对比时全是噪音。我一般用 VS Code 安装 XML Tools 插件看树形结构，或者直接用 Notepad++ 打开，只做局部修改，不做全文件格式化。

3.2 一段能直接跑的解析脚本：读坐标、读类别、统计目标数

写一个通用的解析函数，作为后续转 YOLO、可视化、数据清洗的统一入口：

import os import glob import xml.etree.ElementTree as ET def parse_voc_xml(xml_path): """ 解析 PASCAL VOC 单张标注文件 返回: {'image_path':..., 'width':..., 'height':..., 'objects':[...]} """ tree = ET.parse(xml_path) # 文件损坏时这里会抛 ParseError root = tree.getroot() base_dir = os.path.dirname(xml_path) filename = root.findtext('filename') image_path = os.path.join(base_dir, filename) size = root.find('size') width = int(size.findtext('width')) height = int(size.findtext('height')) objects = [] for obj in root.findall('object'): # 遍历所有目标框 name = obj.findtext('name').strip() bndbox = obj.find('bndbox') xmin = float(bndbox.findtext('xmin')) ymin = float(bndbox.findtext('ymin')) xmax = float(bndbox.findtext('xmax')) ymax = float(bndbox.findtext('ymax')) # 坐标合法性校验：框不能退化或超出图像范围 if xmin >= xmax or ymin >= ymax: print(f'[warning] 退化框 {xml_path}: {name} [{xmin}, {ymin}, {xmax}, {ymax}]') continue if xmin < 0 or ymin < 0 or xmax > width or ymax > height: print(f'[warning] 越界框 {xml_path}: {name} [{xmin}, {ymin}, {xmax}, {ymax}]') objects.append({ 'name': name, 'bbox': [xmin, ymin, xmax, ymax], 'truncated': int(obj.findtext('truncated') or 0), 'difficult': int(obj.findtext('difficult') or 0) }) return { 'image_path': image_path, 'width': width, 'height': height, 'objects': objects } xml_dir = 'Annotations' stats = {} for xml_file in sorted(glob.glob(os.path.join(xml_dir, '*.xml'))): parsed = parse_voc_xml(xml_file) for obj in parsed['objects']: stats[obj['name']] = stats.get(obj['name'], 0) + 1 print('类别统计:', stats)

逻辑说明：先用ET.parse把整个 XML 载入内存并构建 ElementTree，再通过getroot()拿到根节点。root.find('size')只匹配直接子节点，VOC 的 size 是 annotation 直接子节点所以没问题；但 xmin 是 bndbox 的子节点，不是 object 的直接子节点，不能直接obj.findtext('xmin')，必须先obj.find('bndbox')再往下找。

参数说明：int(obj.findtext('truncated') or 0)这行的目的是防空值——有些标注工具不会写 truncated 字段，findtext返回 None，直接 int() 会报错，用or 0兜底。float()而不是int()是因为少部分工具会输出小数点坐标，全程浮点处理更稳妥。脚本最后的警告信息不要直接忽略，退化框和越界框的比例是这个数据集质量的第一个体检指标。

3.3 可视化验证：把框画回原图，这一步不能省

解析脚本返回的数字再漂亮，也不如眼睛看得见。Visualization 是验证标注与图像是否对齐的最后一关，尤其无人机俯拍图里目标往往又小又多，坐标差几个像素在数字上看不出来，画到图上立刻现形：

import cv2 import random def draw_boxes(image_path, parsed, output_path): img = cv2.imread(image_path) if img is None: print(f'[error] 图片读取失败: {image_path}') return img_h, img_w = img.shape[:2] if img_w != parsed['width'] or img_h != parsed['height']: print(f'[warning] XML尺寸与图片不符 {image_path}: ' f'xml={parsed["width"]}x{parsed["height"]}, img={img_w}x{img_h}') for obj in parsed['objects']: xmin, ymin, xmax, ymax = [int(v) for v in obj['bbox']] color = (random.randint(0, 255), random.randint(0, 255), random.randint(0, 255)) cv2.rectangle(img, (xmin, ymin), (xmax, ymax), color, 2) label = obj['name'] if obj['difficult']: label += '_diff' cv2.putText(img, label, (xmin, max(ymin - 8, 0)), cv2.FONT_HERSHEY_SIMPLEX, 0.6, color, 2) cv2.imwrite(output_path, img) # 抽查前20个文件 xml_files = sorted(glob.glob('Annotations/*.xml'))[:20] for xml_file in xml_files: parsed = parse_voc_xml(xml_file) out_path = 'vis_' + os.path.basename(parsed['image_path']) draw_boxes(parsed['image_path'], parsed, out_path)

逻辑说明：cv2.imread读出 BGR 图像，shape返回的是 H×W×C，所以与 XML 里的 width 比较时要写成img_w != parsed['width']，不要写反。画框时cv2.rectangle的坐标参数是左上角和右下角，与 VOC 的 bndbox 定义完全一致，直接贴过去即可。

参数说明：random.randint(0, 255)给每个类别随机生成颜色，只是为了肉眼区分不同目标框，不是固定色板；max(ymin - 8, 0)是为了防止目标在图像顶部时文字画出边界，OpenCV 的 putText 坐标如果为负会导致崩溃。抽查数量建议覆盖 train、val、test 三个集合，而不是只挑前几个文件名——顺序往往与难易程度无关。

4. 把 VOC XML 转成 YOLO 训练格式：目录组织与关键参数设定

4.1 为什么最终还是要转 YOLO txt：免去运行时反复解析 XML

训练时直接对 XML 做在线解析可行，但没必要。YOLO 系列训练管线默认读取class_id x_center y_center width height的纯文本格式，每行一个目标；运行时解析 XML 需要在 DataLoader 里频繁调用xml.etree，每 epoch 都重读一遍，白白浪费 IO，还会把 XML 解析失败的异常带到训练循环里，让排查变得困难。更关键的是 YOLO 需要归一化坐标，而 VOC 是绝对像素坐标，逐样本换算不如在预处理阶段一次性完成。

因此实际操作上分为两步：先把整个 Annotations 目录转成同等数量的 txt 文件，再按 train.txt / val.txt 的名单把图片和 txt 分别复制到images/train、images/val、labels/train、labels/val。注意是“复制”而不是“移动”，原始 VOC 目录要保留，后续可视化、复盘、改标注还要用。

4.2 VOC 转 YOLO 的坐标归一化公式和一条命令脚本

归一化公式只有四条：

• x_center = ((xmin + xmax) / 2) / width
• y_center = ((ymin + ymax) / 2) / height
• w = (xmax - xmin) / width
• h = (ymax - ymin) / height

import os import glob import xml.etree.ElementTree as ET # 按实际数据集的类别顺序填写，顺序就是训练时的 class_id CLASS_NAMES = ['car', 'person', 'building', 'tree'] def voc_xml_to_yolo_txt(xml_path, out_dir): tree = ET.parse(xml_path) root = tree.getroot() width = int(root.find('size').findtext('width')) height = int(root.find('size').findtext('height')) base = os.path.splitext(os.path.basename(xml_path))[0] txt_path = os.path.join(out_dir, base + '.txt') with open(txt_path, 'w') as f: for obj in root.findall('object'): name = obj.findtext('name').strip() if name not in CLASS_NAMES: print(f'[skip] 不在类别清单中: {name} @ {xml_path}') continue cls_id = CLASS_NAMES.index(name) bndbox = obj.find('bndbox') xmin = float(bndbox.findtext('xmin')) ymin = float(bndbox.findtext('ymin')) xmax = float(bndbox.findtext('xmax')) ymax = float(bndbox.findtext('ymax')) x_center = ((xmin + xmax) / 2) / width y_center = ((ymin + ymax) / 2) / height w = (xmax - xmin) / width h = (ymax - ymin) / height # 防止归一化后出现负数或超过1的值 x_center = min(max(x_center, 0.0), 1.0) y_center = min(max(y_center, 0.0), 1.0) w = min(max(w, 0.0), 1.0) h = min(max(h, 0.0), 1.0) f.write(f'{cls_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}\n') os.makedirs('labels_all', exist_ok=True) for xml_file in glob.glob('Annotations/*.xml'): voc_xml_to_yolo_txt(xml_file, 'labels_all')

逻辑说明：输出的 txt 每行对应一个目标框，第一列是类别 id，后四列是归一化后的中心点坐标和宽高。f'{x_center:.6f}'保留 6 位小数足够——在 1920 宽度的图上，6 位小数的精度达到 0.00002 像素量级，完全不会因为精度丢失导致框偏移。

参数说明：CLASS_NAMES的顺序决定了 class_id，一旦训练开始就不要改动，否则已生成的 txt 全部作废。类别清单的排序不是按字母，而是按你训练时 data.yaml 里 names 的顺序。越界框与退化框在这个阶段要处理掉，但不能在循环里直接break，否则一张图里一个坏框会丢掉整张图所有有效目标；正确做法是continue跳过坏框，保留同一张图里的其他合法框。

4.3 训练前必调的三个参数：imgsz、batch、epochs 的取舍

转好格式后，在 YOLOv8 或 YOLOv11 里训练。一份最小可用的 data.yaml 长这样：

path: /data/uav_dataset train: images/train val: images/val nc: 4 names: ['car', 'person', 'building', 'tree']

训练命令：

yolo detect train data=data.yaml model=yolov8s.pt epochs=100 imgsz=640 batch=16

关键参数按优先级说：

• imgsz=640是默认值，但无人机俯视场景目标往往只有 20×20 像素，640 下小目标会缩到 10×10 以下，特征几乎丢失。如果有显存余量，我一般先试imgsz=1024，mAP 通常能涨 2~4 个点，代价是训练时间翻倍、显存占用明显上升。imgsz 和 batch 是此消彼长的关系，二者乘积约等于单卡显存上限。
• batch=16在单卡 24GB 显存、imgsz=640 时比较稳；batch 太小（比如 4）会让训练后期 loss 波动大，BatchNorm 统计不稳定；batch 太大则单 epoch 时间过长，不划算。如果显存不够，优先降 imgsz 而不是降 batch。
• epochs=100对 10000 张图来说基本够模型收敛。判断标准不是 train_loss，而是 val_loss 是否进入平台期。100 epoch 后 val_loss 还在稳定下降，可以继续训练；已经震荡或回升就是过拟合，早停比盲目加 epoch 更有效。

训练时的确认点：观察前几个 epoch 的 loss 曲线是否正常下降，同时打开训练日志里的标注预览图，确认 Mosaic 增强后的样本没有出现标注框与图像错位。如果训练集图片里有大量带 EXIF 旋转信息的 JPG，转 YOLO 时 OpenCV 读图会自动忽略 EXIF 旋转，而原图在查看器里是旋转过的，这会导致框看起来歪掉——这是无人机相机常见问题，后续会单独讲。

5. 无人机标注数据集的 5 个避坑点：从坐标越界到图片损坏

5.1 现象：训练到一半报 XML ParseError，又定位不到坏文件

训练循环里偶发报错xml.etree.ElementTree.ParseError: not well-formed (invalid token)，但报错信息没有明确指出是哪个文件。逐个人工检查 XML 不可能，10000 个文件靠肉眼翻不现实。

原因：最常见是标注工具在输出时把&写成了裸符号，比如类别名出现R&D，XML 规范里必须写作&，解析器遇到裸&就会报错。第二个常见原因是有人在 Excel 或 WPS 里打开 XML 后保存，导致编码或转义字符被改写。

解决：写一段全量扫描脚本，遍历 Annotations 目录，用ET.parse逐个解析，捕获ParseError并打印文件路径。扫描通过后再跑训练，而不是等训练随机崩溃。这类问题在“原始数据集”里尤其常见——发布者自己可能也没用解析器跑过完整校验，只看了几个样例。

5.2 现象：mAP 整体 0.9，无人机小目标却几乎全漏

模型在大目标上表现极好，平均 mAP 很高，但实际跑无人机航线时，车辆、行人这种 20×20 像素的小目标几乎检测不到。回看验证集，发现拉高 mAP 的是少数几个大尺寸建筑目标。

原因：mAP 是所有类别、所有尺寸目标的平均值，大目标框面积大、IOU 容易达标，会在统计上掩盖小目标召回率低的问题。另一个原因是 Mosaic 增强在 imgsz=640 时会把目标缩小 4 倍，原本 20×20 的小目标缩成 5×5，直接变成噪声。

解决：不要只看整体 mAP，用yolo detect val输出的 per-class AP 表逐个看，重点看车辆、行人这类小目标类别的 AP50。训练时把 Mosaic 的 scale 参数调低，或对小目标类别做离线过采样，把包含小目标的图片复制 2~3 份加入训练集。如果数据里的小目标类别本身框数就少，单独给它们加 oversample 权重比调全局增强参数更直接。

5.3 现象：train.txt 与 val.txt 出现同图，评估分数虚高

训练完的 mAP 高得离谱，接近 99%，部署时表现和训练指标完全对不上。检查发现 train.txt 和 val.txt 中有大量重复图片。

原因：这个数据集的 ImageSets/Main 是发布时按顺序划分的，比如前 8000 张为 train，后 2000 张为 val。如果原始图片按航迹连续采集，同一目标可能出现在相邻好几张图片里，切分时又没有做序列去重，导致训练集与验证集存在高相似度甚至同一目标的多个视角，评估指标自然好看，但换一条新航线就现原形。

解决：训练前写个脚本对 train.txt 和 val.txt 做交集校验，打印重复项。更严格的方案是按拍摄时间或航迹 ID 做分组划分，保证同一架次的数据只出现在一个集合。如果数据集没有提供这些元信息，退而求其次的做法是检查相邻序号图片的感知哈希相似度，把相似度大于阈值的图片从验证集中剔除。

5.4 现象：类别框数差 100 倍，模型只学大目标

统计 10000 张图的框数分布后发现：车辆类有 8 万多个框，船只类只有 300 多个框，模型对船只目标的 AP 接近 0。这不是网络结构的问题，是类别不均衡的问题。

原因：目标检测的 loss 默认按 batch 内所有框平均计算，多数类别主导了梯度方向，少数类别的框数量太少，对 loss 的贡献微乎其微，训练几个 epoch 后网络直接忽略它。

解决：先按框数统计做可视化柱状图，框数少于 2000 的类别就要单独处理。最简单的是离线复制粘贴增强——从原图中把少数类目标抠出来，贴到没有该目标的纯净背景图上，同时生成对应的 YOLO txt 标注，把类别框数拉到与多数类同量级。注意粘贴时目标不能出边界，缩放不能超过原目标尺寸的 30%，否则模型学到的不是目标特征而是粘贴痕迹。另一个办法是在 loss 层用类别权重，YOLOv8 的cls参数可以配合自定义权重调整，但工程上最稳的还是数据层面先均衡。

5.5 现象：jpg 损坏或 XML 缺失让训练中断且没法续训

训练到第 30 个 epoch，突然报FileNotFoundError: xxx.jpg，或者cv2.imread返回 None，DataLoader 直接崩溃。重新启动训练时又从零开始，前面的 30 个 epoch 白跑。

原因：数据集传输或解压过程中部分图片损坏，jpg 文件头还在但数据不完整，OpenCV 读到一半返回 None。也有可能是图片名在 Windows 解压时被截断或自动改名，导致 XML 里记录的 filename 与实际文件对不上。

解决：训练前做一次完整性校验脚本，遍历所有 txt 标注，确认对应图片存在且cv2.imread不为 None，同时检查图片尺寸与 XML size 字段是否一致。校验通过后再训练。训练时要开启 checkpoint 保存，YOLO 默认每 50 epoch 存一次，可以手动改成save_period=10，脚本崩溃后从最近的 checkpoint 用resume=True续训，不要每次都从头跑。

6. 复现 95.7% 之前设好验证边界：mAP50 自测与小目标增强技巧

6.1 自测命令：用 val.txt 跑一次 mAP50 与 mAP50-95

拿到这套数据后，先用官方划分好的 val.txt 做一次基准测试：

yolo detect val model=runs/detect/train/weights/best.pt data=data.yaml split=val

这里要看两个指标：mAP50和mAP50-95。mAP50 是 IoU 阈值 0.5 下的平均精度，框大概框住目标就算对；mAP50-95 是把 IoU 阈值从 0.5 每隔 0.05 提升到 0.95，再取平均，对框的精准度要求高得多。标题里的“95.7%”绝大多数情况下指的是 mAP50，这个数字很漂亮，但放到 mAP50-95 上通常只有 60%~75%，二者不是同一个量级。验证时还要看results.csv里每一类的 AP，尤其关注车辆、行人这类小目标类别，如果某一类的 AP50 低于 50%，整体 mAP 再高也不能直接上线。

6.2 进阶：针对无人机小目标的三项增强

无人机场景和普通地面视角不一样，目标小、密度高、背景复杂，常规增强策略要按参数针对性调整：

Mosaic 和 MixUp 都是从 YOLO 训练管线里直接调的增强参数。Mosaic 拼四张图并随机缩放，无人机小目标本来只有 20 像素，再被 Mosaic 缩小 4 倍就真的没了，把 scale 调低到 0.3 能保证小目标在拼接后仍有 10 像素以上。随机裁剪不是 YOLO 自带的增强，要自己在数据集层面做——对包含小目标的图片做中心区域裁剪并放大，模拟无人机降低高度后的视角，对提升小目标 AP 非常有效。

我自己的习惯是：训练前先跑一遍数据校验脚本，再跑一次完整解析和可视化抽查，最后才动手训练——从标注入手的项目，80% 的坑都出在数据本身，而不是模型。复现 95.7% 之前，先确认自己的验证划分和评估口径跟它的定义一致，否则这个数字只能当宣传值看。希望帮到你。

本文还有配套的精品资源，点击获取