广告牌检测数据集VOC+YOLO双格式114张，YOLOv8训练全流程

简介：面向城市管理与目标检测算法学习场景，街道乱放广告牌检测数据集提供114张真实街景图片，同时给出VOC与YOLO两种格式的标注框，类别统一为广告牌，共有165个矩形标注，适合用于违规广告牌识别模型的训练与验证。资源包共344个文件，包含114张jpg原图、114个xml标注文件及116个txt文件（其中114个为YOLO格式标注），整体仅8.12MB，目录结构清晰，便于快速加载与二次处理。目前已有312人学习下载，数据量适中、格式规范，既可作为目标检测入门练习数据，也适合做数据增强或迁移学习实验；使用labelImg工具标注，矩形框规则明确，有助于理解VOC与YOLO两种常用标注格式的对应关系。需要提醒的是，数据集只保证标注准确合理，不对模型精度作承诺，使用者可按需划分训练集和测试集。

1. 街道乱放广告牌检测数据集：114张VOC+YOLO双格式，单类目标检测怎么落地

城市管理巡检里，街道乱放广告牌检测是一个比较典型的单类目标检测任务，看着简单，真做起来却有两道坎：一是正样本要现场采集，违规广告牌形态五花八门；二是标注格式不统一，换训练框架就得重新转格式。我最近拆了一份街道乱放广告牌检测数据集，VOC+YOLO双格式直接打包，解压出来是114张jpg、114个xml、114个txt，标注类别只有guangguang一个，累计165个矩形框，全部用labelImg人工画框完成。对想快速验证YOLOv5/YOLOv8训练流程的从业者，这份数据省掉了爬图、清洗、标注、转格式的重复劳动；对做城管告警、门店违规识别项目的人来说，可以作为冷启动阶段的预训练样本。下面从解压、校验到训练、避坑，把整个流程过一遍。

2. 拆开压缩包看标注细节：VOC与YOLO两种格式的目录结构、xml字段与归一化换算

2.1 双格式目录结构：jpg/xml/txt三者怎么对应

拿到压缩包先不要急着解压训练，先把目录结构摸清楚。这份数据集的文件名前缀是firc_jd，后面跟编号，我拆开之后看到的实际对应关系是：每张图片有一个同名xml和一个同名txt，三者散落在同一层目录里，并不像很多开源数据集那样强制分成JPEGImages、Annotations、labels三个子目录。这对训练来说其实更自由，你自己按需归类就行。

为什么我强调“双格式”这件事？因为labelImg保存时默认写VOC的xml，而YOLO系列训练读的是txt。很多数据集只给其中一种，你拿到后要么装labelImg重新导出，要么到处找转换脚本。这份直接把两种都给齐了，理论上解压后可以直接喂给YOLO训练。另外注意摘要里特别提了一句“不包含分割路径的txt文件”，意思是这份txt不是YOLO分割格式的多边形polygon坐标，而是每行一条检测记录，别当成分割标注喂给yolov8-seg，否则会直接报维度错误。

2.2 VOC的xml标签字段：object、size、bndbox逐一拆解

VOC格式的好处是结构直观，一个目标对应一个<object>节点。我拿其中一张图的结构做个示意，字段含义如下：

<annotation> <folder>JPEGImages</folder> <filename>firc_jd_13.jpg</filename> <size> <width>1280</width> <height>720</height> <depth>3</depth> </size> <object> <name>guanggao</name> <pose>Unspecified</pose> <truncated>0</truncated> <difficult>0</difficult> <bndbox> <xmin>100</xmin> <ymin>80</ymin> <xmax>340</xmax> <ymax>260</ymax> </bndbox> </object> </annotation>

这里的<size>是原图宽高和通道数，<bndbox>是矩形框的左上角xmin/ymin和右下角xmax/ymax。<truncated>和<difficult>在labelImg里默认是0，表示目标没有被截断、不算难例，训练时这两个字段YOLO不读，但保留着不影响转换。需要注意一点：xml里的<filename>和实际jpg文件名必须完全一致，包括字母大小写，否则后面做数据划分时很容易出现“图片走了、标注没跟上”的情况。

2.3 YOLO txt的归一化坐标：从xml到txt的换算与类别映射

YOLO格式的txt每一行是class_id x_center y_center width height，坐标全部归一化到0到1之间。归一化公式我在实际项目里一般这样写：

def xml_to_yolo(xml_path, img_width, img_height): import xml.etree.ElementTree as ET tree = ET.parse(xml_path) root = tree.getroot() lines = [] for obj in root.findall('object'): class_id = 0 # 本数据集只有guanggao，索引固定为0 bndbox = obj.find('bndbox') xmin = float(bndbox.find('xmin').text) ymin = float(bndbox.find('ymin').text) xmax = float(bndbox.find('xmax').text) ymax = float(bndbox.find('ymax').text) 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 lines.append(f"{class_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}") return "\n".join(lines)

这段脚本的核心逻辑是：先解析xml拿到bndbox四个坐标，再除以图片宽高做归一化，最后按class_id cx cy w h拼成一行。因为这份数据只有一个类别，class_id固定写0；如果你的训练data.yaml里把类别顺序改了，这个数字也要跟着改。归一化后w和h是相对值，理论上永远小于1，如果跑出来某行w或h大于1，说明xml里的bndbox越界了，后面避坑章节会专门讲这个场景。

3. 从7z到可训练数据集：解压校验、框数核对与train/val划分脚本

3.1 解压7z：Windows与Linux两种方式及文件完整性检查

压缩包是7z格式，和zip不太一样，Windows系统自带的资源管理器解压不了，得装第三方工具。我一般在Windows上用7-Zip，右键“解压到当前文件夹”就能看到jpg/xml/txt三组文件。Linux环境下用命令行：

# Ubuntu/Debian 先装 p7zip sudo apt install p7zip-full # 解压到目标目录 7z x 街道乱放广告牌检测数据集VOC+YOLO格式114张1类别.7z -o./street_sign_dataset

解压参数说明：x表示保留完整目录结构解压，-o后面跟输出目录，注意-o和目录路径之间不要加空格，加了会被识别成两个参数。解压完第一件事不是看图片，而是数文件数量。我的习惯是跑一条ls | wc -l分别统计jpg、xml、txt的数量，必须都是114。这种标注数据一旦中间缺一个txt，训练时那张图就会被跳过，而且你不会立刻发现，等loss曲线异常才回头排查，非常浪费时间。

3.2 校验脚本：xml与txt框数、文件名一对一核对

解压正常不代表标注没毛病。我拆数据集的固定动作是先跑一个校验脚本，确认三件事：文件名一一对应、每个txt行数不为0、总框数等于165。

import os from pathlib import Path img_dir = Path("./street_sign_dataset") # 图片目录 xml_dir = Path("./street_sign_dataset") # xml目录 txt_dir = Path("./street_sign_dataset") # txt目录 imgs = {p.stem for p in img_dir.glob("*.jpg")} xmls = {p.stem for p in xml_dir.glob("*.xml")} txts = {p.stem for p in txt_dir.glob("*.txt")} # 1. 三集合必须完全一致 print("jpg数量:", len(imgs), "xml数量:", len(xmls), "txt数量:", len(txts)) print("缺xml:", imgs - xmls, "缺txt:", imgs - txts) # 2. 每个txt不能是空文件，且框数总和应为165 total_boxes = 0 for t in sorted(txt_dir.glob("*.txt")): lines = [line.strip() for line in t.read_text(encoding="utf-8").splitlines() if line.strip()] total_boxes += len(lines) if len(lines) == 0: print("空标注:", t.name) print("总框数:", total_boxes) assert total_boxes == 165, "框数不对，检查标注文件"

这个脚本的逻辑不复杂，但很实用：先用Path.stem取文件名不带后缀的部分，做差集判断；再逐行读取txt统计框数。注意txt的编码要按UTF-8读，如果解压工具在Windows上把文件名搞成乱码，这里集合差集会直接暴露问题。实际跑这份数据时，框数出来的结果就应该是165，多一行少一行都要停下来查。

3.3 按比例切分train/val并生成data.yaml

校验通过后做数据划分。114张图不算多，我一般按9:1切，也就是train约103张、val约11张。如果是做正式项目，这个比例还会再调整，但对小样本来说val太多反而让训练集更稀疏。

import random import shutil from pathlib import Path src = Path("./street_sign_dataset") train_dir = Path("./street_sign_dataset/images/train") val_dir = Path("./street_sign_dataset/images/val") train_lbl = Path("./street_sign_dataset/labels/train") val_lbl = Path("./street_sign_dataset/labels/val") for d in [train_dir, val_dir, train_lbl, val_lbl]: d.mkdir(parents=True, exist_ok=True) jpg_files = sorted(src.glob("*.jpg")) random.seed(42) random.shuffle(jpg_files) val_cnt = int(len(jpg_files) * 0.1) val_files = jpg_files[:val_cnt] train_files = jpg_files[val_cnt:] def move_pair(file_list, img_dst, lbl_dst): for jpg in file_list: xml = jpg.with_suffix(".xml") txt = jpg.with_suffix(".txt") shutil.copy(jpg, img_dst / jpg.name) shutil.copy(xml, lbl_dst / xml.name) shutil.copy(txt, lbl_dst / txt.name) move_pair(train_files, train_dir, train_lbl) move_pair(val_files, val_dir, val_lbl) print("train:", len(train_files), "val:", len(val_files))

这里我用的copy而不是move，是给自己留后悔药——万一划分不均或者想重新切，原目录还在。随机种子固定为42，保证每次跑出来的划分结果一致，方便复现。划分之后YOLO训练的data.yaml就能这样写：

path: /absolute/path/to/street_sign_dataset train: images/train val: images/val names: 0: guanggao

提示：path字段尽量写绝对路径。相对路径在YOLOv8里有时会因为启动目录不同而找不到图片，报dataset not found，排查起来很绕。

4. 用YOLOv8跑通单类小样本训练：dataset.yaml、增强参数与训练日志解读

4.1 模型选型与dataset.yaml：为什么单类114张优先选n或s

处理数据集用于YOLOv8训练时，第一关是选模型尺寸。很多人上来就选yolov8m甚至yolov8x，觉得大模型精度上限高。但对114张、单类别、165框的数据集，大模型几乎必然过拟合。我的经验是：n和s之间选一个，先跑通流程看loss和mAP，如果欠拟合再往上加。

这个选择逻辑不复杂：目标检测模型容量越大，需要的数据和训练轮次越多。广告牌检测不是猫狗分类那种纹理极度丰富的任务，n模型的特征提取能力已经足够覆盖“柜台上立一块牌子”这种中粒度目标。训练入口文件data.yaml也很简单，类别guanggao对应索引0，和txt里的class_id保持一致即可。

4.2 训练命令与增强参数：epochs、close_mosaic、batch怎么配合

数据量小，训练参数就得往“稳”字上靠。我实际跑这份数据的命令是：

yolo detect train \ data=street_sign_dataset/data.yaml \ model=yolov8n.pt \ epochs=200 \ imgsz=640 \ batch=8 \ patience=30 \ close_mosaic=10 \ lr0=0.005 \ cache=ram

参数说明：model=yolov8n.pt会自动下载COCO预训练权重，不用手动找yolo预训练模型下载地址；epochs=200对小样本足够，多了反而记住噪声；patience=30表示30轮验证指标不涨就早停；close_mosaic=10很关键——mosaic增强在训练最后10轮自动关闭，这是YOLOv8官方推荐的策略，避免最后阶段还在拼图造成优化震荡；lr0从默认0.01降到0.005，小样本下初始学习率过高容易让BN层崩溃；cache=ram把图片缓存进内存，114张小图完全放得下，训练速度提升明显。

增强参数如果默认效果不好，我会在命令里追加：

fliplr对广告牌检测要谨慎：如果路边广告牌本身带文字，翻转后文字是反的，但检测任务只看矩形框位置，不看文字方向，所以影响不大。真正要留意的是degrees别开太大，广告牌在真实场景里很少大角度倾斜，转太多反而制造伪样本。

4.3 训练日志与混淆矩阵：loss、P/R、mAP50的读法与常见误读

训练完成后，YOLOv8会在runs/detect/train/下生成results.csv，里面每一列对应一个指标。我看这份数据时重点盯三个：train/box_loss是否持续下降且无尖峰、metrics/mAP50(B)在val上是否稳定、metrics/precision(B)和metrics/recall(B)是否出现严重失衡。小样本单类任务常见的现象是recall很高、precision偏低，因为模型把相似的招牌背景都当成广告牌。

还有一个容易被误读的地方：混淆矩阵。YOLOv8画出的混淆矩阵纵轴是真实类别占比，横轴是预测类别占比，格子加起来不等于100%很正常，它表达的是“召回率视角”的分布，不是联合分布。看到矩阵合计不是1别急着怀疑代码 bug，先看是不是没做归一化。这属于yolo混淆矩阵里最常被问的坑。

5. 避坑手册：114张小样本广告牌检测的五个常见坑

5.1 解压后文件名乱码或文件缺失

现象：用某些国产解压软件打开7z，解压出的jpg文件名变成乱码，或者xml/txt三件套少了一件。原因：压缩包内文件名按UTF-8编码，老版本解压工具按ANSI解码，中文文件名和前缀符号被转义破坏。解决：Windows一律用7-Zip 21以上版本，Linux用p7zip解压；解压完先跑一遍上文的集合差集脚本，发现缺文件就从原包重新解压，不要手工改名凑数。

5.2 txt里出现全0坐标或宽高越界

现象：训练时日志提示某行标注框无效，或者val的mAP一开始就是0。原因：xml里的bndbox如果出现xmax等于xmin，归一化后宽为0；如果标注框超出了图片边界，归一化后数值可能大于1，模型训练时算loss直接算不下去。解决：在校验脚本里加一条判断，凡是w或h小于等于0、大于1的行单独打印，定位到具体txt后人工回看图，用labelImg修正对应xml再重新生成txt。这种问题通常在数据生产阶段就存在，属于标注质量筛查，不是训练配置能救的。

5.3 val的mAP很高，实拍视频却漏检

现象：验证集mAP50到0.9以上，但拿现场手机拍的视频一测，远处广告牌完全不识别。原因：数据集里的原图拍摄距离偏近，目标框占整图比例较大；验证集和训练集来自同一采集批次，分布高度相似，评估结果虚高。实拍场景里目标小、亮度杂、背景乱，分布漂移直接击穿模型。解决：训练时可以用imgsz=768提升小目标分辨率，推理时对视频帧做ROI裁剪，只检测街道两侧的固定区域；同时加大实际场景数据的补充比例，把每天巡检拍的新图按周回流训练集。

5.4 把guanggao改成中文类别名后训练报错

现象：觉得类别名用拼音不够专业，把data.yaml里的guanggao改成“广告牌”，一跑训练就报错，要么KeyError要么标签读取为空。原因：Windows下记事本另存为时默认编码是ANSI（GBK），YAML按UTF-8读取时中文变乱码；即使强迫保存为UTF-8，cmd终端和Python解释器的编码环境不一致也会出问题。解决：类别名保持英文或拼音最稳妥，这是我在多个项目里的血泪经验；实在要显示中文，只改可视化标签映射，不动训练文件里的names字段。

5.5 训练中BN崩溃或loss出现NaN

现象：训练到一半train/box_loss突然变成nan，之后的epoch全部无效。原因：小样本下初始学习率偏高，加上最后阶段mosaic增强拼接了大量不自然样本，BN层的running_mean被带偏。解决：把lr0降到0.003到0.005之间，close_mosaic开到15到20轮，batch固定不要忽大忽小；如果还崩，用yolo detect train ... freeze=10把前10层backbone冻结，只训练neck和head，让训练更稳。这个毛病在yolo训练里不算罕见，看到nan先查学习率，别急着换模型。

6. 验证与业务落地：从mAP到置信度阈值与告警逻辑的联动

6.1 导出ONNX并在业务侧做一次快速验证

训练完的best.pt不能直接丢给线上服务，建议先导成ONNX，再用onnxruntime快速验证一张图：

yolo export model=runs/detect/train/weights/best.pt format=onnx imgsz=640

导出后用一段Python接口验证推理结果，核心参数是置信度阈值和NMS的IoU阈值：

import cv2 import onnxruntime as ort import numpy as np sess = ort.InferenceSession("best.onnx") input_name = sess.get_inputs()[0].name img = cv2.imread("street_scene.jpg") img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) resized = cv2.resize(img, (640, 640)) blob = resized.astype(np.float32) / 255.0 blob = np.transpose(blob, (2, 0, 1))[None] out = sess.run(None, {input_name: blob})[0] # out形状为 [1, 5+nc, 8400]，取第一维做后处理

参数说明：ONNX导出的输出是[1, 6, 8400]形状，第一维batch，第二维是cx cy w h obj_conf class_conf，第三维是anchor解耦后的候选框数量。实际项目里我不会把后处理写死，而是用ultralytics库里的YOLO直接加载onnx做推理，减少重复造轮子。

6.2 置信度阈值与连续帧告警：业务侧怎么用

模型输出的是概率，业务侧要把它转成动作。我做城管告警类需求时，置信度阈值一般按场景分三档：

低阈值带来的误报，我用连续帧确认来过滤，而不是直接调高置信度：

class AlarmWindow: def __init__(self, min_frames=3, max_gap=5): self.min_frames = min_frames self.max_gap = max_gap self.countdown = 0 def update(self, det_conf): hit = det_conf >= 0.45 if hit: self.countdown += 1 else: self.countdown = max(0, self.countdown - 1) return self.countdown >= self.min_frames

这个逻辑很简单：同一路视频流里，连续3帧都检测到广告牌才触发告警，中间漏一帧可以通过countdown缓冲，不会立刻清零。相比单帧硬判，它能挡住大部分行人路过、车辆遮挡造成的闪烁误报。从那以后我每次拿到一个标注数据集，都强制先走一遍解压校验、划分、小参数训练、导出验证的流程，再谈业务指标，这份114张的广告牌数据集也是这样跑通的。希望帮到你。

本文还有配套的精品资源，点击获取