YOLOv5数据集格式详解：自动驾驶目标检测训练避坑指南

简介：面向自动驾驶目标检测任务，提供YOLOV5目录格式的标注数据集，覆盖卡车、行人、交通信号灯等11类道路目标，配套图像为512×512 RGB，每帧含多个目标且边界框清晰，适合车辆检测、密集场景识别与自动驾驶感知模型训练。资源包共2000个文件，以1999个txt标签文件为主，附1个Python可视化脚本，压缩后约493MB；txt文件按YOLO标准格式记录类别与框坐标，脚本可随机读取对应图像绘制边界框并保存结果，无需修改即可运行，便于快速核验标注质量。数据整体按训练集与验证集组织，类别文本齐全，可直接接入YOLOv5等模型完成训练和评估，省去自行转换格式的环节，也方便批量验证标注效果。已有174人学习/下载，既适合目标检测入门者快速搭建可训练的数据流程，也适合中高级开发者直接开展自动驾驶场景下的检测实验。

1. 拿到目标检测数据集（YOLOV5目录格式）后，先别急着跑训练

第一次上手自动驾驶感知，最容易踩坑的就是这种“目标检测数据集（YOLOV5目录格式）”：看着 11 个类别、训练集验证集都切好了，以为把 YOLOv5 打开就能直接训练，结果跑出来的预测不是框偏就是类别错。这份数据集的价值在于省掉了采图、标注、格式转换三件脏活，尤其适合做自动驾驶道路信息检测的早期基线——你今天晚上就能看到第一版 YOLOv5 训练曲线，而不是花两周去处理标注工具导出的一堆 XML。

适合两类人：一类是想在自动驾驶场景里做快速验证的算法工程师，另一类是刚学目标检测、想把数据处理、训练、验证、导出这条链路完整跑通的学生。但“YOLOV5目录格式”这六个字背后有几条硬性约定，目录怎么摆、标签文件里的五个数字怎么读、data.yaml 和类别编号怎么对齐，但凡有一处没对好，训练结果就会非常“玄学”。下面从拿到数据集到训出可用模型，把每一层拆开讲清楚，该避的坑一次说透。

2. 先看目录格式和标签约定：跑 YOLOv5 前置的五个硬性规则

2.1 目录结构：images 与 labels 在数量上严格一一对应

拿到数据集以后，第一件事不是打开训练脚本，而是先把目录结构看全。用一条命令就能看清出入口在哪。

tree -L 3 dataset/

正常会看到一套非常固定的形态：

dataset/ ├── data.yaml ├── images/ │ ├── train/ │ │ ├── 000001.jpg │ │ └── 000002.jpg │ └── val/ │ ├── 000003.jpg │ └── 000004.jpg └── labels/ ├── train/ │ ├── 000001.txt │ └── 000002.txt └── val/ ├── 000003.txt └── 000004.txt

images 和 labels 两个顶层目录必须成对出现，下面再各自分 train、val。对自动驾驶这种高分辨率道路图来说，图片目录往往特别大，肉眼很难发现问题，但规则只有一条：images 里的每个.jpg，必须在 labels 对应子目录里有一个同名.txt。所谓“同名”是去掉扩展名之后的 basename，000001.jpg对应000001.txt，不能是000001.txt.txt或者大小写不一致。

第一次训练时 YOLOv5 会扫描所有图片并生成缓存文件，扫描日志里如果出现“missing labels”或“skipped”这类提示，要去和总数核对。常见情况是数据集本身没问题，但在拷贝、解压的时候丢了一部分 txt，或者标注工具导出时把空标签文件省略了。这里的坑在于，YOLOv5 只会把那些“图在但 label 不在”的样本跳过，而不是报错，你可能训了半天模型，实际上只用了 70% 的数据。

还有一类文件要特别注意：内容为空的 txt。自动驾驶场景里大量空旷道路、路口远景是没有目标的，这些图像需要保留为“背景帧”，对应的 txt 文件写成 0 字节。很多整理脚本会顺手删掉空文件，结果是负样本大量减少，模型学出来的误检明显变多。后面第五章会专门展开这个坑。

2.2 标签 txt 的 5 列：类别编号和归一化坐标必须按这个顺序读

打开任何一个标注文件，内容都是每行一个目标，一行 5 列，类似这样：

2 0.516113 0.448242 0.181641 0.352539

从左到右分别代表：类别编号（0 起始的整数）、归一化中心点 x 坐标、归一化中心点 y 坐标、归一化框宽度、归一化框高度。上面这行就是：类别 2 的目标，中心位于原图横向约 51.6%、纵向约 44.8% 的位置，框宽约占整张图宽度 18.2%，框高约占整张图高度 35.3%。

YOLOv5 对坐标系非常敏感。它要求的是比例值，不是像素值。如果你打开 txt 发现某个坐标是 643、829 这种大数值，说明这份数据集不是纯 YOLO 格式，可能是某个标注工具导成了像素坐标。

这里给出从像素坐标转归一化坐标的标准做法。

# 把像素坐标 (x1, y1, x2, y2) 转成 yolo txt 的一行 img_w, img_h = 1920, 1080 # 用原始图像的宽高 cls_id = 2 x_center = (x1 + x2) / 2 / img_w y_center = (y1 + y2) / 2 / img_h w = (x2 - x1) / img_w h = (y2 - y1) / img_h print(f"{cls_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}")

转换时最关键的细节是必须使用原图分辨率，而不是训练时缩放的 640×640。如果原图是 1920×1080，你拿缩放后 640×428 的分辨率去算比例，所有框的中心点都会偏，训练 loss 会下降但 mAP 始终低。浮点位数一般保留 6 位就够，有些数据工程习惯保留 7～8 位，对小目标更友好，但我测下来 6 位已经能满足绝大多数模型。

至于类别编号，它和类别名称没有关系，只和 data.yaml 里的排列顺序有关。这也是最容易“张冠李戴”的地方：标注工具导出的类别顺序可能是 person=0、bicycle=1、car=2，而 dataset 的 data.yaml 写成了 car=0、truck=1，于是所有框的语义都错位。后面要训练前用计数器去核对，不能凭文件名猜。

2.3 data.yaml 的三段配置：路径、类别数量、names 顺序缺一不可

训练的第一步就要把数据和代码接起来，接起来的枢纽是一个 data.yaml。这是 11 类自动驾驶道路识别任务里很典型的一种写法：

path: /data/road_dataset # 根目录，建议写绝对路径 train: images/train val: images/val nc: 11 names: 0: person 1: bicycle 2: car 3: motorcycle 4: bus 5: truck 6: traffic_light 7: traffic_sign 8: rider 9: dog 10: other_vehicle

path是数据集根目录，train与val是相对path的子目录。这里要特别强调：不要图省事只写train: /data/.../images/train而不写path，也不要让path留空。YOLOv5 在拼接路径时的行为是“以当前工作目录为基准”再去拼相对路径，如果你从yolov5/目录下运行python train.py --data ../dataset/data.yaml，而 data.yaml 里写的是train: images/train，它不会自动退回到上一级目录去找 images。最省心的策略就是在 data.yaml 里写绝对路径。

nc是类别总数，数值必须等于 names 列表的最大编号加 1。编号从 0 开始连续排，中间不允许跳号。如果你发现某个数据集 names 只有 10 项，但 txt 里出现了编号 11 的文件，说明标签文件里混入了其他类别的数据，这种数据集使用前必须先清洗。

第一次用预训练权重时，还有一个现象要提前知道：官方给的yolov5s.pt是 80 类 COCO 权重，而这份数据是 11 类。加载权重时日志里会出现“Transferred 362”之类的内容，并提示未转移的层数是多少，这是正常的——模型把分类头那层重置成了 11 类，其余骨干参数继续沿用。不用慌，也不需要去改权重。

训练一次后，这套目录格式如果要在 YOLOv8 里继续用，也是兼容的，data.yaml、txt 标签全部原样。所以现在把数据检查做扎实，后面换 YOLO 系列任何模型都能少踩一遍格式坑。

3. 用 YOLOv5 训练 11 类道路数据：环境、命令与参数初值

3.1 YOLOv5 环境配置的三个常见问题：CUDA、PyTorch 版本和反复装包

环境配置是这一章里最没有技术含量、却最容易卡住人的地方。照着官方 README 跑一般不会出错。

git clone https://github.com/ultralytics/yolov5 cd yolov5 pip install -r requirements.txt

如果数据集里全是高分辨率道路图，建议再补装一个pillow升级版，避免部分 JPEG 的 EXIF 信息导致读图出错。很多老机器生成 JPEG 存在过旋转标记，Pillow 版本低的时候读出来的图和标注坐标系对不上，这是比较冷门的坑。

库装完之后先验证一个东西：PyTorch 到底能不能用 GPU。

python -c "import torch; print(torch.__version__, torch.cuda.is_available())"

如果输出True，环境基本能跑。如果torch.__version__显示 CPU 版本，训练时会慢到让你怀疑人生。常见原因是pip install requirements.txt时把 PyTorch 装成了默认 CPU 版，或者机器上 CUDA 驱动与 PyTorch 依赖的 CUDA 版本冲突。解决办法是直接去 PyTorch 官网给出的对应版本安装命令，别在 requirements 里硬试。常见组合是 CUDA 11.8 + PyTorch 2.0.x，近两代显卡也能兼容。

环境装完以后，不要急着直接跑全量训练。先用一个很小的--epochs 3验证数据能不能被正常读到，同时验证 class 数量是否正确。如果这一步先跳过，真等了两小时训练才发现类别错位，代价就大了。

3.2 第一次训练命令：epoch、batch、imgsz 怎么给比较稳

最小可跑通训练的命令大概是这个形态：

python train.py \ --data /data/road_dataset/data.yaml \ --weights yolov5s.pt \ --img 640 \ --batch 16 \ --epochs 100 \ --name road11_baseline

--data指向 data.yaml，--weights用来指定预训练权重。第一次做基线建议用 s 或 m，别直接用 l 或 x，因为 11 类道路数据在 1920×1080 大图上目标尺寸差异极大，一旦--img上调，显存会迅速被吃穿。

--img是训练输入尺寸，这个参数对自动驾驶数据的影响在下一节拆开讲，先理解一点：用 640 能快速跑通，用 1280 能明显提升小目标召回。第一次训练建议用 640 跑通链路，保存一个基线，再把同样的数据用 1280 训练一个增强版。

--batch不一定要自己算。你如果不知道当前 GPU 能撑住多大 batch，可以直接写--batch -1，YOLOv5 会自动做一次显存探测，给出一个安全 batch 并打印出来。这个值对新手来说比拍脑袋可靠。训练 100 轮看起来时间成本很高，但用 s 模型、640 输入、batch 16，在单张 3090 上一般几小时完成，很多场景甚至可以跑到 150～200 epoch。

自动驾驶数据集还要额外考虑一个参数：--workers。高分辨率道路图解码很吃 CPU，如果机器上的线程数足够，把--workers 8加上可以减少 GPU 空等。但如果 CPU 核数不多，workers 开太大反而会让数据加载变得不稳定，一般设置在 4～8 之间比较合适。

3.3 训练过程中要盯的三个输出：loss 曲线、mAP 曲线和验证集预测图

训练一启动，终端会滚动输出每个 epoch 的指标。大概长这样：

Epoch GPU_mem Box_loss Obj_loss mAP@0.5 30/100 15.2G 0.0583 0.0299 0.721

这里真正要关心的是三件事。第一，Box_loss 和 Obj_loss 是否在稳定下降。如果 loss 一开始就震荡到天上去，先检查标签格式，大概率是坐标出了范围。第二，mAP@0.5 从第 30 到第 100 轮还能不能继续涨。如果 60 轮以后 mAP 直接横盘，不是模型坏了，而是当前 imgsz 和模型容量到了瓶颈，该考虑调大输入或换更大模型。第三，验证集预测图。

YOLOv5 在训练期间会周期性把验证集的标注结果画成图片，存放在runs/train/road11_baseline/下面。别只盯着曲线，要打开其中的验证样本图，挨个看两件事：标注框是不是把目标包得紧，类别编号有没有对。很多类别错位问题，看这张图一眼就会暴露。人眼抽查永远比改参数快。

训练结束后会自动生成weights/best.pt和weights/last.pt。选 best 的原则看 mAP，不要只看 loss，因为 loss 反映的是整体拟合程度，mAP 更能代表目标检测效果。下一章讲的就是怎么用验证集把模型底细看清楚。

4. 验证集能提供的真实信号：mAP、混淆矩阵与漏检复盘

4.1 训练集之外的那部分：只有 val 的情况下，我建议再切一个 hold-out

这份数据集在标题里写明了包含训练集、验证集，也就是 train 和 val 已经划分好。但实际做项目时我仍然建议再从 val 里留出一小批图片，作为不参与任何参数选择的“最终审计集”。

原因很朴素：训练过程中我们会反复拿 val 去选 best.pt、去调阈值、去看指标，时间一长，模型会慢慢“记住”验证集。自动驾驶数据尤其危险，相邻两帧画面几乎一样，即便划分时已经错开了文件，仍然可能保留同一段道路的连续帧，这会让 mAP 虚高。

简单做法是移动一部分 val 文件到 test 目录：

mkdir -p /data/road_dataset/images/test /data/road_dataset/labels/test mv /data/road_dataset/images/val/9000*.jpg /data/road_dataset/images/test/ mv /data/road_dataset/labels/val/9000*.txt /data/road_dataset/labels/test/

移动的原则不是随机抽，而是按时间戳或路径顺序隔段抽。最接近真实部署的做法是把同一路段的连续帧尽量留在同一侧，避免 train 和 test 出现同路段相似帧。这是自动驾驶数据集划分的关键点之一：不能只靠随机函数。

切成 test 之后，data.yaml 可以加一行test: images/test。YOLOv5 的 val.py 读取 test 字段的方式和你预想的可能不完全一样，有的版本默认 val 字段优先，稳妥起见，平时实验用 val 选超参，最后做最终报告时再临时把--data指向一个只含 test 的 yaml 文件。

4.2 用 val.py 把验证集跑出真实数字：置信度阈值会骗你

验证过程不复杂，命令写法决定结果的可信度。

python val.py \ --data /data/road_dataset/data.yaml \ --weights runs/train/road11_baseline/weights/best.pt \ --img 1280 \ --conf 0.001 \ --iou 0.6

关键参数是--conf 0.001。很多人默认用 0.25 去验证，结果 recall 特别低，mAP 也偏低，其实模型不一定差，只是设置阈值太高把大量低置信度的小目标预测过滤了。验证时要把置信度拉到很低，让模型把所有“怀疑但不敢确定”的框都报出来，再计算 mAP。训练时用的是 640 输入，验证时却用 1280 输入，相当于把分辨率提高了。如果验证 mAP 明显高于训练时的验证 mAP，说明模型对分辨率有依赖，正式部署也要用大图推理。

命令的输出会包含一组指标：Precision、Recall、mAP@0.5、mAP@0.5:0.95。对自动驾驶 11 类场景，我更在意mAP@0.5:0.95。这个指标对框位置精度更敏感，小目标比如远处的交通灯、路牌，只要框偏差一点，IoU 到不了 0.75 分就会被扣掉。只看 mAP@0.5 很容易觉得模型已经够了，放到真实路上发现问题一大堆。

同时在runs/val/目录下会生成F1_curve.png、PR_curve.png等曲线。F1 曲线能看懂最好，简单来说就是找 precision 和 recall 的平衡点在哪里。如果 F1 曲线在高置信度区域掉得很惨，说明模型很犹豫，这类问题大概率不是模型参数问题，而是训练数据的目标过小或标注不清晰。

4.3 看混淆矩阵：11 类里哪几对最容易互相伤害

val.py 输出里最值得细看的一张图是confusion_matrix.png。自动驾驶道路目标里，有几对类别视觉上非常接近，比如 traffic_light 和 traffic_sign，bicycle 和 motorcycle，还有 rider 和 person。混淆矩阵能直观体现哪些类别互相抢框：某个类别矩阵格子特别亮，说明模型经常把 A 判成 B。

看到混淆矩阵里有明显的互相串类，不要急着去调 anchor 或者改 loss 权重。第一步是回去看标签数据，确认是不是类别编号本身错了。如果编号没问题，再看两个类的样本量。11 类数据集里如果 car 有上万框，而 traffic_light 只有几百框，模型天然会把少数类往多数类的方向推，这时可以在训练参数里加大--cls的权重。YOLOv5 的--cls默认是 0.5，用来控制分类损失占比；类别不平衡明显时，调到 0.7～1.0 是有作用的，但调太高会让框回归变差，要结合 mAP 变化确认。

还有一个容易被忽略的点：混淆矩阵里最底下那行代表“背景被误判为目标”的 false positive。如果这行数值偏高，说明模型把路面、路肩、护栏当成了车或行人。出现这种情况往往不是模型需要调参，而是背景帧太少，对应到第二章说的空 txt 文件问题。

5. YOLOv5 数据集避坑指南：训练自己的数据集时最容易翻车的 4 个细节

5.1 现象：训练 loss 正常下降，mAP 却接近 0，验证图里所有框类别都错

这不是模型没学好，而是标签的类别编号和 data.yaml 的 names 顺序对不上。我见过不少数据，标注工具里 car 排在第一个，导出时 car=0；数据集组织者认为 person 应该排在第一个，于是 data.yaml 里 person=0。训练时模型按 txt 里的数字学，验证时按 data.yaml 名字打印，于是所有类别全错位。

原因：txt 里的整数类别 id 是“按标注导出顺序”写的，data.yaml 是“按人类可读顺序”写的，两边没有对齐。

解决：训练前先跑一个统计脚本，把每个类别 id 的出现次数打出来，然后与 data.yaml names 对照。具体可以用第五章末尾的体检脚本，先把分类 id 数量打印出来。如果发现数量分布和你的预期类别顺序不一致，直接把 data.yaml 里的 names 顺序改成和 txt 一致，不要改 txt，因为重写几千个 txt 反而容易引入新错。

5.2 现象：训练日志里大量图片被跳过，模型误检暴增

之前提到过空标签问题。在整理数据集时，不少人看到labels/train/里那几百个空 txt，觉得没用，批量删掉了。结果 YOLOv5 扫描 image 时发现“图在，label 文件不在”，于是把整张图跳过。更麻烦的是，如果只删了部分空 txt，那相当于负样本数量骤减，模型没见过足够的背景帧，就会在验证阶段把道路边缘、护栏误检成目标。

原因：空 txt 是 YOLO 格式里合法的“背景样本”，很多整理脚本却把它当成垃圾文件清理掉了。

解决：不要删除 labels 目录下的空 txt，并保证 images/train 和 labels/train 文件数量一致。可以用一句话检查：

find dataset/images/train -name "*.jpg" | wc -l find dataset/labels/train -name "*.txt" | wc -l

两个数字必须一样。如果不一致，缺 txt 的图片要补建空文件，多出来的 txt 要检查是不是图片丢失。这一步是自动驾驶数据准备的底线。

5.3 现象：汽车、行人检测效果不错，但交通灯和路牌几乎全漏

对比前面的 mAP 指标，car、truck 的 AP 能到 0.8 以上，traffic_light 却只有 0.1。这种现象对应的是目标尺度问题。1920×1080 的原图里，一个交通灯可能只有 18×12 像素。当训练输入设为 640×640，YOLOv5 会在 letterbox 之后把整个图缩到 640 宽，这个交通灯在输入图上只剩 6×4 像素，几轮下采样以后在特征图里连一个格子都占不满。

原因：--img 640加上下采样倍数，让小目标在骨干网络里失去信号；同时标签里的小目标框边长即使不缩到 0，也会因为 anchor 匹配不上而不参与正样本计算。

解决：把训练和验证分辨率提高到 1280 或更大，显存不够就先把 batch 降到 8。下面这个表是自动驾驶数据里比较有经验的取值：

另外，标签里如果一个目标的宽或高小于 2 像素，即使放到 1280 也很难学好，可以考虑直接过滤掉，或者在数据预处理阶段把这类目标剔除，避免训练时产生无意义正样本。

5.4 现象：验证集 mAP 很高，一上真实视频就露馅

这几乎成了自动驾驶数据集的一个“玄学”问题：验证指标 0.85，拿到城市道路实拍视频上全是漏检。常见原因不是模型不行，而是验证集划分出了问题。如果划分 train/val 时采用随机保留 20% 文件的方式，而文件是同一台车上连续拍摄的视频帧按序号自动命名，那么 train 和 val 里大概率存在大量同一路段的相似帧。模型在 train 里见过几乎相同路面，等于 val 在“开卷考试”。

原因：随机划分破坏了自动驾驶数据的时间连续性，造成“数据泄漏”。

解决：验证集不要按文件名随机抽，要按时间片段抽。例如每 10 帧取 1 帧做验证，或者按拍摄路段分开。至少要做到 train 和 val 的图片不来自同一段连续 3 秒的视频。如果你只是拿这批数据做 baseline，也要把这个问题写进实验记录里，明确 val 数字只能做相对比较，不能代表真实道路表现。

6. 让 11 类道路数据集发挥最大价值：训练前跑一次标签体检，训练后用难例回喂

前面讲完训练和验证，最后落在一个我自己每份数据集都会做的动作：训练前先对标签做一次体检。核心代码只有一个脚本，跑完你就知道该用什么 imgsz、哪些类别数量不够、哪些目标小到没法学。

# 数据体检脚本：统计每类目标数量与最小目标像素尺寸 import glob import os label_dir = "/data/road_dataset/labels/train" img_w, img_h = 1920, 1080 # 换成你数据的实际分辨率 stats = {} for txt_path in glob.glob(os.path.join(label_dir, "*.txt")): with open(txt_path, "r") as f: for line in f: parts = line.strip().split() if len(parts) < 5: continue cls_id = int(parts[0]) box_w = float(parts[3]) * img_w box_h = float(parts[4]) * img_h if cls_id not in stats: stats[cls_id] = {"count": 0, "min": 1e9, "max": 0} stats[cls_id]["count"] += 1 stats[cls_id]["min"] = min(stats[cls_id]["min"], box_w, box_h) stats[cls_id]["max"] = max(stats[cls_id]["max"], box_w, box_h) for cls_id in sorted(stats): s = stats[cls_id] print(f"class {cls_id:2d} count={s['count']:6d} min_box={s['min']:6.1f}px max_box={s['max']:6.1f}px")

如果某类别的min_box大量低于 8 像素，这类目标即使人眼能看到，YOLOv5 也很难学，需要提高--img或考虑数据增强里的马赛克策略。如果 11 个类别里某几类 count 只有三位数，训练时会因为样本不足导致 AP 低，建议在训练前做类别过采样，或者接受这种类别的表现天花板。

训练出一个可接受模型后，还有一个常见的进阶玩法：用 val.py 跑出的低置信度预测图作为硬例挖掘素材。把验证集里 recall 最低的图和类别组合挑出来，回到原始数据里找同类样本，补充到训练集中训练一个更强版本。对 11 类道路检测来说，traffic_light 和 traffic_sign 往往是最值得挖的两类，因为它们尺寸小、视觉接近，模型先天容易犯错。

做这个技术方向值不值得投入？我的答案很明确：如果目标是快速搭起一个自动驾驶感知基线，或者做 YOLOv5 系列对比实验，这类数据集的性价比是最高的。它把数据工程中 70% 的体力活做完了，剩下的 30% 是你要学会读懂它的标签、验证集和隐含假设。

我的习惯是第一轮绝不调任何训练超参，先用默认配置跑 30 个 epoch，只做一件事：盯着数据，确认每个类别的框和编号、确认验证集的 mAP 是稳定可信的。数据集这一层黑了，后面所有后处理和调参都是在给错模型“补妆”。把数据体检这一关守住，你的 YOLOv5 训练基本不会翻大车。希望帮到你。

本文还有配套的精品资源，点击获取