车轮识别检测数据集3016张：VOC/YOLO/JSON三种标签格式选型、转换与训练避坑指南

简介：本资源为车轮识别检测数据集，面向从事车辆违规检测（如压线、不礼让行人、违规车辆计数等）的算法工程师与深度学习学习者，可用于目标检测模型的训练与验证。数据集共3016张图片，包含6000多个车轮目标，背景多样，部分来自道路监控拍摄，数据分布均匀，标注精准，算法拟合效果良好。压缩包内共9049个文件，涵盖3016个xml（VOC格式）、3016个txt（YOLO格式）、3016张jpg图像及1个py脚本，整体约481.63MB，可直接用于多种目标检测算法。目前已有860人学习下载。纯手工标注保证质量可靠，标签格式齐全，便于快速接入现有训练流程，适合需要真实场景车轮检测数据的开发者参考使用。

1. 车轮识别检测数据集3016张：三种标签格式到底怎么选、怎么用

拿到一个车轮识别检测数据集，3016张图，同时给了 VOC、YOLO、JSON 三种格式标签，第一反应往往是“全都要”。但真跑起来就会发现，三种格式各有各的脾气：VOC 的 XML 适合做数据审查和跨框架迁移，YOLO 的 txt 直接喂给 ultralytics 系列最省事，JSON 则在 COCO 系训练和可视化标注里更顺手。选错格式不会让模型不收敛，但会在转换、校验、增强、评估这几个环节反复消耗时间。这篇笔记面向已经拿到或准备找车轮检测数据的人：如果你要快速跑通一个车轮检测 baseline，或者要把车轮检测嵌进交通场景分析、车辆部件识别、自动驾驶感知预研里，下面这套从格式选择到训练验证的路径可以直接抄。3016 张这个量级不算大，属于“够跑通、不够卷精度”的规模，所以数据质量、标签一致性、增强策略比堆模型结构更值得花时间。

2. 三种标签格式的差异与选型：VOC、YOLO、JSON 各自适合什么活

2.1 VOC XML 的结构与适用场景

Pascal VOC 格式是目标检测里最老牌、最通用的标注格式之一。每张图对应一个同名 XML 文件，核心节点包括filename、size（宽高通道）、object（每个目标一个节点，含name、bndbox的xmin/ymin/xmax/ymax）。车轮检测里name通常就是wheel或wheel_rim这类类别名。

VOC 的优势在于可读性强，用文本编辑器打开就能核对框的位置，适合做人工抽检。很多标注工具（LabelImg、CVAT 导出）默认就是 VOC，所以拿到手的原始标注大概率是 XML。它的缺点是训练框架原生支持在减弱，ultralytics 虽然还能读 VOC，但官方更推荐转成 YOLO 格式；而且 XML 解析比纯文本慢，3016 张做多轮增强时解析开销会累积。

选型建议：把 VOC 当作“母格式”保存，所有人工修正、类别合并、框越界检查都在 XML 层面做，确认无误后再转出 YOLO 和 JSON。这样原始标注永远可回溯，不会因为一次转换错误丢掉真值。

2.2 YOLO txt 的归一化坐标与训练友好性

YOLO 格式每张图一个 txt，每行一个目标：class_id x_center y_center width height，后四个值都是相对图像宽高的归一化浮点数（0~1）。class_id 从 0 开始，对应一个classes.txt或data.yaml里的names列表。

它最大的好处是训练时零解析负担，ultralytics 的 dataloader 直接读文本、拼 batch，速度快。归一化坐标也让图像 resize、letterbox 增强不会破坏框的对应关系。坑在于：归一化一旦算错（比如用了绝对坐标没除宽高），训练不会报错，只是 loss 降不下去、mAP 极低，属于典型的“玄学翻车”。另外 YOLO txt 不保存图像尺寸，如果原图和标签分离、尺寸被改过，框就会错位。

选型建议：只要用 YOLOv5/v8/v11 或类似框架，训练集一律用 YOLO txt。转换后必须做一次可视化回贴，把框画回原图看是否对齐，这一步能拦掉八成坐标错误。

2.3 JSON（COCO 风格）的聚合结构与多任务扩展

JSON 标签常见两种：一种是 COCO 风格的单个大文件，包含images、annotations、categories三个主键，所有图的框聚合在一起；另一种是每图一个 JSON。COCO 风格更适合做实例分割、关键点等多任务扩展，也方便用 pycocotools 做标准评估。

车轮检测如果只做检测框，JSON 的优势不明显，反而因为单文件聚合，增删图片时容易和images列表不同步。但如果后续要加车轮分割掩码、或者要接入多模态分析（比如结合车轮状态判断事故），COCO JSON 的扩展性更好。注意 COCO 的bbox是[x_min, y_min, width, height]绝对坐标，和 YOLO 的[x_center, y_center, w, h]归一化完全不同，转换时最容易在这里写反。

选型建议：JSON 作为“交换格式”，用于跨团队交付、接入评估工具、或未来扩展分割任务。日常训练不直接读 JSON，而是从 VOC 或 YOLO 转过去。

2.4 三种格式的字段对照与转换关系

这张表建议存下来，每次转换前对一遍，尤其是坐标顺序和是否归一化这两列，是转换脚本里最高频的错误来源。

3. 从 VOC 到 YOLO 再到 JSON：3016 张数据的转换与校验流程

3.1 目录结构约定与文件清点

动手前先把目录定死，后面所有脚本都基于这个结构，避免路径写死导致换机器就崩。推荐：

wheel_dataset/ ├── images/ # 3016 张原图，jpg/png 混放 ├── annotations_voc/ # 3016 个 XML ├── labels_yolo/ # 转换生成的 txt ├── annotations_json/ # 转换生成的 COCO json └── data.yaml # YOLO 训练配置

先清点数量，确认图、XML 一一对应，缺一个都会在训练时静默跳过：

# 统计图片和 XML 数量，找出不匹配的文件 ls images/ | sed 's/\.[^.]*$//' | sort > /tmp/img_names.txt ls annotations_voc/ | sed 's/\.xml$//' | sort > /tmp/xml_names.txt diff /tmp/img_names.txt /tmp/xml_names.txt

sed去掉扩展名后排序对比，diff有输出就说明有图没标注或有标注没图。3016 张里哪怕缺 3 张，也建议补上或删掉对应图，不要留着让 dataloader 去处理边界情况。

3.2 VOC 转 YOLO 的脚本与坐标归一化

import os import xml.etree.ElementTree as ET # 类别映射，车轮检测通常单类，多类时按实际顺序改 classes = ["wheel"] img_dir = "images" xml_dir = "annotations_voc" out_dir = "labels_yolo" os.makedirs(out_dir, exist_ok=True) for xml_file in os.listdir(xml_dir): if not xml_file.endswith(".xml"): continue tree = ET.parse(os.path.join(xml_dir, xml_file)) root = tree.getroot() size = root.find("size") img_w = int(size.find("width").text) img_h = int(size.find("height").text) lines = [] for obj in root.findall("object"): cls_name = obj.find("name").text.strip() if cls_name not in classes: continue # 跳过不在类别表里的目标 cls_id = classes.index(cls_name) bbox = obj.find("bndbox") xmin = float(bbox.find("xmin").text) ymin = float(bbox.find("ymin").text) xmax = float(bbox.find("xmax").text) ymax = float(bbox.find("ymax").text) # 裁剪到图像边界，防止标注越界导致归一化后超出 0~1 xmin = max(0, min(xmin, img_w)) xmax = max(0, min(xmax, img_w)) ymin = max(0, min(ymin, img_h)) ymax = max(0, min(ymax, img_h)) xc = (xmin + xmax) / 2.0 / img_w yc = (ymin + ymax) / 2.0 / img_h w = (xmax - xmin) / img_w h = (ymax - ymin) / img_h lines.append(f"{cls_id} {xc:.6f} {yc:.6f} {w:.6f} {h:.6f}") out_name = xml_file.replace(".xml", ".txt") with open(os.path.join(out_dir, out_name), "w") as f: f.write("\n".join(lines))

逻辑说明：先读 XML 的size拿到图像宽高，这是归一化的分母，不能用固定值。每个 object 取 bndbox 后先做边界裁剪，因为标注工具偶尔会画出超过图像范围的框，不裁剪会导致归一化值大于 1，训练时框跑到图外。类别不在classes里的直接跳过，避免 class_id 越界。

参数说明：classes列表顺序决定 class_id，训练时的data.yaml里names必须和它完全一致，顺序错了模型学到的类别就是错的。{:.6f}保留六位小数，足够精度又不会让文件过大。如果数据集是多类（比如 wheel、tire、rim），把classes改成对应列表，并确认 XML 里的name拼写一致。

3.3 转换后的可视化回贴校验

转换完不能直接开训，先抽 20~30 张把 YOLO 框画回原图，肉眼确认对齐：

import cv2 import os import random img_dir = "images" label_dir = "labels_yolo" img_w, img_h = None, None samples = random.sample(os.listdir(img_dir), 30) for img_name in samples: img_path = os.path.join(img_dir, img_name) img = cv2.imread(img_path) h, w = img.shape[:2] label_path = os.path.join(label_dir, os.path.splitext(img_name)[0] + ".txt") if not os.path.exists(label_path): print("缺标签:", img_name) continue with open(label_path) as f: for line in f: parts = line.strip().split() if len(parts) != 5: continue _, xc, yc, bw, bh = map(float, parts) x1 = int((xc - bw / 2) * w) y1 = int((yc - bh / 2) * h) x2 = int((xc + bw / 2) * w) y2 = int((yc + bh / 2) * h) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.imwrite(f"check_{img_name}", img)

逻辑说明：把归一化坐标反算回像素坐标，画绿框。重点看框是否套住车轮、有没有整体偏移、有没有框大小明显异常。参数上random.sample抽 30 张，覆盖不同光照和角度更好，可以手动挑几张夜间或遮挡的图单独看。

3.4 VOC 转 COCO JSON 的聚合脚本

import os import json import xml.etree.ElementTree as ET xml_dir = "annotations_voc" img_dir = "images" out_json = "annotations_json/wheel_coco.json" coco = {"images": [], "annotations": [], "categories": [{"id": 1, "name": "wheel"}]} ann_id = 1 for img_id, xml_file in enumerate(sorted(os.listdir(xml_dir)), start=1): if not xml_file.endswith(".xml"): continue tree = ET.parse(os.path.join(xml_dir, xml_file)) root = tree.getroot() size = root.find("size") w = int(size.find("width").text) h = int(size.find("height").text) file_name = root.find("filename").text coco["images"].append({"id": img_id, "file_name": file_name, "width": w, "height": h}) for obj in root.findall("object"): if obj.find("name").text.strip() != "wheel": continue bbox = obj.find("bndbox") xmin = float(bbox.find("xmin").text) ymin = float(bbox.find("ymin").text) xmax = float(bbox.find("xmax").text) ymax = float(bbox.find("ymax").text) # COCO bbox 是 [x, y, width, height] 绝对坐标 coco["annotations"].append({ "id": ann_id, "image_id": img_id, "category_id": 1, "bbox": [xmin, ymin, xmax - xmin, ymax - ymin], "area": (xmax - xmin) * (ymax - ymin), "iscrowd": 0 }) ann_id += 1 with open(out_json, "w") as f: json.dump(coco, f)

逻辑说明：COCO 的bbox是左上角坐标加宽高，不是右下角，这里xmax - xmin就是宽。area用于评估时区分大小目标，iscrowd单类检测一般填 0。image_id和annotations里的image_id必须对应，否则 pycocotools 评估会报找不到图。

参数说明：categories的id从 1 开始（COCO 惯例，0 常留给背景），和 YOLO 的 class_id 从 0 开始不同，跨格式对比结果时要注意这个偏移。如果后续要加分割，在 annotation 里补segmentation字段即可。

4. 用 YOLO 格式跑通车轮检测训练：配置、参数与首轮验证

4.1 data.yaml 的写法与路径陷阱

path: /abs/path/to/wheel_dataset train: images val: images names: 0: wheel

path用绝对路径最稳，相对路径在不同工作目录下启动训练时容易找不到。train和val这里都指向images，是因为 3016 张规模小，先全量过拟合验证流程通不通，正式实验再按 8:1:1 切分并分别建train.txt/val.txt列表文件。names的键必须和 YOLO txt 里的 class_id 对应，单类就是 0: wheel。

4.2 训练命令与关键参数

yolo detect train \ data=wheel_dataset/data.yaml \ model=yolov8n.pt \ epochs=100 \ imgsz=640 \ batch=16 \ lr0=0.01 \ patience=20 \ project=runs/wheel \ name=baseline

参数说明：model=yolov8n.pt用 nano 版先跑通，3016 张数据量下大模型容易过拟合，nano 收敛快、显存友好。imgsz=640是通用起点，车轮在图中占比小的话可以提到 960 或 1280，但显存和速度要权衡。batch=16按显存调，爆显存就降到 8 或 4。patience=20表示 20 轮无提升就早停，小数据集上能省时间。lr0=0.01是 SGD 的常见起点，换 AdamW 时可以降到 0.001。

4.3 首轮结果怎么看：mAP、loss 曲线与误检样例

训练完先看runs/wheel/baseline/results.csv里的metrics/mAP50和metrics/mAP50-95。车轮检测单类，mAP50 到 0.85 以上算正常，低于 0.6 基本是标签或配置有问题。loss 曲线重点看train/box_loss和val/box_loss是否同步下降，val loss 早早抬头就是过拟合，加增强或减模型。

然后必须看误检样例，runs/wheel/baseline/val_batch0_pred.jpg会画出预测框。常见问题是把轮毂和轮胎分成两个框、或者把圆形装饰件误检成车轮。这些不是靠调参能解决的，要回到标注层面统一标准：一个车轮一个框，还是轮毂轮胎分开标，必须在标注阶段定死。

5. 车轮检测数据集的避坑与排查：标签、坐标、类别的 5 个高频翻车点

5.1 现象：训练 loss 不降，mAP 长期在 0.01 附近

原因：YOLO txt 里坐标没归一化，或者 class_id 超出了names的范围。归一化错误时模型学的是图外框，loss 会卡住。class_id 越界则部分目标被忽略。

解决：随机抽一个 txt，确认后四个值都在 0~1 之间；确认最大 class_id 小于len(names)。用 3.3 的可视化脚本回贴，框如果全挤在左上角或跑到图外，就是归一化问题。

5.2 现象：可视化回贴时框整体偏移或大小不对

原因：XML 里的size宽高和实际图片尺寸不一致。标注工具可能读的是缩略图尺寸，或者图片被后期裁剪过但 XML 没更新。

解决：用 OpenCV 读实际图片宽高，和 XML 的size对比，不一致的以实际图片为准重新计算归一化。批量检查：

import cv2, os import xml.etree.ElementTree as ET for xml_file in os.listdir("annotations_voc"): root = ET.parse(os.path.join("annotations_voc", xml_file)).getroot() w = int(root.find("size/width").text) h = int(root.find("size/height").text) img_name = root.find("filename").text img = cv2.imread(os.path.join("images", img_name)) if img is None: print("图缺失:", img_name); continue if img.shape[1] != w or img.shape[0] != h: print("尺寸不符:", xml_file, (w, h), img.shape[:2])

5.3 现象：COCO 评估时报 “annotations not found” 或 mAP 为 0

原因：JSON 里images的id和annotations的image_id没对上，或者file_name和实际文件名不一致（比如带了路径前缀）。

解决：检查file_name是否只是文件名不带目录；用脚本校验每个image_id都能在images里找到。COCO 的id必须是整数且唯一，用enumerate生成时注意起始值。

5.4 现象：同一张图里车轮被重复标注，模型学出重叠框

原因：标注时多人协作或工具自动保存产生重复 object 节点，XML 里同一位置有两个几乎相同的框。

解决：在 VOC 转 YOLO 前做去重，计算框的 IoU，超过 0.9 的视为重复只保留一个。这个清洗放在母格式 VOC 上做，转出的 YOLO 和 JSON 都干净。

5.5 现象：验证集 mAP 高但实际推理漏检严重

原因：训练集和验证集来自同一批连续视频帧，相邻帧高度相似，验证集没有真正体现分布差异。3016 张如果是从视频抽帧来的，这个问题很常见。

解决：按视频来源或时间段切分，而不是随机切分。同一段视频的帧要么全在训练集，要么全在验证集。切分后重新跑一轮，mAP 会下降但更接近真实场景表现。

6. 把 3016 张用到极致：增强策略、格式互转的自动化与验收习惯

数据量固定时，提升空间主要在增强和验收流程上。车轮检测的增强有几个针对性选择：随机旋转要慎用，车轮本身是圆形，旋转不会改变外观但会改变和车身的相对位置，如果模型依赖上下文，大角度旋转反而有害；Mosaic 和 MixUp 对提升小目标召回有效，但会引入不真实的拼接边缘，车轮检测里建议 Mosaic 概率设 0.5 左右，别拉满。HSV 色调扰动对夜间和阴影场景有帮助，因为车轮在暗光下纹理弱，颜色扰动能让模型更关注形状。

格式互转建议写成一个入口脚本，VOC 作为唯一真值源，YOLO 和 JSON 都是派生产物，每次改完标注只重跑转换，不手工改派生文件。验收习惯上，我一般固定三步：转换后抽 30 张回贴、训练前用yolo detect train的 dry-run 或 1 epoch 确认 dataloader 不报错、训练后必看val_batch0_pred.jpg。这三步花不了十分钟，但能拦住绝大多数“训了半天发现标签是错的”这种血泪情况。

最后说个习惯：每次拿到新数据集，先花半小时把三种格式各转一遍、各可视化一次，比直接开训省下的时间多得多。3016 张不大，但标签一致性决定上限，模型结构只决定你能不能摸到那个上限。希望帮到你。

本文还有配套的精品资源，点击获取