简介在计算机视觉任务中目标检测是许多应用的基础环节而高质量数据集与规范标注直接决定模型效果。YOLO作为主流检测框架其TXT标注格式采用归一化坐标理解并校验此类数据是训练可靠模型的前提。本文围绕教室场景下的人群头部目标检测数据集详细说明YOLO格式标注的结构、常见陷阱以及利用Python脚本进行数据校验的实践方法并给出YOLOv5/v8训练配置与调优经验。通过合理的数据规模与清洗可支撑课堂考勤、注意力分析等应用帮助开发者减少踩坑、提升模型精度。 做数据集这件事说实话一开始我是拒绝的。自己标数据又累又烦从网上找现成的又总觉得不贴合场景。但做了几轮教室场景的项目之后我认了教室里的人头检测就是一个看着简单、做起来全是坑的典型场景与其每次临时找数据、写标注脚本、调格式不如直接整理一份干净可用的头部检测数据集。这篇文章就是把我整理和使用这套教室人群头部目标检测数据集的全过程记录下来包括YOLO格式txt标注怎么读、怎么校验、怎么训练、踩了哪些坑希望对准备做人头检测或者课堂场景分析的朋友有点帮助。这套数据集的核心信息先放在前面单分类0: head标注文件是YOLO格式的txt文件每一行对应一个头部目标框坐标均为归一化后的数值。它适合用来做教室场景下的人群头部检测、课堂出勤统计、学生注意力分析等任务也可以作为目标检测入门学习中用来练习数据读取、标注校验和模型训练的素材。下面我从数据集的适用场景、标注格式细节、校验脚本、训练配置和部署延伸几个维度展开。1. 为什么先做教室人群头部这个1分类目标1.1 场景需求与痛点教室环境里的检测对象为什么是头部而不是人脸先说需求来源。教室场景里最常见的几个AI任务包括课堂考勤、听课状态分析、前排后排人数统计以及安全管理比如摔倒检测、区域聚集预警。这些任务的第一步几乎都是先把人找出来。但问题来了教室里人的存在形式非常多样——坐着、站着、侧身、低头写字、举手发言、被前排挡住一半。如果用人脸检测侧脸和后脑勺基本就丢了如果用行人检测全身框后排密集互相遮挡的时候全身框会重叠得没法看。相比之下头部是教室里最稳定、遮挡最少、旋转变化最可控的目标。这也是我选择做头部检测而不是人脸或行人的核心原因。从标注角度来看头部检测还有一个隐藏优势单分类。教室场景下不需要区分学生和老师吗实际操作中一个坐在讲台后面的老师和坐在下面的学生头部框的形态差异并不大分类器很难稳定区分而且业务上往往只关心总人数和分布位置所以1分类是最稳的选择。如果后期真要做师生区分可以在检测头部之后按位置规则讲台区域、座位区域做后处理而不是在检测阶段加大难度。1.2 头部检测与人脸检测、行人检测的边界对比为了说明为什么头部检测更适配教室场景我列一个对比表格方便大家做技术选型的时候有个直观参考。检测目标教室场景的可用性主要问题适合的子任务人脸仅正脸/近侧脸可用后排人脸像素太少侧脸、低头、戴口罩大量漏检近距离考勤、表情分析行人全身密集时框间重叠严重教室桌椅遮挡下半身NMS后大量框被抑制空旷区域人流统计头部坐姿站姿均可稳定检测密集小目标对模型分辨率要求高需注意anchor配置人数统计、注意力分析、考勤从表里能看出来头部检测是典型的退一步海阔天空放弃人脸识别那种精细的个体区分换来的是更高的召回率和对姿态的鲁棒性。这也是工业项目里做课堂分析时的常见技术路线——先检测头部再根据头部框的位置、大小、朝向等做下游逻辑。所以在做数据集之前先明确这个数据集服务的技术路线是头部检测后面所有选择都会顺理成章。1.3 数据集的合理规模与场景划分思路这套数据集的构建遵循一个基本原则单场景类别但覆盖同一场景下的多状态变化。教室人群头部听上去只是一个场景但真正采集时需要考虑以下变量不同教室的座位布局阶梯教室、普通小班教室、不同采光条件靠窗亮、靠墙暗、投影仪开启时局部过曝、不同人员密度上午大课满员、下午小课稀稀拉拉、不同姿态低头写字、抬头看黑板、侧身讨论。这些变量带来的数据量需求是不一样的。一般来说如果只用YOLOv5s/v8n这类轻量模型来训练1分类头部检测2000-3000张有效标注图片基本能到一个可用的水平如果想追求更高准确率尤其是后排小头部的召回率建议把数据量推到5000-8000张。低于1000张的话模型的泛化能力会在换教室之后迅速暴露——实测下来光照和座位布局一变mAP掉10个点以上并不夸张。我的建议是如果自己采集数据至少保证三个数量级图片总数不少于3000张标注头部总数不少于2万个每个教室场景的采集数量不少于300张避免模型只记住了某一个教室的背景特征。2. 数据集内容与YOLO格式txt标注文件的逐行拆解2.1 数据集目录结构和基本参数拿到数据集之后第一个会看到的是目录结构。因为标题里特别强调YOLO标注格式的txt文件所以这里就按YOLO标准的组织方式来介绍。通常的目录如下classroom_head_dataset/ ├── images/ │ ├── train/ │ │ ├── img_00001.jpg │ │ ├── img_00002.jpg │ │ └── ... │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ │ ├── img_00001.txt │ │ ├── img_00002.txt │ │ └── ... │ ├── val/ │ └── test/ ├── dataset.yaml └── classes.txtimage文件夹放原始图片JPG或PNGlabels文件夹放同名的txt标注文件。一个非常重要的约定图片名和txt文件名必须严格一一对应。如果img_00001.jpg对应的标注文件名是img_00001.txt那么在训练时框架就是通过这个同名关系自动找到标注的。一旦名字对不上训练过程中会直接跳过该图片并报错而不是报一个特别明显的错误给你。这是新手最容易忽略的问题。2.2 YOLO txt格式的严格含义打开一个txt标注文件里面的内容一般是这样0 0.518229 0.361979 0.076042 0.099826 0 0.619792 0.489583 0.073438 0.101563每一行代表一个目标框每一行共5列顺序固定为class_id, x_center, y_center, width, height。几点必须弄清楚class_id是整数从0开始计数。单分类的数据集所有行的class_id都是0没有1这一说。1分类指的是类别数量是1不是类别编号是1。x_center, y_center, width, height 全部是归一化坐标取值范围在0到1之间。计算方式是框中心点的像素坐标除以图片宽度/高度框宽高同理。比如一张1920x1080的图片里某个头部框左上角像素坐标是(500, 300)右下角是(650, 420)那么框宽 150框高 120中心x (500 650) / 2 575归一化 575 / 1920 0.2995中心y (300 420) / 2 360归一化 360 / 1080 0.3333归一化宽 150 / 1920 0.0781归一化高 120 / 1080 0.1111所以这一行就是0 0.2995 0.3333 0.0781 0.1111坐标归一化不是可有可无的格式习惯而是YOLO系列模型训练时直接依赖的输入格式。代码内部读取标注后会把归一化坐标映射回特征图的不同尺度上进行正样本匹配如果坐标没有归一化或者用了像素坐标模型的损失计算会完全错乱训练大概率无法收敛。2.3 标注格式中的常见陷阱我拿到数据集或者自己标注数据时有几个坑是反复踩的列出来提醒大家类别编号从0开始还是从1开始很多标注工具比如labelImg保存时classes文件里的第0个类对应编号0这没问题。但有些自己写脚本生成的数据集会把类别编号从1开始导致训练时类别数设置成1即只接受编号0标注文件里却是1直接全部标签无效。这个坑非常隐蔽因为训练日志里不会直接报错只会看到每一类的检测结果都是0。边框完全在图片外有些标注工具或自动标注脚本会生成越界框。YOLO格式要求归一化坐标在0-1之间但有些框的x_center width/2 会大于1训练早期还能容忍严重的时候会拉低模型精度。宽或高为0某些图片在缩放、裁剪过程中产生了退化框宽度或高度是0这会导致loss计算时出现除零或者nan训练直接挂掉。所以数据校验脚本非常重要后面专门讲。3. 数据校验脚本先用Python把txt文件读透再训练3.1 为什么要校验训练集里脏数据是mAP最大的隐形杀手很多人拿到的数据集要么是完全干净的要么是有各种暗病的。未经验证就开训练结果往往是训练了两天、loss曲线看着还行一评估mAP低得离谱排查半天发现是标注文件有几十张图没匹配上、或者类别编号错位。**数据校验不是有时间再做的环节而是训练前必须做的安全检查。**校验脚本写一次后面换数据集、换标注工具都能复用。3.2 Python读取txt标注并可视化校验先上一个最基础的脚本用于读取一个图片和它对应的txt文件并在图片上画出所有检测框。这个脚本的作用是用肉眼确认标注是否和图片内容一致。import cv2 import os image_path images/train/img_00001.jpg label_path labels/train/img_00001.txt img cv2.imread(image_path) if img is None: raise ValueError(f图片读取失败: {image_path}) h, w img.shape[:2] with open(label_path, r) as f: lines f.readlines() for line in lines: parts line.strip().split() if len(parts) ! 5: print(f跳过无效行: {line}) continue class_id, x_center, y_center, bbox_w, bbox_h map(float, parts) x_center_pixel int(x_center * w) y_center_pixel int(y_center * h) bbox_w_pixel int(bbox_w * w) bbox_h_pixel int(bbox_h * h) x1 int(x_center_pixel - bbox_w_pixel / 2) y1 int(y_center_pixel - bbox_h_pixel / 2) x2 int(x_center_pixel bbox_w_pixel / 2) y2 int(y_center_pixel bbox_h_pixel / 2) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(img, str(int(class_id)), (x1, y1 - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 0, 255), 2) cv2.imwrite(check_visualized.jpg, img) cv2.imshow(check, img) cv2.waitKey(0) cv2.destroyAllWindows()这段代码的细节要注意几个地方首先是cv2.rectangle的坐标用int保证绘图不出错其次是cv2.putText中写的str(int(class_id))把float形式的class转成整数再显示避免画出来一个0.0这种看着就别扭的文本。如果图片里全是绿色框框的位置和头部位置一致那这张图没问题如果有框明显偏移、框比头大好几倍、甚至框在座椅上那就说明这条标注有问题。3.3 批量校验找出坏样本而不是只看单张单张可视化可以查具体某一张但对整个数据集来说效率太低。我习惯写一个批量校验脚本把三种异常一次性筛出来标注文件行数异常空文件、每行不是5列坐标越界x/y/w/h不落在合理范围或中心点加半宽超过1图片文件缺失或图片损坏cv2读出来是Noneimport os import cv2 images_dir images/train labels_dir labels/train for label_name in os.listdir(labels_dir): if not label_name.endswith(.txt): continue image_name label_name.replace(.txt, .jpg) image_path os.path.join(images_dir, image_name) label_path os.path.join(labels_dir, label_name) img cv2.imread(image_path) if img is None: print(f[图片缺失/损坏] {image_path}) continue h, w img.shape[:2] with open(label_path, r) as f: lines f.readlines() if len(lines) 0: print(f[空标注] {label_path}) for idx, line in enumerate(lines): parts line.strip().split() if len(parts) ! 5: print(f[列数错误] {label_path} 第{idx 1}行: {line.strip()}) continue try: cid, cx, cy, bw, bh map(float, parts) except ValueError: print(f[数值错误] {label_path} 第{idx 1}行: {line.strip()}) continue if cid 0 or int(cid) not in [0]: print(f[类ID错误] {label_path} 第{idx 1}行 class_id{cid}) if not (0 cx 1 and 0 cy 1): print(f[中心点越界] {label_path} 第{idx 1}行 cx{cx}, cy{cy}) if bw 0 or bh 0: print(f[宽高错误] {label_path} 第{idx 1}行 bw{bw}, bh{bh}) if cx bw / 2 1.0 or cx - bw / 2 0.0 or cy bh / 2 1.0 or cy - bh / 2 0.0: print(f[边框越界] {label_path} 第{idx 1}行)这个脚本输出的内容就是整个训练集的体检报告。正常情况下一行问题都不应该输出看到大量输出时先别急一条条看是哪种问题。其中最需要警惕的是空标注文件如果一张图上没有任何标注模型会把这张图当作负样本训练是允许的但数量多的话会造成一个教室空无一人的潜在问题影响模型对密集场景的判断。3.4 用统计信息判断数据集的健康度除了逐条报错我还会用一个更宏观的统计脚本来了解数据分布。比如统计所有标注框的宽度、高度、宽高比并绘图。这个信息对后面调anchor非常有帮助。import os import numpy as np labels_dir labels/train all_boxes [] for label_name in os.listdir(labels_dir): if not label_name.endswith(.txt): continue with open(os.path.join(labels_dir, label_name), r) as f: for line in f: parts line.strip().split() if len(parts) ! 5: continue _, _, _, w, h map(float, parts) all_boxes.append([w, h]) boxes np.array(all_boxes) print(标注框总数:, len(boxes)) print(宽度均值:, boxes[:, 0].mean(), 宽度中位数:, np.median(boxes[:, 0])) print(高度均值:, boxes[:, 1].mean(), 高度中位数:, np.median(boxes[:, 1])) print(宽高比均值:, (boxes[:, 0] / boxes[:, 1]).mean())以教室头部数据集为例通常归一化后的框宽大致分布在0.03到0.15之间框高大致0.04到0.2之间宽高比在0.7到1.2之间。如果统计结果和这个范围差太远比如宽高比平均值到了2以上那很可能标注框画成了整个上身或课桌区域而不是头部框。这种统计校验在数据量大、没法一一看图的时候非常实用。4. 在YOLOv5/v8上跑通这个数据集的完整配置4.1 数据集配置文件dataset.yaml的写法当数据校验通过之后下一步就是配置训练环境。首先需要把数据集的yaml文件写对。这个yaml文件名在YOLOv5和YOLOv8里都叫dataset.yaml但字段有细微差别。以这里说的教室人群头部目标检测数据集1分类为例最标准的内容是# dataset.yaml path: /root/autodl-tmp/classroom_head_dataset train: images/train val: images/val test: images/test nc: 1 names: [head]path是数据集的绝对路径train/val/test是相对于path的图片文件夹路径nc是类别数这里就是1names是类别名称列表。train和val都是必须的test是可选的。在YOLOv8中如果只有train和valtest字段不写也不会报错在YOLOv5中如果缺少test某些版本会在eval阶段跳过测试集。这里有一个值得注意的细节names里的类别名称不是给模型做分类用的模型只关心nc数量和一个整数class_id。names主要用来在可视化、评估输出、导出结果时把数字对应回名称。所以names: [head]意味着class_id0对应head。如果你的classes.txt里写的是person或student也要同步改成一致否则后面输出的检测结果标签名对不上容易混淆。4.2 模型选型YOLOv5s还是YOLOv8n还是更轻量的nanoYOLOv5和YOLOv8是目前训练这类数据集最常用的两个框架。对于只有1个类别、目标集中在中等和偏小尺寸的人头检测我的经验是YOLOv5s速度快显存占用适中在GTX 1080Ti/RTX 2080上可以跑batch_size 16甚至32适合快速验证数据质量。YOLOv8n比v5s更快更小但在密集小目标上精度略微不如v5s适合嵌入式部署场景。YOLOv8s / YOLOv5m如果显存充足且追求mAP可以直接上这两个。教室头部数据集的目标数量多、目标小模型容量大一点能更好地学习细节特征。我实际跑下来第一次拿到新数据集时会优先用YOLOv5s训练一个短周期比如50个epoch做冒烟测试目的不是追求精度而是确认数据管线、loss波动、验证集指标是否正常。如果这个模型20个epoch后loss还在持续下降、val mAP能到0.5以上说明数据没问题再切换到更大的模型或者更长的训练周期去刷精度。4.3 完整训练命令与关键参数解释以YOLOv8为例训练命令如下yolo train datadataset.yaml modelyolov8s.pt epochs150 batch16 imgsz640 device0 workers4 patience20datadataset.yaml数据集配置文件modelyolov8s.pt预训练权重。强烈建议使用预训练权重而不是从零开始训练用COCO预训练权重可以大幅缩短收敛时间并且提升小目标的检测能力。如果是单分类头部检测直接用COCO预训练权重类别输出层会被自动替换成1个类不用手动改结构。epochs150初期可以用100-150如果验证集指标在80个epoch后就饱和用patience20提前停止。batch16根据显存调整。12GB显存跑yolov8s的640输入batch 16没问题如果是24GB显存可以到32。imgsz640输入分辨率。教室头部这种小目标场景我一般用640起步如果后排人头特别小还会试768或896。分辨率提高对小目标很关键但显存压力和训练时间也同步上去了。device0单卡训练。如果有多卡可以写0,1。workers4数据加载进程数。Linux下设成4-8都没问题Windows下如果报错可以改成0。patience20连续20个epoch验证集指标没提升就早停节省时间。YOLOv5的命令稍微不同但参数含义类似python train.py --data dataset.yaml --weights yolov5s.pt --epochs 150 --batch-size 16 --img 640 --device 0 --patience 204.4 训练过程中的关键日志和指标解读训练开始后日志会输出每个epoch的loss、box_loss、cls_loss等指标。对于1分类数据集类别损失(cls_loss)一般很快降到很小因为只有一个类分类任务简单box_loss才是主要的学习信号它反映的是框的位置回归质量。如果box_loss一直在降说明模型还在学如果box_loss在几个epoch后开始震荡不降可能是学习率过高或数据中标注噪声较大。验证集指标中最需要关注的是mAP50和mAP50-95。对于头部检测mAP50达到0.85以上算可用0.9以上算不错mAP50-95受小目标影响会比mAP50低不少正常现象不必追求跟大目标数据集一样的数值。还要看各类别单独的precision和recall——对单分类来说recall比precision更需要关注因为教室人数统计场景漏检一个人比误检一个非头部更影响业务判断。5. 训练效果不理想的排查清单小目标与密集场景是最大的坑5.1 问题一后排头部太小模型完全检测不到教室场景最大的特点是同一帧图像里既有前排的大目标头部可能占图片高度10%以上又有后排的小目标可能只有十几个像素。YOLO系列模型在特征金字塔的浅层特征图上检测小目标但在图像分辨率有限的情况下小目标的信息量本身就不足。实测下来解决这个问题最有效的手段按优先级排序是提高输入分辨率imgsz640改到imgsz896或imgsz1280。代价是训练时间和显存大幅增加但小目标召回率提升非常明显。调整anchorYOLOv5/v8默认的anchor是从COCO统计来的COCO里的大目标占比高直接用在密集小目标上不太合适。好在YOLOv5训练时会自动计算数据集的anchorautoanchorYOLOv8也有类似机制所以一般不用手动改anchor但要注意训练日志里是否显示autoanchor成功如果因为配置文件错误导致autoanchor没有执行小目标检测会明显变差。使用更大的模型当数据量充足时从yolov8s切到yolov8m或yolov8l小目标特征表达能力更强。5.2 问题二密集人头互相遮挡NMS把所有框都压没了教室后排人头挨得很近标注框之间IoU很高。训练时模型会输出很多重叠的候选框NMS阈值设置不当可能把大量正确的框抑制掉。解决方案有两个方向调低NMS阈值中的IoU阈值比如从默认的0.45调到0.3或0.25让重叠框更容易被保留。但这个方法容易引入误检需要实验。更推荐的做法是在数据层面做针对性增强增加随机裁剪、旋转、缩放让模型见过更多密集、遮挡的样本。另外一个关键点是标注时如果有遮挡可以把被遮挡的头部也完整标出来不是只标可见部分让模型学习推断被遮挡目标的完整边界。5.3 问题三训练loss一直在降但mAP50始终不高这种情况通常是过拟合或者验证集分布和训练集差异太大。先看训练集和验证集的mAP差距如果训练集mAP接近1验证集只有0.5那就是过拟合减少训练轮数、增加数据增强、加入更多验证集数据。如果训练集mAP也不高那就回到数据质量检查可视化一批验证集图片的预测结果看看是误检把椅子当成了头还是漏检后排完全没框。误检多的话检查标注里面是否包含了背景复杂的重复区域漏检多的话优先提升分辨率和数据数量。5.4 部署和推理时容易忽略的输入尺寸训练用640输入但实际部署时如果直接对1920x1080的教室图做全图推理小目标效果会打折扣。一个实用的做法是把大图切成小块比如切成4张960x960的块重叠区域适当处理分别推理后再合并结果。这样能显著提升后排小目标的召回率但会增加推理耗时。对离线分析来说可以接受对实时课堂场景需要权衡。6. 从检测框到实际应用人数统计与时序后处理6.1 用检测结果做教室人数统计头部检测模型输出的是(class_id, confidence, x1, y1, x2, y2)要做教室人数统计最简单的方式是直接统计单个推理帧中置信度大于阈值的框数量。但视频场景下逐帧统计会有抖动所以需要引入时序平滑。朴素的做法是维护一个滑动窗口取最近N帧的检测人数取中位数这样可以消除单帧的偶发漏检和误检。更进阶的做法是利用IoU进行相邻帧的目标匹配形成简单的跟踪轨迹对同一个头部只计数一次。对教室场景由于摄像头角度相对固定、学生位置不会频繁移动一个轻量级IoU匹配就够用不需要上深度跟踪模型。6.2 导出ONNX并在业务系统里集成训练完模型后如果要部署到服务端我一般会先把权重导出成ONNX格式。YOLOv8导出命令yolo export modelbest.pt formatonnx dynamicFalse imgsz640导出后需要留意输出层的shape。YOLOv8的onnx输出通常是一个(1, 4class_num, 8400)的三维Tensor其中8400是三个尺度特征图的预测框数量总和。在业务代码里读取这个Tensor做置信度阈值过滤和NMS然后映射回原图坐标。这里有一个容易踩的坑onnx导出的坐标是相对于输入尺寸比如640x640的如果你的输入图片是1920x1080需要先做letterbox再推理推理结果又需要逆映射回原图坐标这一步很多人搞错导致框偏移。6.3 后续扩展从头部检测到注意力分析、考勤系统头部检测只是第一步。拿到每个人的头部框后可以做很多下游应用注意力分析结合头部框的位置和姿态估计判断学生是朝向黑板还是低头。更轻量的做法是直接观察头部中心点在一段时间内的位移如果位移小且位置固定大概率在专注听课如果频繁上下移动可能是低头写字或抬头看屏幕。考勤自动统计通过摄像头实时统计教室内头部数量分布对比课表应到人数辅助识别缺勤情况。区域密度热力图把头部框中心点投影到教室平面图生成热力图辅助分析课堂座位分布和学习参与度。这些扩展都建立在高质量头部检测基础上所以数据集质量直接决定上层业务效果。6.4 关于扩展成更多分类和换用anchor-free检测器的一点经验有朋友拿到这套头部数据集后问能不能扩展成学生头部老师头部2分类理论上可以但需要注意类间特征差异问题。如果训练数据中老师的样本量远小于学生分类器很容易把老师误判为学生。实际建议是在检测层保持单分类在业务层增加位置规则讲台区域、教室门附近来区分老师这样更稳。另外刚接触anchor-free目标检测如FCOS、CenterNet的朋友可能会想直接用这些模型做头部检测。对于密集小目标场景anchor-based模型YOLOv5/v8在默认配置下通常表现更稳因为anchor的预设给了模型更好的初始匹配。如果想尝试anchor-free需要重点调整中心点匹配策略和正负样本分配训练难度会比YOLO系高一些。我的建议是从YOLO系入手等模型和数据处理流程都跑通了有余力再尝试其他框架。做这个数据集和训练复盘我最大的体会有三点。第一数据集不是越多越好而是越干净越好一个2000张但标注质量极差的数据集训练效果可能不如800张精确标注的。第二单分类头部检测的价值在于退而求其次——不去做困难的人脸识别而是把人在哪这件事做到极致很多业务场景其实只需要这个信息。第三训练过程中的那些损耗排查八成以上最后都会回到数据问题上所以先花半天时间把标注读透、校验干净真的能省下后面好几天反复调参的时间。如果你正准备做教室场景的人头检测希望能少走这些弯路。本文还有配套的精品资源点击获取
