简介这份资源面向计算机视觉入门与进阶开发者提供一套基于YOLOv5的灯光检测自训练数据与完整工程代码可用于自动驾驶、安防监控、无人机导航等场景下的灯光目标识别与定位练习。压缩包共1580个文件约603.83MB其中696张jpg图像与630个txt标注文件构成核心数据集65个yaml与54个py脚本负责模型配置和训练流程另有15个pt权重、18张png及若干sh、yml、md等辅助文件覆盖数据采集、标注、增强到训练微调的完整链路。资源中附带TensorBoard训练日志与多版本YOLOv5配置便于读者复现训练过程、观察损失曲线并调整锚框与模型规模。目前已有252人学习下载适合希望掌握自训练数据流程、理解YOLOv5在灯光检测中应用细节的读者参考实践。1. 灯光检测自训数据从零标注到模型收敛的完整路径工业质检、智慧路灯、车载视觉里都有灯光检测的影子但真正卡住大多数人的不是模型结构而是数据。公开数据集里灯光样本少、场景单一直接拿 COCO 或 VOC 预训练权重去跑夜间过曝、逆光、多光源重叠这几类场景几乎必翻车。自己训练数据做灯光检测核心要解决三件事灯光目标怎么定义、标注规则怎么统一、小目标与过曝区域怎么让模型学到。适合有 Python 基础、手头有几百到几千张现场图、想用 YOLO 系列或 DETR 系列跑通一套可迭代流程的工程师。下面按数据采集、标注、格式转换、训练调参、避坑、进阶验证的顺序讲透每一步都给可抄的命令和参数。2. 灯光检测的数据采集与标注规范先定规则再动手2.1 灯光目标的边界定义灯光检测最容易翻车的地方是标注不一致。同一张图有人把灯罩框进去有人只框发光区域有人把反光也算成灯。模型学到的就是一团混乱。我一般会先定三条硬规则第一只框发光体本身灯罩、支架、电线杆一律不框第二过曝导致发光区域溢出到灯罩外时以可见发光边缘为准不脑补物理边界第三多灯重叠时分别框重叠面积超过 70% 才合并为一个目标。这三条写进标注文档所有标注人员先标 50 张交叉校验IoU 一致性低于 0.85 就重新培训。灯光检测的类别通常不需要太细路灯、车灯、信号灯、装饰灯四类足够覆盖大多数场景类别越多单类样本越少小目标召回掉得越快。2.2 采集设备与场景覆盖采集阶段决定模型上限。手机拍和工业相机拍出来的过曝特性完全不同如果部署端是固定相机训练数据就必须用同型号设备采集。场景覆盖按三个维度铺时间维度覆盖白天、黄昏、夜间天气维度覆盖晴、雨、雾角度维度覆盖正对、侧向、俯视。每个维度至少 200 张否则模型在边缘场景的漏检率会高得离谱。夜间过曝样本要单独凑够 300 张以上这是灯光检测和普通目标检测最大的差异点。采集时关掉自动 HDR 和夜景增强这些算法会改变发光区域的像素分布导致训练和推理不一致。2.3 用 LabelImg 和 X-AnyLabeling 做标注标注工具选 LabelImg 做矩形框X-AnyLabeling 做半自动预标注。先跑一遍预训练模型生成粗框人工修正效率能提升三到五倍。安装和启动命令如下pip install labelImg labelImg ./images ./classes.txt ./annotationsclasses.txt每行一个类别名顺序必须和后续训练配置里的names完全一致否则类别索引错位模型会把路灯学成车灯。标注保存为 Pascal VOC 格式的 XML每张图一个文件文件名和图片名一致。半自动预标注用 X-AnyLabeling 加载 YOLOv8 权重导出同样选 VOC 格式保持格式统一后面转换脚本只写一套。# 检查标注完整性图片和XML是否一一对应 import os img_dir ./images xml_dir ./annotations imgs {os.path.splitext(f)[0] for f in os.listdir(img_dir)} xmls {os.path.splitext(f)[0] for f in os.listdir(xml_dir)} missing_xml imgs - xmls missing_img xmls - imgs print(缺标注的图:, len(missing_xml), 缺图的标注:, len(missing_img))这段脚本在标注中期跑一次能提前发现漏标和错名。missing_xml大于 5% 就停下来补标不要带着脏数据进训练否则后面调参全是玄学。3. 从 VOC 到 YOLO 格式转换脚本与四个边界坑3.1 VOC 转 YOLO 的坐标归一化YOLO 格式要求每行class_id x_center y_center width height全部归一化到 0 到 1。VOC 的xmin ymin xmax ymax是绝对像素转换时用图片实际宽高做分母。常见错误是用固定尺寸归一化图片尺寸不一致时框全偏。转换脚本如下import os import xml.etree.ElementTree as ET from PIL import Image classes [street_light, car_light, signal_light, decor_light] def voc_to_yolo(xml_path, img_path, out_path): tree ET.parse(xml_path) root tree.getroot() w, h Image.open(img_path).size lines [] for obj in root.findall(object): cls obj.find(name).text if cls not in classes: continue cid classes.index(cls) 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) # 边界裁剪防止标注越界导致归一化后为负 xmin, ymin max(0, xmin), max(0, ymin) xmax, ymax min(w, xmax), min(h, ymax) xc (xmin xmax) / 2 / w yc (ymin ymax) / 2 / h bw (xmax - xmin) / w bh (ymax - ymin) / h lines.append(f{cid} {xc:.6f} {yc:.6f} {bw:.6f} {bh:.6f}) with open(out_path, w) as f: f.write(\n.join(lines))classes列表顺序必须和标注时一致。max(0, xmin)和min(w, xmax)是后悔药标注人员手抖框出边界时不裁剪会得到负坐标训练时直接报错或学出诡异框。3.2 数据集划分与 data.yaml 配置转换完成后按 8:1:1 划分训练、验证、测试。划分要按场景分层不能随机抽否则夜间样本可能全进训练集验证集全是白天指标虚高。目录结构如下dataset/ images/ train/ val/ test/ labels/ train/ val/ test/ data.yamldata.yaml内容path: ./dataset train: images/train val: images/val test: images/test nc: 4 names: [street_light, car_light, signal_light, decor_light]nc必须等于names长度多一个少一个都会在训练启动时报索引越界。path用相对路径时训练命令的工作目录要和 yaml 所在目录一致否则找不到图片。3.3 四个边界坑第一个坑图片和标签文件名不一致YOLO 按文件名匹配差一个下划线就丢样本训练日志里train数量对不上时先查这个。第二个坑中文路径OpenCV 读图在部分环境直接返回 None全链路用英文路径。第三个坑标注框宽高为 0转换后bw或bh为 0训练时 loss 变 NaN转换脚本里加if bw 1e-6 or bh 1e-6: continue。第四个坑类别名大小写不一致Street_light和street_light会被当成两类nc对不上统一小写加下划线。4. YOLOv8 训练灯光检测参数怎么设、指标怎么看4.1 环境安装与最小训练命令YOLOv8 用 ultralytics 包一条命令跑通最小训练pip install ultralytics yolo detect train data./dataset/data.yaml modelyolov8s.pt epochs100 imgsz640 batch16 device0modelyolov8s.pt是预训练权重灯光检测样本少时用 s 或 n 版本样本超过 5000 张再上 m。imgsz640是输入尺寸小目标多时提到 1280但显存翻四倍batch 要相应降到 4 或 8。device0指定第一块 GPUCPU 训练 100 epoch 要跑十几个小时不推荐。4.2 灯光检测必调的五个参数参数默认值灯光检测建议原因imgsz640960 或 1280远处路灯在 640 下只有几个像素lr00.010.005小数据集高学习率容易震荡mosaic1.00.5过曝样本拼接后发光区域叠加干扰学习hsv_v0.40.2亮度增强会模拟过曝但过强导致发光区域失真patience5030灯光检测收敛快30 轮不升就停mosaic0.5是血泪经验默认 1.0 时四张图拼一张夜间过曝区域叠在一起模型分不清哪个是灯。hsv_v降到 0.2 保留一定亮度鲁棒性又不至于把正常灯变成过曝灯。4.3 训练日志与指标解读训练启动后看三个指标box_loss、cls_loss、mAP50。box_loss降到 0.5 以下、cls_loss降到 0.3 以下、mAP50超过 0.85 算收敛。灯光检测的mAP50-95通常比mAP50低 0.2 以上因为发光区域边界模糊IoU 高阈值下框不准。如果mAP50高但mAP50-95极低说明框的位置偏差大检查标注边界是否统一。验证集mAP波动超过 0.05 时把batch调大或lr0调小。from ultralytics import YOLO model YOLO(runs/detect/train/weights/best.pt) metrics model.val(data./dataset/data.yaml, imgsz960) print(metrics.box.map50, metrics.box.map)这段在训练后跑用best.pt在验证集上复算指标确认训练日志没刷错。imgsz要和训练时一致否则指标对不上。5. 灯光检测训练避坑五条现场排查记录5.1 损失不降反升现象前 10 轮box_loss从 2.0 涨到 3.5。原因学习率过高或标注框大量越界。解决lr0降到 0.001跑转换脚本检查是否有负坐标或宽高为 0 的框清理后重训。5.2 夜间样本全漏检现象白天mAP500.9夜间 0.3。原因夜间样本占比低于 10%模型偏向白天特征。解决夜间样本过采样复制到训练集使占比到 30%或copy_paste增强把夜间灯粘贴到白天背景。5.3 过曝区域框过大现象预测框比实际发光区域大一圈。原因标注时把光晕框进去了。解决重新定义标注规则只框发光体光晕不框已标注的过曝样本返工。5.4 验证集指标虚高现象验证mAP500.95测试集只有 0.6。原因划分时同场景图片泄漏验证集和训练集有同一路段不同帧。解决按路段或时间段划分同一路段的图只进一个集合。5.5 推理速度不达标现象训练指标好部署帧率只有 5 FPS。原因imgsz1280 加 m 模型算力不够。解决换yolov8nimgsz降到 640或用 TensorRT 导出FP16 推理速度翻倍。yolo export modelbest.pt formatengine halfTrue imgsz640导出 TensorRT 引擎halfTrue开 FP16精度掉 1% 以内速度提升明显。导出后必须用同一批测试图验证精度确认没掉太多再上线。6. 灯光检测的进阶验证用混淆矩阵和过曝切片定位短板训练完别只看mAP混淆矩阵能告诉你哪两类在互相误判。灯光检测里street_light和car_light最容易混因为车灯在远处和路灯形态接近。跑混淆矩阵yolo detect val modelbest.pt data./dataset/data.yaml plotsTrueplotsTrue会在runs/detect/val下生成confusion_matrix.png和val_batch0_pred.jpg。看混淆矩阵对角线非对角线超过 10% 就说明两类特征区分度不够要么合并类别要么补这两类的对比样本。val_batch0_pred.jpg看预测框和真值框的偏差过曝样本的框如果普遍偏大回去改标注规则。再做一个过曝切片验证把测试集按亮度均值分成三档低、中、高分别跑val看三档的mAP50。高亮度档掉超过 0.15说明过曝鲁棒性不够补过曝样本或加hsv_v增强。我一般会把这个切片验证写进训练脚本每次重训自动跑省得手动切。import cv2, numpy as np, os from ultralytics import YOLO model YOLO(best.pt) buckets {low: [], mid: [], high: []} for f in os.listdir(dataset/images/test): img cv2.imread(fdataset/images/test/{f}) v cv2.cvtColor(img, cv2.COLOR_BGR2HSV)[:, :, 2].mean() key low if v 85 else (mid if v 170 else high) buckets[key].append(fdataset/images/test/{f}) for k, paths in buckets.items(): if not paths: continue m model.val(data./dataset/data.yaml, imgsz960, splittest) print(k, len(paths), m.box.map50)这段按亮度分桶后分别验证能直接看出模型在哪个亮度区间拉胯。v 85和v 170是经验阈值按自己数据分布调。跑完发现高亮度档差就针对性补 200 张过曝样本重训比盲目加 epoch 有效得多。灯光检测这个方向数据质量比模型选型重要十倍。我踩过最大的坑是标注规则没统一就开训结果调了两周参数最后发现是标注边界不一致。现在我的习惯是标注前先标 50 张做一致性校验转换后跑完整性脚本训练前按亮度分桶看分布训练后跑混淆矩阵和切片验证。这套流程走下来灯光检测的mAP50稳定在 0.9 以上夜间漏检控制在 5% 以内。希望帮到你。本文还有配套的精品资源点击获取