企业官网建设流程全解析

简介：面向矿山安全监控与工业视觉场景的COCO格式标注数据集，覆盖安全帽、指示器、人员、自救器四类目标，可用于目标检测、实例分割模型训练与算法验证，实测识别率达96.3%。包体共2000个文件，包含1997张矿井现场JPG图像与3个JSON标注文件，压缩包大小约294.93MB；JSON为标准COCO格式，包含类别信息、边界框与分割标注，可直接对接YOLO、MMDetection等常用框架。目前已有492人学习下载。数据集以真实井下环境图像为主，兼顾不同光照、角度和遮挡条件，既可作为算法落地的训练样本，也可用于模型鲁棒性测试；3个JSON文件已按典型划分组织，便于快速划分训练/验证集，配套博客对标注细节和文件组织进行了说明，能帮助使用者高效开展安全帽佩戴检测、人员定位及救援设备监测等任务。

1. 矿井下带 COCO JSON 标注的数据集：为什么安全帽检测要拿它起步

做矿山安全行为识别，第一道坎永远是数据：井下低照度、粉尘多、设备遮挡密，通用场景训出来的安全帽模型下井就翻车。这套以 COCO JSON 格式带标注发布的矿井下数据集，覆盖安全帽、指示器、人、自救器四类目标，报告识别率 96.3%。对正在做矿山智能巡检、安全帽佩戴检测、井下人员管理的算法工程师和研究者来说，它解决的是两件事：一是拿一套真实井下分布的数据做基线，二是先跑通从 JSON 标注到训练验证的完整流程，省掉从截帧清洗到人工标注的原始积累。下面按我实际做这个方向的顺序，把格式、转换、训练和踩坑一次讲透。

2. 拆解 COCO JSON 标注：五个顶层字段与一段类别统计代码

2.1 COCO 标注的五个顶层字段，井下数据集里怎么存

COCO JSON 不是一种固定 schema，而是一个结构约定。绝大多数目标检测数据集只要挂在 COCO 名下，顶层就会包含五个字段：info、licenses、images、annotations、categories。矿井这份数据集也不例外，只是把categories换成了安全帽、人、自救器和指示器这四类。

info里一般写数据集的描述、版本和 contributor，拿到数据集第一件事就是看这里，确认是不是你要的井下场景，别等训练完才发现混了地面矿区的帧。licenses声明的授权方式决定你能不能拿它做商用项目，如果是内部标注没公开授权，落地前要找数据提供方补手续。images是图像表，每一条记录id、file_name、width、height，后面做转换脚本全靠它做图片尺寸映射。annotations是核心的框表，每个目标一条记录：image_id指向图像，category_id指向类别，bbox是[x, y, width, height]四元组，左上角坐标加宽高，area在过滤小目标时有用，iscrowd标记重叠目标。categories是类别表和supercategory的映射。

打开这种 JSON 不要用记事本，几十兆的文件记事本直接卡死，VSCode 可以预览，但真要统计或者清洗，老老实实写 Python。习惯用命令行的，jq '.categories' instances_mining.json也能快速看类别结构。记住一个原则：COCO JSON 是给程序读的，不是给人读的。

2.2 读 COCO JSON：类别统计脚本与四个可调点

假设解压后的目录结构长这样：annotations/instances_mining.json是标注文件，images/下是全部井下监控帧。我先跑一段最基础的统计脚本，确认四类目标的数量分布和有无空图。

import json from collections import Counter from pathlib import Path coco_path = Path("annotations/instances_mining.json") with open(coco_path, encoding="utf-8") as f: coco = json.load(f) # categories 的 id 在不同工具里可能从 0 或 1 开始，先打印出来看 cat_map = {c["id"]: c["name"] for c in coco["categories"]} print("类别映射:", cat_map) # 统计每个类别的标注框数量 ann_counter = Counter() per_image = Counter() for ann in coco["annotations"]: ann_counter[cat_map[ann["category_id"]]] += 1 per_image[ann["image_id"]] += 1 for name, count in ann_counter.most_common(): print(f"{name}: {count} 个框") # 找出没有标注的图片 img_ids = {img["id"] for img in coco["images"]} ann_img_ids = {ann["image_id"] for ann in coco["annotations"]} empty_imgs = img_ids - ann_img_ids print("无标注图片数:", len(empty_imgs))

这段脚本的逻辑不复杂：先建立category_id到类别名的映射，再遍历所有标注，按类别计数，同时统计每张图的目标数量。参数上要注意两点。第一，encoding="utf-8"必须带，Windows 下默认编码可能不是 UTF-8，json 里如果带中文类别名，不加这个参数直接报错。第二，Counter统计完以后重点看两个数：类别分布是否极端不平衡、空图数量是否过大。安全帽和人在井下监控里通常每个视频都有，但自救器和指示器可能只在特定区域出现，数量会少一个量级，这是后面训练类别不平衡的根源。

顺带看一眼per_image的平均目标密度。我遇到过一份井下数据集，平均每帧只有 1.2 个目标，这种稀疏数据训练出来的模型泛化能力很差，因为模型没见过密集遮挡场景。如果统计出来平均目标数小于 2，后续要考虑把多帧拼接成一张图再训练，或者干脆补标注。

2.3 标注质量自检：bbox 越界、面积为 0、类别 ID 从 0 开始

标注工具导出的 COCO JSON 经常带着三个隐蔽问题：bbox 越界、面积字段和实际框不匹配、类别 ID 不从 1 开始。先解释类别 ID：COCO 官方规定id从 1 开始，但很多标注工具导出时从 0 开始。你的框架如果按 0 处理没问题，但有些老版本解析器默认从 1 开始，就会出现安全帽这一类整个消失的诡异现象。拿到数据集先打印categories就为了确认这件事。

bbox 越界更常见。井下监控画面里，人刚从画面边缘走进来时，标注员经常把框画到图像外面，于是 bbox 出现负坐标或者超出宽高。训练时归一化到 0~1 之后，负坐标变成负数，loss 直接 NaN。最稳妥的做法是转换时做一次越界检查：

bad_boxes = 0 for ann in coco["annotations"]: x, y, w, h = ann["bbox"] img = next(i for i in coco["images"] if i["id"] == ann["image_id"]) if x < 0 or y < 0 or w <= 0 or h <= 0: bad_boxes += 1 continue if x + w > img["width"] or y + h > img["height"]: bad_boxes += 1 print("越界或非法框数量:", bad_boxes)

逻辑是按image_id找到对应图像尺寸，然后逐项判断 bbox 是否合法。这个检查和面积无关，area字段经常不准，尤其是标注工具自动计算和人工调整框之后不重算的情况。筛选小目标时直接用w * h重新算面积，不要信 JSON 里的area。

3. 把 COCO JSON 转成 YOLO 可训练格式：转换脚本与划分策略

3.1 为什么检测训练器更喜欢 YOLO txt 而不是直接用 COCO

ultralytics 这类框架能直接吃 COCO JSON，但内部还是会先把它拆成每张图一个 label txt 再进 dataloader。既然早晚要拆，我一般选择在转换阶段自己拆，而不是依赖框架内置的解析器。原因有三个：第一，内置解析器不支持类别重映射，如果标注文件的category_id不连续，转出来类别就乱了；第二，转换时可以做框过滤和越界处理，框架内置的逻辑不会帮你检查这些；第三，拆出来的 txt 标签是纯文本，换框架、做数据增强、人工抽检都方便，不用每次都被 COCO 解析器版本卡住。

YOLO 的 txt 格式每行对应一个目标，字段是class x_center y_center width height，全部归一化到 0~1 之间。归一化坐标系是图像宽高比例，不是像素坐标，很多新手在这里翻车，把像素坐标直接写进 txt，训练时模型永远收敛不了。记住一句口诀：COCO 是像素绝对坐标，YOLO 是归一化相对坐标。

3.2 COCO JSON 转 YOLO txt：转换脚本与归一化边界

下面这段脚本是我常用的转换逻辑，可以直接复制改路径用。

import json from pathlib import Path def coco_to_yolo(coco_path, out_dir): with open(coco_path, encoding="utf-8") as f: coco = json.load(f) # 按 categories 出现顺序建映射，保证类别 ID 从 0 开始且连续 cat_ids = sorted({c["id"] for c in coco["categories"]}) cat_map = {cid: i for i, cid in enumerate(cat_ids)} print("重映射后的类别:", {i: c["name"] for c in coco["categories"] for i in [cat_map[c["id"]]]}) out_dir = Path(out_dir) out_dir.mkdir(parents=True, exist_ok=True) for img in coco["images"]: w, h = img["width"], img["height"] anns = [a for a in coco["annotations"] if a["image_id"] == img["id"]] if not anns: continue # 空图不生成 txt，后续训练会跳过 txt_path = out_dir / (Path(img["file_name"]).stem + ".txt") lines = [] for a in anns: cls_id = cat_map[a["category_id"]] x, y, bw, bh = a["bbox"] # 像素坐标转归一化坐标 cx, cy = (x + bw / 2) / w, (y + bh / 2) / h nw, nh = bw / w, bh / h # 越界裁剪到 [0, 1]，防止 loss 异常 cx, cy = max(0, min(1, cx)), max(0, min(1, cy)) nw, nh = max(0, min(1, nw)), max(0, min(1, nh)) if nw < 1e-6 or nh < 1e-6: continue lines.append(f"{cls_id} {cx:.6f} {cy:.6f} {nw:.6f} {nh:.6f}") if lines: txt_path.write_text("\n".join(lines), encoding="utf-8") print(f"处理完成，共 {len(coco['images'])} 张图")

参数说明：cat_map用排序后的category_id重新编号，是为了让类别 ID 从 0 开始连续递增，data.yaml里的names列表要按这个顺序写。cx和cy是中心点坐标，由x + bw / 2算出，/w和/h是归一化。最后一段max(0, min(1, ...))做边界裁剪，目的就是处理 2.3 里提到的越界框。裁剪而不是丢弃，是因为多数越界框只是边缘目标的一部分，丢掉会损失标注信息。

执行完检查一下输出目录，抽几张图看看 txt 里的坐标是否大致落在对应目标上。这一步不要省，我就见过转换脚本把x + bw / 2写成x - bw / 2的，所有框偏移了整整一个框宽，训练出来 mAP 直接掉 20 个点。

3.3 训练集/验证集划分：按视频源分组而不是随机打散

划分数据集是决定模型真实水平的关键步骤，也是最容易被忽视的一步。井下视频是连续帧，同一场景的相邻帧非常相似。如果随机划分，训练集和验证集会混入同一个视频的相似帧，验证集 mAP 虚高，部署时换个机位立刻现原形。

正确做法是按视频源分组。假设文件名形如cam01_000123.jpg，cam01是摄像头编号，000123是帧号，那按前缀划分就能保证同一摄像头的帧全部进同一个集合。

import random from pathlib import Path random.seed(42) frames = list(Path("images").glob("*.jpg")) video_groups = {} for p in frames: video_id = p.stem.split("_")[0] video_groups.setdefault(video_id, []).append(p) video_ids = list(video_groups.keys()) random.shuffle(video_ids) split_idx = int(len(video_ids) * 0.8) train_videos = set(video_ids[:split_idx]) val_videos = set(video_ids[split_idx:]) train_txt = Path("train.txt") val_txt = Path("val.txt") with train_txt.open("w", encoding="utf-8") as ft, val_txt.open("w", encoding="utf-8") as fv: for vid, paths in video_groups.items(): target = ft if vid in train_videos else fv for p in paths: target.write(str(p.resolve()) + "\n")

逻辑是把视频 ID 作为分组键，先对视频列表做 shuffle，再按 8:2 切分，最后把所有帧路径写入对应的 txt。参数上，random.seed(42)保证可复现，换 seed 划分结果会变。如果数据集本身是按井下不同巷道采集的，建议在视频 ID 之外再把巷道 ID 也作为分组依据，否则不同巷道的光照条件差异会直接泄漏到验证集里。

3.4 面向矿井场景的增强参数：低照度、粉尘与贴脸遮挡

井下数据集的典型问题是光照分布不均匀：有的摄像头对着采掘面，亮度尚可；有的对着巷道深处，基本是暗光。模型要在这种环境下稳定工作，数据增强不能照搬 COCO 预训练那套。

我通常用 ultralytics 训练时这样调整增强参数：关闭mosaic到 0.5，而不是用默认的 1.0。井下摄像头安装高度固定，安全帽这类小目标的尺度变化没有自然场景那么剧烈，过强的 mosaic 会把目标切成碎片，反而让模型学到残缺目标。degrees调到 5，因为摄像头几乎不旋转，旋转增强幅度太大产生的样本不符合真实分布。hsv_h设 0.02、hsv_s设 0.4、hsv_v设 0.2，给模型一点颜色扰动空间，应对不同巷道的色温差异，但又不能太大，否则暗光下安全帽的黄色会被扭曲成别的颜色，模型把黄色当核心特征就麻烦了。

需要说明的是，mosaic这类增强开关是在训练配置里传的，不同版本的 ultralytics 参数名略有差异，但hsv_h、hsv_s、mosaic、degrees这些是通用参数，改数值即可。

4. 训练到 96.3% 的配置参数：从 YOLOv8 到矿井场景调优

4.1 先确认指标口径：96.3% 是 mAP@0.5 还是准确率

目标检测领域说的"识别率"是个模糊说法，落到指标上有三个常见口径：分类准确率、mAP@0.5、mAP@0.5:0.95。报告里的 96.3%，大概率是mAP@0.5，也就是 IoU 阈值取 0.5 时所有类别的平均精度。这个指标对定位精度要求不苛刻，框稍微偏一点也能判对，所以看起来数值很高。

自己复现时，不要拿验证集里挑几张图数对错，要跑完整的验证流程。用 ultralytics 执行：

yolo detect val model=runs/detect/train/weights/best.pt data=mining.yaml

命令行会输出mAP50(B)和mAP50-95(B)两个关键值。mAP50对齐报告的 96.3%，mAP50-95是 IoU 从 0.5 到 0.95 步进 0.05 的平均，这个数通常在 0.6~0.75 之间。如果mAP50能到 0.96 而mAP50-95只有 0.6，说明框的位置还行但精度不足，部署时如果业务方要求框贴合目标，需要调高 IoU 阈值或者换更大模型。

验证集本身也要干净，如果验证集里混了没有标注的帧，或者标注框质量差，mAP50会失真。这也是为什么前面强调空图过滤和越界检查要在转换时一并处理。

4.2 GPU 训练配置：YOLOv8 在矿井数据上的训练参数

井下数据集规模通常不会太大，几百到两三千张图是常态。模型方面，yolov8s 起步就够用，数据量少于一千张时用 yolov8m 反而容易过拟合。输入尺寸建议直接上 1280，不要用默认的 640。井下监控普遍是 1080p，一个戴帽人头在画面里大约 40×50 像素，缩到 640 就只有 20×25，已经进入小目标范畴，检测难度陡增。

yolo detect train \ data=mining.yaml \ model=yolov8s.pt \ epochs=100 \ imgsz=1280 \ batch=16 \ lr0=0.005 \ mosaic=0.5 \ degrees=5 \ hsv_h=0.02 \ hsv_s=0.4 \ hsv_v=0.2 \ patience=20

mining.yaml的内容是数据路径和类别名，注意类别顺序必须和转换脚本里的cat_map重映射结果一致：

path: /path/to/mining_dataset train: images/train val: images/val names: 0: helmet 1: person 2: self_rescuer 3: indicator

参数说明：batch=16是在 24GB 显存下的常见选择，显存小就降到 8，但不要低于 4，否则 BatchNorm 统计不稳定，井下暗光帧尤其明显。lr0=0.005配合默认的 warmup 3 epochs，预训练权重不容易被冲坏。patience=20表示 20 个 epoch 验证集 mAP 不涨就早停，井下数据噪声大，早停阈值比通用场景放宽一点，避免在第 30 个 epoch 因为指标波动被误停。

4.3 类别不平衡与置信度阈值：小目标"指示器"的处理

四类目标里，安全帽和人的数量通常最多，自救器和指示器少。类别不平衡直接表现为两个类 AP 很高，另外两个 AP 很低。先看results.csv里每个类别的 AP，如果indicator的 AP 明显低于其他类，需要针对性处理。

一个常见做法是给少数类做复制粘贴增强：从训练集中把指示器目标连同背景 patch 裁下来，随机粘贴到其他图上。这种增强对静止安装在设备上的指示器有效，因为它在真实场景里的姿态变化本来就小。另一招是提升这类目标的置信度阈值权重，让模型对指示器的召回更激进。推理时通过conf参数控制：

yolo detect predict model=best.pt source=val_images conf=0.25 iou=0.5 imgsz=1280

conf=0.25是全局阈值，如果指示器类别漏检严重，可以把阈值降到 0.2，代价是安全帽类会多出一些误检。更精细的做法是分两类跑推理，安全帽和人的conf用 0.3，指示器单独跑一次conf=0.15，再把结果合并。虽然麻烦一点，但四类目标的语义差异太大，一个全局阈值很难同时满足小目标和常规目标。

5. 矿井数据训练避坑：四条从标注到收敛的血泪经验

5.1 现象：json 解析正常，训练完 helmet 类 AP 为 0

原因：标注文件里的category_id从 0 开始编号，训练框架内部解析时把它当成无效类别直接过滤。矿井数据集来源复杂，不同标注工具导出的 COCO 格式在类别起始编号上不统一。

解决：训练前先在转换脚本里打印categories的完整映射，确认id起始值。转换到 YOLO 格式时用sorted重新编号，让类别 ID 从 0 开始连续排布，同时在data.yaml里按同样顺序写names。我碰到过最隐蔽的情况是categories列表里的id是[0, 2, 5, 8]，直接映射到 YOLO 后类别变成[0, 1, 2, 3]，中间的类别名全错位了，所以重映射那一步不能省。

5.2 现象：训练时 loss 出现 NaN，或验证时检测框整体偏移

原因：标注框里有负坐标或者超宽超高的越界框，转换时没有做归一化裁剪。COCO 格式里 bbox 是像素坐标，负值在除以图像宽高后会变成负数，损失函数计算时直接异常。

解决：在转换脚本的归一化之后显式做max(0, min(1, ...))裁剪。注意不要只裁剪中心坐标，宽度和高度同样要裁剪。另外检查有没有w或h为 0 的空框，这类框在标注工具里通常是被误拖拽产生的，直接丢弃。我在 2.3 里的越界检查脚本就是为这个问题准备的，每次拿到新数据集先跑一遍再转换。

5.3 现象：验证集 mAP 很高，但部署到新摄像头上漏检严重

原因：划分数据集时随机打散，同一视频的相似帧同时出现在训练集和验证集里，验证结果虚高。井下视频帧间差异小，随机划分的数据泄漏在数值上可以轻松拉高 5 个点的 mAP。

解决：按视频源分组划分，训练集和验证集不共享任何摄像头或巷道的数据。更进一步，把不同光照条件的巷道编号作为分组键下的二级分类，确保验证集覆盖暗光、逆光、粉尘多种场景，而不是只有和训练集相近的亮度分布。部署前用一段全新视频做测试，这段视频的帧绝不能进过训练集或验证集。

5.4 现象：指示器类别 AP 只有 0.2，其余三类都在 0.95 以上

原因：指示器目标体积极小，只占画面的 0.1%~0.5%，且数量远少于安全帽，训练时对 loss 的贡献被淹没。更麻烦的是它经常和设备边缘重叠，标注框画得参差不齐。

解决：不要只调置信度阈值，先从数据下手。把指示器的训练样本做复制粘贴增强，数量翻到超过安全帽的 1/3 再训练。如果增强后 AP 还是上不去，检查标注框是否包含太多背景——指示器本身可能是圆形或方形指示灯，标注员用矩形框标注时习惯留一圈余量，导致框内目标占比过低。用标注的segmentation掩码重新生成紧致外接框，比手工调整快得多。

6. 用混淆矩阵定位漏洞：硬帧回归清单比总 mAP 更可靠

6.1 先读 confusion_matrix.png 再看 mAP

模型训练完，很多人只看 mAP 数字就收工了。mAP 是四类目标的平均值，掩盖了类别间差异。训练目录下会生成confusion_matrix.png，这个图比 mAP 有用得多。重点看两个位置：一是主对角线上的颜色深度，二是"安全帽"行里哪一列有亮色块。如果安全帽大量被预测成 person，说明模型学到的是"头顶有人形轮廓"这个特征，而不是安全帽本身的颜色和形态，暗光下大概率翻车。

井下数据的混淆矩阵还有一个特征：self_rescuer 和 person 容易互相串。自救器通常挂在人腰侧，框比较小，模型经常把它当做人身上的一个无关 patch。这类误检靠调 NMS 很难解决，正确的做法是回到数据层面，补一些自救器在腰部、背在身上的不同角度样本。

6.2 一组固定暗光帧的回归脚本

跑完主实验以后，我会固定一组难帧做回归：从全量数据里挑 10 帧覆盖暗光、逆光、粉尘、密集遮挡，每帧必须是模型曾经漏检或误检过的。这组帧不进训练集，每次调参都跑一遍，看改进方向对不对。

from ultralytics import YOLO model = YOLO("runs/detect/train/weights/best.pt") hard_frames = [ "hard/dark_01.jpg", "hard/overlap_02.jpg", "hard/dust_03.jpg", "hard/backlight_04.jpg", ] for p in hard_frames: res = model.predict(p, conf=0.25, iou=0.5, imgsz=1280) for box in res[0].boxes: cls_id = int(box.cls[0]) print(f"{p}: {model.names[cls_id]} {box.conf[0]:.2f}")

这段代码只做一件事：逐帧预测，把类别名和置信度打出来。参数上conf=0.25是主实验的固定阈值，跑回归时不要随意改，改了结果没法对比。判断标准很简单——上次漏检的这帧这次检出没有，上次误检的这次还在不在。如果总 mAP 涨了但硬帧回归变差了，说明模型是在用整体分布的提升掩盖局部场景的退化，这轮调参就是失败的。

我现在做井下检测项目，已经养成先跑硬帧回归再看 mAP 的习惯。96.3% 这个数字可以作为项目起步的基线，但要拿到现场真正稳定可用，靠的还是反复在一个固定难帧集上去验证和打磨。这个框架搭好，后面无论是换模型、调增强还是补数据，每一步都有据可依。希望帮到你。

本文还有配套的精品资源，点击获取