企业官网建设流程全解析

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 ./annotations

classes.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.yaml

data.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 model=yolov8s.pt epochs=100 imgsz=640 batch=16 device=0

model=yolov8s.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。imgsz=640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。device=0指定第一块 GPU，CPU 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

mosaic=0.5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", imgsz=960) 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yolov8n，imgsz降到 640，或用 TensorRT 导出，FP16 推理速度翻倍。

yolo export model=best.pt format=engine half=True imgsz=640

导出 TensorRT 引擎，half=True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 model=best.pt data=./dataset/data.yaml plots=True

plots=True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(f"dataset/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(f"dataset/images/test/{f}") for k, paths in buckets.items(): if not paths: continue m = model.val(data="./dataset/data.yaml", imgsz=960, split="test") 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