遥感小目标检测实战：NWPU VHR-10数据集与YOLO训练全流程

简介：卫星遥感领域的目标检测训练集NWPU VHR-10已整理为YOLO可直接使用的格式，包含800张来自Google Earth与Vaihingen数据源的高分辨率卫星图像，手动标注覆盖飞机、轮船、储罐、棒球场、网球场、篮球场、地面跑道、港口、桥梁和车辆共10个类别，适合计算机、电子信息等专业学生用于课程设计、期末大作业或毕业设计中的目标检测实验。压缩包共2612个文件，以650张JPG图像、650个XML标注文件及1307个TXT辅助文件为主，压缩后约61.15MB，XML/VOC格式便于接入YOLOv5、YOLOv8等主流框架，TXT文件可用于标签或划分说明，另附缓存与MD说明文档。目前已有321人学习下载，资源内还包含参数化编程源码思路，可直接修改参数运行，降低上手门槛，利于快速复现与二次扩展。

1. 卫星图像目标检测的开局：一份可直接落地的 NWPU VHR-10 数据集

做目标检测的人，多半被两件事劝退过：一是找不到合适的数据集，二是数据拿到了但标注格式跟训练框架对不上。卫星图像目标检测尤其明显，自然场景的数据集好找，到了遥感图像就稀缺，能看到的要么没标注，要么类别体系不统一。这份 NWPU VHR-10 数据集解决的是这个缺口：800 张高分辨率卫星图像，来源包括 Google Earth 和 Vaihingen 数据，所有目标经过手动标注，覆盖飞机、舰船、储油罐、棒球场、网球场、篮球场、田径场、港口、桥梁、车辆十个类别。压缩包里图像和已标注文件一起给出，解压后把目录整理一下就能进入 YOLO 训练流程。对正在做遥感目标检测课程设计、期末大作业或毕业设计的同学，以及想快速验证 YOLO 改进点的从业者，这套数据能省掉大量收集和标注的时间。

2. 数据集拆解：十个类别、图像来源与 cache 文件的真相

2.1 十个类别清单与检测难点

遥感图像目标检测和自然图像检测的第一个直观区别是目标尺寸。COCO 数据集里一个目标往往占图像的 5% 到 20%，而卫星图像里的飞机、车辆、储油罐常常只占 1% 甚至不到，视觉上就是一堆十几个到几十个像素的小色块。NWPU VHR-10 的十个类别恰好覆盖了遥感场景里最典型的目标形态，类别之间既有形状差异明显的（桥梁、港口），也有形状接近、单纯靠尺寸和位置区分的（网球场与篮球场）。

我把各类别的检测重点逐一说明：

类别	英文标签	典型尺度	识别难点
飞机	airplane	中大型目标，边缘清晰	停机坪上密集排列，互相遮挡，白色机身与浅色地面难区分
舰船	ship	中型目标	靠岸船只与港口集装箱、码头纹理连成一片
储油罐	storage tank	中小型目标	白色圆形罐顶与周围圆形建筑顶相似
棒球场	baseball diamond	大型目标	场地内部线条复杂，菱形结构容易被切碎
网球场	tennis court	中型目标	矩形边界与周边颜色接近，分割不清晰
篮球场	basketball court	中型目标	与网球场尺寸接近，位置关系是重要线索
田径场	ground track field	大型目标	操场在分辨率低时退化成一条环形线
港口	harbor	大型目标	水域与陆地交界，岸线曲折，背景干扰大
桥梁	bridge	大型跨越结构	桥体与道路在灰度上难以区分
车辆	vehicle	小目标	像元数少，密集区域互相覆盖

这样的类目设计对课程设计、毕业设计的要求很友好：既包含大目标也包含小目标，既能跑简单 baseline 也能做难例挖掘。

2.2 图像来源：Google Earth 与 Vaihingen 的影像特征

数据集的图像来自 Google Earth 和 Vaihingen 两个数据源。Google Earth 影像以光学卫星影像为主，彩色丰富、地物纹理真实但分辨率不完全一致；Vaihingen 数据则偏航空遥感，灰度一致性好、边缘锐利度高。两种来源混在一起，对模型的泛化是件好事，相当于在训练阶段就做了天然的域增强，模型不至于对某一种成像质量产生过拟合。

不过这也埋了一个隐患：图像尺寸和空间分辨率并不是统一的。有的图片里车辆能有 60 到 90 像素，有的图片里只有 25 像素。因此直接套用自然图像检测的默认输入尺寸 640 会吃亏，训练时把分辨率抬到 960 或 1280，mAP 会肉眼可见地提升。遥感图像目标检测里，这一点比 anchor 设置的影响还大。

2.3 cache 文件不是标注文件：文件结构怎么认

解压资源包后，第一眼会看到几个 jpg 图像和一组 cache 文件：train.cache、test.cache、val.cache，还有名为 positive image set.cache3 的缓存。这里必须提醒一句：cache 文件不是标注文件。

Darknet 系 YOLO 训练框架在第一次扫描数据集时，会把图片路径、标签状态打包成 .cache 文件，用来加速后续启动。train.cache 对应训练集、test.cache 对应测试集、val.cache 对应验证集，里面的内容大多数是 hash 索引和标记位，不是研究者想要的坐标数据。标注文件的正确形态是：图片同名加 .txt 或 .xml。比如 084.jpg 对应 084.txt（YOLO 格式），或者 084.xml（VOC 格式）。判断方法非常简单，随机挑一张图后打开同名文件的内容，如果每行是“类别ID 中心x 中心y 宽 高”这样的五个数字，说明是 YOLO 格式，可以直接用；如果内容是<annotation>开头的 XML 结构，说明是 VOC 标注，需要转成 txt 再进入 YOLO 流程。

注意：解压后先把 cache 文件原样放好，不要手动改后缀。它们不会影响训练，如果训练时框架提示 cache 失效，直接删除让框架重新生成即可。

目标检测数据集处理的第一步，不是急着训练，而是把文件结构看明白，这个成本远比最后返工低。

3. 标注转换：把原始标注变成 YOLO 可直接训练的 txt 格式

3.1 目录规划：images 与 labels 分离

YOLO 系列框架对数据路径的约定很统一：images 和 labels 必须在同一个父目录下，而且 train、val、test 三个子目录的名字一致。这样框架才能根据图像路径自动找到对应的标签文件。

我常用的目录结构是这样的：

dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ ├── data.yaml └── nwpu_vhr10_split/ ├── train.txt ├── val.txt └── test.txt

images 目录下放 jpg，labels 目录下放与之同名的 txt。Ultralytics 系列的检索逻辑是读取 images/train 下的某张图后，去同级目录找 labels/train 下的同名 txt，因此两个目录层级必须对齐。如果图片名字是 084.jpg，标签就必须是 084.txt，不能有大小写或空格差异。我习惯把划分后的路径清单也存一份到 txt 索引文件，方便后面调试时直接读取。

3.2 XML 转 TXT 脚本：坐标归一化与类别映射

如果标注文件是 XML（VOC 格式），需要先做转换。目标检测数据集处理，最繁琐的往往不是算法调参，而是把标注格式理顺。我一般会在转换前随机抽两个 XML 打开看一眼，确认 name 标签里的类名拼写，再跑下面的脚本：

import xml.etree.ElementTree as ET import os # 类别名单，顺序必须与后续 data.yaml 中的 names 完全一致 class_list = ['airplane', 'ship', 'storage tank', 'baseball diamond', 'tennis court', 'basketball court', 'ground track field', 'harbor', 'bridge', 'vehicle'] def voc_xml_to_yolo(xml_dir, out_dir): if not os.path.exists(out_dir): os.makedirs(out_dir) for xml_name in os.listdir(xml_dir): if not xml_name.endswith('.xml'): continue xml_path = os.path.join(xml_dir, xml_name) tree = ET.parse(xml_path) root = tree.getroot() size = root.find('size') if size is None: continue img_w = int(size.find('width').text) img_h = int(size.find('height').text) txt_name = os.path.splitext(xml_name)[0] + '.txt' out_lines = [] for obj in root.iter('object'): name = obj.find('name').text if name not in class_list: continue class_id = class_list.index(name) box = obj.find('bndbox') x1 = float(box.find('xmin').text) y1 = float(box.find('ymin').text) x2 = float(box.find('xmax').text) y2 = float(box.find('ymax').text) # 像素坐标转归一化中心坐标 + 宽高 x_center = ((x1 + x2) / 2.0) / img_w y_center = ((y1 + y2) / 2.0) / img_h w = (x2 - x1) / img_w h = (y2 - y1) / img_h out_lines.append(f"{class_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}") if out_lines: with open(os.path.join(out_dir, txt_name), 'w') as f: f.write('\n'.join(out_lines) + '\n') voc_xml_to_yolo('Annotations', 'labels')

脚本逻辑很直接：遍历 Annotations 目录下的所有 XML，读取图像宽高，把每个目标的 xmin、ymin、xmax、ymax 换算成比例值，再按 class_list 的顺序写入类别索引。这里最关键的是 class_list 必须和最终训练的 data.yaml 对齐，否则会出现模型把所有类别都识别成错位野框的情况。另外注意，VOC 坐标如果出现越界，有些标注会超出图像边界一点，这个脚本不会做裁剪，建议转换后检查一下是否出现 w 或 h 大于 1.0 的行。

3.3 数据集划分：按类别均衡地划分训练、验证、测试

800 张图不算多，如果随机打乱划分，可能把某一类目标全部留到一个集合里。稳妥的做法是把类别信息也纳入划分逻辑：

import os import random from collections import defaultdict random.seed(42) label_dir = 'labels' image_dir = 'images' train_ratio, val_ratio = 0.7, 0.15 # 按类别收集样本：一张图含多个类别时，会同时记入多个桶 samples_by_class = defaultdict(list) for f in os.listdir(label_dir): if not f.endswith('.txt'): continue with open(os.path.join(label_dir, f)) as fd: classes = {line.split()[0] for line in fd if line.strip()} for c in classes: samples_by_class[c].append(f) # 每个类别单独按比例抽取，最后取并集 train_set, val_set, test_set = set(), set(), set() for c, files in samples_by_class.items(): random.shuffle(files) n_train = int(len(files) * train_ratio) n_val = int(len(files) * val_ratio) train_set.update(files[:n_train]) val_set.update(files[n_train:n_train + n_val]) test_set.update(files[n_train + n_val:]) for split, sample_set in zip(['train', 'val', 'test'], [train_set, val_set, test_set]): with open(f'{split}.txt', 'w') as fd: for img_name in sorted(sample_set): fd.write(os.path.join(image_dir, img_name.replace('.txt', '.jpg')) + '\n')

这段脚本把每个类别的样本单独分桶，先按 7:1.5:1.5 的比例抽取，再把多个桶的并集写入最终的 txt 索引。使用 set 是为了避免一张包含多个类别的图片被重复写入。缺点是类别之间可能有少量重叠，导致 train_set 和 val_set 同时出现同一张图，这是可以接受的，因为样本总量不大。如果不希望重叠，可以用更严格的按文件主键划分，但代价是某些小类别在验证集中数量过少，评估时数值波动会很大。

提示：上面的脚本把划分结果写成了 txt 索引，如果你更习惯目录式管理，也可以直接把 train/val/test 这类索引路径写进 data.yaml，不强制复制图片。

4. 训练实战：YOLOv5 环境配置、超参数设定与日志判断

4.1 环境准备与 data.yaml 配置

以 YOLOv5 为例，这是绝大多数课程设计和毕业设计最容易上手的版本。先用 yolo 预训练模型下载和官方仓库把环境准备好：

git clone https://github.com/ultralytics/yolov5.git cd yolov5 pip install -r requirements.txt

YOLOv5 的依赖以 PyTorch 和 OpenCV 为核心，requirements.txt 里已经把 torch、opencv-python、matplotlib 这些常用库封装好了。目录规划完成之后，把数据配置写在 data.yaml 里：

# dataset/nwpu_vhr10.yaml train: dataset/images/train val: dataset/images/val test: dataset/images/test nc: 10 names: ['airplane', 'ship', 'storage tank', 'baseball diamond', 'tennis court', 'basketball court', 'ground track field', 'harbor', 'bridge', 'vehicle']

train、val、test 路径以你执行训练命令的工作目录为参考，我习惯把 data.yaml 放在 dataset 目录下，路径相对书写。names 列表的顺序必须和第 3 章转换脚本里的 class_list 一致，否则类别索引错位后，你会发现飞机被标成储油罐且很难排查。类名里有空格的如 storage tank，在 YOLOv5 里处理正常，但部分可视化脚本在展示时可能截断，建议用下划线代替，写成 storage_tank。

4.2 训练命令解析与核心超参数

数据配置准备好后，训练代码这样启动：

python train.py \ --data dataset/nwpu_vhr10.yaml \ --weights yolov5s.pt \ --img 1280 \ --batch 8 \ --epochs 150 \ --hyp data/hyps/hyp.scratch-low.yaml \ --name nwpu_vhr10

逐项说明参数的意义：

• --weights 使用官方预训练权重 yolov5s.pt。第一次运行会自动下载，这份权重会给模型一个很强的初始特征，训练收敛速度明显比从头训练快，这也是答辩时可以说清的一个细节。
• --img 1280 是遥感数据集最重要的设置。目标太小，输入分辨率提到 1280 比加深模型更容易带来收益。显存不够时可以降到 960，但别用 640 起步。
• --batch 8 是 8G 显存下的中间值。如果用的是 24G 显存卡，直接提到 16，同一份数据下能更早收敛；显存不足时优先降 batch，而不是急着换大模型。
• --epochs 150 是相对保守的值。800 张图的规模，100 到 150 轮足够看到 mAP 曲线变平甚至略降，继续加轮数意义不大。
• --hyp hyp.scratch-low.yaml 使用低学习率曲线，适合少量数据，避免早期训练发散。

如果数据集目标尺寸分布与 COCO 差距很大，YOLOv5 会在训练前做 anchor 自适应计算，默认开关保留即可。想确认目标尺寸分布，可以先跑几步观察日志里打印的 anchor 与当前数据集的匹配程度。

4.3 训练日志判断：YOLO 损失函数、mAP 与早停

训练时屏幕每隔一段时间刷新一条状态，我习惯关注这四个维度：

Epoch gpu_mem box obj cls labels img_size 89/150 7.83G 0.0421 0.0214 0.0253 18 1280

box 是包围框回归损失，obj 是置信度损失，cls 是分类损失。YOLO 的损失函数就是这三部分的加权组合，遥感图像目标检测里 box 通常比自然场景下降更慢，因为小目标对框的精确回归难度大。三条曲线应该在 100 轮内稳定下行，如果某一项在后期不降反升，说明增强太强或者学习率需要继续衰减。

训练结束后，重点看两个指标：

• mAP@0.5：IoU 阈值 0.5 下的平均精度，课程设计主要用这个指标，能到 0.85 以上就是不错的 baseline。
• mAP@0.5:0.95：对框质量要求更严格，如果这个值和 mAP@0.5 差距明显，说明定位精度不够，优先加大 --img 而不是加深网络。

YOLOv5 会在 runs/train/nwpu_vhr10/weights 下保留 best.pt 和 last.pt。best.pt 是验证集上 mAP 最高的权重，测试和复现都用它。如果训练中断想接着跑，直接在命令里--weights runs/train/nwpu_vhr10/weights/last.pt --resume就行，不用重新从预训练开始。

5. 卫星图像目标检测避坑指南：五个高频翻车点

5.1 现象一：cache 文件被误认成标注文件

现象：解压后没找到 txt 标注，看到 train.cache、test.cache 这些文件，以为改名成 txt 就能用。训练直接报错“无法读取标注”，或者不报错但训练出来的模型几乎把所有区域判断为背景。

原因：cache 文件是训练框架的路径缓存，里面没有坐标内容。它存的是图片路径、hash、标签是否完整的标记位，强行改名后框架解析不到合法文本，自然读不到目标信息。

解决：先确认资源包里是否有与 jpg 同名的 xml 或 txt。有 xml 就走第 3 章的转换脚本；有 txt 就检查每行是否符合“类别ID 中心x 中心y 宽 高”的格式。cache 文件原样保留，训练时框架会自动重建，不需要人工维护。

5.2 现象二：小目标漏检，飞机和车辆检不出来

现象：训练过程损失下降正常，但 val 结果里 airplane 和 vehicle 的召回率很低，一张有 18 架飞机的停机坪图片只检出 6 架。

原因：卫星图像里的飞机车辆往往只有几十像素，输入分辨率 640 时目标缩到 10 像素左右，特征在骨干网络下采样时丢失严重。

解决：把 --img 提到 1280，配合 batch 降到 8 或 4；如果显存仍然吃紧，用切片思路做训练前分块。另一个有效操作是让框架重新计算 anchor，autoanchor 默认对 640 输入是合理的，但 1280 输入下目标尺寸分布会变，重新计算是标准操作。先在日志里看一眼 anchor 的输出值，再决定是否调整。

5.3 现象三：类别不平衡造成 mAP 一边高一边低

现象：训练结束后，车辆、储油罐这类目标多的类别 mAP 很高，棒球场、桥梁这类目标少的类别 mAP 明显偏低，指标波动很大。

原因：NWPU VHR-10 虽然总标注质量高，但十个类别样本数量并不均衡，车辆目标数以千计，桥梁可能只有几十个。模型对少数类拟合不足，评估时样本少也导致数值方差大。

解决：训练前用第 3 章的统计代码打印每个类别的目标数量，对少数类做拼接增强或复制粘贴增强，多加入一些包含该类别的训练样本。也可以对损失加权，比如给少数类更高的 cls 权重，但课程设计阶段用数据增强更直接，代码侵入性更小。

5.4 现象四：验证 mAP 高，整幅大图推理却翻车

现象：val 里 mAP@0.5 有 0.88，信心满满地拿单张 4000×4000 的遥感大图进 detect.py，结果检测框稀疏，很多小目标完全没出现。

原因：训练和验证都是在切好的小图上进行的，整幅大图直接缩放后会变成 1/3 甚至 1/6 的缩略图，小目标信息被急剧压缩，原有的特征尺度失效。

解决：推理阶段采用切片推理，把一张大图切成 1280×1280 的窗口，重叠率设置 0.2，逐窗推理后再做 NMS 合并。常见工具直接用 SAHI，省去自己写滑动窗口的时间。具体参数放第 6 章，这里先记住结论：训练怎么切，推理就怎么切。

5.5 现象五：loss 变 nan 或 BN 参数崩溃

现象：训练到 30 轮到 40 轮，box_loss 突然变成 nan，后续怎么调 batch 和迭代都不恢复。查看模型权重发现 BN 层统计量异常，推理输出无数个低置信度框。

原因：常见诱因有三个：学习率初始值过高，碰到个别样本的尺寸或标签异常，导致梯度爆炸；数据里有损坏的 jpg，读取失败但 num_workers 没报错；空标签文件或坐标越界到负值，让回归目标计算出现异常值。

解决：先把 hyp 文件里的 lr0 调低一半，比如从 0.01 降到 0.005，重新跑。然后遍历一遍 labels 目录，过滤零字节 txt 和 w/h 大于 1.0 或小于 0 的行。最后用图像解码库逐个检查 jpg 是否能正常打开。这类问题靠调参基本救不回来，必须回到数据层面，已经不是玄学能解决的范畴。

注意：这三个诱因按出现概率排序，实际排查时先查数据再调学习率，比盲目改超参省时间。

6. 验证与进阶：多尺度测试、混淆矩阵与大图切片推理

6.1 多尺度验证：--augment 与输入分辨率

训练完先别急着拿 val 结果交差，遥感目标尺寸范围大，多尺度测试往往能多救回几个点。YOLOv5 的 val.py 自带 augment 开关：

python val.py \ --data dataset/nwpu_vhr10.yaml \ --weights runs/train/nwpu_vhr10/weights/best.pt \ --img 1280 \ --augment

--augment 在推理阶段做多尺度融合，把输入缩放几个尺寸再取平均，相当于 test-time augmentation。配合 --img 1280 以后，mAP 通常会有 1 到 2 个百分点的提升，虽然推理速度慢一些，但用于课程设计的核心指标足够划算。

6.2 混淆矩阵与错误分析

YOLOv5 在 runs/train/nwpu_vhr10 下会生成 confusion_matrix.png。遥感数据集里最容易出现两类问题：车辆被误判成飞机，或者小型储油罐被误判成车辆，因为灰度上都是亮色圆形或矩形目标。另外要注意，混淆矩阵的归一化数值按行计算，总和不一定等于 100%，这是 YOLO 训练框架的常见表现，不是代码错误。

看懂混淆矩阵之后，下一步该做的不是立刻调模型，而是把误判最多的两个类别拉出来做针对性数据增强。比如对误判成飞机的车辆样本做亮度扰动，把模型注意力从颜色拉回到几何形状。在课程设计答辩时，能讲清楚这一步，给人留下的印象比单纯报一个 mAP 数字扎实很多。

6.3 大图切片推理：把训练技巧延伸到推理阶段

最后给一个能直接落地的推理思路。对大尺寸遥感图，我习惯用 SAHI 这类现成库，参数封装得比较直观：

from sahi import AutoDetectionModel from sahi.predict import get_sliced_prediction model = AutoDetectionModel.from_pretrained( model_type="yolov5", model_path="runs/train/nwpu_vhr10/weights/best.pt", confidence_threshold=0.35, image_size=1280, ) result = get_sliced_prediction( image="large_scene.png", detection_model=model, slice_height=1280, slice_width=1280, overlap_height_ratio=0.2, overlap_width_ratio=0.2, ) result.export_visuals(export_dir="output/")

这里的主要参数是切片尺寸和重叠率。切片尺寸与训练输入保持一致，效果最好；重叠率 0.2 到 0.3 可以避免目标被切在两片边缘时整体丢失。切片推理的缺点是把单张推理变成了几十片推理，速度明显变慢，但换来的是小目标召回率的稳定提升。如果项目只做离线检测，这个成本完全可以接受。

从那以后，我跑遥感目标检测任务多了一道规范流程：训练完先多尺度验证，再瞄一眼混淆矩阵，最后拿整幅大图切片推理一次，确认模型在真实任务尺度下真能工作，而不是只在评估集上好看。这套流程帮我挡掉过不少答辩现场的尴尬问题，希望帮到你。

本文还有配套的精品资源，点击获取