简介：这套数据集面向目标检测与智慧交通方向的开发者，从PASCAL VOC 2012训练验证集中筛选出全部含公交车类别的图像，并整理为YOLO可直接使用的单类别数据集。全部467张实拍图片均配有jpg原图、txt边界框与xml详细标注，共1402个文件，压缩包约55.82MB，标签分为简洁版txt与完整版xml两种格式，对应YOLO训练所需的类别ID、坐标及目标尺寸信息，便于快速开展实验。已有643人学习使用。图像覆盖城市道路、交叉口、公交站等多种环境，场景多样，便于模型泛化。资源适合用于公交专用道检测、车辆识别等场景，读者拿到后即可按VOC标准组织训练集与验证集，配合YOLOv3/YOLOv4等框架调参训练；txt与xml并存的结构也为不同标注习惯的工程转换提供了参考，可减少数据清洗与格式适配的时间，直接进入模型训练和mAP评估环节。
1. 拿到bus_VOCtrainval2012.zip别急着开训：先搞懂这个YOLO公交车检测数据集是什么
很多人第一次接触YOLO公交车检测数据集，都是从网盘或群文件里拖下来一个叫bus_VOCtrainval2012.zip的压缩包，解压就扔进训练脚本，然后被 "no labels found" 或者标签格式报错折腾一个下午。这个zip看起来很不起眼，但它解决的是一个真实痛点：你想训练一个能识别公交车的YOLO模型，却没有标注数据。自己用标注工具一框一框画，几百张图就要大半天，而PASCAL VOC 2012这个公开数据集里本来就有带bus类别标注的图片，把这个子集抽取出来、按YOLO需要的格式重新整理打包，就成了这个文件。
这套数据集适合三类人：做公交车检测相关课题、毕设的学生；想快速验证YOLO训练流程但不打算先花两天标注的工程师；以及做车载感知、路侧监控、智慧公交这类场景的算法人员。VOC2012的标注质量经过多年验证，远比爬虫抓来的野标注干净，用来做起步数据集相当稳。但要提醒一句：从第三方渠道下载的压缩包，解压后先检查再训练，这个习惯能帮你避开后面九成的问题。
2. 解压后先过检查清单：目录结构、标签格式与XML转YOLO脚本
2.1 三分钟核对目录：images与labels缺一不可
先把压缩包解压到一个干净目录，然后按下面的命令检查结构：
mkdir -p /data/bus_voc && cd /data/bus_voc unzip /path/to/bus_VOCtrainval2012.zip # 查看目录层级 find /data/bus_voc -maxdepth 2 -type d | sort # 统计图片和标签数量 find /data/bus_voc/images -name "*.jpg" | wc -l find /data/bus_voc/labels -name "*.txt" | wc -l期望看到的结构是：images/train、images/val、labels/train、labels/val四个目录，且images和labels下的文件数量能对上。大多数第三方整理的VOC子集包也会保留JPEGImages、Annotations、ImageSets/Main这种VOC原版目录，但真正能直接喂给YOLO的是上面这种划分好的形态。
这个检查动作能过滤掉一批“阉割版”资源。常见坑是：zip里只有JPEGImages没有Annotations，说明有人只抽了图片没带标注；或者图片数量与标签数量差几十个，多半是某几张图在整理时丢了XML配对。数量对不上就别继续往下走，先补文件或者换一份资源，硬训练的后果是模型在缺失样本上静默学歪。
2.2 把VOC XML标注转成YOLO txt：坐标归一化别写反
如果你拿到的zip是VOC原版结构，只有Annotations下的XML文件，那就需要自己做格式转换。这里给出我常用的转换脚本：
import os import xml.etree.ElementTree as ET from pathlib import Path # 按PASCAL VOC官方类别顺序排列，bus在index 5 VOC_CLASSES = ["aeroplane", "bicycle", "bird", "boat", "bottle", "bus", "car", "cat", "chair", "cow", "diningtable", "dog", "horse", "motorbike", "person", "pottedplant", "sheep", "sofa", "train", "tvmonitor"] def voc_xml_to_yolo(xml_path, out_txt): tree = ET.parse(xml_path) root = tree.getroot() size = root.find("size") width = float(size.find("width").text) height = float(size.find("height").text) lines = [] for obj in root.iter("object"): name = obj.find("name").text # 本数据集只保留bus类；其余类别直接跳过 if name != "bus": continue # 单类数据集的类别ID统一写0，而不是沿用VOC里的5 class_id = 0 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) # 归一化中心点坐标 x_center = (x1 + x2) / 2 / width y_center = (y1 + y2) / 2 / height w = (x2 - x1) / width h = (y2 - y1) / height lines.append(f"{class_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}") with open(out_txt, "w") as f: f.write("\n".join(lines)) # 批量转换示例：遍历Annotations目录 ann_dir = Path("/data/bus_voc/Annotations") out_dir = Path("/data/bus_voc/labels") out_dir.mkdir(exist_ok=True) for xml_file in ann_dir.glob("*.xml"): txt_file = out_dir / (xml_file.stem + ".txt") voc_xml_to_yolo(xml_file, txt_file) print(f"converted: {xml_file.name} -> {txt_file.name}")这里最关键的逻辑是归一化坐标的计算方式。YOLO的txt标签格式是class x_center y_center width height，所有值都在0到1之间，表示相对图片尺寸的比例。写成(x1 + x2) / 2 / width而不是先加再除再除，顺序上数学等价，但直接连着除不容易漏括号。w和h用右下角减左上角再除以图片宽高，注意x2、y2在VOC里是包含边界在内的坐标，不用额外减一，因为训练时差一个像素对结果没有实质影响。
另一个容易被忽略的参数是类别ID。VOC官方20类的顺序里bus排在第5位，但单类数据集里如果沿用这个ID，你的data.yaml里names就得写20个类别，其中19个没有样本，训练时这些空类会干扰损失计算。正确做法是统一写成0，data.yaml里只声明一个bus类别。如果后面要合并自己的数据，这一点特别重要，合并时所有来源的bus都必须是同一个ID，否则模型会把同一个类当两个类学。
2.3 转完先画框验证：5分钟可视化检查误标漏标
XML转txt之后不要直接训练，花5分钟把标签画回图片上看看。这一步能发现大量低级错误：
import cv2 def draw_yolo_box(img_path, txt_path, out_path): img = cv2.imread(img_path) h, w = img.shape[:2] with open(txt_path, "r") as f: for line in f: parts = line.strip().split() if len(parts) != 5: print(f"bad line in {txt_path}: {line.strip()}") continue _, cx, cy, bw, bh = map(float, parts) # 反归一化还原像素坐标 x1 = int((cx - bw / 2) * w) y1 = int((cy - bh / 2) * h) x2 = int((cx + bw / 2) * w) y2 = int((cy + bh / 2) * h) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.imwrite(out_path, img) print(f"check image saved: {out_path}") draw_yolo_box( "/data/bus_voc/images/val/000001.jpg", "/data/bus_voc/labels/val/000001.txt", "/data/bus_voc/check_000001.jpg", )画框脚本本质上做的是归一化坐标的逆运算：用中心点和宽高反推出左上角与右下角，再乘回图片原始宽高。跑完后打开输出的check_*.jpg，重点看三类问题：框是否明显大于实际车辆、框是否偏移到车身一半以外、以及是否有漏掉的目标。如果出现“一个公交车只被框了半边”的情况，问题多半出在XML的bndbox坐标本身就是残缺的，这种脏数据直接删掉对应图片和标签，不要留在训练集里。
3. 用YOLOv8在本地把这批公交车数据练起来：data.yaml与训练命令
3.1 data.yaml里最容易写错的两个参数：path和names
训练前的配置文件是YOLO系列绕不开的一步。以当前最常用的YOLOv8为例，新建一个bus_data.yaml：
path: /data/bus_voc train: images/train val: images/val names: 0: buspath必须写绝对路径，尤其是你不在项目根目录执行命令的时候，相对路径经常导致训练脚本找不到图片。train和val是相对path的目录，不要在前头加/，否则会拼出绝对路径错位。names用键值对形式足以推断类别数量，不需要再写nc；如果你手多写了一个nc: 1，和names冲突也不会报错，但多一事不如少一事。
在写names前先想清楚一件事：zip里如果是按VOC原始类别顺序转换的，那标签文件里bus可能是5；如果转的时候已经统一成0，这里就写0: bus。检查方法很简单，随便打开一个txt标签文件看第一列数字是什么。
3.2 训练命令与超参：第一次训练别上来就yolov8x
配置写好后，用下面的命令启动训练：
cd /data/bus_voc yolo detect train data=bus_data.yaml model=yolov8n.pt epochs=100 imgsz=640 batch=16 device=0model=yolov8n.pt会从官方仓库自动下载预训练权重，如果你在离线环境，需要提前把权重文件放到当前目录。选yolov8n而不是yolov8x是有原因的：VOC里抽取出的bus类实例数量在几百的量级，属于典型小数据集，用小模型起步能更快验证流程是否通畅，也不容易在几十轮之后就过拟合。先跑通nano，再根据精度缺口换yolov8s或yolov8m，这个路线最省时间。
超参方面，epochs=100对几百张图的单类检测通常够用，如果你自己补充了数据可以加到150；imgsz=640是精度和速度的默认平衡点，但公交车场景有个特殊性——远处的小目标占比高，显存允许的话可以试试imgsz=960，输入分辨率变大后小目标的召回率一般会涨。batch=16在8G显存上跑nano没有压力，如果显存吃紧就改8或者4，配合默认的optimizer='auto'也能正常收敛。
3.3 训练时看什么：box_loss、cls_loss、dfl_loss与P/R曲线
训练开始后，终端会滚动输出每轮的结果，但很多人不知道进度条最下面那行数字的含义。box_loss是边界框回归损失，衡量预测框和真实框的位置偏差；cls_loss是分类损失，单类任务里这个值通常很小；dfl_loss是分布焦点损失，YOLOv8用它来细化边界框的回归精度。这三个损失在正常训练中应当整体下行，如果 loss 从一开始就来回震荡不收敛，多半是前面数据检查没做透。
训练过程中的完整指标记录在runs/detect/train/results.csv里，包括每个epoch的precision、recall、mAP50和mAP50-95。相比盯着终端日志，我习惯每隔一段时间用tail看一眼这个CSV：
tail -20 /data/bus_voc/runs/detect/train/results.csv如果发现mAP50在某个epoch后不再增长甚至下降，说明模型开始过拟合，这时要做的是减小epochs或增加数据，而不是继续跑下去。训练结束后，best.pt和last.pt会同时保存在weights目录里，后续验证和推理一律用best.pt。
4. 用val.py验收公交车检测模型：mAP与混淆矩阵怎么看
4.1 验证命令与结果文件：不只盯着mAP50看
训练完成后执行验证，得到一套完整的评估结果：
yolo detect val data=bus_data.yaml model=runs/detect/train/weights/best.pt输出目录在runs/detect/val，里面有confusion_matrix.png、F1_curve.png、PR_curve.png和results.csv。绝大多数人只看终端打出的mAP50一个数字，这不够。对单类公交车检测，mAP50到0.9以上只能说明框大体能落上，真正要判断模型能不能用，要看recall（召回率）——远处的小公交车漏检率才是这个场景的痛点。
PR_curve.png能看到模型在不同置信度阈值下的精度-召回率曲线，曲线和坐标轴围成的面积就是mAP。如果你发现曲线右下角塌陷，说明存在大量低置信度的真目标，这些车通常是小尺寸或被遮挡。下一步要么补数据，要么调低推理时的conf阈值。
4.2 混淆矩阵总和不是100%：先弄懂YOLO混淆矩阵的行列含义
不少人第一次看到YOLO输出的混淆矩阵都会有一个疑问：矩阵里所有格子加起来为什么不是100%或者1？这不是bug，而是混淆矩阵的归一化方式造成的。YOLO的混淆矩阵默认按行归一化，也就是说每一行代表一个真实类别，该行所有格子的和是1（或100%），表示这个类别的所有真实样本被分别预测成了哪些类别。
这样设计是合理的：你关注的是“真实的公交车有多少被正确检出、多少被漏成背景”。但有个副作用，在多类模型里，矩阵右下角有一个background列专门统计被漏检成背景的样本比例，所有行的数值加总后自然不等于1。如果你在验证集上得到每行总和刚好是1，说明行归一化是对的；如果你看到的总和是别的数，那可能是工具版本不同导致列归一化。诀窍很简单：按行解读召回率，按列解读精确率。
看单类模型的混淆矩阵时，最该关注的是第一行的对角格子和它右边的格子。如果对角线比例低、background列比例高，说明大量公交车被模型当作背景放过了，这是小目标漏检的典型信号。
5. 公交车数据集的五个坑：训练崩了、指标虚高的排查经验
5.1 现象：解压完只有JPEGImages，Annotaions目录不存在
这是从网盘流传资源时最常见的现象。有人分享数据集时只打包了图片，或者打包时漏掉了标注目录，导致你按2.2节的脚本批量转换时直接提示找不到XML文件。
原因很简单：原始整理者自己就把两个目录分开放了，转发时只传了图片。解决方法是先看压缩包内文件列表，确认Annotations和JPEGImages都存在再解压；如果只有图片，就只能找另一份资源，花时间重标一套公交车数据完全不划算。
5.2 现象：训练到十几轮时loss突然变nan，或报出BN相关的崩溃
很多人在YOLO公交车数据集上遇到的第一个硬故障是训练中途loss变成nan，日志里能看到类似Convergence to 0的BN层相关报错。此时模型基本已经废了，再跑下去只会越跑越歪。
原因通常有三类：学习率过大，默认0.01对小数据集来说偏高；batch size太小导致BN统计量不稳定；数据里存在宽或高为0的标签，回归目标出现无穷值。解决方法是先清理标签，用脚本过滤掉w<=0 or h<=0的行；然后调低学习率，启动参数加lr=0.001；最后把batch从16提到32（如果显存允许）。按这个顺序排查，绝大多数BN崩溃都能定位到数据问题。
5.3 现象：训练日志提示某些标签被跳过，或者loss反复横跳
这条和5.2有强关联。归一化脚本如果没有过滤零宽高框，转换出的txt里会出现0.000000 0.500000 0.000000 0.200000这种宽度为0的行，YOLO训练时读到这种标签无法计算正常loss。
原因是在VOC原版XML里，个别bndbox的xmin和xmax写成了同一个值，属于标注者手误。解决方法是写脚本批量检测txt里任何一行的w或h小于等于0就删除该文件，或者把该样本从数据集目录中移出。注意不要只删行不删图，否则图片和标签数量对不上，后面的验证阶段会报样本不匹配。
5.4 现象：验证集mAP很高，一到实际视频里检测效果却明显偏差
这个坑最容易迷惑新手。mAP50高达0.95，模型看起来完美，但拿到一段真实街景视频里跑，公交车频繁漏检。典型原因是验证集和训练集的内容重叠度过高——如果这两部分图片来自同一批VOC场景的相邻帧，或者是从一段视频里按时间顺序硬切出来的，验证集基本等于开卷考试，得出来的指标没有任何参考价值。
正确的划分方式是按场景分组，保证同一辆公交车、同一路口的图片全部落在训练集或全部落在验证集。判断自己是否踩了这个坑，可以随机抽几张验证集图片，在训练集目录里搜同名或相似时间戳的文件，如果命中率很高，那就重新划分。
5.5 现象：把自己标注的数据合进来后，整个模型精度反而下降
你辛辛苦苦标了300张自己场景的公交车图，合并进数据集训练后mAP反而掉了，这种现象我见过不止一次。
原因几乎都是类别ID冲突。自己的标注工具里可能把bus存为类别0，但下载的数据集转换脚本里沿用了VOC的ID写了5，两批标签混在一起，同一个类被当成两个不同的类学，模型就混乱了。解决方法是统一类别映射：在合并前写一个脚本，把两边的标签第一列全部改成同一个ID，然后重新生成train.txt和val.txt划分。这个检查应该在合并前做，而不是在训练失败后。
6. 从“能跑通”到“能上线”：补充公交车数据与推理NMS参数调优
6.1 用一周时间给数据集补几类难例：夜间、雨天、侧后视角
VOC2012里的公交车图片质量整体不错，但场景以白天的城市道路为主，夜间、雨天、黄昏这些条件几乎空白，侧后方视角的车辆也很少。用这套数据集训练出的模型，在白天前向视角场景表现尚可，到夜间或雨天上路就会打回原形。解决方向是补充难例数据：从自己的监控视频里抽帧，用LabelImg或Roboflow这类工具标注，导出YOLO格式后并入原数据集。
合并时最省事的做法是保持“单类”不变，所有新标注的bus类别ID写0，与下载的数据集一致，然后重新划分train/val。补多少量级看效果，一般先从100帧夜间难例开始，验证集上夜间场景的召回率有明显提升就继续，没有提升就检查标注质量。
6.2 推理时NMS和置信度怎么调：按场景调conf与nms-iou
模型部署推理时，两个参数对最终效果影响很大，一个是conf，一个是nms-iou：
yolo predict model=runs/detect/train/weights/best.pt source=test_video.mp4 conf=0.35 nms-iou=0.5conf=0.35表示只输出置信度高于0.35的检测框，阈值越高误检越少但漏检越多；nms-iou=0.5表示两个框的交并比超过0.5时合并成一个，值越低对重叠框的合并越激进。如果你的场景是路侧监控，车辆密集且相互遮挡，nms-iou调到0.5左右能明显减少同一个车被输出两个框的情况；如果你发现大量真实车辆因为置信度低被滤掉，就把conf降到0.25甚至0.2，然后用视频帧间平滑或跟踪器来消除抖动。
我自己的习惯是先用默认conf=0.25跑一段视频，统计误检和漏检的分布，再针对性调参——误检多为护栏、公交车尾部的相似纹理，就把conf上调；漏检多出现在远处小目标，就下调conf并同步检查是不是该换更大输入分辨率。这样一轮下来，模型的落地表现通常比直接拿最高mAP的阈值配置要稳得多。
最后补一句血泪经验：我最早拿纯VOC数据练出来的模型，在测试集上mAP50有0.92，觉得已经能交差，结果一放到真实道路视频里，白天逆光场景直接漏掉一半公交车。后来花了两天时间专门补了几百帧自己场景的标注数据，重新训练后才把漏检率压下来。数据集的起点决定了模型的上限，但真正决定能不能用的，是你愿意为它补多少真实场景的样本。希望这篇笔记能帮你少走这几段弯路。
本文还有配套的精品资源，点击获取
