简介：手工标注的1000张人车识别VOC数据集，面向计算机视觉开发者与深度学习算法工程师，用于解决行人及车辆检测任务中标注数据不足、标注质量不稳定的问题。整个压缩包共1994个文件，包括997个xml标注文件、729张jpg与268张png原始图像，包体大小约711MB，其中xml文件记录每一目标的类别、边界框坐标等关键信息，可直接配合YOLO等检测框架进行训练。该数据包目前已有1035人学习下载。作者亲测训练后检测效果良好，全部为纯手工标注，在边界框准确性和标注一致性上有较高保证。相比自动标注或未经验证的数据集，这份资源能显著减少数据清洗和重新标注的时间，适合作为人车检测模型开发、算法验证与课程项目的起点。
1. 手工标注高质量人车识别VOC数据集1000张：这件事远比想象得更工程化
做园区人车流量统计算法时，我第一次没多想就直接用了官方COCO权重，结果到了晚上问题一堆：路边的外卖电动车被当成行人，卡车车厢又被切成一个个独立小目标。复盘后才发现根子不在模型，而在数据分布。于是把方案拆成两步：先按PASCAL VOC格式，手工标注高质量人车识别VOC数据集1000张，再进入针对性训练和验证。手工标注的真正价值，不只是“得有人干活”，而是把类别边界、遮挡规则和难例筛选的主动权握在自己手里。这篇笔记适合三类人：被业务数据和真实场景逼到想自己标图的工程师、零散标过图却没有规范化流程的团队、以及第一次认真想用YOLO训练自己数据的新手。从XML格式讲到工具选型，从标注流程讲到质检脚本，从转换命令讲到最后的验证环节，全程按踩过的坑来写。
2. 把“人车识别”落进VOC格式：XML字段拆解、类别边界与工具选型
很多人觉得手工标注嘛，打开工具画框就行。但真正吃亏的是在标注进行到一半时，发现XML里的filename和图片对不上、目标框坐标越界、类别名和训练脚本里的class list不匹配，返工成本比重新标注还高。VOC格式的核心是一张JPEG对应一个XML文件，两者靠“同名同前缀”绑定。XML里定义了这个文件里所有目标的位置、类别和状态。不理解这些字段，后面写转换脚本就是在黑匣子里调参数，出错了都不知道往哪查。
2.1 VOC的XML里每个字段在管什么：bndbox、truncated、difficult不能忽略
先看一份实际标注后最常见的VOC XML结构，我按LabelImg导出后的字段来说明：
<annotation> <folder>JPEGImages</folder> <filename>20240115_193002_042.jpg</filename> <path>E:/datasets/JPEGImages/20240115_193002_042.jpg</path> <source> <database>UserAnnotation</database> </source> <size> <width>1920</width> <height>1080</height> <depth>3</depth> </size> <segmented>0</segmented> <object> <name>person</name> <pose>Unspecified</pose> <truncated>1</truncated> <difficult>0</difficult> <bndbox> <xmin>812</xmin> <ymin>340</ymin> <xmax>946</xmax> <ymax>1020</ymax> </bndbox> </object> </annotation>这里最关键的字段是size和bndbox。width和height必须是原图像素尺寸，转换到YOLO格式时，所有坐标都要除以这两个值，一旦尺寸不对，训练时损失函数剧烈震荡且不收敛。bndbox里的xmin/ymin和xmax/ymax是像素坐标系下的左上角和右下角坐标，左上角小于右下角，这是基本约束，哪怕标反了一个符号，目标框就变成负宽度。
truncated表示目标是否被图像边界截断，比如人从画面边缘走出来，只露出一半身体，此时truncated应该标1，但框体只需要框住可见部分。difficult在PASCAL VOC原始定义里表示这个目标因为太模糊、太小或遮挡严重，难以判断类型，官方评测时不计入AP。实际工程里，我一般把difficult分成两种用法：如果目标小到人类肉眼看都分不清是人是车，直接不标；如果目标是明确的但被严重遮挡，我会仍然标全并通过质量脚本记录，让模型处理遮挡，而不是把边界难题丢给评测。pose和segmented对2D检测基本没有用途，保留默认值即可。
可以说，手工标注时你真正在生产的不是框，而是一份机器可读的“责任说明书”。每个字段都有它的下游去向，宁可格式单一只用一种工具，也不要混着多工具导出的XML，到转换阶段才发现字段对不上。
2.2 类别边界先于标注：person和vehicle之间没有被框住的模糊地带
“人车识别”看起来是两个类别，但在交通场景里，骑自行车的人、骑电动车的人、推着摩托车走的人，这些目标天然地横跨两类。我在最初做园区统计时犯过一个错：把骑电动车的外卖员整体框成一个“person”大框，结果模型学到的是“person框里包含了电动车形状”，后来对停在路边的电动车也产生了误检。
解决这个问题的办法是，在动鼠标之前把类别和优先级写成标注规范。常见做法是把类别定义为person、bicycle、car、motorbike、bus、truck六个类，人车识别任务的输出端再从这些类里聚合出“人”和“车”。但这种划分会显著增加标注工作量，对于只想做人车二分类的业务，也可以只定义person和vehicle两类，代价是失去了车的细分类别信息。
我的习惯是询问下游需求：如果最终要做“车流分类统计”，就分六类；如果只是判断画面里有没有人、有没有车，就分两类。分类粒度越细，标注规则越复杂。对于骑行人物的处理，我采用一条铁律：只要是人在骑行状态，必须把人和车分开框，人体框不能包进车轮，车体框不能包进人体。两个框可以重叠，但类别不能混。这样做的原因是，人体姿态检测和车辆计数仍然是两个独立下游，与其让模型从混合框里学出耦合特征，不如在数据源头就分开。
多说一句：手工标注质量高，指的不是框得多么精细到像素级，而是“边界情况一致”。同一个目标在1000张图里，无论谁标注，框的风格和类别应该一致。为此，类别定义表要保存成文本文件，和数据集一起版本管理，谁都不允许在标注过程中临时改类别名。
2.3 手工标注工具选型：LabelImg够用，什么时候换X-AnyLabeling或CVAT
我按“人工成本”和“协作规模”两个维度来看工具选择。个人或两人以内、单机完成1000张，LabelImg几乎是最稳妥的选择，它默认输出VOC XML，没有中间转换，学习成本极低。三人以上的团队并行标注，我更建议直接上CVAT，它能做任务分配、二次审核和版本回溯，虽然部署成本高一点，但省下来的协作时间远远超过部署时间。
| 工具 | 适合规模 | 核心能力 | 主要限制 |
|---|---|---|---|
| LabelImg | 1到2人单机 | 输出标准VOC XML，快捷键简单 | 无多人协作，无自动保存恢复 |
| X-AnyLabeling | 单人但需要半自动辅助 | 支持跟踪、分割、半自动标注 | 导出需要二次确认字段 |
| CVAT | 3人以上团队 | 任务分配、审核流、版本管理 | 需要服务器部署，有学习成本 |
这里有一个容易被忽视的点：X-AnyLabeling这类工具支持视频跟踪自动插值，能大幅减少重复标注，但自动生成的目标框常常在遮挡时漂移，逐帧复核的成本并不低。对于1000张静态图场景，我并没有觉得半自动是刚需，反而是LabelImg的W键画框和A/D切换图片的流畅度最顺手。工具只有趁手这一个判断标准，预览功能再强大，不如让你一晚上标出200张图来得实在。
3. 1000张VOC手工标注全过程：从图像筛选到质检脚本
这一章进入实操。我默认你已经确定了类别和工具，接下来按“原始图像准备 → 标注操作 → 自动质检”三步推进。很多人标到一半才发现图像源有严重偏置，比如全是白天的平视画面，没有任何夜间和俯视样本，再回头补数据就晚了。所以，筛选图片这步不该省。
3.1 原始图像筛选：监控抽帧怎么做、哪些图必须被排除
1000张图不等于从视频里随便截1000帧。监控视频连续帧之间高度相似，如果直接顺序抽帧，你会发现训练集里大量重复场景，模型的泛化能力基本为零。常见做法是使用ffmpeg按时间间隔抽帧，先抽出冗余池，再人工剔除模糊和重复帧：
ffmpeg -i 20240115_1920_01.mp4 -vf "fps=1/20,scale=1920:1080" -q:v 2 cam_frame_%04d.jpg这条命令里，fps=1/20表示每20秒取一帧，scale=1920:1080把画面统一缩放到1080p分辨率，-q:v 2控制JPEG质量，数值越小质量越高，一般取2到4之间。抽出来的帧放进一个候选池，然后人工把以下三类直接删除：画面模糊到人眼无法判断目标类型的；目标总数超过清晰识别极限的密集场景；以及目标占比过小导致框体小于30×30像素的。
你需要让数据集覆盖至少两种拍摄姿态、两个时段、两类天气条件。我自己的经验比例是：白天平视占40%、夜间平视占25%、高空俯视占20%、黄昏或逆光占15%。如果原本的监控数据没有俯视角度，宁可先少收一些，也不要让全部1000张都来自同一个视角，否则模型换一个安装位置就可能性能断崖。还有一个小技巧，抽帧时保留原始时间戳在文件名里，比如20240115_193002_042.jpg，后面按场景划分train/val时非常有用。
3.2 LabelImg标注操作流：从安装启动到完整保存流程
安装LabelImg最稳定的路径是：
pip install labelImg如果安装后启动报PyQt5关联错误，先执行pip install pyqt5再试。启动前，我建议先准备一个类别文件classes.txt，内容按行写：
person bicycle car motorbike bus truck然后带着图片文件夹、类别文件和输出目录一起启动：
labelImg JPEGImages classes.txt Annotations这个命令让标注框直接保存在Annotations目录下，XML与JPEG同名。画框的快捷键是W，拖动鼠标覆盖目标主体；切到上一张和下一张是A和D；保存是Ctrl+S。我强烈建议每标一张图就按一次Ctrl+S，不要攒着批量保存。工具崩溃或断电时，未保存的框会全部消失，那种体验经历过一次就不想再经历第二次。
还有两个细节要养成习惯。第一，画框时的四条边要贴着目标的最外轮廓，不要留一大圈背景，也不要切掉车辆后视镜或人体四肢。第二，LabelImg会把图片的绝对路径写进XML的path字段，但转换脚本只认filename和size，所以任何时候移动数据集目录，只需要保证图片和XML在同一前缀结构下即可。我一般会在标注全部完成后，用脚本把path字段统一置空，避免不同机器上路径不一致带来的困扰。
3.3 标注抽样质检：用Python脚本查超界、宽高异常和漏标
手工标注难免眼花，所以质检脚本是数据集的最后一道防线。这个脚本不应该等到全部标完才跑，而是每标200张就跑一次，发现问题当场修。下面是我常用的检查脚本，逻辑很直接：
# voc_quality_check.py # 检查XML与图片是否对得上，并找出可疑的标注框 import os import sys import glob import xml.etree.ElementTree as ET from PIL import Image def check_one(xml_path, image_root): root = ET.parse(xml_path).getroot() filename = root.findtext('filename') if filename is None: return [f'{xml_path}: 缺少filename字段'] img_path = os.path.join(image_root, filename) if not os.path.exists(img_path): return [f'{xml_path}: 图片 {filename} 不存在'] img = Image.open(img_path) img_w, img_h = img.size xml_w = int(root.findtext('size/width')) xml_h = int(root.findtext('size/height')) problems = [] if img_w != xml_w or img_h != xml_h: problems.append(f'{xml_path}: 尺寸不一致 XML={xml_w}x{xml_h} 图像={img_w}x{img_h}') for obj in root.findall('object'): name = obj.findtext('name') if name is None or name == '': problems.append(f'{xml_path}: 发现空类别') box = obj.find('bndbox') xmin = int(box.findtext('xmin')) ymin = int(box.findtext('ymin')) xmax = int(box.findtext('xmax')) ymax = int(box.findtext('ymax')) if xmin >= xmax or ymin >= ymax: problems.append(f'{xml_path}: 目标 {name} 宽高异常 ' f'({xmin},{ymin})-({xmax},{ymax})') if xmin < 0 or ymin < 0 or xmax > img_w or ymax > img_h: problems.append(f'{xml_path}: 目标 {name} 越界') return problems if __name__ == '__main__': ann_dir = sys.argv[1] img_dir = sys.argv[2] xml_list = glob.glob(os.path.join(ann_dir, '*.xml')) if len(xml_list) == 0: print('未找到任何XML文件，请检查目录') sys.exit(1) error_count = 0 for xml_path in sorted(xml_list): problems = check_one(xml_path, img_dir) for p in problems: print(p) error_count += 1 print(f'共检查 {len(xml_list)} 个XML，发现 {error_count} 个问题')调用方式为python voc_quality_check.py Annotations JPEGImages。脚本输出的每一条问题，都对应一段返工路径：尺寸不一致是因为标注后改了图片分辨率忘记同步XML；宽高异常是手误双击产生的零面积框；越界则是画框时超出画布边界。这些问题是训练时最难排查的隐性故障，直接在源头消掉，比你后期看着NaN损失函数找原因高效得多。
4. 手工标注避坑实录：类别失衡、同名覆盖和工具使用带来的5个坑
手工标注的“翻车现场”往往不在画框那一下，而在流程管理的细枝末节。这一章我按现象、原因、解决三个层次来写，每条都是我或身边人实际遇到过并修复过的。
4.1 现象：转换标签时提示label index out of range
从XML转YOLO时，训练脚本报错，提示某个标注的类别索引超出了class list长度。打开XML才发现，里面存在一个叫motor的类别，而转换脚本的CLASSES列表里写的是motorbike。
原因几乎都是同一个：多人标注或不同批次标注时，类别名没有强制统一。有人图省事把motorbike简写成motor，也有人把car写成vehicle，每个不一致都会在转换阶段变成一个独立的类名索引，轻则训练类别错位，重则直接数组越界。
解决：把类别白名单写进质检脚本，任何不在白名单里的name都输出为错误并中断转换。同时，在项目开始的第一天就锁定classes.txt，不做任何“看起来更顺眼”的改名。你要记住，类别名是给程序读的，不是给人读的，一致性比美观重要一百倍。
4.2 现象：模型把路边的电动车误检成行人
训练完后的可视化结果里，一辆停在路边的电动车被画上了person框。回头查训练集，发现大量标注确实是把骑行中的人车合体框统一标成了person。
原因：短促的标注规程里没有定义“人车重叠时该怎么处理”，标注员图省事，直接拉一个最大外接矩形覆盖整个目标，把电动车也包进了person框里。模型学到的person框里包含了大量车体边缘特征，于是路边的空车也被激活了person响应。
解决：把标注规范落成文本，具体到“人在两轮车上时，人体框只框身体躯干，不包含车轮；如果人体被车体完全遮挡，则优先保证可见的车体类别，不要强行补person”。这个规范在工具里无法强制，只能靠抽样评审。我的习惯是每标完200张，随机抽10张标注密集的图，专门看人车重叠区，发现一次违规就直接让标注员自查最近50张。
4.3 现象：多人并行标注后，部分XML文件被覆盖丢失
三个人通过网盘共享同一个Annotations目录，各标各的，结果第二天发现某个区间段的XML内容变成了别人的标注版本，有的文件整个消失。
原因：网盘同步是有时间差的，两个人在同一时刻读写同一个XML，后写入的一方会覆盖先写入的内容。更糟的情况是，有人修改了本地文件但网盘没有同步，直接关闭电脑，服务端保存的是旧版本。
解决：最先要防的是“多人同时操作同一批文件”。我按编号段切分，比如1到400号图由A标，401到800号图由B标，801到1000号图由C标，各标各的，互不干扰。然后每天收工时用Git提交一次，第二天开工前先检查工作区状态。这个习惯多花五分钟，但能避免整批返工，值得养成。
4.4 现象：从XML转换出的YOLO坐标全是0.0
训练时发现数据加载正常，但可视化出来的目标框全部落在图片左上角，坐标趋向于0或负值。用调试脚本打印转换结果，发现x_center和y_center都是0或者负数。
原因有两个常见来源。一是XML里的bndbox本身就出现了xmin大于xmax的情况，转换脚本没有做合法性判断，直接把负宽度算出x_center，结果当然异常。二是读取字段时用错了路径，比如用findtext('bndbox/xmin')写成findtext('.//xmin')，在多目标文件里可能读到第一个目标的xmin，导致所有类别框共享同一个坐标。
解决：转换脚本里必须对每个框做一次合法性检查，计算完x_center、y_center、w、h后，检查它们是否都落在[0, 1]区间内，不满足就抛出完整错误信息，附带文件名和目标类别。除此之外，逐字段读取bndbox是不二法门，别用相对路径去模糊匹配。你可以在打点时直接用零宽零高来判定，配合第3章的质检脚本，这类问题基本能在标注阶段就被拦截。
4.5 现象：类别平衡统计亮红灯，某些车类只有几十个框
标注完成统计后发现，1000张图里person有4000多个框，car有2500多个框，但bus只有35个框。训练结果几乎必然会是：模型见到公交车根本不框。
原因其实不在于标注质量，而在于原始图像筛选失衡。采集阶段的摄像头位置固定，画面里压根没有公交车经过，你再怎么精标也生不出这类样本。
解决：把“补录”当成流程里的一环，而不是事后补救。用一天时间去目标路段拍摄公交车、卡车和夜间行驶车辆，抽帧后加入候选池，再重新平衡。这里有一个不推荐的做法：对少数类做简单复制粘贴或过度旋转增强来凑数量。这只能让模型“见过”这个类别的纹理，但对不同姿态和场景的泛化能力仍然为零。手工标注的宝贵之处，就是可以按真实分布去补充原始图像，而不是用增强制造数据幻觉。
5. 把VOC转成YOLO训练格式：直接可跑的转换脚本与数据划分策略
VOC XML是给人看也适合做数据交换的格式，但YOLO系列训练只吃TXT标签。这一步转换是手工标注成果的“最后一公里”。很多人在这一公里上翻车，因为坐标归一化和类别索引的顺序问题，都是只看一眼难以发现的。
5.1 VOC转YOLO必须处理的三个差异：归一化、difficult过滤、路径对齐
VOC里的bndbox是像素绝对坐标，YOLO需要的是一行相对坐标，由class_id x_center y_center w h组成，所有值都是浮点数，范围在0到1之间。转换的核心是四步运算：
x_center = (xmin + xmax) / 2 / width
y_center = (ymin + ymax) / 2 / height
w = (xmax - xmin) / width
h = (ymax - ymin) / height
第二个必须处理的差异是difficult字段。VOC官方评测里difficult=1的目标不参与AP计算，但YOLO训练没有这个概念。你要在转换时决定：保留它进训练，还是直接过滤。我的经验是过滤掉difficult=1的框，因为人眼都觉得困难的目标，喂给模型只会增加训练过程中的不稳定噪声。
第三个差异是路径对齐。LabelImg导出的XML里filename可能只带文件名，也可能是相对路径，YOLO转换时还要在数据集配置里指定图像根目录。尽量让所有图片平铺在JPEGImages目录下，不要嵌套多级子目录，这能省掉大量路径拼接的bug。
5.2 转换脚本与调用方式：可直接运行的VOC2YOLO脚本
下面是一个我精简过的转换脚本，完全面向VOC到YOLO的转换场景：
# voc2yolo.py # 用法: python voc2yolo.py --xml-dir Annotations --out-dir labels --ignore-difficult 1 import os import glob import argparse import xml.etree.ElementTree as ET CLASSES = ['person', 'bicycle', 'car', 'motorbike', 'bus', 'truck'] def convert_one(xml_path, out_dir, ignore_difficult=True): root = ET.parse(xml_path).getroot() filename = root.findtext('filename') stem = os.path.splitext(filename)[0] width = int(root.findtext('size/width')) height = int(root.findtext('size/height')) txt_path = os.path.join(out_dir, stem + '.txt') lines = [] for obj in root.findall('object'): name = obj.findtext('name') if name not in CLASSES: raise ValueError(f'{xml_path} 里出现未知类别: {name}') difficult = int(obj.findtext('difficult') or '0') if ignore_difficult and difficult == 1: continue class_id = CLASSES.index(name) box = obj.find('bndbox') xmin = float(box.findtext('xmin')) ymin = float(box.findtext('ymin')) xmax = float(box.findtext('xmax')) ymax = float(box.findtext('ymax')) w = (xmax - xmin) / width h = (ymax - ymin) / height if w <= 0 or h <= 0: print(f'警告: {xml_path} 中的目标 {name} 宽高非法，跳过') continue x_center = (xmin + xmax) / 2.0 / width y_center = (ymin + ymax) / 2.0 / height lines.append(f'{class_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}') with open(txt_path, 'w', encoding='utf-8') as f: f.write('\n'.join(lines) + '\n') def main(): parser = argparse.ArgumentParser() parser.add_argument('--xml-dir', required=True, help='存放VOC XML的目录') parser.add_argument('--out-dir', required=True, help='YOLO txt输出目录') parser.add_argument('--ignore-difficult', type=int, default=1) args = parser.parse_args() os.makedirs(args.out_dir, exist_ok=True) for xml_path in sorted(glob.glob(os.path.join(args.xml_dir, '*.xml'))): convert_one(xml_path, args.out_dir, args.ignore_difficult) print('转换完成:', len(glob.glob(os.path.join(args.xml_dir, '*.xml'))), '个文件') if __name__ == '__main__': main()脚本里的CLASSES顺序必须和后续训练配置文件中的names顺序完全一致，这个顺序决定每个类别的索引。常用YOLO训练框架下，第一个类别索引为0，第二个为1，依此类推。参数--ignore-difficult 1是默认开启，如果数据集里没有difficult=1的目标，这条逻辑不会有任何影响。转换完成后，我建议先打开一个任意TXT文件看一眼内容，确认坐标值都在0到1之间且没有任何负数和零宽，再继续做数据划分。
5.3 训练与验证数据划分：按场景抽分，不按文件名随机拆
这是最常被忽略的一步。如果直接对整个文件列表做随机划分，同一段视频的连续几帧极可能同时进入train和val，验证集和训练集高度重叠。模型在验证集上的指标会虚高，换到真实场景立刻“翻车”，这种玄学偏差在手工数据集上尤其明显。
正确做法是提前按“场景”分组。我建议在图像命名时就带上场景ID，比如scene01_0001.jpg、scene02_0001.jpg。划分的时候，按场景ID分组，同一个场景的帧要么全部进train，要么全部进val，不允许跨分：
# split_by_scene.py # 按filename前缀场景划分train和val，前缀以第一个下划线前内容为准 import os import random jpg_root = 'JPEGImages' train_list = [] val_list = [] scene_groups = {} for name in os.listdir(jpg_root): if not name.endswith('.jpg'): continue scene_id = name.split('_')[0] scene_groups.setdefault(scene_id, []).append(name) random.seed(42) for scene_id, names in scene_groups.items(): if random.random() < 0.8: train_list.extend(names) else: val_list.extend(names) with open('train.txt', 'w') as f: f.write('\n'.join(train_list) + '\n') with open('val.txt', 'w') as f: f.write('\n'.join(val_list) + '\n') print('train:', len(train_list), 'val:', len(val_list))这个脚本的split('_')[0]依靠文件名规约，如果你的图像命名没有场景前缀，就得先从视频元数据里追到场景ID再分组。分组完成后，再看一眼两边的类别比例，如果bus类在val里一个都没有，说明分组碰巧把这类样本全送进了train，可以手动调整场景组归属。划分的最终比例我一般用80%训练、20%验证，1000张的规模下验证集200张足够反映数据质量，测试集如果需要单独留，再从训练集里按场景抽10%出来。
6. 验证与收尾：数据交付前先看可视化，别急着谈mAP
一个数据集标完、转换完、划分完，最忌讳的事情是直接丢进训练脚本跑几十轮，然后只看mAP数字决定好坏。手工标注的质量问题，凭两个坐标点是看不出来的，必须在数据集交付前做一次“可视化回归”。我的做法是先跑一个极短的YOLO训练，比如用YOLOv8n模型只训练30轮，把batch设小一点，目标不是拿到高精度，而是把数据里的异常暴露出来：
yolo detect train data=dataset.yaml model=yolov8n.pt epochs=30 imgsz=640 batch=8训练结束后，在验证集上做推理并保存可视化结果，逐张看图而不是只看指标。重点盯三类问题：一是漏检，原本标注过的目标模型完全没框出来，这往往说明标注框和图像内容存在严重风格偏差；二是错位，框体偏移到目标旁边，这通常是标注时框体没有贴合目标主体；三是误检，模型对无目标区域输出了高置信度框，这往往和类别定义不一致直接相关。
我第一次从零开始做手工数据集时，mAP@0.5已经到了0.86，得意了不到半天，夜里出门实测发现电动车误检成行人的情况成片出现。后来我把错误样本打印出来，发现漏检的几乎都是夜间远距离小人目标，正确做法是回到数据层面补一些夜晚远端场景的图，而不是加一个更强的增强策略。这件事让我养成了一个收尾习惯：每次数据标注完成后，用10分钟对着验证集的可视化结果看一遍，一旦发现哪类目标频繁出错，先查数据，再调参。到现在，我仍然会在交付前把标签在图像上叠加导出，做成几页对比图发给团队复核，让数据集的价值在业务使用前就被确认过。
手工标注高质量人车识别VOC数据集1000张，真正的考验不在鼠标，而在流程意识和数据管理能力。希望这篇笔记能帮你少走我已经走过的弯路，把这1000张图变成能真正上线的东西。
本文还有配套的精品资源，点击获取
