简介：本数据集面向计算机视觉开发者与目标检测学习者，聚焦导盲犬与盲杖两类目标的识别任务，可用于辅助出行场景下的智能感知模型训练与算法验证。资源同时提供Pascal VOC与YOLO两种标注格式，包含jpg原图及一一对应的xml、txt标注文件，方便直接接入主流检测框架。压缩包共约2000个文件，以1999个xml标注文件和1个说明用txt为主，整体大小286.53MB，标注工具为labelImg，采用矩形框方式标注。数据集共4635张图片，标注类别为guide dog与whiteCane，对应框数分别为1620和4430，总框数达6050。需注意部分图片经过增强处理，且存在从视频截取、画面连续的场景，使用前建议仔细核查。目前已有90人学习，适合用于导盲犬与盲杖检测的模型训练、课程实验及算法对比研究。
1. 导盲犬拐杖检测数据集：4635 张 VOC+YOLO 双格式到底能跑出什么
导盲犬拐杖检测数据集 VOC+YOLO 格式 4635 张 2 类别，这个标题里其实藏着三个关键信息：数据规模 4635 张、标注格式同时给了 VOC 和 YOLO、目标类别只有 2 类。如果你正在做辅助出行、盲道避障、智能拐杖这类边缘视觉项目，这个数据集大概率能直接省掉你两周的标注时间。但真正决定它能不能用的，不是图片数量，而是两件事：VOC 的 XML 和 YOLO 的 txt 是否一一对应、2 个类别在真实场景里的类间差异是否足够大。我见过太多人拿到数据集直接train.py一把梭，结果 mAP 卡在 0.4 上不去，回头一查发现 XML 里有一半图片没有对应 txt，或者类别名在 data.yaml 里写错了大小写。这篇笔记就按「先验证数据、再转格式、再训练、最后排坑」的顺序，把 4635 张 2 类别这个规模下最容易翻车的地方讲透，新手能照着命令跑通，熟手能直接跳到参数边界那几段看结论。
2. 先搞清楚 VOC 和 YOLO 两套标注到底差在哪
2.1 VOC XML 与 YOLO txt 的坐标体系差异
VOC 格式每张图对应一个 XML 文件，里面用<bndbox>记录xmin、ymin、xmax、ymax，这四个值是绝对像素坐标，原点在左上角。YOLO 格式每张图对应一个 txt 文件，每行是class_id x_center y_center width height，全部是归一化到 0~1 的相对值，原点同样在左上角，但中心点坐标需要自己算。很多人转格式时只除了宽高，忘了先算中心点，结果框整体偏移半个身位，训练 loss 一开始就下不去。正确做法是：x_center = (xmin + xmax) / 2 / img_w，y_center = (ymin + ymax) / 2 / img_h，width = (xmax - xmin) / img_w，height = (ymax - ymin) / img_h。这四行公式看着简单，但 4635 张里只要有一张图的 XML 宽高读错，就会产生一个越界框，YOLO 训练时直接报NaN或者把整批梯度带偏。
2.2 2 类别场景下类别映射的坑
标题写的是 2 类别，但 VOC XML 里<name>字段写的是字符串，YOLO 需要的是从 0 开始的整数索引。常见做法是建一个classes.txt，第一行写类别 0 的名字，第二行写类别 1 的名字，然后生成data.yaml时names列表顺序必须和这个文件完全一致。我一般会先跑一段统计脚本，把 XML 里所有出现过的<name>去重打印出来，确认没有拼写变体，比如dog和Dog同时存在，或者cane和stick混用。2 类别数据集最怕的就是这种隐性多类别，模型学到最后会把两个类当成一个类，混淆矩阵上看着还行，实际部署时拐杖和导盲犬的框全糊在一起。
2.3 4635 张的划分比例与最小验证集
4635 张不算大，按 8:1:1 划分就是训练 3708、验证 463、测试 464。但 2 类别数据集有个特点：如果某一类只有几百张，按比例分完之后验证集里可能只剩几十张，mAP 波动会非常大。我一般会先统计每个类别的实例数，如果某一类少于 800 个实例，就把验证集比例提到 15%，测试集降到 5%，保证验证集里每个类别至少有 100 个实例。划分时用固定随机种子，比如seed=42，并且把划分后的文件名列表存成train.txt、val.txt、test.txt，后续训练直接读这三个文件，避免每次重新划分导致结果不可复现。
3. 把 VOC 转成 YOLO：转换脚本与四个边界坑
3.1 转换脚本的完整实现
import os import xml.etree.ElementTree as ET from pathlib import Path from PIL import Image # 类别映射，顺序必须与 data.yaml 中 names 一致 CLASS_MAP = {"guide_dog": 0, "cane": 1} def voc_to_yolo(xml_dir, img_dir, out_dir): xml_dir = Path(xml_dir) img_dir = Path(img_dir) out_dir = Path(out_dir) out_dir.mkdir(parents=True, exist_ok=True) for xml_path in xml_dir.glob("*.xml"): tree = ET.parse(xml_path) root = tree.getroot() # 用 XML 里的 filename 找对应图片，不要用 xml 文件名猜 filename = root.find("filename").text img_path = img_dir / filename if not img_path.exists(): print(f"[跳过] 图片不存在: {img_path}") continue with Image.open(img_path) as im: img_w, img_h = im.size lines = [] for obj in root.findall("object"): name = obj.find("name").text.strip() if name not in CLASS_MAP: print(f"[跳过] 未知类别 {name} in {xml_path.name}") continue cls_id = CLASS_MAP[name] 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，防止越界 xmin = max(0, min(xmin, img_w - 1)) xmax = max(0, min(xmax, img_w - 1)) ymin = max(0, min(ymin, img_h - 1)) ymax = max(0, min(ymax, img_h - 1)) if xmax <= xmin or ymax <= ymin: print(f"[跳过] 无效框 in {xml_path.name}") continue x_center = (xmin + xmax) / 2.0 / img_w y_center = (ymin + ymax) / 2.0 / img_h w = (xmax - xmin) / img_w h = (ymax - ymin) / img_h lines.append(f"{cls_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}") if not lines: print(f"[跳过] 无有效标注: {xml_path.name}") continue out_file = out_dir / (xml_path.stem + ".txt") out_file.write_text("\n".join(lines), encoding="utf-8") if __name__ == "__main__": voc_to_yolo("annotations", "images", "labels")这段脚本的核心逻辑是：先读 XML 里的filename字段去匹配图片，而不是用 XML 文件名去猜图片名，因为 VOC 数据集里这两者经常不一致。然后对每个框做边界裁剪，防止标注员手抖画出越界框。最后归一化时保留 6 位小数，避免精度损失。CLASS_MAP的顺序就是最终data.yaml里names的顺序，改这里就必须同步改 yaml。
3.2 转换后必须做的三项校验
转换完不要直接开训，先跑三个检查。第一，统计生成的 txt 文件数量是否和 XML 数量一致，如果少了，看日志里哪些被跳过了。第二，随机抽 20 张图，用 OpenCV 把 YOLO 格式的框画回原图，肉眼确认框的位置和类别都对。第三，检查所有 txt 里的坐标值是否都在 0~1 之间，有越界的直接定位到对应文件。我一般会写一个verify.py，把这三项一次性跑完，输出一个verify_report.txt，里面列出所有异常文件。4635 张里通常会有几十张有问题，提前修掉比训练到一半发现 loss 异常再回头查要省事得多。
3.3 图片和标签的目录结构怎么摆
YOLO 训练时默认按images/train、images/val、labels/train、labels/val这种镜像结构找文件。转换完的 txt 要和图片分开存放，但文件名必须一一对应。常见做法是建一个dataset根目录，下面分images和labels，各自再分train、val、test。然后写一个data.yaml：
path: ./dataset train: images/train val: images/val test: images/test nc: 2 names: ["guide_dog", "cane"]nc必须等于len(names)，写错会直接报维度不匹配。names的顺序必须和转换脚本里的CLASS_MAP完全一致，大小写敏感。
4. 用 YOLOv8 跑通 4635 张 2 类别的训练与验证
4.1 环境配置与预训练权重选择
YOLOv8 的环境配置现在比较成熟，pip install ultralytics就能装好。但 4635 张 2 类别这个规模，选对预训练权重比调参更重要。如果类别是导盲犬和拐杖这种常见物体，直接用yolov8s.pt或yolov8m.pt做迁移学习，收敛最快。我一般先用yolov8n.pt跑 20 个 epoch 看 loss 趋势，如果 mAP50 能到 0.6 以上，再换yolov8s.pt正式训。不要一上来就用yolov8x.pt，4635 张撑不起大模型的参数量，过拟合会非常严重。V100 上yolov8s跑 100 epoch 大概 40 分钟，yolov8m大概 1.5 小时，按这个时间预算选模型。
4.2 训练命令与关键参数设置
yolo detect train \ data=./data.yaml \ model=yolov8s.pt \ epochs=100 \ imgsz=640 \ batch=16 \ lr0=0.01 \ lrf=0.01 \ warmup_epochs=3 \ patience=20 \ seed=42 \ workers=4 \ project=runs/detect \ name=guide_cane_v1imgsz=640是 YOLOv8 的默认值，4635 张里如果小目标多，可以提到 800 或 960，但显存占用会翻倍。batch=16在 V100 上比较稳，如果显存不够就降到 8，同时把lr0降到 0.005。patience=20表示 20 个 epoch 没提升就早停，2 类别数据集容易过拟合，早停能省时间。seed=42固定随机种子，保证每次划分和增强一致。workers=4是数据加载线程数，根据 CPU 核数调整，设太高反而会拖慢。
4.3 训练过程看什么指标
训练时重点看三个输出：box_loss、cls_loss、mAP50。box_loss在前 10 个 epoch 应该快速下降，如果一直震荡，检查标注框是否有大量越界或宽高为 0。cls_loss在 2 类别场景下应该很快降到 0.1 以下，如果卡在 0.5 以上，大概率是类别映射错了，模型在学一个不可能的分类边界。mAP50在 50 epoch 左右应该到 0.8 以上，如果卡在 0.5 附近，先看混淆矩阵，确认是不是某一类被完全漏检。我一般会在训练结束后跑yolo detect val，把confusion_matrix.png和PR_curve.png都导出来看，比只看一个 mAP 数字有用得多。
4.4 推理验证与阈值调整
训练完用yolo detect predict跑几张测试图，重点看conf阈值。默认conf=0.25，但 2 类别数据集如果某一类实例少，可以降到 0.15 看召回，再根据误检情况回调。iou=0.7是 NMS 的阈值，如果两个类别在空间上经常重叠，比如拐杖和导盲犬挨得很近，可以降到 0.5 减少框合并。推理时加save_txt=True把预测结果存成 YOLO 格式，和真值对比，能快速定位是漏检还是误检。
5. 避坑与排查：4635 张 2 类别数据集最容易翻车的 5 个点
5.1 现象：训练 loss 从第一个 epoch 就是 NaN
原因：XML 里存在宽高为 0 的框，或者坐标越界导致归一化后出现负值。转换脚本里虽然做了裁剪，但如果xmax和xmin相等，裁剪后仍然无效。解决：在转换脚本里加一行判断if xmax - xmin < 1 or ymax - ymin < 1: continue，把无效框直接跳过，并在日志里记录文件名，回头人工确认。
5.2 现象：mAP50 卡在 0.4 上不去，混淆矩阵显示两类互相误判
原因：data.yaml里names的顺序和转换脚本里的CLASS_MAP不一致，导致类别 0 和类别 1 的标签对调。解决：重新核对CLASS_MAP和names，确保guide_dog在两个地方都是索引 0。改完后删掉runs目录重新训，不要接着之前的 checkpoint 继续，否则模型已经学错的分类头很难纠正。
5.3 现象：验证集 mAP 很高，但测试集掉 20 个点
原因：4635 张划分时没有固定随机种子，或者验证集和测试集里某一类实例太少，评估结果不稳定。解决：用固定seed重新划分，并且统计每个 split 里每个类别的实例数，确保验证集和测试集里每个类别至少有 100 个实例。如果不够，调整划分比例，把测试集比例降到 5%。
5.4 现象：训练到一半 loss 突然飙升，之后再也不下降
原因：学习率设太大，或者warmup_epochs设太短。4635 张 2 类别数据集，lr0=0.01配warmup_epochs=3在yolov8s上一般没问题，但如果用yolov8m，lr0要降到 0.005，warmup_epochs提到 5。解决：看results.csv里 loss 飙升的 epoch，如果是前 5 个 epoch，就是 warmup 不够；如果是 50 epoch 之后，就是过拟合，加patience早停或者加数据增强。
5.5 现象：推理时框的位置整体偏移
原因：转换时用了 XML 里的width和height字段，而不是实际图片的尺寸。VOC 数据集里这两个字段经常和真实图片尺寸不一致。解决：转换脚本里必须用PIL.Image.open读实际图片尺寸，不要信 XML 里的size字段。这个坑我踩过两次，每次都是训练完发现框偏了才回头查，血泪经验就是转换完先画 20 张图肉眼确认。
6. 进阶技巧：用 4635 张做类别平衡与难例挖掘
4635 张 2 类别数据集，如果两类实例数差距超过 3 倍，训练时会出现明显的类别偏置。我一般会先统计每个类别的实例数，然后对少样本类别做离线增强，比如随机旋转、裁剪、色彩抖动，把实例数补到和多样本类别接近。注意不要用 YOLO 内置的mosaic做类别平衡，mosaic是随机拼图，对类别比例没有针对性。另一个技巧是难例挖掘：先用yolov8s训一版，跑推理把conf在 0.1~0.3 之间的预测框导出来，人工复核这些框，把漏检和误检的图挑出来，补充标注后加入训练集。4635 张里通常能挑出 200~300 张难例，重新训一版 mAP 能涨 3~5 个点。最后，验证时不要只看 mAP50，把mAP50-95也拉出来看，2 类别数据集如果mAP50高但mAP50-95低，说明框的定位精度不够，这时候要检查标注框是否贴合目标边缘，或者把imgsz提到 800 再训一版。我自己的习惯是每次拿到新数据集，先花半天做数据校验和可视化，再花半天跑 baseline，最后才调参。这个顺序反过来，后面全是后悔药。希望帮到你。
本文还有配套的精品资源，点击获取
