简介：行人目标检测数据集（YOLOV5目录格式）面向目标检测开发者和入门学习者，聚焦生活场景中的单一类别person识别，可应用于安防监控、智能驾驶、人流量统计等任务，尤其适合需要快速搭建行人检测训练集的学生和工程师，省去自行采集与标注的繁琐流程。资源包共2000个文件，以1999个YOLO格式txt标注文件为核心，另含1个Python可视化脚本，整体压缩包约523MB。txt文件保存边界框类别与坐标信息，按YOLOv5的train/val目录结构划分训练集与验证集，并附类别字典文件，可直接用于YOLOv5系列框架训练，无需额外格式转换。py脚本支持随机传入图片绘制检测框，便于直观核查标注质量和调试数据。目前已有356人浏览学习，既可作为目标检测项目的数据基础，也能用来学习YOLO标注文件的具体规范。
1. 行人目标检测数据集，为什么要先盯住 YOLOV5 目录格式
真实的起步场景往往是这样的：你手里有一批行人图片，想用 YOLOv5 训练自己的行人检测模型，但网上的开源标注五花八门——COCO 给的是 JSON，CrowdHuman 是一堆密集框 txt，LabelImg 导出又是 XML。所谓“行人目标检测数据集”，交付时几乎都收敛成同一种形态：YOLOV5 目录格式。它要求 images 与 labels 双目录、同名 txt、归一化坐标，再配一份 data.yaml。这篇文章写给被格式转换劝退的人：目录格式到底怎么拆、COCO 和 CrowdHuman 怎么转、自建数据从哪里开始，以及你一定会撞上的几个坑。看完你能照着把任意行人数据整理成规范目录格式，并躲开最常见的翻车点。
2. YOLOV5目录格式拆解：一张行人照片怎么变成训练样本
把散落的行人图片整理成目标检测数据集，本质就是让每张图和它的标注在同一个命名规则下对齐。YOLOV5 目录格式的核心假设只有两条：图片与标签同名同层级，标签用归一化坐标写进 txt。所有转换工作，最后都收敛到这两条。
2.1 images 与 labels 双目录：文件如何一一对应
YOLOV5 目录格式最直观的形态是一棵双目录树：dataset 下面平级放 images 和 labels，各自再按 train/val/test 分子目录。训练脚本靠文件名匹配建立对应关系：images/train/street_001.jpg的标签一定在labels/train/street_001.txt。这个“一定”意味着，拷贝图片时顺手改了文件名而标签没有同步改，那一张图就等于没有监督信号，训练时会被静默跳过。
dataset ├── images │ ├── train │ │ └── street_001.jpg │ ├── val │ │ └── street_002.jpg │ └── test │ └── street_003.jpg └── labels ├── train │ └── street_001.txt ├── val │ └── street_002.txt └── test └── street_003.jpg上面我故意留了一个错误：labels/test/street_003.jpg应该是street_003.txt。标签文件必须是 txt，哪怕原图是大写.JPG或带空格的命名，标签后缀也固定为.txt，文件名主体与图片完全一致。常见翻车现场是同一份数据里出现Image_001.JPG、Image_001.jpg、Image_001.txt三套命名，最后大量图片没有标签可用。
labels/train/street_001.txt的内容长这样，一行一个目标：
0 0.486328 0.415740 0.089844 0.583333这一行的参数含义要先说死：第一个数字是类别 id，行人单类场景固定为 0；如果数据集里除了行人还想分骑手、背包客，那就按 0、1、2 依次排。后面四个分别是归一化中心点 x、中心点 y、归一化宽度、归一化高度，全部是 0 到 1 的小数。训练脚本用这五个数在图片上恢复检测框，所以一旦坐标不是归一化值，轻则框画到画外，重则训练直接崩。
2.2 归一化坐标为什么是行人检测的生命线
行人图片尺寸极不统一，监控截图常常是 1920×1080，手机随手拍又是 4032×3024。像素坐标在不同分辨率下无法混合训练，而归一化坐标把框的位置和大小折算成相对值，让跨分辨率训练成为可能。这也是为什么写转换脚本时，必须先拿到图片真实宽高，再去做除法，不能在某个固定分辨率下硬套。
下面这段脚本用来复查已有标注是否规范，做法是把归一化坐标还原成像素框并画出来。这一步很值得做，因为训练前先肉眼确认标注质量，比训练完再回头查 loss 快得多。
import cv2 img_path = "dataset/images/train/street_001.jpg" label_path = "dataset/labels/train/street_001.txt" img = cv2.imread(img_path) h, w = img.shape[:2] with open(label_path) as f: for line in f: cls, cx, cy, bw, bh = map(float, line.split()) if not (0 <= cls <= 1): print("class id 越界:", cls) 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("check.jpg", img)这段脚本逻辑很简单：读取图片尺寸，把归一化中心点和宽高换算回像素坐标，再用 OpenCV 画矩形框。复查时重点关注两件事：框有没有包住行人主体，框是否超出图片边界。注意w和h必须来自当前图片的 shape，不能用一个固定尺寸。常见错误是先把图片 resize 到统一大小再做除法，实际上 YOLOv5 训练时会自己把输入缩放到img参数指定尺寸，标签始终按原图归一化值参与运算，转换端只要保证归一化正确即可。
有人会问：坐标写成0.486328这种 6 位小数够不够用？够用。YOLOv5 在数据增强阶段会对坐标做随机缩放和旋转，归一化坐标跟着图片变换走，精度保留到 1e-6 已经远高于像素级需求。
2.3 目录结构决定后续：train/val/test 怎么摆
目录格式的第三个隐藏点在于划分。YOLOv5 默认把 train 和 val 的路径写在 data.yaml 里，路径本身不是写死的，但目录结构直接决定 data.yaml 怎么写。常见两种摆法：一种把 dataset 作为独立根目录，data.yaml 里写train: dataset/images/train；另一种直接在 yolov5 工程目录下建 images 与 labels，data.yaml 里写train: images/train。两者都能跑，差别在于相对路径的基准——YOLOv5 以运行 train.py 的当前目录为基准，而不是以 data.yaml 所在位置为基准。
我一般把数据集放在 yolov5 工程外，data.yaml 里用相对路径指向，并固定用同一套 train/val/test 划分。不要每次训练前临时跑一个切分脚本，那是给自己埋雷：今天随机切分、明天又随机切分，验证集和训练集之间可能混入同一段视频的相邻帧，指标虚高不说，模型换场景就漏检。
提示：目录格式的价值就是让划分结果可见、可版本管理。train/val/test 体现在目录上，而不是写在某个没人维护的切分代码里，才算一份能交付的数据集。
3. 从 COCO/CrowdHuman 转出行人数据：转换脚本与三个边界坑
大多数人不缺标注数据，缺的是把公开数据转成 YOLOV5 目录格式的方法。目标检测论文里公认的行人数据源就那几个，本节讲怎么把它们变成能直接训练的目录格式，以及转换时最容易被忽略的三个边界问题。
3.1 值得转的三个开源来源：COCO 行人子集、CrowdHuman、BDD100K
COCO2017 是绕不开的起点。它提供 person 类别，JSON 结构完整，图片质量高，适合做行人检测的底座数据。CrowdHuman 是专门为密集行人设计的，一张图里几十上百人，带 head 和 visible 两种框，对遮挡和密集场景特别有价值，但标注格式是 LTRB 而不是 COCO 式 bbox。BDD100K 是自动驾驶场景，行人、骑手分开标，视角贴近车载摄像头，缺点是类别定义和 COCO 不是一套，转换时要自己维护映射表。
这三个来源的选型逻辑很简单：COCO 打底保证泛化，CrowdHuman 补密集遮挡，BDD100K 补开车视角。如果只做监控场景，COCO 加一部分 CrowdHuman 就够；如果做道路场景，再加 BDD100K。目标检测论文里的 SOTA 结论大多建立在这类公开数据上，但你要训练自己的落地方案，必须先把它们转成同一套目录格式。
3.2 把 COCO JSON 转成 YOLOV5 目录格式：转换代码
COCO 的标注文件是instances_val2017.json这种结构，里面images数组记录图片 id、文件名、宽高，annotations数组记录每个目标的 category_id 和 bbox。下面这段脚本只提取 person 类，并转成 YOLOV5 目录格式：
import json import shutil from pathlib import Path img_dir = Path("val2017") ann_file = "instances_val2017.json" out_img = Path("dataset/images/train") out_lbl = Path("dataset/labels/train") PERSON_ID = 1 # COCO 中 person 的 category_id 固定为 1 out_img.mkdir(parents=True, exist_ok=True) out_lbl.mkdir(parents=True, exist_ok=True) coco = json.load(open(ann_file)) img_id2name = {im["id"]: im["file_name"] for im in coco["images"]} img_id2wh = {im["id"]: (im["width"], im["height"]) for im in coco["images"]} anns_by_img = {} for ann in coco["annotations"]: if ann["category_id"] != PERSON_ID: continue x, y, w, h = ann["bbox"] if w <= 0 or h <= 0: continue anns_by_img.setdefault(ann["image_id"], []).append((x, y, w, h)) for img_id, boxes in anns_by_img.items(): if not boxes: continue src = img_dir / img_id2name[img_id] if not src.exists(): continue shutil.copy(src, out_img / img_id2name[img_id]) label_name = Path(img_id2name[img_id]).stem + ".txt" W, H = img_id2wh[img_id] with open(out_lbl / label_name, "w") as f: for x, y, w, h in boxes: cx = (x + w / 2) / W cy = (y + h / 2) / H bw = w / W bh = h / H f.write(f"0 {cx:.6f} {cy:.6f} {bw:.6f} {bh:.6f}\n")几个参数说明。PERSON_ID = 1是 COCO 的固定值，不是随便选的；如果你要连骑手一起转，就得自己建一个 category_id 到新类别的映射表，而不是沿用原 id。COCO 的 bbox 格式是[x, y, w, h]，x 和 y 是左上角坐标，所以中心点要加上 w/2 和 h/2。输出时统一写成0开头，因为这里只保留行人一类。txt 文件名用Path(img_id2name[img_id]).stem + ".txt"生成，避免手工拼字符串时踩大小写坑。
3.3 转换边界：类别标签、黑边坐标、无效框过滤
转换脚本能跑通不算完，真正决定数据集质量的是三个边界处理。
第一个是类别标签重新编号。如果最后只留 person 一类，输出固定写0没问题；但如果想要“行人 + 骑手”两类，就得先扫一遍 COCO JSON 里所有出现的 category_id，再做映射。最忌讳的是直接拿 COCO 的 category_id 当 YOLO class id，COCO 的 person 是 1、bicycle 是 2，但 YOLOv5 要求 class id 从 0 连续编号，中间空一个 1 会出现什么后果？训练时 nc 和实际类别数对不上，loss 直接起飞。
第二个是坐标越界。COCO 的部分 bbox 贴边，x 可能等于图片宽度减一，除以 W 之后加上 w/2 可能得到1.00001。这种越界值 YOLOv5 训练时会当作无效框忽略，但严重时会导致一张图一个正样本都没有。处理办法是转换时对 cx、cy 做一次 clamp 到[0, 1]区间，同时对宽高小于 1 像素的框直接丢弃。
第三个是 CrowdHuman 的重复框。它同一个人有 head 和 visible 两套框，常见的错误是把两套都转成独立 person，等于给一个行人发了两份标签。我一般只取 visible 框，并额外做一次 IoU 去重，把重合度超过 0.8 的框保留较大的那个。这属于血泪经验，别问是怎么知道的。
4. 自建行人数据集的完整流水线：采集、标注、切分与 data.yaml 闭环
开源数据再全，也覆盖不了你本地的真实场景——比如商场闸机视角、学校门口早晚高峰、停车场夜间灯光。这种时候就得自建数据集。本节给出从采集到 data.yaml 的完整流程，其中切分脚本是直接能抄的。
4.1 采集阶段先想清楚 scale：行人检测要覆盖哪几档尺度
行人检测最典型的难点是尺度跨度大。一个 1080p 监控画面里，远处行人可能只有 40 像素高，近处行人占半帧。如果采集时只顾近景，模型学不会小目标；只拍远景，近处细节又欠拟合。采集阶段就要按距离分档：近景、中景、远景各占三分之一左右。
这背后有明确的量化依据。YOLOv5 在img=640输入下，高度小于 16 像素的行人几乎不会被任何锚框匹配为正样本，等于白标。所以自建数据集时，低于 20 像素的“行人”可以直接不标，标了反而是噪声。另外要注意的是相机高度：同一批数据如果机位差异太大（无人机俯拍加行人手机平拍），模型会试图同时拟合两种视角分布，收敛变慢。我一般建议一个项目主体上用同一种机位，再少量掺入其他视角做增强。
4.2 标注约定：person 的框到底画到哪
标注行人框最容易吵的一处是遮挡。一个人被汽车挡住一半，到底框全身还是只框可见部分？我的约定是：只框可见部分。顶部取可见头部最高点，底部取可见身体最低点，左右取可见边界。这样训练出来的模型学的是“我能看到的部分”，而不是去脑补被遮挡的腿。
标注工具用 LabelImg 或 labelme 都行。LabelImg 选择 YOLO 格式导出时，会自动生成一个按类别顺序排列的classes.txt，这一点很方便；但如果你手工写标签，就必须保证类别顺序与 classes.txt 一致，否则同样一张标注可能对应完全不同的语义。自建数据时别贪类别多，先只标 person 一类跑通，后续再扩骑手、推车之类。
4.3 切分脚本：用随机种子保证验证集不泄漏
切分是整个自建流程里最值得写脚本的一步。常见的错误是用random.shuffle逐张打乱，然后切分，但这种做法会把同一段视频的相邻帧同时分到 train 和 val——训练集见过“前一帧”，验证集里是“后一帧”，指标虚高，换场景就露馅。
import random import shutil from pathlib import Path random.seed(42) # 固定种子，保证复现 # 假设原始图片按场景目录组织: raw/场景A/xxx.jpg all_imgs = sorted(Path("raw").glob("*/*.jpg")) random.shuffle(all_imgs) n_val = int(len(all_imgs) * 0.15) val_files = all_imgs[:n_val] train_files = all_imgs[n_val:] for split, files in [("val", val_files), ("train", train_files)]: out_img = Path(f"dataset/images/{split}") out_lbl = Path(f"dataset/labels/{split}") out_img.mkdir(parents=True, exist_ok=True) out_lbl.mkdir(parents=True, exist_ok=True) for img in files: # 同场景图片的标签按约定放在 raw/场景A/xxx.txt lbl = img.with_suffix(".txt") if not lbl.exists(): continue shutil.copy(img, out_img / img.name) shutil.copy(lbl, out_lbl / lbl.name)这个脚本有两个关键参数。random.seed(42)固定种子，让切分可复现，不会今天跑出一个版本、明天跑出另一个版本。Path.glob("*/*.jpg")限定原始数据按“场景目录/图片”组织，切分时以单张图为单位但保留场景目录的语义，你可以在切分前先按场景目录分组再随机，效果更稳。脚本里img.with_suffix(".txt")是查找同名标签的最稳妥方式，比字符串拼接更不容易踩大小写坑。
4.4 写 data.yaml 与 class_names：和目录格式闭环
最后一步是写data.yaml，让 YOLOV5 能找到数据。目录格式到这里才真正闭环：目录结构、类别定义、训练路径全部对齐。
# dataset/data.yaml train: dataset/images/train val: dataset/images/val nc: 1 names: - personnc是类别总数，names是类别名列表，顺序必须和标签文件里的 class id 一一对应。person排在 names 第一项，对应 id 0；如果加了骑手放在第二位，就是 id 1。路径写相对路径时，基准是 train.py 的运行目录，所以如果你把 yolov5 工程和 dataset 放在同一级，上面写法没问题；如果不在，要么写绝对路径，要么调整相对层级。
注意：很多人训练时发现“找不到 labels”，十有八九是 data.yaml 里的路径写到了 images 目录，而 labels 目录不存在于同一层级。YOLOv5 会尝试在图片路径同级或上级找 labels，路径错一层的表现是 cache 构建时报大量 missing。
5. 行人数据集避坑清单：5 个真实翻车现场与排查顺序
目录格式看着简单，真正跑起来翻车的点一个比一个隐蔽。下面五个问题是我做数据集时最常遇到的，按出现频率排序，每个都按现象、原因、解决三个层面讲清楚。
5.1 现象：训练刚起步 loss 直接起飞，日志里 class 数量对不上
训练脚本读到nc=1，但标签文件里出现了class id = 1，模型在类别空间里越界，loss 波动剧烈甚至 NaN。原因基本只有一个：类别编号映射错了。比如把 COCO 的 category_id 直接当 YOLO class id 写入标签，或者多类数据集里漏了一个类没写进 names。
解决方法是训练前扫一遍所有标签文件里的最大 class id，确保它小于 data.yaml 里的nc：
cat dataset/labels/train/*.txt | awk '{print $1}' | sort -n | uniq这个命令输出所有标签文件里实际出现的类别号，看一眼就知道是不是 0 到 nc-1。如果出现1而你配置的 nc=1，必然翻车。
5.2 现象：验证集 mAP 很高，部署到新场景全漏检
这是最容易误判的一个坑。mAP 0.85 给了你信心，结果换个商场、换条街道，漏检率直线上升。原因不是模型差，而是划分泄漏：同一段视频的相邻帧被随机切分进了 train 和 val，验证集里全是“看过”的样本。
解决方法是按场景或按视频片段分组切分，而不是逐张打乱。上一节的切分脚本就是为此设计的。另外，验证集里最好刻意留出 10% 的“陌生场景”数据，模拟部署时的分布偏移，指标才有参考价值。
5.3 现象：标签坐标出现 1.0001，训练时正样本大量减少
框贴边时，(x + w/2) / W可能得到略大于 1 的值。YOLOv5 在构建标签时会过滤越界框，过滤多了，一张图可能只剩一两个正样本，模型学不动。
原因是转换脚本做了除法但没做边界截断。解决方法是转换时对五个值统一clamp到合法区间，同时对极端小框做过滤：
cx = min(0.999, max(0.001, cx)) cy = min(0.999, max(0.001, cy)) bw = min(0.999, max(0.001, bw)) bh = min(0.999, max(0.001, bh)) if bw < 0.003 or bh < 0.003: continue这里的0.003是对 640 输入下约 2 像素的过滤阈值，你可以按最小目标尺寸调整。写一段这样的小工具脚本，全量刷一遍标签目录，比训练时看日志猜原因快得多。
5.4 现象：训练日志大量 warning，图片与标签文件名匹配不上
YOLOv5 构建 cache 时会报告找不到标签，但照样继续跑。你以为是正常提示，实际上已经有一半图片变成了无监督样本。原因很常见：图片扩展名大小写不统一（.JPG与.jpg），或者复制文件时改了图片名但没同步标签名，再或者标签文件里带了多余的空格和 BOM 头。
解决方法是转换完成后来一次硬校验：每个 images 下的文件，都必须在 labels 对应位置存在同名.txt文件。校验用一条 shell 命令就能排查：
for img in dataset/images/train/*.jpg; do base="${img##*/}" lbl="dataset/labels/train/${base%.*}.txt" [ -f "$lbl" ] || echo "missing: $img" done有输出就是有问题。这个检查跑一遍花不了几秒，值得形成习惯。
5.5 现象：密集行人场景闸机级漏检，NMS 把相邻框一起打压
单张图里几十个行人彼此重叠时，YOLOv5 默认的 NMS 阈值会认为相邻框是重复检测，把其中一些人直接抑制掉。这不是数据集标签错，而是密集场景下标签分布与后处理参数不匹配。
解决分两步。第一步，数据层面保证密集场景的样本量足够，并在标注时对完全重叠的两个行人分别画框，即使它们 IoU 很高。第二步，训练和推理阶段适当调低 NMS 阈值到 0.35 左右，让模型保留更多候选框；也可以在训练时用 YOLOv5 的默认超参数先跑通，再针对密集场景小范围调优。数据集本身的目录格式没有错，但标签里每个目标都是独立个体，这一点要传导到标注人员那里。
6. 先用 200 张图跑通最小闭环：目录格式合格与否一晚上见分晓
最后一个落地技巧：不要一上来转几千张图再训练。正确做法是先拿 200 张图（150 train、50 val）跑一个最小闭环，确认目录格式、标签坐标、训练链路都没问题，再大规模扩数据。
最小闭环包括三步。第一步，用前面的切分脚本从原始行人图片里抽出 200 张，生成 train 和 val 两个目录。第二步，跑一个短训练，看 loss 是否稳定下降：
cd yolov5 python train.py --data ../dataset/data.yaml --weights yolov5s.pt \ --img 640 --epochs 50 --batch 8第三步，训练结束后跑一次验证推理，把检出的框画出来，和原图标注做视觉对比：
python detect.py --weights runs/train/exp/weights/best.pt \ --source ../dataset/images/val --save-txt --save-conf这三个命令是 YOLOv5 的标准流程，不需要额外代码。关键判断标准有两个：loss 在前 20 个 epoch 内持续下降，而不是横盘不动；detect 输出的框基本贴合行人轮廓，没有大量偏移、漏检或重复框。
我自己的血泪教训是：有一回转完 CrowdHuman 直接全量导入训练，跑了一整夜，第二天发现因为标签扩展名大小写不一致，一半图片的标签根本没被读进去。那以后我固定了这套流程——任何数据集先抽 200 张跑通闭环，确认标签路径、坐标范围、类别编号都无异常，再谈扩量。目录格式合格的标志从来不是目录树长得好看，而是这份 YOLOV5 目录格式能让训练脚本一遍通过、验证结果与标注一致。先小样本验证再扩量，能帮你省掉大量返工时间。希望帮到你。
本文还有配套的精品资源，点击获取
