简介：这是一份面向车牌检测与字符识别任务的黄牌图像数据集，适合计算机视觉学习者、算法开发者及课程设计、项目实训使用。数据覆盖多种拍摄角度，标注采用polygon多边形目标框，四个顶点分别对应车牌四角，可更贴合倾斜、透视场景下的车牌轮廓，为检测模型训练与字符识别预处理提供直接可用的标注基础。所有图片经人工逐张筛选，剔除模糊与歧义区域，减少后续清洗成本。压缩包共9324个文件，其中4627张jpg、35张jpeg图像与4662个json标注文件，整体约257.79MB，图像与标签一一对应，便于按目录组织训练集和验证集。已有890人学习下载。对需要矩形框json格式的读者，作者也提供转换支持；无论是做黄牌检测、车牌定位还是字符识别流程验证，都能从中获得较完整的图像与标注素材。
1. 黄牌车牌检测数据集：不是“有框就行”，json标签先决定上限
某开发者拿一批黄牌车牌检测数据集做园区门口抓拍，训练损失降得很顺，推理时却总把黄色广告牌、收费亭反光条框成车牌。翻到数据层才发现，json标签里的框是中心点加宽高，转换脚本却按左上右下读，模型学的是一套偏移框。这个资源就是带json标签的黄牌车牌检测数据集，落在图像识别流程里，负责车牌识别之前的定位环节，适合卡口、停车场、园区门口这类黄牌车较多的场景，也适合想练json转YOLO、COCO标注口径的人。黄牌颜色是先验，不是标签；json字段没读透，训练越久偏得越远。下面从字段校验开始，把能复现的步骤和翻车点拆开。
2. 把json标签读透：字段探测、坐标校验与黄牌样本分布
2.1 先做字段探测，不要上来就硬编码键名
json标签最怕“看起来一样”。同样叫bbox，有的存[x_min, y_min, x_max, y_max]，有的存[x, y, w, h]，还有的存归一化后的中心点宽高。黄牌车牌检测数据集如果来自不同标注批次，字段名和层级都可能变。我一般不会先写转换脚本，而是先跑一个字段探测，把一份json里所有键路径打印出来，确认图像路径、宽高、标注列表、框字段、类别字段分别在哪一层。
import json from pathlib import Path def walk_keys(obj, prefix=""): """递归打印json键路径，列表只采样前3个元素，避免大文件卡住""" if isinstance(obj, dict): for k, v in obj.items(): yield prefix + k, v yield from walk_keys(v, prefix + k + ".") elif isinstance(obj, list): for i, v in enumerate(obj[:3]): yield from walk_keys(v, prefix + f"[{i}].") json_path = Path("labels/one_sample.json") data = json.loads(json_path.read_text(encoding="utf-8")) for key, value in walk_keys(data): # 只打印键路径和值类型，不打印整段base64或大数组 print(f"{key} -> {type(value).__name__}")这段代码只做一件事：把嵌套结构摊平。walk_keys对字典逐层拼路径，对列表只取前三个元素，因为标注文件里objects或annotations可能很长，全量递归会拖慢排查。prefix用来保留层级，比如objects.[0].bbox能直接看出框在标注对象里，而不是在顶层。实际使用时先拿一份样本跑，确认键路径后再写批量脚本。
常见字段命名可以对照下表，但不要把它当标准。表里只是排查方向，最终以实际json为准。
| 信息类型 | 常见键名 | 要确认的点 |
|---|---|---|
| 图像路径 | imagePath、image_path、file_name | 是相对路径还是绝对路径，根目录在哪 |
| 图像宽高 | width、height、imageWidth | 与真实读图尺寸是否一致 |
| 标注列表 | objects、annotations、shapes | 是列表还是按类别分组的字典 |
| 框坐标 | bbox、points、box | 是四个数还是两个点，是否归一化 |
| 类别 | label、category、class_name | 大小写、中英文、是否有空格 |
提示：字段探测阶段不要急着改json，先把原始键路径和值类型记录下来。后面转换脚本报错时，这份记录就是后悔药。
2.2 坐标口径与越界检查：四个必须落库的校验
确认字段后，下一步不是直接转YOLO，而是做坐标校验。黄牌车牌在图像里通常偏小，框偏移几个像素肉眼看不出来，但归一化之后会被放大。我一般要求四个校验必须落库：坐标数值有限、右下大于左上、框不越界、json宽高与真实读图尺寸一致。前三个决定框能不能用，第四个决定归一化分母对不对。
import math from PIL import Image def to_xyxy(bbox, fmt, w, h): """把不同口径的框统一成绝对像素xyxy""" if fmt == "xyxy": x1, y1, x2, y2 = bbox elif fmt == "xywh": x, y, bw, bh = bbox x1, y1, x2, y2 = x, y, x + bw, y + bh elif fmt == "cxcywh": cx, cy, bw, bh = bbox x1, y1, x2, y2 = cx - bw / 2, cy - bh / 2, cx + bw / 2, cy + bh / 2 elif fmt == "norm_xyxy": x1, y1, x2, y2 = bbox[0] * w, bbox[1] * h, bbox[2] * w, bbox[3] * h elif fmt == "norm_cxcywh": cx, cy, bw, bh = bbox x1, y1 = (cx - bw / 2) * w, (cy - bh / 2) * h x2, y2 = (cx + bw / 2) * w, (cy + bh / 2) * h else: raise ValueError(f"未知坐标口径: {fmt}") return x1, y1, x2, y2 def check_bbox(bbox, fmt, img_path, tol=2.0): img = Image.open(img_path) w, h = img.size x1, y1, x2, y2 = to_xyxy(bbox, fmt, w, h) if not all(math.isfinite(v) for v in (x1, y1, x2, y2)): return "non_finite" if x2 <= x1 or y2 <= y1: return "invalid_wh" # 允许少量越界，超过tol像素就记为异常，不要静默裁剪 if x1 < -tol or y1 < -tol or x2 > w + tol or y2 > h + tol: return "out_of_bound" return "ok"to_xyxy把五种常见口径统一成绝对像素左上右下。fmt必须由字段探测确认，不能猜。check_bbox里tol=2.0是容忍少量像素越界，因为标注工具缩放时可能产生1到2像素误差；超过这个范围就记异常，而不是直接裁剪。裁剪会把错误藏起来，后面评估时看不出问题。实际落地时建议把原始框、统一后的框、异常类型一起写进检查表，方便回查。
如果json里有width和height，还要和Image.open(img_path).size比对。差异超过1像素就要查原因：是图像被重新缩放后没更新json，还是手机拍摄的EXIF方向导致读图尺寸旋转。EXIF问题可以用ImageOps.exif_transpose在读图时统一方向，再以旋转后的尺寸为准。
2.3 用统计和可视化找“黄牌偏科”
黄牌车牌检测数据集容易“偏科”：白天多、夜间少，近景多、小目标少，干净车牌多、泥污遮挡少。只看总框数没意义，要看每图框数、框面积占比、宽高比和黄色像素比例的分布。框面积占比能判断小目标比例，宽高比能发现异常扁框，黄色像素比例能辅助看颜色先验是否稳定，但它不是标签，不能拿来当训练目标。
import numpy as np from PIL import Image from pathlib import Path def yellow_ratio(img_path): """粗略统计黄色像素比例，只用于分布检查，不参与训练标签""" img = Image.open(img_path).convert("RGB") arr = np.asarray(img).astype(np.float32) / 255.0 r, g, b = arr[..., 0], arr[..., 1], arr[..., 2] # 黄色大致满足：红绿高、蓝低；阈值只用于观察，不作为硬规则 mask = (r > 0.45) & (g > 0.35) & (b < 0.45) & (r > b + 0.12) & (g > b + 0.08) return float(mask.mean()) def bbox_area_ratio(bbox, fmt, w, h): x1, y1, x2, y2 = to_xyxy(bbox, fmt, w, h) return max(0.0, (x2 - x1) * (y2 - y1)) / (w * h)yellow_ratio用RGB近似黄色，阈值写成比例而不是固定0到255，方便不同曝光图像比较。bbox_area_ratio算框面积占全图比例，输出分位数比看均值可靠。实际排查时把面积占比分成<0.1%、0.1%到1%、>1%三档，看验证集和训练集比例是否接近。如果训练集小目标多、验证集近景多，mAP会虚高，业务现场却掉点。
注意：黄色像素比例只适合做分布观察。夜间暖光、泥污、反光条都会让黄色比例失真，把它当过滤条件会埋下漏检。
2.4 划分训练验证集：按场景分组，别按文件随机
黄牌车牌检测数据集常见连拍：同一辆车在同一个门口连续几张，文件名只差序号。按文件随机划分，训练集和验证集会同时出现同一辆车的相邻帧，指标看起来很好，换场景就崩。我一般按场景分组：目录名、文件名前缀、拍摄点位、时间段，任选一个能代表“场景”的键，保证同一组只进一个split。
from collections import defaultdict from pathlib import Path import random def group_key(json_path: Path): # 按父目录名分组；如果文件名前缀更能代表场景，可改成 json_path.stem.split("_")[0] return json_path.parent.name json_files = sorted(Path("labels").rglob("*.json")) groups = defaultdict(list) for p in json_files: groups[group_key(p)].append(p) keys = list(groups.keys()) random.Random(42).shuffle(keys) train, val, test = [], [], [] for i, k in enumerate(keys): # 7:2:1 按组划分，组内文件整体进入同一个split if i % 10 < 7: train.extend(groups[k]) elif i % 10 < 9: val.extend(groups[k]) else: test.extend(groups[k])group_key是划分的核心。父目录名通常对应一个拍摄批次或一个场景，比文件名随机稳。random.Random(42)固定种子，方便复现。i % 10实现7:2:1，组数少时可以改成按组大小分层，避免某个split没有小目标。划分完要再跑一次统计，确认训练集和验证集的框面积分位数、黄色比例分位数没有明显断层。断层太大就先调分组键，不要急着训练。
3. 从json转到YOLO与COCO：转换脚本、参数口径和回读自检
3.1 选YOLO还是COCO：看训练框架和后续标注回流
json标签转格式，先定目标格式。YOLO的txt适合单阶段检测训练，每行类别 id cx cy w h，全部归一化到0到1；COCO的json适合多工具协作和标注回流，bbox是绝对像素[x, y, w, h]，area是面积，category_id从1开始更常见。黄牌车牌检测数据集如果只做单类plate，YOLO txt最轻；如果团队还要用标注平台复标、做数据版本管理，COCO json更稳。
| 维度 | YOLO txt | COCO json |
|---|---|---|
| 坐标口径 | 归一化中心点宽高 | 绝对像素左上宽高 |
| 类别 id | 通常从0开始 | 通常从1开始 |
| 空标签 | 生成空txt表示负样本 | 没有annotation也要有image记录 |
| 适合场景 | 快速训练、单类检测 | 多工具协作、标注回流 |
| 易错点 | 归一化分母、类别顺序 | image_id、category_id、area |
选型不是技术高低，是流程匹配。单类黄牌车牌检测，YOLO txt足够；如果后续要加颜色分类、车型分类，COCO json的扩展字段更从容。转换前把class_map固定下来，比如{"plate": 0}，不要在不同脚本里各写一套。
3.2 写一个可复用的json转YOLO脚本
转换脚本要处理三件事：找到标注列表、统一框口径、把类别名映射成id。未知类别必须报错，不能静默跳过，否则训练时类别数对不上。空标注也要生成空txt，YOLO训练需要负样本。
import json from pathlib import Path from PIL import Image CLASS_MAP = {"plate": 0} # 黄牌数据集单类时固定为0；多类时在这里统一顺序 def iter_objects(data): """兼容 objects / annotations / shapes 三种常见标注列表""" for key in ("objects", "annotations", "shapes"): value = data.get(key) if isinstance(value, list): return value return [] def pick_bbox(obj): for key in ("bbox", "box", "points"): if key in obj: return obj[key] raise KeyError(f"找不到框字段: {obj.keys()}") def pick_label(obj): for key in ("label", "category", "class_name", "name"): if key in obj: return str(obj[key]).strip() raise KeyError(f"找不到类别字段: {obj.keys()}") def convert_one(json_path, img_path, out_txt, fmt="xyxy"): data = json.loads(Path(json_path).read_text(encoding="utf-8")) w, h = Image.open(img_path).size lines = [] for obj in iter_objects(data): label = pick_label(obj) if label not in CLASS_MAP: raise ValueError(f"未知类别 {label}，先补 CLASS_MAP") x1, y1, x2, y2 = to_xyxy(pick_bbox(obj), fmt, w, h) # 归一化并保留6位小数，减少txt体积 cx = (x1 + x2) / 2 / w cy = (y1 + y2) / 2 / h bw = (x2 - x1) / w bh = (y2 - y1) / h lines.append(f"{CLASS_MAP[label]} {cx:.6f} {cy:.6f} {bw:.6f} {bh:.6f}") Path(out_txt).write_text("\n".join(lines), encoding="utf-8")iter_objects按常见键名找标注列表，找到第一个列表就返回，避免同一份json里多个字段重复。pick_bbox和pick_label把字段差异收敛到两个函数，后面换数据集只改这里。CLASS_MAP必须显式定义，未知类别直接抛错，这是血泪经验：静默跳过会让某类样本在训练集里消失，评估时才发现召回上不去。fmt要和字段探测结果一致，传错就是框整体偏移。空标注时lines为空，仍然写出空txt，负样本才有记录。
提示：转换前先用一份样本打印前5个框的原始值和转换后的归一化值，肉眼确认中心点落在车牌上，再跑批量。
3.3 转COCO时最容易错的两个字段
COCO json有两个字段最容易翻车：image_id和category_id。image_id是图像记录的唯一整数，annotation里的image_id必须和images里的id一致；category_id通常从1开始，YOLO习惯从0开始，直接混用会让类别错位。bbox写绝对像素[x, y, w, h]，area写w * h，不要写归一化值。
coco = { "images": [], "annotations": [], "categories": [{"id": 1, "name": "plate"}], } ann_id = 1 for image_id, (json_path, img_path) in enumerate(pairs, start=1): w, h = Image.open(img_path).size coco["images"].append({"id": image_id, "file_name": str(img_path), "width": w, "height": h}) data = json.loads(Path(json_path).read_text(encoding="utf-8")) for obj in iter_objects(data): x1, y1, x2, y2 = to_xyxy(pick_bbox(obj), fmt, w, h) bw, bh = x2 - x1, y2 - y1 coco["annotations"].append({ "id": ann_id, "image_id": image_id, # 必须等于 images 里的 id "category_id": 1, # 与 categories 里的 id 对齐 "bbox": [x1, y1, bw, bh], # 绝对像素，不是归一化 "area": bw * bh, "iscrowd": 0, }) ann_id += 1这段代码里image_id用enumerate生成，保证唯一；category_id固定1，和categories一致。bbox是[x1, y1, bw, bh]，不是[x1, y1, x2, y2]，这是COCO和YOLO最大的口径差。area用于评估时区分小中大目标，黄牌车牌大多落在小目标区间，area写错会影响分层指标。iscrowd=0表示普通实例，黄牌检测一般不用crowd标注。
3.4 转换后回读自检：三类断言
转换脚本跑完不等于正确。我一般做三类断言：每张图有对应txt、每行五列且类别id在集合内、反算像素框与原始json框的IoU大于0.999。IoU断言能抓住中心点宽高和左上右下混用的问题，比肉眼看几张图可靠。
def yolo_to_xyxy(line, w, h): cls_id, cx, cy, bw, bh = line.split() cx, cy, bw, bh = map(float, (cx, cy, bw, bh)) x1 = (cx - bw / 2) * w y1 = (cy - bh / 2) * h x2 = (cx + bw / 2) * w y2 = (cy + bh / 2) * h return int(cls_id), x1, y1, x2, y2 def iou(a, b): ax1, ay1, ax2, ay2 = a bx1, by1, bx2, by2 = b ix1, iy1 = max(ax1, bx1), max(ay1, by1) ix2, iy2 = min(ax2, bx2), min(ay2, by2) iw, ih = max(0.0, ix2 - ix1), max(0.0, iy2 - iy1) inter = iw * ih union = (ax2 - ax1) * (ay2 - ay1) + (bx2 - bx1) * (by2 - by1) - inter return inter / union if union > 0 else 0.0回读时对每张图读原始json框和txt反算框，逐框算IoU。阈值设0.999，因为只差浮点舍入；低于这个值就打印原始框、反算框和fmt，十有八九是口径传错。类别id也要断言在set(CLASS_MAP.values())里，防止把plate写成Plate后映射失败。空txt要允许存在，但要在检查表里标记为负样本，不要当成转换失败。
4. 黄牌检测训练：基线配置、增强边界与误检分析
4.1 单类检测还是多类检测：先定标签语义
黄牌车牌检测数据集先定标签语义。如果json里只有plate，就做单类检测，输出一个框，颜色信息交给后处理或单独分类器。如果json里明确分了yellow_plate、blue_plate，可以保留多类，但类别顺序必须和CLASS_MAP一致。不要因为图像是黄牌就把颜色塞进类别名，除非标注本身这么定义。单类的好处是减少类间混淆，黄牌颜色先验在推理阶段做二次校验更灵活。
单类训练时names只写0: plate，评估只看一类AP。多类训练时每个类别都要有足够样本，否则小类别会把整体mAP拉低。黄牌场景里如果混入少量蓝牌负样本，可以把蓝牌车牌标成背景不框，或者单独加一类，取决于业务要不要拒绝蓝牌。标签语义定不下来，后面转换、训练、评估都会反复。
4.2 基线训练配置与黄牌小目标参数
基线配置先跑通，不要一上来堆增强。黄牌车牌在卡口图里往往只占几十像素，imgsz比模型大小更关键。我一般从960起步，显存不够再降；batch按显存调，lr0用常规值，patience留早停。数据配置文件只写路径和类别，不写花哨参数。
path: /data/plate_yellow train: images/train val: images/val names: 0: plateyolo detect train \ data=data.yaml \ model=<预训练权重> \ imgsz=960 \ epochs=100 \ batch=16 \ lr0=0.01 \ patience=20 \ workers=8 \ project=runs/plate \ name=yellow_baselinepath是数据集根目录，train和val写相对路径，避免换机器后失效。imgsz=960是为了保住小目标细节，黄牌车牌在640下可能只剩十几个像素。batch=16不是固定值，显存不够就降到8，同时按比例调lr0。patience=20表示验证指标20轮不升就停，省时间。workers=8按CPU核数调，太高反而拖慢数据加载。第一次训练先关掉强增强，确认loss正常下降，再加。
增强参数要克制。马赛克增强会把多张图拼在一起，小目标可能被切碎；黄牌颜色对HSV增强敏感，色相扰动过大可能把黄色推到橙色。常见做法是先把马赛克关小或关掉，随机缩放范围不要压得太狠，HSV的饱和度和明度扰动保留，色相扰动调低。具体值看验证集，不要照搬。
| 参数 | 基线建议 | 调整理由 |
|---|---|---|
imgsz | 960起 | 黄牌车牌小，分辨率比模型深度更直接 |
batch | 显存允许的最大值 | 小目标梯度噪声大，batch太小不稳定 |
lr0 | 0.01附近 | 预训练权重微调，过大容易震荡 |
mosaic | 先低后高 | 小目标被切碎后反而学不到完整车牌 |
hsv_h | 调低 | 黄色色相范围窄，扰动过大改变颜色语义 |
patience | 20到30 | 小目标指标波动大，早停太早会误杀 |
注意：验证集指标不升不一定是模型不行，先回看标注框是否偏移、验证集是否和训练集同场景。数据层的问题，调参救不回来。
4.3 评估指标怎么看：mAP之外还要看召回分层
评估命令把置信度阈值压低，先看PR曲线全貌，再定业务阈值。黄牌检测不能只看mAP50，小目标多的时候mAP50-95会明显低，这是正常现象。要看召回按框面积分层：小框召回够不够，夜间子集召回掉多少，误检集中在什么背景。
yolo detect val \ model=runs/plate/yellow_baseline/weights/best.pt \ data=data.yaml \ imgsz=960 \ conf=0.001 \ iou=0.6conf=0.001是为了让PR曲线覆盖低置信度区间，评估阶段不怕框多，怕漏。iou=0.6是NMS和匹配的常用值，黄牌车牌框比较规整，0.5到0.6都可以试。看结果时先看召回，再看精确率。业务现场漏检比误检更麻烦，阈值可以偏低，误检交给二次校验。
| 指标 | 关注点 | 异常信号 |
|---|---|---|
| mAP50 | 框大致重合时的综合表现 | 高但现场漏检，查验证集泄漏 |
| mAP50-95 | 高IoU下的定位精度 | 明显低，查小目标和框偏移 |
| Precision | 误检比例 | 低，查黄色广告牌、反光条 |
| Recall | 漏检比例 | 低，查夜间、遮挡、小目标 |
| 分层AP | 按面积/场景拆开 | 小框AP远低于大框，调imgsz和增强 |
评估完不要只看一个总分。把验证集按白天/夜间、近景/远景、干净/遮挡拆开，分别跑一遍。黄牌车牌检测数据集如果夜间样本少，整体mAP会被白天拉高，夜间召回可能很难看。拆开看才知道下一步是补数据还是调增强。
4.4 误检分析：黄色先验不能当硬规则
黄牌检测的误检经常来自黄色物体：广告牌、反光条、收费亭、工程车车身。颜色先验可以做二次校验，但不能在检测前硬过滤。硬过滤会把夜间暖光下的黄牌、泥污车牌、偏色图像直接删掉，漏检比误检更难补。我一般把检测框裁出来，统计框内黄色像素比例，看误检和真检的分布是否可分，再决定阈值。
import numpy as np from PIL import Image def crop_yellow_ratio(img_path, xyxy): img = Image.open(img_path).convert("RGB") x1, y1, x2, y2 = map(int, xyxy) crop = np.asarray(img.crop((x1, y1, x2, y2))).astype(np.float32) / 255.0 if crop.size == 0: return 0.0 r, g, b = crop[..., 0], crop[..., 1], crop[..., 2] mask = (r > 0.45) & (g > 0.35) & (b < 0.45) & (r > b + 0.12) & (g > b + 0.08) return float(mask.mean())这个函数只做统计，不直接过滤。把真检和误检的黄色比例分别画分布，如果真检集中在高分段、误检集中在低分段，可以设一个保守阈值做二次排序，而不是一刀切。阈值取分位数，比如保留真检95%召回对应的下限，再看误检能压掉多少。夜间和逆光样本要单独看，否则阈值会被白天样本带偏。
5. 避坑与排查：json标签落地时最容易翻车的五件事
5.1 框整体偏移：中心宽高与左上右下混用
现象很典型：训练loss正常下降，验证集mAP也有零点几，但推理框整体往左上或右下偏，车牌只框到一半。原因是json里存的是中心点宽高cx, cy, bw, bh，转换脚本按左上右下x1, y1, x2, y2读，中心点被当成左上角，框整体偏移半个宽高。黄牌车牌框本来就小，偏一点就掉出车牌。
解决不靠肉眼抽查，靠回读断言。转换后把txt反算成像素框，和原始json框算IoU，低于0.999就报错。to_xyxy里把fmt作为必填参数，不允许默认值，逼着调用方确认口径。批量转换前先拿一份样本打印原始框和反算框，确认中心点落在车牌中心。字段探测阶段看到bbox是四个数还不够，要看数值范围：如果数值都小于1，可能是归一化；如果宽高明显小于坐标，可能是宽高格式。
5.2 图像尺寸字段与实际读图不一致
现象是归一化后的框整体缩放错位，或者同一批数据里部分图正常、部分图偏移。原因是json里的width、height是标注时的尺寸，图像后来被重新缩放、裁剪，或者手机EXIF方向导致读图尺寸旋转，json没同步更新。用json尺寸做归一化分母，就会把错误放大到所有框。
解决是以真实读图尺寸为准，不用json宽高做分母。读图时先做EXIF方向校正，再取size。如果json宽高和读图尺寸差异超过1像素，记录下来，抽样看是缩放还是旋转。批量脚本里不要把json宽高当唯一真值，它只能做交叉校验。遇到旋转图，先把图像转正再标注或转换，不要一边转一边用旧尺寸。
from PIL import Image, ImageOps def read_size(img_path): img = Image.open(img_path) img = ImageOps.exif_transpose(img) # 先按EXIF转正 return img.sizeImageOps.exif_transpose返回转正后的图像，size才是视觉上的宽高。黄牌车牌如果横竖方向不一致，框的宽高比会异常，统计时很容易发现。
5.3 训练验证集连拍泄漏导致指标虚高
现象是验证集mAP很高，换一个门口或换一天就掉得厉害。原因是同一辆车、同一个场景的连拍图被随机分到训练集和验证集，模型记住了背景和车牌字符，不是学会定位。黄牌车牌检测数据集如果按文件随机划分，相邻帧几乎一模一样，指标虚高是必然的。
解决是按场景分组划分。用目录名、文件名前缀、拍摄点位、时间段做group_key，保证同一组只进一个split。划分后检查训练集和验证集的框面积分位数、黄色比例分位数，差异大就换分组键。连拍图还可以用感知哈希或文件大小近似去重，但不要只靠文件名序号，序号可能跨场景重复。
5.4 类别名大小写与中英文不一致
现象是转换时报未知类别，或者训练时类别数对不上，评估混淆矩阵里出现空类。原因是json里同一类写成plate、Plate、车牌、车牌，CLASS_MAP只写了一个键。静默跳过未知类别会让样本悄悄消失，训练集里某类样本变少，召回上不去。
解决是先统计所有类别名，再定映射表。统计时用strip()去空格，但不要自动转小写，先把原始值列出来，人工确认哪些是同一类。CLASS_MAP里未知类别必须抛错，不能continue。映射表单独存一份json或csv，转换脚本和评估脚本共用，避免两处各写一套。
from collections import Counter counter = Counter() for obj in all_objects: counter[pick_label(obj).strip()] += 1 print(counter)Counter输出原始类别名和出现次数，先看有没有大小写变体、中英文混写、尾部空格。确认后再写映射，比如{"plate": 0, "Plate": 0, "车牌": 0}，但训练时只输出一个id。映射表要版本化，后面加类别时先改表再转格式。
5.5 颜色阈值硬过滤造成漏检
现象是白天效果不错，夜间、逆光、泥污车牌漏检明显。原因是在检测前用固定HSV阈值过滤黄色区域，夜间暖光把黄牌照成橙色，泥污把饱和度拉低，阈值一卡就没了。黄牌颜色先验有用，但它是统计特征，不是硬门禁。
解决是把颜色放到检测后做二次校验，用分位数定阈值，不用固定值。先统计真检框的黄色比例分布，取保留95%真检的下限，再看误检能压掉多少。夜间样本单独统计，阈值可以放宽。检测器主输出仍然保留，颜色只做排序或复核，不直接删除框。这样即使颜色判断错了，还有检测框兜底。
6. 进阶用法：把黄牌检测接进业务流程的三个技巧
6.1 切片推理处理小目标
黄牌车牌在广角卡口图里可能只占几十像素，整图缩放到960再推理，小目标只剩几个像素。我一般用切片推理：把原图按重叠窗口切成若干块，分别推理后再把框映射回原图坐标，做一次NMS。切片大小和重叠率要看车牌像素分布，太小会增加误检，太大起不到放大作用。常见做法是切片边长取原图短边的三分之一到二分之一，重叠20%左右，先在一批验证图上比较整图推理和切片推理的小框召回，再定参数。切片推理耗时高，适合离线复核或重点点位，不适合所有帧全量跑。
6.2 颜色先验做二次校验而不是硬门禁
颜色先验放在检测后，用法是给每个框算黄色比例，再结合置信度做排序或复核。不要设一个固定阈值直接删框，而是看真检和误检的分布重叠区。重叠区大的样本送人工复核，重叠区小的按置信度处理。夜间、逆光、泥污单独分组统计，阈值分组设置。这样颜色是加分项，不是一票否决。黄牌车牌检测数据集的黄牌比例高，颜色特征确实有用，但业务现场的偏色和遮挡会让固定阈值翻车。
6.3 用json回写做人工复核闭环
模型跑完不要只保存txt，把检测结果回写成和原始json同结构的文件，带上图像路径、框、置信度、颜色比例，人工复核时直接看json和裁图。复核确认的框再回流到训练集，形成闭环。回写时保留原始image_id或文件名，不要打乱顺序；置信度低和颜色比例处于重叠区的样本优先送审。这样每次复核都在补数据，而不是一次性验收。
从那以后我每次拿到带json标签的数据集，都先把字段探测、坐标校验、回读断言跑一遍，再谈训练。黄牌车牌检测数据集的价值不在图像多，而在标签口径能不能复现。需要拿这份资源练手时，按资源页的获取方式取原始包，先跑字段校验和转换自检，再开训练，别急着上大模型。希望帮到你。
本文还有配套的精品资源，点击获取
