6580张VOC格式人员持刀数据集：目标检测与YOLOv8训练实践

努力忏悔修行

302人浏览 · 2026-09-07 11:03:21

努力忏悔修行 · 2026-09-07 11:03:21 发布

简介：面向目标检测与计算机视觉学习者及算法开发者，这份VOC格式数据集聚焦人员持刀识别场景，包含6580张JPEG图像和对应的XML标注文件，可直接用于目标检测模型的训练与评估。数据由labelImg工具按矩形框逐一标注，标注类别为“dao”（刀具），共计6958个标注框；图像素材主要来自视频截图，覆盖杀鸡、切菜等日常持刀动作，以及小刀、菜刀、剪刀、砍刀等多种刀具形态，为安防监控、行人行为识别等任务提供贴近真实场景的训练样本。压缩包共包含13161个文件，除6580个jpg与6580个xml外，另附1个说明txt，总大小约838MB，整体目录组织简洁，便于按图片-标注对批量读取。目前已有1040人学习下载，作者特别声明数据集仅保证标注准确合理，不保证模型精度，使用者需结合具体任务做验证。做目标检测这一行，最让人头大的往往不是模型结构，而是数据集。尤其做安防方向的，开源数据里不是汽车就是猫狗，顶多来点车牌。可真到要做“人员持刀”预警这类具体场景时，网上能直接拿来用的数据少得可怜，要么不是监控视角，要么标注稀烂。最近我整理了一套VOC格式的人员持刀目标检测数据集，共6580张实拍图像，类别围绕“人”和“刀”两个目标框展开，目录结构、标注格式都按Pascal VOC规范来做。这份数据既能直接喂给YOLO系列训练，也能转成COCO格式给检测类Transformer模型用。今天就以这套数据为例，把VOC格式的读取方式、数据集预处理、YOLOv8训练流程、指标判断和踩坑记录一次说清楚。

1. 数据集整体思路：这不是一份普通的目标检测数据

1.1 为什么安防场景必须单独做“人员持刀”数据

通用目标检测数据集像COCO，确实包含80个类别，里面也有knife这一类，但那些刀具基本是厨房场景里的餐具，尺度、角度、语义都和安防监控里的“持刀”完全不一样。安防场景要检测的，是监控摄像头下相对较小、经常被遮挡、形态和手机/剪刀/卡片容易混淆的目标。如果直接用COCO预训练权重去跑监控画面，错检和漏检都相当严重。

所以要做一套专门的数据集，核心目标是让模型学到“在监控视角下，什么样的人、什么样的刀需要触发预警”。这份数据集的图像来源尽量贴近真实监控场景：室内大厅、通道、户外广场、地下停车场，光线条件涵盖了白天、傍晚、逆光、夜间红外等。只有场景足够杂，训练出来的模型才不会被某一个固定机位“带偏”。

1.2 6580张的构成：训练/验证/测试怎么分

6580张说大不大，说小也不小，关键看怎么划分。我建议按8:1:1切分，也就是训练集约5260张、验证集约660张、测试集约660张。训练集负责让模型学特征，验证集用来调超参数和观察过拟合，测试集必须从头到尾不参与训练，最后才能真实反映模型没见过的画面里的表现。

很多新手容易犯一个错误：划分前不检查是否有同一场景的连续帧出现在两个集合里。监控视频抽帧得到的图片，相邻帧高度相似，如果不按场景或者时间段做分组抽样，验证集和训练集可能“长得太像”，导致验证指标虚高。我处理这套数据时会先按来源分组，再在组内随机抽帧，这样切出来的测试集才真的能打。

2. VOC格式逐层拆解：从目录到XML标注

2.1 VOC格式的标准目录结构

VOC格式得名于Pascal VOC竞赛，它不是一个文件，而是一套约定俗成的目录组织。拿到这套数据后，解压出来应该看到类似这样的结构：

knife_dataset/
├── JPEGImages/          # 所有原始图像
├── Annotations/         # 每张图对应的XML标注文件
├── ImageSets/
│   └── Main/            # 训练/验证/测试划分文件
│       ├── train.txt
│       ├── val.txt
│       └── test.txt

JPEGImages和Annotations两个目录里的文件是一一对应的，比如 frame_00231.jpg 必然有 frame_00231.xml 。ImageSets/Main下的txt文件，每个文件名一行，不带后缀，表示这张图属于哪个集合。训练时先读txt拿到图片编号列表，再去另两个目录找图找标注。

我拿到任何VOC格式数据的第一件事，不是急着训练，而是先写一个脚本核对“图片数、XML数、txt里的条目数”三者是否一致。因为数据在导出、拷贝过程里很容易丢文件，不核对就训练，后面报文件找不到，排查起来很痛苦。

2.2 XML标注文件的字段含义与检查重点

一份标准的VOC标注XML长这样：

<annotation>
    <folder>JPEGImages</folder>
    <filename>frame_00231.jpg</filename>
    <size>
        <width>1920</width>
        <height>1080</height>
        <depth>3</depth>
    </size>
    <object>
        <name>person</name>
        <pose>Unspecified</pose>
        <truncated>0</truncated>
        <difficult>0</difficult>
        <bndbox>
            <xmin>420</xmin>
            <ymin>180</ymin>
            <xmax>720</xmax>
            <ymax>920</ymax>
        </bndbox>
    </object>
    <object>
        <name>knife</name>
        <pose>Unspecified</pose>
        <truncated>0</truncated>
        <difficult>0</difficult>
        <bndbox>
            <xmin>530</xmin>
            <ymin>510</ymin>
            <xmax>610</xmax>
            <ymax>720</ymax>
        </bndbox>
    </object>
</annotation>

这里要注意几个字段。 truncated 表示目标是否被图像边缘截断，如果物体只露出一半还硬标一个完整框，模型学到的边界就是错的。 difficult 表示目标本身是否难以辨认，标注时存疑的可以标1，但训练时大部分框架会忽略掉difficult目标。 bndbox 里的坐标是像素绝对坐标，xmin和ymin是左上角，xmax和ymax是右下角，并不是宽高，更不是归一化的中心点坐标。转换到YOLO格式时，一定要先除以图像的宽和高做归一化，我见过不少人在这一步直接拿像素值当比例用，loss不收敛是必然的。

另外还要检查坐标是否越界。标注工具偶尔会标出 xmax=1925 而图像宽度只有1920的情况，这种框在数据增强随机裁剪时可能触发数组越界，轻则丢样本，重则训练中断。我一般会在转换脚本里做一次坐标裁剪，把所有坐标先clip到图像范围内再继续。

2.3 为什么我坚持用VOC做分发格式

选VOC格式不是因为它最高级，而是因为它是“最大公约数”。labelimg默认输出就是VOC，GUI用户拿到就能打开看；YOLO系列训练要的是txt，但txt只有类别序号和归一化坐标，人眼没法直接检查；COCO格式用json，结构复杂，普通工具打开一片乱码。VOC格式作为中间格式最合适，拿到手既能直接看标注是否有误，又能通过几行脚本转成目标框架需要的格式。我整理的这份数据之所以用VOC，就是希望拿到它的人第一步先用自己的眼睛确认标注质量，而不是盲目开训。

3. 人员持刀检测的难点与数据处理策略

3.1 三个真实难点：小目标、遮挡、类间干扰

第一，刀具在监控画面里经常是小目标。1080P的图里，一把刀可能只有几十个像素，到了YOLO输入尺寸640×640之后，这个目标可能只剩十几个像素，特征非常弱。第二，手持刀具的自然遮挡严重，人的身体、衣袖、随身物品都可能挡住刀刃，框住的部分往往不是完整的刀。第三，刀具形态和手机、银行卡、剪刀、钥匙串在视觉上容易混淆，尤其是低光照和运动模糊情况下，人和模型都容易看错。

针对这些难点，我在标注这套数据时坚持了两个原则：一是“宁可框大一点，不要框歪掉”，刀身露不出来就沿着手部周围把可辨识部分框完整；二是每张图里同时标注person和knife两个目标，不单独只标刀。这样模型在训练时就能学到人和刀的空间关系，推理阶段也更容易通过“刀在身边”的上下文来抑制误检。

3.2 数据增强怎么做才不会破坏标注

目标检测训练常用的Mosaic、MixUp、随机透视、HSV扰动都能用，但对这个任务要小心两点。Mosaic会把四张图拼接在一起，如果拼接后的图里人和刀来自不同场景，模型容易学到“只要有刀，谁拿着都行”的错误关联；不过这个对纯目标检测任务影响不大，反而能增强泛化能力。真正要注意的是随机裁剪和旋转，框的中心点需要跟着图一起变换，如果框架实现不规范，增强后的标注会错位。

我实际训练时用了这样的增强组合：Mosaic开启，概率0.8；HSV的饱和度扰动给到0.3，亮度扰动0.2；随机水平翻转开启；小目标多的轮次会额外用一次SAHI切图策略，把原图切成多个带重叠的patch分别推理，再把结果合并。这个做法对监控类小目标非常有效，但训练时如果用cutout之类的随机遮挡增强，要把概率调低，不然本来就小的刀更容易被遮没。

4. 从VOC到YOLOv8：完整训练流程

4.1 环境准备：硬件与依赖清单

训练目标检测模型，不一定要非常夸张的卡，但有GPU和没GPU是两种体验。我自己用的是RTX 3090，24G显存，跑YOLOv8s完全没压力，batch可以开到32甚至更大。如果你只有8G显存的卡，建议用yolov8s加batch=16、imgsz=640，也基本能跑。纯CPU训练这套数据的话，一个epoch可能要几十分钟，完全不推荐。

软件环境建议是Python 3.9以上，PyTorch 2.0以上，ultralytics库直接pip安装即可。我不建议再手动编译什么扩展，YOLOv8的官方库已经把这些事情封装好了。需要注意的是CUDA和PyTorch版本要匹配，否则会出现“CUDA unavailable”这种问题，排查起来挺闹心。

4.2 VOC转YOLO标签脚本

ultralytics库可以直接训练VOC格式，但更常见的做法是先转成YOLO的txt标签。转换逻辑很固定，我贴一段自己一直在用的脚本：

import os
import xml.etree.ElementTree as ET
from pathlib import Path

# 只需要改这三行
XML_DIR = "Annotations"
OUT_DIR = "labels"
CLASSES = ["person", "knife"]   # 顺序要和你后续data.yaml保持一致

os.makedirs(OUT_DIR, exist_ok=True)

for xml_path in Path(XML_DIR).glob("*.xml"):
    tree = ET.parse(xml_path)
    root = tree.getroot()
    img_w = int(root.find("size/width").text)
    img_h = int(root.find("size/height").text)

    lines = []
    for obj in root.iter("object"):
        name = obj.find("name").text
        if name not in CLASSES:
            continue
        cls_id = CLASSES.index(name)
        box = obj.find("bndbox")
        xmin = max(0, float(box.find("xmin").text))
        ymin = max(0, float(box.find("ymin").text))
        xmax = min(img_w, float(box.find("xmax").text))
        ymax = min(img_h, float(box.find("ymax").text))

        x_center = (xmin + xmax) / 2 / img_w
        y_center = (ymin + ymax) / 2 / 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}")

    out_name = xml_path.stem + ".txt"
    with open(os.path.join(OUT_DIR, out_name), "w") as f:
        f.write("\n".join(lines))

这段代码做了两件额外的事：坐标clip和过滤未知类别。类别过滤非常重要，如果你只想训练person和knife两类，而XML里还有其它类别，直接训练会导致输出的类别数和数据配置文件不一致，报错还算小事，更坑的是静默训练出一个类别错位的模型。

4.3 配置文件与训练命令

转换完标签后，把数据集整理成YOLO要求的目录布局：

knife_yolo/
├── images/
│   ├── train/
│   └── val/
├── labels/
│   ├── train/
│   └── val/
└── data.yaml

然后写data.yaml：

path: /home/user/knife_yolo
train: images/train
val: images/val

nc: 2
names:
  0: person
  1: knife

启动训练就一行命令：

yolo detect train data=data.yaml model=yolov8s.pt epochs=100 imgsz=640 batch=16 device=0

这里解释几个关键参数。预训练权重yolov8s.pt是在COCO上训出来的，拿它做初始化，模型已经具备基础的边缘、纹理、语义特征，在这个数据上微调，收敛速度比随机初始化快很多。imgsz不一定非要640，如果监控原图是1920×1080，可以试试imgsz=1280，小目标检测能力会明显提升，代价是显存占用和推理时间同步上涨。epochs我设100，这个量级的数据100轮足够看到是否收敛了，后面靠early stopping或者看results.csv曲线再决定是否续训。

4.4 训练结果评价：指标怎么读

训练结束后不要只盯着loss。目标检测通用的评价标准是Precision、Recall、mAP50、mAP50-95。我建议按这个顺序看：先看mAP50有没有到合理水平，再看mAP50-95判断框定得准不准，最后综合考虑Precision和Recall的平衡。

指标	含义	在这个任务中的关注点
Precision	检出的目标中正确的比例	越高误报越少
Recall	真实目标中被检出的比例	越高漏报越少
mAP50	IoU阈值0.5时的平均精度	判断基础检测能力
mAP50-95	0.5到0.95区间平均精度	判断目标框定位精度
F1	Precision和Recall的调和平均	找置信度阈值用

对安防场景来说，漏报的代价远大于误报，所以我会把置信度阈值调低一些保住Recall，再通过后续跟踪和二次校验把误报压下去。也就是说，训练阶段追求mAP50，工程落地阶段会重新挑置信度阈值，两者的目标不完全一致。

5. 实际训练中我踩过的坑

5.1 标注框越界导致loss变成nan

有一版我拿到手的数据，某个XML里xmax写成了图像宽度+10，训练到第20轮loss直接变成nan。排查了半天才发现是数据增强阶段的随机透视把越界坐标做了变换，产生了非法的框。解决办法有两种：一是转换脚本里强制clip坐标；二是用ultralytics自带的坐标检查逻辑。我更推荐前者，因为clip之后再检查一下w和h是否大于0，等于0的样本直接丢掉。

5.2 图片尺寸不统一导致框位偏移

这套数据里有少量图片是纵向分辨率大于横向的，比如600×800。YOLO训练时会自动letterbox到640×640，正常情况下标注坐标也换算到这个空间。问题出在我第一次转标签时，用某张图的原始尺寸去归一化，但另一批图因为EXIF旋转了方向，实际读取后的宽高和XML里记录的不一致，导致框整体偏移。遇到这种情况，建议在转换脚本里用 cv2.imread 重新确认每张图的真实宽高，以实际读取的shape为准，不要完全相信XML里的size字段。

5.3 类别不平衡导致“刀”几乎不报

如果这份数据里person框有12000个，而knife框只有4000个，模型天然会偏向学得更好的person。训练完你会发现 mAP50 整体还行，但分开看每一类，knife的AP明显低。我遇到后用了三个策略：一是给loss按类别加权，让少样本类别错分时产生更大的梯度；二是增加刀具目标的复制粘贴增强，把刀这个目标切割出来随机贴到新的背景上；三是调低该类别的置信度阈值，牺牲一点精确率换召回。实际跑下来，第三招最简单，效果也最直接。

5.4 误报太多怎么压

模型训练得不错，但一到真实监控画面，经常把手机、反光水渍、甚至手掌弯曲的轮廓当成刀。我的排查经验是把误检图全部导出，按检出框的大小和当时的置信度排序，你会发现大多数误报是“局部纹理像刀”的小目标，置信度普遍在0.35到0.55之间。把最终推理阈值提到0.6，误报能降一半；再配合目标跟踪，同一把刀连续多帧都检出才算有效预警，误报基本能被滤掉。

6. 从数据到落地：安防场景的工程化建议

6.1 检测不是终点：跟踪与二次校验

单纯把YOLO的检测结果直接当报警依据，在真实场景里会引发大量无效告警。一个更稳的工程链路是“检测→跟踪→二次校验”：先通过ByteTrack这类多目标跟踪算法给每个目标分配ID，当同一个ID连续N帧都同时出现person和knife两个框，并且二者空间关系合理（刀框中心落在人框范围内或者紧邻边界），才触发一次预警。这种方式能把单帧误检和闪烁干扰过滤掉不少。如果你用的是一体化智能盒部署，这个逻辑可以直接写到后处理里，不依赖云端，延迟也能控制在几十毫秒以内。

6.2 小模型部署与帧率思考

6580张数据训练出来的模型，实际部署时不一定非得用YOLOv8s。如果摄像头数量多、设备算力有限，可以蒸馏或者直接训练一个YOLOv8n，再配合TensorRT做FP16量化，1080P视频流推理延迟能控制在5到10毫秒左右。帧率不是越高越好，监控场景里5到10 FPS就足够做人形和刀具检测了，省下来的算力可以做更多路视频流。只有把算力、延迟、准确率三者平衡好，这份数据集才真正在项目里发挥价值。

我从整理数据到训练落地的整个过程里，最深的一个体会是：数据集的标注质量直接决定了模型上限，模型结构再花哨也弥补不了标注错乱带来的坑。拿到任何VOC格式数据，先花半天时间检查目标框、类别、尺寸一致性，再动手训练，这点时间绝对花得值。后面我会继续补充夜间红外场景和更多刀具形态的样本，让模型在极端光照下也能保持稳定。

本文还有配套的精品资源，点击获取