YOLOv8交通目标检测实战：从BDD100K到TT100K数据集训练全流程解析

1次阅读

共计 1953 个字符，预计需要花费 5 分钟才能阅读完成。

交通目标检测在实际应用中常遇到数据集格式混乱的问题。以 BDD100K 为例，原始标注为 JSON 格式，而 TT100K 和 CCTSDB2017 虽然都是交通标志数据集，但标注标准和类别定义各不相同。这种差异会导致三个典型问题：

数据预处理阶段需要编写大量格式转换代码
不同数据集的类别 ID 冲突导致训练出错
评估指标难以统一比较

核心转换逻辑包含以下步骤：

解析原始 JSON 标注文件结构
提取目标框坐标并归一化
转换坐标系格式（xywh→xyxy）
处理类别 ID 映射关系

# 示例代码片段（完整版需包含异常处理）import json
from pathlib import Path

def convert_bdd_to_yolo(json_path, output_dir):
    with open(json_path) as f:
        data = json.load(f)

    for img in data:
        txt_path = Path(output_dir) / f"{img['name'].replace('.jpg','.txt')}"
        with open(txt_path, 'w') as f_out:
            for obj in img['labels']:
                if obj['category'] in CLASS_MAPPING:  # 预定义的类别映射
                    x_center = (obj['box2d']['x1'] + obj['box2d']['x2']) / 2 / img['width']
                    y_center = (obj['box2d']['y1'] + obj['box2d']['y2']) / 2 / img['height']
                    width = (obj['box2d']['x2'] - obj['box2d']['x1']) / img['width']
                    height = (obj['box2d']['y2'] - obj['box2d']['y1']) / img['height']
                    f_out.write(f"{CLASS_MAPPING[obj['category']]} {x_center} {y_center} {width} {height}\n")

关键配置项说明：

# 交通目标检测通用配置
train: ../datasets/bdd100k/images/train
val: ../datasets/bdd100k/images/val

# 类别定义（需与转换脚本中的 CLASS_MAPPING 一致）nc: 10
names: ['car', 'truck', 'bus', 'traffic light', 'traffic sign', 'person', 'bike', 'motor', 'rider', 'train']

根据硬件条件和精度要求选择：

YOLOv8n：嵌入式设备首选（2.5ms/ 帧）
YOLOv8s：精度与速度平衡（3.2ms/ 帧）
YOLOv8m：主流服务器配置推荐（5.8ms/ 帧）
YOLOv8l/x：追求最高精度（>7ms/ 帧）

yolo train model=yolov8m.pt \
    data=./data.yaml \
    epochs=100 \
    imgsz=640 \
    batch=16 \
    device=0 \
    optimizer="AdamW" \
    lr0=0.001 \
    augment=True

推荐组合配置：