YOLO城市街道与夜市人车物目标检测数据集-3000张

YOLO城市街道与夜市人车物目标检测数据集楼梯场景下的 YOLO26 训练实战 数据集基本信息目标类别 [‘animal’, ‘chair’, ‘cone’, ‘fire distinguisher’, ‘human’, ‘object’, ‘pillar’, ‘plant’, ‘railings’, ‘sign board’, ‘stair’, ‘stall’, ‘traffic light’, ‘traffic signal’, ‘trash can’, ‘tree’, ‘vehicle’]中文类别[‘动物’, ‘椅子’, ‘锥形桶’, ‘灭火器’, ‘人’, ‘物体’, ‘柱子’, ‘植物’, ‘栏杆’, ‘标牌’, ‘楼梯’, ‘摊位’, ‘交通灯’, ‘交通信号’, ‘垃圾桶’, ‘树’, ‘车辆’]训练集2099 张验证集602 张测试集299 张总计3000 张 data.yaml 配置信息该数据集提供了data.yaml文件内容如下train:../train/imagesval:../valid/imagestest:../test/imagesnc:17names:[animal,chair,cone,fire distinguisher,human,object,pillar,plant,railings,sign board,stair,stall,traffic light,traffic signal,trash can,tree,vehicle]️ 标注可视化数据集下载数据集下载⬇️⬇️⬇️ 点击下载数据集详细介绍YOLO城市街道与夜市人车物目标检测数据集聚焦于城市交通与商业场景下的目标检测任务适用于智能监控、交通管理及城市安全等实际应用。从名称可推断该数据集涵盖城市主干道、小街巷以及夜市等典型城市环境图像内容包含行人、车辆、非机动车、交通标志、路灯、广告牌等多种常见元素具有较强的现实场景代表性能够为基于YOLO系列模型的实时目标检测系统提供有效的训练和验证支持。数据集包含3000张高质量图像覆盖多种光照条件与天气情况类别数量为17类涵盖人、车、非机动车、交通设施及周边环境对象。中文类别虽未明确列出但结合英文类别推测可能包括如“行人”“汽车”“摩托车”“自行车”“交通信号灯”“路灯”“广告牌”“垃圾桶”“路灯杆”“电动滑板车”“快递箱”“商铺招牌”“遮阳棚”“路牌”“行道树”“消防栓”“井盖”等具体实体反映了城市环境中复杂多样的视觉元素有助于提升模型对日常场景的识别能力。标注规范方面数据集采用标准的目标检测标注格式每张图片均配有精确的边界框bounding box和类别标签确保了数据的可用性与一致性。这种高精度的标注方式为模型训练提供了可靠的基础尤其适合用于优化YOLO系列模型在复杂城市环境中的检测性能提升模型在真实场景中的鲁棒性和泛化能力。该数据集可广泛应用于智慧城市建设、自动驾驶辅助系统、夜间监控分析、城市交通流量统计等领域。建议在实际应用中结合具体场景需求进行数据增强和模型微调以提升检测准确率和适应性。同时可作为学术研究中对比不同目标检测算法性能的基准数据集推动相关技术的进一步发展与落地。YOLO26 目标检测算法原理2026 年 Ultralytics 放出 YOLO26 的时候社区最关注的不是精度涨了几个点而是端到端无 NMS这个架构变革。端到端无 NMS 推理传统 YOLO 模型在推理后需要执行非极大值抑制NMS来去除冗余检测框这增加了后处理延迟和部署复杂度。YOLO26 默认采用一对一one-to-one检测头直接输出每张图像最多 300 个检测结果(N, 300, 6)完全省去 NMS 步骤推理流水线大幅简化。在 CPU 上的 ONNX 推理速度相比 YOLO11n 提升高达 43%。无 DFL 回归YOLO26 移除了分布焦点损失Distribution Focal Loss, DFL结构检测头更加轻量。边界框回归不再受限于预设的离散区间既降低了模型复杂度又保持了同等甚至更优的回归精度。Progressive Loss 与 STAL训练过程中通过渐进损失Progressive Loss将监督信号逐步从辅助头部转移到推理阶段的主头部。小目标感知标签分配STAL策略特别提升小目标的正样本标签覆盖率改善小物体检测性能。MuSGD 混合优化器创新性地将大语言模型常用的 Muon 优化器与 SGD 结合实现更稳定高效的训练收敛。相比纯 SGDMuSGD 在大 batch 训练时收敛更快且不易震荡。模型尺度与 COCO 性能YOLO26 提供 N/S/M/L/X 五种尺度模型mAP50-95CPU ONNX(ms)T4 TensorRT(ms)参数量YOLO26n40.938.91.72.4MYOLO26s48.687.22.59.5MYOLO26m53.1220.04.720.4MYOLO26l55.0286.26.224.8MYOLO26x57.5525.811.855.7MNano 版本参数量仅 2.4MCPU 推理速度比 YOLO11n 快 43%适合边缘设备和小数据集X 版本 mAP 达 57.5适用于对准确率要求极高的场景。双头架构设计YOLO26 检测模型内置两个检测头——一对一默认无 NMS输出 300 个检测框和一对多需 NMS输出 8400 个候选框。训练时一对多头作为辅助监督信号加速收敛推理时默认使用一对一头实现端到端输出。YOLO26 支持全部七大视觉任务检测、实例分割、语义分割、深度估计、分类、姿态估计和定向边界框检测OBB一个框架覆盖从 2D 检测到 3D 感知的完整需求。模型导出与部署部署到生产环境前记得做两件事导出时指定 opset 版本ONNX 推荐 opset12、确认输入尺寸和训练时一致。导出格式对比格式命令参数适用场景速度PyTorch-开发调试中等ONNXformatonnx跨平台通用快TensorRTformatengineNVIDIA GPU 推理最快OpenVINOformatopenvinoIntel CPU/VPU快Core MLformatcoremlApple 设备快TFLiteformattfliteAndroid/嵌入式快NCNNformatncnnARM 端侧很快导出示例fromultralyticsimportYOLO modelYOLO(runs/detect/train/weights/best.pt)# 导出 ONNX最通用model.export(formatonnx,imgsz416)# 导出 TensorRTNVIDIA GPU 最快model.export(formatengine,device0,imgsz416)# 导出 NCNN瑞芯微/ARM 嵌入式model.export(formatncnn,imgsz416)# int8 量化牺牲少量精度换 2-3 倍速度model.export(formatengine,device0,imgsz416,int8True)YOLO26 无 NMS 部署优势由于默认一对一检测头导出模型推理时无需额外 NMS 后处理代码。ONNX 输出格式[N, 300, 6]直接解释为[批次, 检测数, (x1, y1, x2, y2, cls, conf)]大幅简化嵌入式开发和移动端集成。CPU 部署建议无 GPU 环境推荐 ONNX OpenCV DNN 或 ONNX Runtime。YOLO26 无 NMS 设计在 CPU 上提升尤为明显推理速度比 YOLO11n 快约 43%。YOLO26 训练步骤详解拿到一个标注好的数据集后训练就三件事配置 data.yaml、选模型权重、跑 train 命令。每一步都很短。环境准备pipinstallultralytics yolo checks python-cimport torch; print(torch.cuda.is_available())命令行训练yolo detect traindatadata.yamlmodelyolo26n.ptepochs150imgsz416batch64device0lr00.02patience-1cos_lrTrueclose_mosaic10Python API 训练fromultralyticsimportYOLO modelYOLO(yolo26n.pt)resultsmodel.train(datadata.yaml,epochs150,imgsz416,batch64,device0,lr00.02,patience-1,cos_lrTrue,close_mosaic10,augmentTrue,ampTrue,workers8,)训练输出文件runs/detect/train/weights/best.pt验证集上 mAP 最高的权重runs/detect/train/weights/last.pt最后一轮保存的权重runs/detect/train/results.csv每轮 loss 和指标数据runs/detect/train/confusion_matrix.png混淆矩阵图runs/detect/train/results.png训练曲线图runs/detect/train/val_batch*_pred.jpg验证集预测效果图单张推理测试modelYOLO(runs/detect/train/weights/best.pt)resultsmodel(test_image.jpg)results[0].show()多 GPU 分布式训练yolo detect traindatadata.yamlmodelyolo26n.ptdevice0,1epochs100恢复中断的训练yolo detect trainmodelpath/to/last.ptdatadata.yamlresumeTrue模型评估指标解读拿到 YOLO 训练完成的输出目录先别急着开心——打开 results.csv 和 PR_curve.png这几个数字比你想象的能说更多话。训练完成后YOLO26 训练器自动输出以下指标mAP50mAP0.5IoU 阈值为 0.5 时的平均精度均值反映模型粗粒度定位能力。mAP50 ≥ 0.90 表示定位效果很好。mAP50-95mAP0.5:0.95IoU 从 0.5 到 0.95 共 10 个阈值上取平均。更严苛反映精确定位能力是更具代表性的综合评价指标。Precision精确率检测结果中正确检测的比例。高 Precision 意味着虚警少。Recall召回率真实目标中被成功检测到的比例。高 Recall 意味着漏检少。F1 ScorePrecision 和 Recall 的调和平均数 2×P×R/(PR)综合衡量模型平衡性。Confusion Matrix混淆矩阵N×N 矩阵对角线为正确分类非对角线为误分类可定位类别间混淆情况。训练曲线分析train/box_loss单调下降 → 边界框回归正常收敛val/box_loss先降后升 → 过拟合风险应增大数据增强或减小模型metrics/mAP50(B)增长放缓趋于平稳 → 模型接近收敛上限train 持续降、val 持续升 → 严重过拟合建议减小模型或增大 dropout指标使用场景安全生产场景如安全帽检测→ 优先保证 Recall宁可多报不能漏报质检场景如缺陷检测→ 优先保证 Precision降低误检率减少人工复核量通用检测 → 均衡优化关注 mAP50-95 和 F1 Score如果 PR 曲线在中段Recall 0.5-0.7出现明显凹陷通常意味着模型对某些难例的置信度摇摆不定。这种情况加 hard negative mining 或调高 conf 阈值缓解不了需要扩充难例样本。关键训练参数配置详解如果你只有一张 GPU 显存不大batch 和 imgsz 就是两个需要反复权衡的参数。建议先定 imgsz再往显存里塞最大的 batch。参数默认值本项目设置含义model-yolo26n.pt预训练权重n/s/m/l/x 五种尺度epochs100150训练总轮数imgsz640416输入图像尺寸batch1664批次大小根据显存调整lr00.010.02初始学习率lrf0.010.01最终学习率因子lr0 × lrfmomentum0.9370.937SGD 动量weight_decay0.00050.0005权重衰减L2 正则化warmup_epochs3.03.0预热轮数warmup_momentum0.80.8预热期间动量初始值box7.57.5边界框回归损失权重cls0.50.5分类损失权重dfl1.51.5DFL 损失权重YOLO26 可置 0patience100-1早停轮数cos_lrFalseTrue余弦学习率衰减close_mosaic1010最后 N 轮关闭 Mosaic 增强optimizerautoSGD优化器选择ampTrueTrue自动混合精度训练freezeNone0冻结前 N 层骨干网络参数dropout0.00.1分类头 Dropout 率防过拟合YOLO26 训练时 loss 曲线的下降速度和最终值受 lr0 和 weight_decay 影响最大。如果 loss 从一开始就降得很慢大概率是 lr0 设低了。学习率调参经验训练初期 loss 不下降 → 调大lr0或增加warmup_epochs训练后期 loss 震荡 → 降低lr0增大weight_decay验证集 loss 先降后升过拟合→ 增大dropout、weight_decay或减小epochs小数据集100张→lr00.001,weight_decay5e-4,dropout0.2大数据集1000张→lr00.01,weight_decay5e-4,batch32训练可视化与TensorBoardYOLO26 默认开启 TensorBoard 日志记录训练过程中可实时查看 loss 曲线和指标变化。在命令行执行tensorboard --logdir runs/detect/train即可打开 Web 看板每轮训练完成后自动刷新。训练结束后 results.png 生成的六合一曲线图是最直观的诊断工具——一眼就能看出是否过拟合、是否收敛、哪个 loss 在震荡。断点续训机制如果训练意外中断断电、OOM 等不用从头开始。YOLO 每轮保存last.pt恢复训练时指定modellast.pt并设置resumeTrue学习率和优化器状态都会从断点恢复训练曲线也和连续训练一样平滑。部署与应用建议大规模生产部署3000 张训练数据 YOLO26精度基础已经很好。重点是推理吞吐和稳定性。model.export(formatengine,imgsz416,halfTrue,batch32)# TensorRT FP16 大 batch → 单 GPU 轻松 500 FPS生产环境 checklist① 导出时指定 opset12ONNX/ workspace4GBTensorRT② 做一轮 int8 量化对比确认精度损失可控 ③ 压测时同时测 1/4/8/16/32 的 batch 吞吐找到最优配置 ④ 设置 P99 50ms 的监控告警。通用训练经验3000 张图训练目标检测模型遇到的问题是典型的——数据不多不少精度不上不下。这种规模的数据集调参的边际收益其实很高。几个值得优先尝试的方向一是学习率的余弦退火。默认 YOLO26 用的是 cos_lr 衰减但周期很关键。如果训练 80 轮lr00.01搭配cos_lrTrue学习率会从 0.01 平滑降到接近 0。这个曲线比阶梯式衰减更适合中等数据集收敛更稳定。二是mosaic1.0时最后 10 轮关闭close_mosaic10。这个设置让模型在训练末期接触真实数据分布对部署时的精度很重要。很多人忽视这个参数训完发现部署精度掉了一大截。三是关注训练过程中的val_box_loss拐点。通常 30-40 轮附近会出现一个平台期如果 50 轮后仍无明显下降基本可以判断当前参数组合不够理想。实践建议以上内容整理了 YOLO26 官方文档和社区反馈的核心要点。真实训练中不同的数据集总会有意料之外的问题因此跑起来后重点盯三个指标val/box_loss边界框回归质量、metrics/mAP50(B)粗粒度检测精度、metrics/mAP50-95(B)精确定位水平。如果训练到一半val/box_loss开始抬头第一时间检查是否过拟合——把weight_decay加倍、dropout拉到 0.2通常能刹住车。反过来如果两个 loss 都居高不下且训练了 30 轮都没改善那大概率是学习率太低或者标注有硬伤建议先排查标签质量再回头调参。训练完成后的操作清单① 在测试集上确认 mAP 符合预期 ② 检查confusion_matrix.png有无异常的模式 ③ 抽取几张 val_batch*_pred.jpg 用肉眼判断预测效果是否合理。这些都做完后再决定是否导出部署。另外一个容易踩的坑是标注类别名称不统一——比如有些标签文件里同一类目标叫 ‘car’有些叫 ‘Car’YOLO 会当成两个不同的类。训练前用grep检查一遍labels/下的 txt 文件就能避免这种低级错误。