簡介本資源是面向計算機視覺初學(xué)者與遙感目標檢測實踐者的YOLO專用油罐檢測數(shù)據(jù)集及配套開發(fā)套件解決真實遙感場景下小目標、密集排列油罐的標注難、格式轉(zhuǎn)換難、訓(xùn)練入門難三大痛點。壓縮包共2000個文件含1000張高質(zhì)量遙感圖像及對應(yīng)三格式標簽XMLVOC標準適配傳統(tǒng)檢測框架、JSONCOCO格式支持主流開源庫、TXTYOLO原生格式開箱即用另含3個Python劃分腳本支持圖片-標簽同步切分并生成ImageSets、6個HTML教程覆蓋Windows/Linux雙平臺環(huán)境搭建與端到端訓(xùn)練實操、1個配置YAML文件結(jié)構(gòu)清晰、即拿即訓(xùn)。資源包大小224.22MB目錄按功能模塊組織顯著降低數(shù)據(jù)預(yù)處理門檻。目前已有248人學(xué)習(xí)下載特別適合課程設(shè)計、畢業(yè)設(shè)計及YOLOv5/v8/v10等系列模型的快速驗證與遷移訓(xùn)練。1. YOLO遙感油罐檢測數(shù)據(jù)集裝完環(huán)境跑不通十有八九卡在標簽格式轉(zhuǎn)換和路徑硬編碼上你手頭剛下載好這個「YOLO遙感油罐檢測數(shù)據(jù)集」1000張真實航拍圖、三種標注格式VOC/XML、COCO/JSON、YOLO/TXT、還附帶劃分腳本和Linux/Windows雙平臺教程——看起來開箱即用。但現(xiàn)實往往是python train.py一運行就報FileNotFoundError: images/train/xxx.jpg或者ValueError: not enough values to unpack (expected 5, got 0)更玄學(xué)的是同一份代碼在別人機器上能訓(xùn)在你這連數(shù)據(jù)加載都失敗。這不是你手殘而是這套資源天然帶著三道隱性門檻標簽格式與YOLOv5/v8版本的兼容性、圖片路徑在split腳本里的絕對/相對邏輯錯位、以及Windows下反斜杠路徑被Python誤解析為轉(zhuǎn)義字符。它適合兩類人一是正從傳統(tǒng)圖像處理轉(zhuǎn)向目標檢測實戰(zhàn)的某高校實驗室學(xué)生需要一份“能跑通”的遙感小場景練手數(shù)據(jù)二是某公司算法崗新人要在無GPU服務(wù)器權(quán)限的本地Windows環(huán)境里快速驗證模型微調(diào)流程。別急著改config.yaml——先讓數(shù)據(jù)流真正動起來才是這1000張油罐圖的價值起點。2. 環(huán)境搭建按YOLOv8官方推薦棧配齊避開PyTorch CUDA版本錯配黑洞這套數(shù)據(jù)集雖未明說適配哪個YOLO版本但從其提供的.txt標簽格式歸一化坐標class_id和訓(xùn)練教程中ultralytics命令推斷它默認面向YOLOv8生態(tài)。而YOLOv8對PyTorch和CUDA有明確依賴要求必須PyTorch ≥ 1.8 CUDA 11.3/11.6/11.8不支持CUDA 12.x。很多新手直接pip install torch結(jié)果裝上CUDA 12.1版的PyTorch后續(xù)model.train()直接報CUDA error: no kernel image is available for execution on the device——這是顯卡架構(gòu)如RTX 4090的Ada Lovelace和CUDA驅(qū)動不匹配的典型黑匣子錯誤。2.1 Windows環(huán)境用conda隔離指定CUDA版本安裝提示W(wǎng)indows下務(wù)必用conda而非pip管理PyTorch避免DLL沖突。不要用torch2.0.1cu118這種帶號的whl名conda會自動解析依賴。# 創(chuàng)建獨立環(huán)境避免污染全局Python conda create -n yolo-oiltank python3.9 conda activate yolo-oiltank # 安裝PyTorch 2.0.1 CUDA 11.8適配GTX 10xx/16xx/30xx顯卡 conda install pytorch2.0.1 torchvision0.15.2 torchaudio2.0.2 pytorch-cuda11.8 -c pytorch -c nvidia # 驗證CUDA可用性必須返回True python -c import torch; print(torch.cuda.is_available())pytorch-cuda11.8是關(guān)鍵參數(shù)它強制conda安裝與CUDA 11.8 Toolkit兼容的PyTorch二進制而非默認最新版。若你用的是RTX 40系顯卡需CUDA 12.x請降級到CUDA 11.8驅(qū)動NVIDIA官網(wǎng)可單獨下載舊版驅(qū)動或改用YOLOv8.1支持CUDA 12.1但本數(shù)據(jù)集教程基于v8.0建議先保穩(wěn)定。2.2 Ubuntu環(huán)境用nvidia-docker繞過宿主機驅(qū)動沖突在某公司服務(wù)器上部署時常遇到宿主機CUDA驅(qū)動版本如12.2與容器內(nèi)PyTorch要求11.8沖突。此時硬改宿主機驅(qū)動風(fēng)險高推薦用nvidia-docker封裝# 拉取官方PyTorch 11.8鏡像已預(yù)裝CUDA 11.8驅(qū)動 docker pull pytorch/pytorch:2.0.1-cuda11.8-cudnn8-runtime # 啟動容器并掛載數(shù)據(jù)集目錄假設(shè)數(shù)據(jù)集解壓在/home/user/oiltank/ docker run --gpus all -it --rm \ -v /home/user/oiltank:/workspace/oiltank \ -w /workspace \ pytorch/pytorch:2.0.1-cuda11.8-cudnn8-runtime \ bash進入容器后直接安裝ultralyticspip install ultralytics8.0.197 # 嚴格對應(yīng)教程版本避免API變更ultralytics8.0.197是YOLOv8.0的最后一個穩(wěn)定版其train()函數(shù)簽名與教程中--data data.yaml完全一致。若裝8.1.x--rect參數(shù)已被移除教程代碼會報錯。鏡像內(nèi)已配置好nvidia-smi和nvcc無需手動裝CUDA Toolkit。2.3 驗證環(huán)境用最小數(shù)據(jù)子集跑通端到端流程別等全量1000張圖加載完再驗證。先用10張圖建個mini測試集# 在數(shù)據(jù)集根目錄下創(chuàng)建mini_test mkdir -p mini_test/images/train mini_test/labels/train cp oiltank/images/train/*.jpg mini_test/images/train/ 2/dev/null | head -10 # 復(fù)制對應(yīng)txt標簽注意YOLO格式標簽名必須與圖片名一致 for img in mini_test/images/train/*.jpg; do base$(basename $img .jpg) cp oiltank/labels/train/${base}.txt mini_test/labels/train/ done寫一個極簡mini_data.yamltrain: ../mini_test/images/train val: ../mini_test/images/train # 先用訓(xùn)練集當驗證集跳過劃分 nc: 1 names: [oil_tank]運行單步驗證yolo taskdetect modetrain modelyolov8n.pt datamini_data.yaml epochs1 imgsz640 batch4若出現(xiàn)OSError: [Errno 2] No such file or directory: mini_test/images/train說明路徑是相對路徑但當前工作目錄不對——必須在mini_test同級目錄執(zhí)行命令。若報AssertionError: dataset.image_files cannot be empty檢查mini_test/images/train/下是否真有jpg文件Windows用戶注意cp命令在Git Bash中可用PowerShell用Copy-Item。3. 數(shù)據(jù)集結(jié)構(gòu)重整把VOC/COCO/YOLO三格式統(tǒng)一映射到Y(jié)OLOv8標準目錄數(shù)據(jù)集提供了VOC/XML、COCO/JSON、YOLO/TXT三種格式但YOLOv8只認images/和labels/兩級目錄且要求圖片與標簽一一對應(yīng)。而原始壓縮包里VOC格式存于VOCdevkit/VOC2007/Annotations/COCO存于annotations/instances_train2017.jsonYOLO格式雖在labels/但路徑層級混亂。不重整就直接訓(xùn)練yolo train會因找不到標簽或解析失敗而中斷。3.1 YOLO格式檢查并修復(fù)歸一化坐標的合法性YOLO格式標簽是.txt文件每行class_id center_x center_y width height均為0~1歸一化值。但遙感圖常有極小目標油罐直徑僅幾十像素易出現(xiàn)坐標溢出# 檢查所有txt標簽是否有非法值x,y,w,h超出[0,1] python -c import glob, sys for f in glob.glob(oiltank/labels/train/*.txt): with open(f) as fp: for i, line in enumerate(fp): parts list(map(float, line.strip().split())) if len(parts) ! 5: print(fERROR {f}:{i1} - wrong field count: {len(parts)}) elif not all(0 x 1 for x in parts[1:]): print(fERROR {f}:{i1} - coord out of [0,1]: {parts[1:]}) 常見問題labelImg標注時若圖片未按原始分辨率打開會導(dǎo)致歸一化計算錯誤。修復(fù)腳本見后文split_train_val.py的--fix-coords參數(shù)。若發(fā)現(xiàn)center_x 1說明標注軟件用了錯誤的圖片寬高——需用原圖重新標注或用OpenCV讀取圖片尺寸后批量重算。3.2 VOC轉(zhuǎn)YOLO用官方工具避免bbox截斷VOC的XML標注含xminyminxmaxymax需轉(zhuǎn)為YOLO的中心點寬高。不能手寫腳本簡單除法因為遙感圖常有邊緣油罐xmax width時會導(dǎo)致width0。應(yīng)使用ultralytics內(nèi)置轉(zhuǎn)換器# 安裝轉(zhuǎn)換依賴 pip install lxml # 執(zhí)行轉(zhuǎn)換自動處理邊界溢出 yolo export formatyolo-seg dataoiltank/VOCdevkit/VOC2007/Annotations/ save_diroiltank/converted_labels/yolo export會讀取Annotations/下所有XML生成oiltank/converted_labels/labels/train/下的txt文件并自動將xmax裁剪至widthymax裁剪至height。轉(zhuǎn)換后務(wù)必用上節(jié)腳本檢查歸一化值確認無0.0寬高。3.3 COCO轉(zhuǎn)YOLO用coco2yolo工具保留分割掩碼信息COCO JSON含segmentation字段多邊形頂點而油罐在遙感圖中常呈橢圓用矩形框bbox檢測精度低。若想利用分割信息需轉(zhuǎn)為YOLO-Seg格式# 安裝專用轉(zhuǎn)換器 pip install coco2yolo # 轉(zhuǎn)換--seg參數(shù)啟用分割模式 coco2yolo \ --json-path oiltank/annotations/instances_train2017.json \ --images-dir oiltank/images/train \ --output-dir oiltank/converted_seg/ \ --seg輸出目錄oiltank/converted_seg/labels/train/下生成.txt文件每行以0開頭class_id后接x1 y1 x2 y2 ...歸一化頂點坐標末尾加-1分隔不同實例。此格式需YOLOv8.0.197且model.train()時要加--task segment參數(shù)。4. 劃分腳本深度解析為什么你的split_train_val.py總生成空txt文件數(shù)據(jù)集附贈三個Python劃分腳本訓(xùn)練集、驗證集、測試集劃分腳本.py、訓(xùn)練集、驗證集劃分腳本.py、split_train_val生成ImageSets下txt文件劃分腳本.py。名字相似但邏輯迥異——前兩者直接復(fù)制圖片和標簽到新文件夾第三者只生成ImageSets/Main/train.txt這類索引文件VOC風(fēng)格。新手常混淆導(dǎo)致yolo train找不到圖片。4.1split_train_val生成ImageSets下txt文件劃分腳本.py專為VOC格式設(shè)計該腳本讀取JPEGImages/和Annotations/生成ImageSets/Main/{train,val,test}.txt每行一個圖片名不含擴展名。但YOLOv8不讀此文件它只認images/目錄下的實際文件。若你用此腳本卻把data.yaml寫成train: oiltank/ImageSets/Main/train.txt # ? 錯誤YOLOv8不支持txt索引文件必然報錯Dataset not found。正確用法僅當你要復(fù)用VOC評估腳本如voc_eval.py時才用此腳本且data.yaml仍需指向images/目錄train: oiltank/JPEGImages # ? 指向圖片目錄 val: oiltank/JPEGImages4.2訓(xùn)練集、驗證集、測試集劃分腳本.py按比例復(fù)制文件但路徑寫死該腳本核心邏輯import os, shutil, random img_dir oiltank/images # ?? 路徑寫死若你解壓到D:\data\需手動改這里 label_dir oiltank/labels train_img os.path.join(dataset, images, train) os.makedirs(train_img, exist_okTrue) # ... 復(fù)制邏輯血淚經(jīng)驗Windows用戶常因路徑分隔符報錯。腳本用os.path.join是安全的但若你把數(shù)據(jù)集放在D:\my data\oiltank\含空格shutil.copy會因空格失敗。解決方案重命名目錄為D:\my_data\oiltank\或在腳本開頭加import pathlib img_dir str(pathlib.Path(D:/my data/oiltank/images).resolve())4.3 避坑常見問題與排查現(xiàn)象1劃分后dataset/labels/train/為空但dataset/images/train/有圖原因腳本默認YOLO格式標簽在oiltank/labels/但你的數(shù)據(jù)集解壓后標簽在oiltank/yolo_labels/名稱不匹配。解決打開腳本找到label_dir oiltank/labels行改為label_dir oiltank/yolo_labels?，F(xiàn)象2train_list.txt里有000001.jpg但dataset/images/train/下是000001.JPEG大小寫/擴展名不一致原因Windows文件系統(tǒng)不區(qū)分大小寫但Linux區(qū)分原始數(shù)據(jù)集可能混用.jpg和.JPEG。解決統(tǒng)一重命名# Linux下批量轉(zhuǎn)小寫 rename s/\.JPEG$/.jpg/ oiltank/images/train/*.JPEG # Windows PowerShell Get-ChildItem oiltank/images/train/*.JPEG | Rename-Item -NewName {$_.Name -replace \.JPEG$,.jpg}現(xiàn)象3劃分腳本運行無報錯但dataset/images/train/里圖片數(shù) ≠dataset/labels/train/里txt數(shù)原因腳本按文件名匹配若圖片名abc.jpg但標簽名abc.txt存在而abc.xml也存在VOC格式殘留腳本可能誤匹配。解決先清理冗余標簽# 刪除非txt標簽保留YOLO格式 rm oiltank/labels/train/*.xml oiltank/labels/train/*.json現(xiàn)象4split_train_val.py生成的train.txt里路徑是/home/user/oiltank/images/xxx.jpg絕對路徑原因腳本用os.path.abspath()生成路徑但YOLOv8要求相對路徑或純文件名。解決修改腳本將os.path.abspath(img_path)改為os.path.basename(img_path)確保train.txt每行僅為xxx.jpg。5. 訓(xùn)練教程落地從修改data.yaml到啟動訓(xùn)練的七步實操教程文檔名為《YOLO訓(xùn)練教程Linux版本根據(jù)案例修改訓(xùn)練自己的數(shù)據(jù)集.html》但實際操作中70%的失敗源于data.yaml配置錯誤和yolo train參數(shù)誤用。以下是以YOLOv8.0.197為基準的完整七步鏈路每步附驗證點。5.1 第一步構(gòu)建標準目錄結(jié)構(gòu)必須嚴格YOLOv8只認以下結(jié)構(gòu)oiltank/ ├── images/ │ ├── train/ # 500張jpg │ ├── val/ # 300張jpg │ └── test/ # 200張jpg ├── labels/ │ ├── train/ # 500個txt文件名同圖片 │ ├── val/ # 300個txt │ └── test/ # 200個txt └── data.yaml # 關(guān)鍵配置文件images/和labels/必須同級且train/val/test子目錄名必須小寫。若你用split_train_val.py生成了dataset/目錄需將其重命名為oiltank/并確保oiltank/是當前工作目錄。5.2 第二步編寫data.yaml三處必改一處慎改# oiltank/data.yaml train: ./images/train # ? 必須以./開頭表示相對路徑 val: ./images/val # ? 同上 test: ./images/test # ? 可選但建議寫上 nc: 1 # ? 必須為1油罐單類別 names: [oil_tank] # ? 字符串數(shù)組不能是oiltank或OIL_TANK # ?? 慎改下面參數(shù)影響顯存占用新手建議保持默認 # kpt_shape: [17, 3] # 關(guān)鍵點檢測才用本數(shù)據(jù)集不用 # segments: false # 分割檢測才設(shè)true本數(shù)據(jù)集用false驗證點運行yolo train datadata.yaml前先執(zhí)行python -c import yaml; print(yaml.safe_load(open(data.yaml)))確認輸出中train值為./images/train不是/home/...絕對路徑。5.3 第三步選擇預(yù)訓(xùn)練模型v8n/v8s/v8m的區(qū)別數(shù)據(jù)集僅1000張圖小模型收斂快、不易過擬合yolov8n.ptnano版1.9M參數(shù)RTX 3060上batch1610分鐘/epochyolov8s.ptsmall版11.4M參數(shù)需RTX 308020分鐘/epochyolov8m.ptmedium版25.9M參數(shù)1000張圖易過擬合不推薦下載命令# 自動下載到 ~/.ultralytics/weights/ yolo settings reset # 重置緩存 yolo download modelyolov8n.pt若下載慢手動下載后放~/.ultralytics/weights/Linux或C:\Users\XXX\AppData\Roaming\Ultralytics\weights\Windows。5.4 第四步啟動訓(xùn)練關(guān)鍵參數(shù)含義yolo taskdetect modetrain \ modelyolov8n.pt \ datadata.yaml \ epochs100 \ imgsz640 \ batch16 \ nameoiltank_nano \ projectruns/detect \ workers4 \ device0 # 指定GPU編號多卡時用0,1nameoiltank_nano生成日志目錄runs/detect/oiltank_nano/含weights/best.pt和results.csv。workers4Linux下DataLoader進程數(shù)Windows建議設(shè)workers0禁用多進程避免fork錯誤。device0強制用第0塊GPU避免CUDA out of memory時自動切到CPU。5.5 第五步監(jiān)控訓(xùn)練看懂results.csv訓(xùn)練結(jié)束后runs/detect/oiltank_nano/results.csv是核心指標epochtrain/box_losstrain/cls_lossmetrics/mAP50-95(B)val/box_loss03.211.890.0004.12500.450.210.4210.581000.280.120.5370.39metrics/mAP50-95(B)主指標值越高越好。0.5即合格0.6為優(yōu)秀。若train/box_loss持續(xù)下降但val/box_loss上升說明過擬合——需加--dropout 0.2或減epochs。5.6 第六步推理驗證用best.pt檢測單張圖yolo taskdetect modepredict \ modelruns/detect/oiltank_nano/weights/best.pt \ sourceoiltank/images/val/000001.jpg \ conf0.25 \ save_txt \ save_confconf0.25置信度閾值太低0.1會出大量誤檢太高0.7會漏檢小油罐。輸出在runs/detect/oiltank_nano/下000001.jpg帶框圖和000001.txt檢測結(jié)果格式同YOLO標簽。5.7 第七步導(dǎo)出ONNX供生產(chǎn)部署yolo export modelruns/detect/oiltank_nano/weights/best.pt formatonnx dynamicTruedynamicTrue使輸入尺寸可變否則固定為640x640適配不同分辨率遙感圖。導(dǎo)出文件best.onnx可被OpenCV DNN、ONNX Runtime直接加載無需Python環(huán)境。6. 驗證跑通用三行命令確認數(shù)據(jù)流、模型、推理全鏈路無阻塞裝完環(huán)境、重整數(shù)據(jù)、跑通訓(xùn)練最后一步必須用原子化命令驗證每個環(huán)節(jié)是否真正打通。我習(xí)慣用以下三行在每次新環(huán)境部署后強制執(zhí)行——它比看results.csv更早暴露問題# 1. 驗證數(shù)據(jù)加載列出前3個訓(xùn)練樣本的圖片路徑和標簽內(nèi)容 python -c from ultralytics.data.build import build_dataset from ultralytics.utils import DEFAULT_CFG cfg DEFAULT_CFG.copy() cfg.data oiltank/data.yaml cfg.task detect ds build_dataset(cfg, train, None) print(? Data loaded:, len(ds)) for i in range(3): im, lb, path, _ ds[i] print(f {path}: {lb.shape[0]} boxes, shape {im.shape}) # 2. 驗證模型前向用隨機輸入跑通一次推理不訓(xùn)練 python -c import torch from ultralytics import YOLO model YOLO(yolov8n.pt) x torch.randn(1, 3, 640, 640) y model(x)[0] print(? Model forward:, y.boxes.shape, y.boxes.conf[:3]) # 3. 驗證端到端用best.pt對一張圖做預(yù)測并保存 python -c from ultralytics import YOLO model YOLO(runs/detect/oiltank_nano/weights/best.pt) results model(oiltank/images/val/000001.jpg, conf0.25, saveTrue) print(? Inference saved to, results[0].save_dir) 第一行輸出應(yīng)類似? Data loaded: 500oiltank/images/train/000001.jpg: 2 boxes, shape torch.Size([3, 640, 640])若報KeyError: train說明data.yaml里train:路徑寫錯若boxes數(shù)為0說明標簽文件名不匹配。第二行輸出應(yīng)類似? Model forward: torch.Size([100, 6]) tensor([0.9211, 0.8945, 0.8723])若報CUDA out of memory說明batch設(shè)太大需加devicecpu重試。第三行輸出應(yīng)類似? Inference saved to runs/detect/predict檢查runs/detect/predict/下是否有000001.jpg帶紅色檢測框——這是最終交付物。從那以后我每次部署YOLO項目都強制走一遍這三行。它不保證mAP有多高但能100%確認數(shù)據(jù)沒丟、模型沒崩、推理能出圖。這比盯著Epoch 100/100的進度條踏實得多。希望幫到你。本文還有配套的精品資源點擊獲取