基于COCO2017与自定义数据集定制YOLOv5检测数据集方法咨询

1. 提取COCO数据集中三类目标样本 #

• 提前准备好COCO2017的检测标注文件（instances_train2017.json、instances_val2017.json）和对应train、val图片集，不需要下载COCO全量其他类型标注。
• 先明确COCO原生类别ID对应关系：bicycle为1、car为2、motorcycle为4，提取时统一做类别ID映射：bicycle=0、car=1、motorcycle=2，和后续新增的电动滑板车类别ID顺承。
• 提取逻辑不用写复杂工具：读取COCO标注json，过滤出所有包含这三类目标的图片，标注里只保留这三类的检测框，删除其他类别标注，同时把标注格式转成YOLO要求的归一化xywh格式，存为和图片同名的txt标签文件。
• 提取后的文件单独存到coco_filtered目录，按images/train、images/val、labels/train、labels/val分层存放。注意：只要图片包含三类目标之一就保留，不要因为图片里有其他COCO类别就直接删掉整图，否则会损失大量有效样本。

2. 制作电动滑板车自定义数据集 #

• 数据采集覆盖多元场景：城市非机动车道、商圈、小区、不同光照条件（白天/夜间/雨天）、不同拍摄角度、不同遮挡程度，总标注量建议不低于1500张，按8:2比例拆分训练集和验证集。
• 标注用LabelImg工具即可，保存格式直接选YOLO格式，标注类别名统一为electric_scooter，对应类别ID固定为3。标注时只标露出比例超过1/3、特征清晰的目标，严重遮挡、模糊的目标不要强行标注，避免引入标注噪声。
• 标注完成的文件单独存到custom_scooter目录，目录结构和之前提取的COCO数据保持一致。

3. 合并数据集并校准配置 #

• 新建最终训练用的数据集根目录dataset_4class，下设images/train、images/val、labels/train、labels/val四个子目录。
• 将coco_filtered和custom_scooter下的训练集图片、标签全部拷贝到对应train目录，验证集同理拷贝到val目录。如果出现文件名重复，给其中一批文件加统一前缀（比如COCO来源的文件加coco_前缀，自定义数据加scooter_前缀），避免文件覆盖丢失。
• 在数据集根目录新建dataset.yaml配置文件，内容参考如下：

path: /your/absolute/path/to/dataset_4class  # 替换成你自己的数据集绝对路径
train: images/train
val: images/val
nc: 4
names:
  0: bicycle
  1: car
  2: motorcycle
  3: electric_scooter

• 合并完成后随机抽30张左右图片，将标签框绘制到图片上校验，确认没有类别ID错配、框坐标偏移、漏标错标问题，再启动训练。

4. 启动YOLOv5训练 #

• 拉取YOLOv5官方代码，安装完依赖后先跑官方自带的demo脚本，确认PyTorch、CUDA环境正常。
• 根据自身显卡显存选择模型规格：8G及以下显存选yolov5s，10-12G显存选yolov5m，16G以上显存可选yolov5l/x。
• 复制对应规格的模型配置文件，将文件中nc参数从默认的80修改为4，匹配当前的4个检测类别。
• 训练启动命令参考如下，参数可根据硬件情况调整：

python train.py \
--img 640 \
--batch 16 \
--epochs 100 \
--data /your/path/to/dataset.yaml \
--cfg models/yolov5s.yaml \
--weights yolov5s.pt \
--device 0 \
--patience 10

参数说明：batch大小根据显存调整，显存不足就降到8甚至4；加--patience 10开启早停，验证集精度连续10轮不涨就自动停止训练，避免浪费算力；--weights用官方预训练权重做迁移学习，收敛速度比从零训快3倍以上。

5. 常见问题踩坑提示 #

• 不要直接用全量COCO数据集训练：全量COCO包含80个类，训练时其他类的梯度会干扰目标类的特征学习，还会大幅拉长训练时间，过滤后的三类样本量已经足够训练需求。
• 标注标准要统一：不要把电动自行车、平衡车归到电动滑板车类别，否则会造成类间特征混淆，模型容易把摩托车、电动自行车错检成滑板车。
• 注意类别不平衡问题：COCO中car类样本量远高于另外三类，电动滑板车样本量最少，如果训练后发现滑板车召回率低，可以给少样本类做离线数据增强（随机翻转、亮度调整、加噪声）扩充样本，也可以在训练时调整类别损失权重，提升少样本类的训练优先级。
• 模型验证不要用和训练集同源的图片，尽量用不同来源的实拍图测试，发现错检漏检多的场景，补充对应场景的难例样本迭代训练2-3轮，精度就能达到可用水平。

内容的提问来源于stack exchange，提问作者Crixus