电梯开关状态与人员进出检测数据集：VOC/YOLO双格式到YOLOv8训练

简介面向电梯监控场景的计算机视觉数据集提供电梯开关状态及人员进出检测所需的图像与标注适合目标检测方向的学习者、算法工程师用于训练YOLO、Faster R-CNN等模型。资源包共2000个文件以XML标注文件为主并附使用说明TXT整体约77.26MB。目前已有548人学习使用。数据包含2220张JPG图像对应Pascal VOC与YOLO两种格式的标注文件覆盖电梯关闭、电梯内有人、电梯内无人、电梯开门四个类别总计3330个标注框。所有标注均通过labelImg工具完成类别定义清晰、框选准确合理可直接用于电梯门状态判断、人员进出统计等实时监控或智能楼宇管理任务。压缩包内图像与标注一一对应目录结构简洁方便按需划分训练集与验证集进行模型迭代。1. 电梯开关状态与人员进出检测数据集从标注格式到落地训练的一条完整链路做智慧电梯、轿厢监控或者楼宇安防的同行大概率都卡在同一个问题上算法选型不难难的是手里没有一块干净、贴场景的训练数据。电梯开关状态人员进出检测数据集就是为这个场景准备的——2220张真实轿厢画面标注了门开关状态和人员进出两类事件同时给出VOC和YOLO两种格式省去最磨人的格式转换环节。这套数据直接喂给YOLOv8就能训练特别适合刚入行目标检测、或者要在两周内拿出电梯场景demo的工程师。下面按我平时做项目的数据处理顺序把这个数据集从解压到部署的完整路径拆开讲。2. 拆解数据集4个类别、双格式标注与2220张样本背后的选择逻辑2.1 4个类别怎么定义才不打架门状态与人员事件的关系电梯视觉检测和一般道路目标检测有个本质区别类别之间不是独立存在的门的状态和人员的位置动作会互相影响。这个数据集把标注拆成4个类别我见过不少团队在这一步就埋了坑——把“人站在轿厢里”和“人正在进电梯”混成一类模型训练出来要么漏检、要么在门缝区域疯狂误检。常见的4类划分方式有两种流派。一种是纯状态型door_open、door_closed、person、entering_event另一种是事件型把门状态和人的动作耦合比如open_door_with_person、close_door_no_person。标题里明确写了“开关状态”和“人员进出”我倾向于按状态行为划分门开、门关、人员进入、人员离开。这样做的好处是事件判定可以放到后处理逻辑里做——先用检测模型拿到门状态和人的位置再用规则判断“门开着且人在门框区域移动”就等于进出事件模型本身不需要理解时序降低训练难度。这里有个容易翻车的细节门的开关状态在画框时边界非常模糊。门开了一半算开门还是关门我的做法是约定一个可视阈值门扇与门框的夹角超过30度、或者门洞露出超过单侧门扇宽度的50%就算开门否则算关门。数据集标注时如果没给这个约定你训练前一定要自己补一条标注规范不然模型学到的边界是乱的。另一个要注意的是人员类别的框怎么画。进出电梯的人往往是侧身、遮挡严重框画大了把门和轿厢壁包进去画小了又丢掉手臂。我一般建议用人的可见部分的最小外接矩形被门遮挡的部分不强行外推。这样虽然单张框的IoU可能不够漂亮但模型学到的特征是“可见人体”推理时对遮挡的鲁棒性反而更好。2.2 VOC与YOLO格式的本质差别XML坐标和txt归一化坐标如何互相换算VOC格式和YOLO格式看似只是文件后缀不同本质上是两套坐标体系。VOC用XML存绝对像素坐标记录的是xmin、ymin、xmax、ymax四个值单位是像素YOLO用txt存归一化坐标记录的是x_center、y_center、width、height四个值全部除以图片宽高缩放到0到1之间。数据集同时给两种格式意味着你不管用哪套训练管线都不用写转换脚本但有个前提是你得理解它们是怎么对应的否则标签和图片对不上时根本无从排查。从VOC转YOLO的标准换算关系就四条公式x_center (xmin xmax) / 2 / img_width y_center (ymin ymax) / 2 / img_height width (xmax - xmin) / img_width height (ymax - ymin) / img_height反过来从YOLO转VOCxmin int((x_center - width / 2) * img_width) ymin int((y_center - height / 2) * img_height) xmax int((x_center width / 2) * img_width) ymax int((y_center height / 2) * img_height)这两个方向的转换我建议在数据准备阶段各跑一遍用可视化脚本把框画回图上检查而不是肉眼比较数字。因为YOLO格式里坐标是浮点数转回VOC的整数像素时有一个取整方向的问题多一次往返转换就可能出现框偏移一两个像素。单看数字你根本发现不了画在图上立刻见分晓。VOC和YOLO还有一个隐性的差异在类别编号上。VOC的XML里类别名就是字符串比如nameperson_enter/nameYOLO的txt里类别是整数索引0表示第一类、1表示第二类。数据集给到两个格式时你要确认YOLO txt里的数字顺序和VOC XML里的类别名字符串顺序是不是一致。这个我踩过一次VOC里类别排序是door_open、door_close、person_enter、person_exit但YOLO txt里0号对应的是person_exit目录里两个格式的类别错位训练时模型把进和出完全学反了。类别 | VOC格式 | YOLO格式 文件后缀 | XML | txt 坐标单位 | 绝对像素 | 归一化浮点 类别标识 | 字符串名称 | 整数索引 适合场景 | 数据标注与交换 | 直接训练输入2.3 2220张样本够不够用电梯场景的数据规模评估很多刚接触目标检测的工程师会问2220张够吗我的回答是对于电梯门状态和人员进出这个任务够启动不够交付。具体说单类别单视角的检测任务2000张左右能把mAP50推到0.85以上但要应对多楼层、多光线、多轿厢型号的实际情况这个量需要在现场采集后扩充到8000到10000张才稳。数据量判断的另一个维度是类别均衡度。电梯场景有个天然问题门关闭状态占了绝大多数时间人员进出是瞬态事件。如果数据集的2220张是从监控视频里抽样出来的很可能door_close占了60%以上person_enter和person_exit各只有10%。我在第5章会具体讲怎么处理这种不平衡这里先提示一句拿到数据集先统计每个类别的框数量而不是只看图片总数目标检测的有效信息量是“框数量”不是“图片数量”。还有一个值得关注的点是分辨率。电梯监控通常是720P或1080P人员进出时人离摄像头只有1到3米目标在画面里占比很大这对小目标检测的压力小。真正考验精度的是门缝区域的反光和快速运动带来的运动模糊这属于图像质量层面不是标注数量能解决的。3. 解压与数据准备7z包的打开方式与YOLOv8训练前的目录组织3.1 7z解压的正确姿势从Windows到Linux的命令与三个解压报错.7z后缀的压缩包在Windows下用7-Zip、Bandizip都可以打开Linux服务器上则常用p7zip工具集。很多人在Linux上第一次解压7z文件就翻车因为默认没装p7zip-full。最小可用命令是这样# Debian/Ubuntu 安装7z支持 sudo apt-get install -y p7zip-full # 解压数据集到当前目录 7z x elevator_dataset.7z # 如果需要指定输出目录 7z x elevator_dataset.7z -o./elevator_data参数说明x表示解压并保留目录结构-o指定输出路径注意-o后面不能有空格写成-o/path/to/dir才是对的。如果你只是想把压缩包里的某个子目录抽出来用7z l先列出内容再用7z x dataset.7z 目标子目录做选择性解压。我在实际项目里遇到过的三个报错按频率排第一是提示aes.c相关错误这是因为压缩时用了AES-256加密而系统里p7zip版本太老不支持升级到16.02以上即可第二是解压到一半报CRC校验失败这和压缩包本身在传输过程中损坏有关重新下载或让同事用微信重发一次常常就好了第三是解压出来的目录结构和你预期不符明明数据集是VOCYOLO双格式解压后只看到JPEGImages另外的Annotations目录没看见——这种情况通常是因为压缩包里套了一层主目录文件名开头多了个版本号前缀你需要在解压后的根目录里再翻一层。热词里有“7z压缩文件密码是正确的但一直报错”这个情况我也遇到过几次。不是密码错误而是7z的加密分卷文件需要所有分卷都放在同一目录、文件名不能改动缺一个分卷或者改名后即使密码完全正确也会报错。如果你拿到的是dataset.7z.001加dataset.7z.002这种分卷包保持文件名原样、放在同一目录下再解压。3.2 训练目录结构VOC的images/labels布局与YOLOv8的data.yaml配置不管数据集原始叫什么名字我拿到手的第一件事就是按YOLO的训练惯例重排目录。YOLOv8官方惯例是images/train、images/val、labels/train、labels/val四个目录平铺图片和标签名字一一对应。如果是VOC格式转换过来的通常是JPEGImages、Annotations、ImageSets/Main三个目录需要自己切分train/val并生成对应txt标签。# 假设已经解压出VOC风格的目录 mkdir -p yolodataset/{images/{train,val},labels/{train,val}} # 按9:1切分并复制图片和标签 python - EOF import os, random, shutil random.seed(42) img_dir VOCdevkit/JPEGImages xml_dir VOCdevkit/Annotations all_ids [f.split(.)[0] for f in os.listdir(img_dir)] random.shuffle(all_ids) val_ids all_ids[:int(len(all_ids)*0.1)] for idx, img_id in enumerate(all_ids): sub val if img_id in val_ids else train # 图片文件 shutil.copy( os.path.join(img_dir, img_id .jpg), fyolodataset/images/{sub}/{img_id}.jpg ) # 标签文件这里写的是把VOC转YOLO如果你的数据集已经有YOLO标签把xml_dir换成labels目录即可 txt_path os.path.join(yolodataset/labels, sub, img_id .txt) if not os.path.exists(txt_path): convert_voc_to_yolo(xml_dir, img_dir, img_id, txt_path) EOF这个脚本做完后理论上你应该在yolodataset/images/train里看到约2000张jpg在yolodataset/labels/train里看到同名txt。一个容易被忽略的检查点是图片和标签的文件名必须完全一致连后缀名前的部分都要一致。我见过团队把IMG_001.jpg的标签写成img_001.txt大小写不一致训练时这些图片被静默跳过训练集实际只用了七成数据。目录排好后写data.yamlpath: /home/user/elevator/yolodataset train: images/train val: images/val names: 0: door_open 1: door_close 2: person_enter 3: person_exit这里的path建议写绝对路径YOLOv8对相对路径的解析有时会因为工作目录不同而找不到数据用绝对路径省去这类问题。names字典的索引顺序必须和txt标签里的数字一致差一个位置就是全线错位毫无例外。3.3 标签可视化检查用OpenCV把YOLO框画回去先于训练发现问题进入训练之前做一次标签可视化抽查是性价比最高的检查动作。YOLO格式的txt是纯数字人眼很难直接判断坐标对不对把它画到图上只要几十行代码import cv2 def draw_yolo_boxes(image_path, label_path, class_names): img cv2.imread(image_path) h, w img.shape[:2] with open(label_path, r) as f: lines f.readlines() for line in lines: cls_id, x_center, y_center, bw, bh map(float, line.split()) x1 int((x_center - bw / 2) * w) y1 int((y_center - bh / 2) * h) x2 int((x_center bw / 2) * w) y2 int((y_center bh / 2) * h) # 防止浮点误差导致坐标越界 x1, y1 max(0, x1), max(0, y1) x2, y2 min(w, x2), min(h, y2) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(img, class_names[int(cls_id)], (x1, y1 - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 0, 255), 2) return img # class_names顺序和data.yaml的names保持一致 class_names [door_open, door_close, person_enter, person_exit] for i in range(20): img draw_yolo_boxes(fyolodataset/images/train/{i}.jpg, fyolodataset/labels/train/{i}.txt, class_names) cv2.imwrite(fcheck/{i}.jpg, img)这个脚本里的坐标还原公式就是2.2节的逆运算其中对x1、y1、x2、y2做clip是关键一步。YOLO标签虽然是归一化的但标注软件可能输出负数坐标或大于1的宽度clip到图像边界是让可视化不出错的最低保障。检查时我习惯按类别而不是按图片抽。把20张图里只包含person_enter的找出来画框比随机抽20张混合类别的图更容易看出问题——比如门框被包进人框、或者人的身体延伸出图像边界导致框只画了半截。这一步做完再进训练后面省下的都是Debug时间。4. 用YOLOv8在电梯数据集上训练最小命令与4个必调参数4.1 预训练权重怎么选n/s/m的取舍YOLOv8官方提供了n、s、m、l、x五档预训练权重电梯开关状态这个任务不需要l或x。我的经验分界线是这样的如果只是快速验证数据集能不能训起来用yolov8s.pt如果要在嵌入式设备比如轿厢里的AI盒子上部署用yolov8n.pt只有当你发现mAP50卡在0.8上不去、而且推理速度还有余量时才考虑换yolov8m.pt。预训练权重的下载在第一次运行训练命令时自动完成默认从官方GitHub Release拉取。如果服务器网络慢可以先手动下载好.pt文件放到项目根目录训练时指定本地路径# 手动下载后放到当前目录 wget https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8s.pt # 训练时直接用这个文件 yolo train dataelevator.yaml model./yolov8s.pt用model./yolov8s.pt而不是modelyolov8s.pt好处是断网或网络抖动时训练不会因为下载不了权重而中断。预训练权重的作用是迁移学习里的初始化起点对电梯这种场景COCO上训出来的特征对“人”的检测很有价值但“门开关”这种类别得靠自己的数据从零学起所以预训练只帮一半另一半靠数据质量。4.2 必调参数imgsz、epochs、batch、cos_lrYOLOv8的训练命令看起来简单翻车往往就在这几个参数上。我直接给一套起点参数再逐个解释为什么这么设yolo train \ dataelevator.yaml \ modelyolov8s.pt \ imgsz640 \ epochs100 \ batch16 \ cos_lrTrue \ lr00.01 \ lrf0.01 \ patience20imgsz640是速度和精度的平衡点。电梯监控画面里人离镜头近、目标占比大不需要像遥感那样用1024以上的大图。如果目标是720P视频可以试试imgsz960精度会略涨但训练和推理都会变慢先跑一版640做基线更稳妥。epochs100对2220张数据偏多但配合patience20连续20轮验证集指标不提升就早停实际通常跑到60到80轮就停了多设无妨。batch16取决于显卡显存12GB显存跑s模型刚刚好如果显存只有8GB降到8但不要低于4——这是我在第5章要讲的BN崩溃隐患。cos_lrTrue是余弦退火学习率调度能比固定步长衰减更平滑地收敛起步阶段就用上对收敛稳定性的提升肉眼可见。学习率lr0和lrf我特意列出来是因为它们是被忽略得最频繁的参数。lr00.01是YOLOv8的默认值但如果batch从默认的16变成8同样的lr0会偏大收敛容易震荡如果batch跑到32以上可以适当调高到0.02。lrf0.01表示最终学习率衰减到初始的1%这个值一般不动。还有一个参数容易被新手忽略workers。默认8但电梯数据集图片很小加载很快瓶颈不在IO而在GPU计算。如果服务器CPU核数少把workers降到4反而能减少系统调度开销训练速度更快。这属于“默认值不一定最优”的典型例子。4.3 训练日志怎么看loss曲线、mAP50和mAP50-95的读法训练起来之后很多人只看那个绿色的进度条没有真正在盯指标的变化。YOLOv8每轮结束会打印三个lossbox_loss框回归损失、cls_loss分类损失、dfl_loss分布焦点损失。其中cls_loss对门状态分类最有参考价值——如果它迟迟不降到0.02以下说明类别定义或标签顺序可能有问题。验证集指标里mAP50和mAP50-95分别代表IoU阈值为0.5时的平均精度以及从0.5到0.95每0.05取一个阈值共10个IoU下的平均精度。电梯门框是矩形且边缘清晰门状态的目标在mAP50上做到0.95不难人员进出因为遮挡和姿态多样mAP50-95通常会比门状态低10到20个点。所以看指标时按类别拆分对比不要只看整体mAP。一个我在多台机器上验证过的经验训练到第20轮左右loss曲线出现一个台阶式的下降那是模型从“学会找门”过渡到“学会找门缝里的人”的阶段。如果到了第30轮loss还在同一水平震荡检查一下是不是学习率过高或者数据里有脏标签。训练日志里另一个值得关注的是每轮训练时长2220张图在单卡V100上大约30到40秒一轮100轮大约一小时。如果你的一轮超过了两分钟先去检查是不是workers太低造成CPU瓶颈而不是急着换GPU。5. 电梯场景数据训练的5个避坑记录从标签错位到BN崩溃的排查实战5.1 XML转YOLO后坐标越界一条公式和一次可视化检查的事现象训练开始后出现大量WARNING: corrupt box日志或者mAP50停留在0.3上不去。检查labels目录里的txt发现坐标里有负数或大于1的值。 原因VOC转YOLO时如果标注框本身有一部分超出图像边界比如人站在画面边缘标注软件把框延到了图外归一化后的x_center或width就会越界。XML里存的是绝对像素转成YOLO浮点后超出0~1范围YOLOv8会自动clip但clip会改变框的中心位置和大小比例等于标签被扭曲了。 解决在转换脚本里主动做一次clip并打印越界样本的图片名把越界数量和具体坐标记下来。如果越界的都是人的边缘框说明是标注规范问题把超出部分的长度直接截断即可如果越界的是门框往往是因为标注时把铰链一侧画在图片外这种情况需要人工复核这张图。5.2 7z密码正确却解压失败版本与文件完整性的双排查现象压缩包是加密的密码明明正确但解压到一半报Data Error或CRC Failed更诡异的是同一次解压有时候成功有时候失败。 原因两类来源。一是p7zip版本太老对AES-256加密的7z包支持不完整特别是用7-Zip 21.x以上版本压缩的包在p7zip 16.02以下的Linux机器上解压就会报错。二是压缩包在传输过程中损坏CRC校验不通过但文件头还能读所以解压能启动、却在中途失败。 解决先升级p7zip到最新版再尝试解压。如果升级后仍然CRC报错用7z t dataset.7z做一次完整性测试它会列出哪个文件损坏。确认是传输问题后重新下载注意用压缩包的源文件大小去核对下载软件显示的大小差一个字节都别解压。5.3 人员进出类别不平衡关门样本占七成的后果现象训练结果里door_close的mAP50高达0.95而person_enter只有0.4人明明站在门中间就是检测不出来。 原因电梯门大部分时间是关的从视频抽帧得到的样本天然偏向关门状态。模型看到的关门样本太多把“门框区域没有变化”学成了主要特征对开门状态里短暂出现的行人反而成了少数类。这个现象在热词“开关闭合检测数据集”对应的那些项目里同样常见不是这个数据集独有的问题。 解决先统计各类别框数量。如果person_enter不足总框数的10%我一般做三步第一步把验证集切分改成分层抽样保证验证集里每类的比例与原始分布一致第二步对少数类做离线增强重点加水平翻转和轻微亮度扰动注意不要增强过度导致同一样本反复出现第三步在训练命令里给少数类损失加权YOLOv8没直接暴露这个参数但可以通过调整数据集的类别分布间接实现——把开门状态的帧复制扩充到与关门状态接近的比例。这个方案比改损失函数简单得多效果也更直观。5.4 BN崩溃导致loss变成NaNbatch size与学习率的配合现象训练到第5轮左右loss一下子变成nan然后一直nan下去重启训练从头开始也是这样。 原因这是YOLO系列里很有名的“训练中bn崩溃”。BatchNorm层在batch size过小比如等于2或4时每个batch的均值和方差估计噪声太大加上学习率稍微偏高归一化统计量就发散成了nan。电梯数据集图片内容高度接近都是轿厢内部batch里样本相关性高这个问题会比其他场景更早暴露。 解决最直接的办法是batch size调到至少8显存不够就换更小的模型——yolov8n在8GB显存下可以跑batch16。如果batch已经到16还是nan把lr0从0.01降到0.005给BN一层更小的更新步长。还有一个备用方案是冻结前10层的BN层让它们保持预训练时的统计量只在后面层做更新这个做法可以曲线救国但会损失一部分精度。我把batch16和lr00.01当作默认组合基本没有再触发过这个崩溃。5.5 镜面反射把乘客识别成“第二个人”误检究竟是谁的锅现象模型在测试视频里把电梯轿厢的不锈钢镜面墙壁上反射出的乘客倒影也标成一个person画面里一个人被框成了两个目标。 原因电梯轿厢普遍有镜面和不锈钢反光材质数据集里如果反光样本占比低模型没有见过“像人但不是人”的负样本就会把反射纹理当成人的特征。这不能完全归咎于数据集实际上是部署场景与训练数据分布不一致的问题。 解决分两步。第一步在数据层面增加反光负样本——把轿厢镜面、金属门板反光的截图加入训练集不标注任何框让模型学习“这里没有人”。第二步在算法层面调整推理置信度阈值YOLOv8默认conf0.25对反光误检我通常会调到0.35到0.4误检率会显著下降但要注意调高阈值也会丢掉一些低置信度的真实人框。具体取多少拿一段实际监控视频做测试集画PR曲线找阈值不要拍脑袋定。6. 从数据集到可用的检测系统验证指标、导出部署与持续迭代训练完最后一步是导出部署这一步里藏着电梯项目的验收细节。先用测试集评估选出最优模型——我自己习惯看三点mAP50能不能过0.9、person_enter在mAP50-95上有没有到0.75以上、验证集上有没有出现门状态错乱比如同一张图既输出door_open又输出door_close。确认指标达标后把best.pt导出成ONNXyolo export modelruns/detect/train/weights/best.pt formatonnx dynamicTruedynamicTrue保持动态输入尺寸方便在不同分辨率的监控流上切换。导出后可以用onnxruntime做一次CPU推理验证排除PyTorch和ONNX的算子兼容问题。部署到电梯AI盒子上时我习惯在检测后加一道20帧的时序滤波连续10帧以上检测到door_open才判定为开门事件连续5帧检测到person_exit才触发一次离开日志。这个后处理能把单帧误检的影响降到最低比反复调阈值更管用。持续迭代时我把每次现场跑出来的误检图按周汇总挑出模型置信度最高的那批错误样本补标后加入训练集。电梯场景的难点不在模型结构而在数据闭环的响应速度——楼层光照变化、轿厢装修更换、新装液晶屏产生的眩光都需要你以周为单位把新样本回流到训练集里否则模型上线一个月就开始退化。这个习惯是我被现场投诉过一次“半夜电梯门开了没日志”之后养成的后来每次换数据、换楼层点位都先跑一遍可视化抽查再重新评估阈值。希望帮到你。本文还有配套的精品资源点击获取