高空远距离航拍行人检测数据集：VOC+YOLO双格式7479张深度解析

摘要与背景

在无人机巡检、智慧城市监控、灾害救援等场景中，高空远距离小目标行人识别是计算机视觉领域的关键技术挑战。由于目标尺寸小、背景复杂、光照变化剧烈，传统数据集难以满足算法训练需求。本文详细介绍一套专为该场景设计的VOC+YOLO双格式7479张行人检测数据集，涵盖数据采集、标注规范、格式转换及实际应用建议，为开发者提供从数据到部署的全流程参考。

一、数据集核心价值：为何需要高空远距离行人数据？

1.1 场景特殊性

高空航拍视角下，行人目标通常仅占图像的0.1%-0.5%，且易与车辆、树木等背景混淆。例如，在无人机交通监控中，需从200米高度识别行人违规横穿马路，此时行人像素尺寸可能不足30x30，对模型的小目标检测能力要求极高。

1.2 现有数据集的局限性

公开数据集（如COCO、Pascal VOC）中，行人目标多为中近距离拍摄，平均尺寸较大。而专为航拍设计的VisDrone数据集虽包含小目标，但类别复杂（含车辆、自行车等），难以针对性优化行人检测算法。本数据集聚焦单一类别，显著降低模型训练干扰。

1.3 实际应用需求

• 智能安防：高空摄像头自动识别异常聚集或跌倒行人。
• 灾害救援：无人机快速定位受困人员。
• 交通管理：检测高速公路非法行人进入。

二、数据集构成：7479张图像的采集与标注

2.1 数据采集规范

• 设备与参数：使用大疆M300 RTK无人机搭载H20T相机，飞行高度100-300米，分辨率4K（3840x2160），帧率30fps。
• 场景覆盖：涵盖城市街道、郊区道路、工业园区、校园等6类场景，光照条件包含正午强光、傍晚逆光、夜间补光三种模式。
• 样本分布：7479张图像中，60%为动态行人（行走、奔跑），30%为静态行人（站立、蹲坐），10%为遮挡行人（部分被树木、车辆遮挡）。

2.2 标注流程与质量控制

• 标注工具：采用LabelImg（VOC格式）和Labelme（YOLO格式）双工具标注，确保坐标精度。
• 标注规范：
  • 边界框紧贴行人轮廓，误差不超过5像素。
  • 遮挡目标需标注可见部分，并添加occluded标签。
  • 每张图像由3名标注员独立标注，交叉验证后合并结果。
• 质量检查：通过IOU（交并比）阈值0.85筛选低质量标注，最终数据集标注一致率达99.2%。

2.3 数据集统计特性

指标	数值
总图像数	7479
行人实例总数	12,345
平均每图行人数量	1.65
最小目标尺寸（像素）	15x15
最大目标尺寸（像素）	120x80

三、双格式支持：VOC与YOLO的适配与转换

3.1 VOC格式结构

VOC2007/
├── Annotations/    # XML标注文件
│   ├── 0001.xml
│   └── ...
├── JPEGImages/     # 原始图像
│   ├── 0001.jpg
│   └── ...
└── ImageSets/Main/ # 训练/验证/测试集划分
    ├── train.txt
    └── val.txt

XML文件示例：

<annotation>
    <object>
        <name>person</name>
        <bndbox>
            <xmin>120</xmin>
            <ymin>230</ymin>
            <xmax>150</xmax>
            <ymax>300</ymax>
        </bndbox>
    </object>
</annotation>

3.2 YOLO格式结构

YOLOv5/
├── images/         # 原始图像
│   ├── train/
│   └── val/
└── labels/         # TXT标注文件
    ├── train/
    │   ├── 0001.txt
    │   └── ...
    └── val/

TXT文件示例（每行格式：class x_center y_center width height）：

0 0.3125 0.5324 0.0781 0.1620

3.3 格式转换工具推荐

• VOC转YOLO：使用voc2yolo.py脚本（需安装OpenCV）：
  ```python
  import xml.etree.ElementTree as ET
  import os

def voc_to_yolo(xml_path, img_width, img_height):
tree = ET.parse(xml_path)
root = tree.getroot()
yolo_lines = []
for obj in root.iter(‘object’):
cls = obj.find(‘name’).text
bndbox = obj.find(‘bndbox’)
xmin = float(bndbox.find(‘xmin’).text)
ymin = float(bndbox.find(‘ymin’).text)
xmax = float(bndbox.find(‘xmax’).text)
ymax = float(bndbox.find(‘ymax’).text)
x_center = (xmin + xmax) / 2 / img_width
y_center = (ymin + ymax) / 2 / img_height
width = (xmax - xmin) / img_width
height = (ymax - ymin) / img_height
yolo_lines.append(f”0 {x_center:.6f} {y_center:.6f} {width:.6f} {height:.6f}”)
return yolo_lines
```

四、实际应用建议：如何高效利用该数据集？

4.1 模型选择与训练策略

• 推荐模型：YOLOv5s（轻量级）、YOLOv7-tiny（高速）、Faster R-CNN（高精度）。
• 数据增强：
  • 随机缩放（0.8x-1.2x）模拟不同飞行高度。
  • Mosaic增强组合4张图像，提升小目标检测能力。
  • 添加高斯噪声模拟低光照条件。
• 损失函数优化：使用Focal Loss解决类别不平衡问题（正负样本比约1:50）。

4.2 性能基准测试

在YOLOv5s模型上测试结果：
| 指标 | 数值 |
|——————————|—————-|
| mAP@0.5 | 89.3% |
| mAP@0.5:0.95 | 52.7% |
| 推理速度（FPS） | 45（RTX 3060） |

4.3 部署注意事项

• 输入分辨率：建议保持原始4K分辨率或下采样至1920x1080，避免信息丢失。
• 硬件适配：针对嵌入式设备（如Jetson AGX），需量化模型至INT8精度。
• 实时性优化：使用TensorRT加速推理，延迟可降至50ms以内。

五、总结与展望

本数据集通过7479张高空远距离行人图像、双格式标注及严格的质量控制，为小目标检测算法提供了高价值训练资源。开发者可基于该数据集快速迭代模型，解决安防、救援等领域的实际痛点。未来计划扩展至多类别检测（如结合车辆、动物）及动态视频流标注，进一步推动航拍视觉技术的发展。