企业官网建设流程全解析

简介：面向深度学习目标检测任务的仓储机器人识别数据集，涵盖比亚迪托盘式、G1RB5000、AGV-P三类常见仓储设备，适用于YOLO系列、Faster RCNN、SSD等主流目标检测算法的训练与验证。包内文件总数达两千个，其中包含一千五百一十个文本格式的标签文件、四百八十九个可扩展标记语言格式的标签文件，以及一个用于定义类别名称与编号的配置文档；图片与对应标签已经预先划分为训练集、验证集和测试集，并提供VOC与YOLO两种主流标注格式，研究者拿到数据后无需额外整理，即可直接输入到检测框架中开展训练。压缩包整体约八十二兆，体积适中，便于本地复制与云端存储。目前已有三百八十三人学习使用，覆盖高校实验室、企业算法团队以及刚接触仓储机器人识别的开发者。借助这一数据集，用户能快速熟悉仓储机器人的标注规范，理解不同类别的对应关系，省去数据清洗与格式转换的步骤，将更多精力投入模型改进与场景部署。

1. 为什么 AGV 仓储场景的目标检测，不能拿自动驾驶数据集硬顶

做仓储机器人视觉的人，第一步往往卡在数据上：手里没有一套像样的 agv仓储机器人识别数据集，就急着拿 COCO 或自动驾驶数据集先跑通流程。我见过不少项目这样起步，真机一测就翻车——AGV 顶升托盘时看不到托盘腿、两车交汇时把另一台 AGV 认成货架、夜间补光下把地面反光当成障碍物。这不是模型不行，是通用数据集里根本没有这些视角和场景。本文会从数据采集、标注规范、训练配置到难例挖掘讲完整套落地路径，覆盖目标检测数据集处理的常见坑，适合做仓储机器人视觉、对接 AGV 调度系统或者打算自建数据集的工程师参考。数据集选对方向，YOLO 系列模型在这类固定机位俯拍场景里收敛很快；数据集选错，调参全是玄学。

2. AGV 仓储机器人识别数据集的构成与采集：机位、场景分层与目录组织

2.1 采集机位与视角：AGV 视觉为什么和自动驾驶差这么多

AGV 的感知方案一般分两种：一种是 AGV 自带相机朝前看，识别货架、托盘和人；另一种是场端固定相机从高处俯拍，识别 AGV 本身的位置和姿态，把结果喂给调度系统。不管哪种，视角都和自动驾驶的水平前视完全不一样，采集时必须按实际安装位置来定机位。

我见过最典型的错误，是拿路测的行人数据集来训仓储场景，模型在真机上对弯腰搬货的工人完全无感。原因很简单：行人数据集是水平视角，人体是竖着的；AGV 俯拍视角下，人是一个「头顶 + 肩膀」的椭圆，特征分布完全不同。所以自建数据集第一步不是选模型，而是先固定相机安装高度和角度。常见做法是：AGV 顶部相机离地 1.2~1.5m，略向下俯视 10~15 度；场端相机装在通道上方 2.5~3m，垂直向下或接近垂直。这样采集到的图像，模型上线后看到的和训练时看到的基本一致，泛化压力小很多。

视角定了之后，还有一个常被忽略的点：镜头畸变。仓储通道一般用 6mm 或 8mm 广角镜头，画面边缘畸变很明显。固定机位下畸变是确定性的，模型能自己学会，但前提是训练数据的机位分布要覆盖实际部署的所有点位。如果场端有 8 个相机位，至少要让每个点位都有样本进入训练集，而不是只在一条通道里采数据。

2.2 场景分层：白天、夜间、货架遮挡怎么切

AGV 仓储环境的干扰因素很集中：光照突变、货架遮挡、地面反光、同类目标交会。采集阶段就要按这些维度做场景分层，而不是简单按「拍多少张」来规划。

光照至少要分五档：强日间（靠窗通道会有阳光直射）、普通日间、黄昏、夜间补光、暗场（局部灯管损坏）。其中夜间补光最容易出问题——AGV 的大灯或场端补光灯照在环氧树脂地坪上会产生大面积反光带，模型容易把反光当成障碍物。采集时故意把反光严重的时段多采一些，当作训练数据而不是避开它，反而能让模型学会忽略反光。

遮挡分层要跟着货架布局走。仓储通道里的典型遮挡有三类：货架立柱挡住部分行人、两个托盘叠放、AGV 从货架缝隙穿过时车身被局部遮挡。这些样本不能靠随机拍，得拿着采集清单在场景里找着拍。每类遮挡至少占总样本量的 10%~15%，否则模型只在验证集上好看，真机遇到遮挡就漏检。

2.3 目录组织与格式转换：VOC 到 YOLO 的最小脚本

数据采集完，第一步是把原始文件整理成标准目录结构。下面是我常用的组织方式，train/val/test 按场景通道切分，而不是随机切分：

agv_dataset/ ├── images/ │ ├── train/ # 通道 A-F，含日间/黄昏样本，约 7200 张 │ ├── val/ # 通道 G，不含夜间，约 1200 张 │ └── test/ # 通道 H + 全部夜间样本，约 1600 张 ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ ├── meta/ │ ├── scene_division.csv # 每张图所属通道、时段、光照标签 │ └── attribute.csv # 遮挡程度、截断属性表 ├── agv.yaml └── README.md

train/val/test 按通道切分，是为了防止同一个通道的连续帧同时出现在训练集和验证集里。如果随机切，模型其实见过验证集的「邻居帧」，mAP 会虚高很多，这个坑后面详述。meta 里的 scene_division.csv 一定保留，后面做难例挖掘和补采规划全靠它。

标注工具默认输出的往往是 VOC XML 格式，YOLO 训练需要 txt。转换脚本是数据集落地的第一个必写工具，这里给一个能直接跑的版本：

import xml.etree.ElementTree as ET from pathlib import Path # VOC XML 转 YOLO txt，类别顺序需要和 agv.yaml 里的 names 完全一致 CLASS_MAP = {"agv_robot": 0, "person": 1, "pallet": 2, "shelf": 3, "forklift": 4, "obstacle": 5} def voc_to_yolo_one(xml_path: Path, out_dir: Path): tree = ET.parse(xml_path) root = tree.getroot() img_w = float(root.find("size/width").text) img_h = float(root.find("size/height").text) lines = [] for obj in root.findall("object"): # difficult=1 的框通常是极模糊目标，直接跳过，避免噪声标签 if int(obj.find("difficult").text) == 1: continue name = obj.find("name").text if name not in CLASS_MAP: continue bnd = obj.find("bndbox") xmin = float(bnd.find("xmin").text) ymin = float(bnd.find("ymin").text) xmax = float(bnd.find("xmax").text) ymax = float(bnd.find("ymax").text) # 归一化到 0~1，YOLO 格式是中心点 + 宽高 x_center = (xmin + xmax) / 2.0 / img_w y_center = (ymin + ymax) / 2.0 / img_h w = (xmax - xmin) / img_w h = (ymax - ymin) / img_h # 裁剪越界框，防止训练时报错 x_center = min(max(x_center, 0.0), 1.0) y_center = min(max(y_center, 0.0), 1.0) w = min(max(w, 0.0), 1.0) h = min(max(h, 0.0), 1.0) lines.append(f"{CLASS_MAP[name]} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}") out_path = out_dir / (xml_path.stem + ".txt") out_path.write_text("\n".join(lines)) # 批量转换：images/train 下的 xml 全部转成 labels/train 下的 txt xml_root = Path("agv_dataset/annotations/train") out_root = Path("agv_dataset/labels/train") for xml_file in xml_root.glob("*.xml"): voc_to_yolo_one(xml_file, out_root)

这里有两个参数要注意：img_w和img_h用的是 XML 里的 size 字段，而不是重新读图。如果标注过程中有人用工具裁剪过图片但没更新 XML，尺寸会错位，导致标注框整体偏移，训练时 loss 怎么调都下不去。稳妥做法是脚本跑完后抽查 20 张图，把 txt 框画回原图比对一下，确认坐标没偏。CLASS_MAP的类别顺序必须和 yaml 的 names 完全一致，不然模型学到的是错位的类别映射，推理时全乱。

3. 标注工具选型与标签体系：AGV 数据集的类别树怎么设计

3.1 标注工具选型：LabelImg、X-AnyLabeling 还是 CVAT

数据集规模决定标注工具的选择。标注是 AGV 数据集建设里最耗时的一环，选错工具会导致返工成本极高。我的经验是三个档位：

单人做小规模数据集，LabelImg 够用；超过 5000 张还手动拉框，手腕和眼睛都扛不住，我一般会切到 X-AnyLabeling，用 SAM 先出候选框再人工修正，速度能快一倍以上。多人协作必须上 CVAT，但导出时要注意它默认带label_id字段，和 YOLO 的class_id定义不完全一致，转换时容易串类别。另外，标注中途发现标签体系改动，用 LabelImg 改几百个 xml 还行，用 CVAT 改几千条标注记录更麻烦，所以标签体系一定要在启动标注前定死。

3.2 标签体系设计：类别树与遮挡属性怎么定

AGV 场景的标签体系不是「人能看见什么就标什么」，而是要问一个问题：AGV 的决策逻辑到底需要知道什么？

AGV 路径规划和避障需要的是可通行区域的语义，调度系统需要知道每台车在哪、托盘在哪。所以我常把类别控制在 6 个以内，每个类别都有明确的决策含义：

这里有一个容易混淆的点：托盘和货架下的货物怎么区分。我的约定是：托盘和货架作为结构化目标单独标；货架上的货箱、托盘上的码垛如果和货架/托盘轮廓重叠严重，不额外开「货物」类，而是统一归到所属的货架或托盘框内。因为 AGV 对接时关心的是托盘本身的位置，不是托盘上码了几层箱。如果强行标货物类，两个框高度重叠，模型训练时会被互相干扰，AP 反而下降。

遮挡属性的处理是另一个坑。YOLO 的 txt 格式只支持class x y w h，塞不下遮挡程度和截断信息。但这些信息对后续分析很有价值，比如夜间样本遮挡率高的帧，往往是难例挖掘的重点。常见做法是把属性写进文件名后缀，或者单独维护一张 attribute.csv，字段包括：image_name, scene_id, period, occlusion_ratio, truncated。属性不参与训练，但参与数据分析和补采决策。这个问题容易被忽略，等你想按遮挡率筛选数据时发现没记录，只能重新看一遍图，血泪教训。

3.3 标注规范：边界框贴边还是不贴边

标注规范不统一，是数据集质量最大的杀手。AGV 场景最容易出现的标注问题有三个。

第一个是框的范围不统一。同一个人，一张图框到帽子顶，另一张图框到头发，模型学到的目标边界是抖的。我一般定的规范是：框贴着目标可见区域的外沿，不包含投影和反光，不包含接触的地面阴影。尤其是托盘，四个腿和底面之间会有阴影，新手标的时候很容易把阴影包进去，导致框忽大忽小。

第二个是极小目标标不标。俯拍视角下，远处的人可能只有 20×30 像素，框都看不清。我建议在标签体系里定义最小标注尺寸，上表已经列出，小于这个尺寸的物体一律不标。否则会出现大量「标了但框不准」的样本，模型学到的全是噪声。标注工具一般有缩放功能，把图片放大 4 倍再判断是否达到最小尺寸。

第三个是类别混淆。最典型的是把叉车标成 AGV，或把地牛（手动液压车）标成障碍物。这类混淆一旦出现就是系统性的，模型会在叉车和 AGV 之间反复横跳。规避办法是给标注员一套带典型图的类别说明，每类至少放 5 张示例图，标之前集体过一遍。

标注完成后一定要做抽检。我习惯按 10% 比例抽检，重点看两类图：夜间图和多目标密集图。抽检发现单张图错误超过 2 处，这一批就翻工，不要抱着「先训练再修正」的心态，模型不会告诉你它学歪了，只会给你一个虚高的 mAP 和一堆莫名其妙的漏检。

4. 用 YOLOv8 训练自建 AGV 数据集：配置文件、训练命令与三个必调参数

4.1 训练前的配置文件：data yaml 与目录路径

数据集准备好，第一步是写 YOLOv8 的 data yaml。这里最常见的失误是用绝对路径，换台机器训练就炸。正确写法是相对路径配合path字段：

# datasets/agv/agv.yaml path: ./ # 相对于运行命令的目录，这里指 datasets/agv/ 下 train: images/train val: images/val test: images/test names: 0: agv_robot 1: person 2: pallet 3: shelf 4: forklift 5: obstacle

path字段的取值逻辑是：假如你在agv_dataset上一层目录运行训练命令，path就写./agv_dataset；如果直接在agv_dataset目录里运行，写./就行。names的顺序必须和第 2 章转换脚本里的CLASS_MAP完全一致，这是整个流程里最容易翻车的地方——类别 id 错一位，模型训练时 loss 正常下降，但推理结果全错，而且很难排查。

4.2 训练命令与超参：imgsz、mosaic、close_mosaic 怎么调

在 AGV 数据集上，我用得最顺的基线是 YOLOv8s。不是 v8 一定比 v5 强多少，而是 v8 的 anchor-free 头对小目标更友好，AGV 俯拍视角下远处的人属于典型小目标。训练命令如下：

yolo detect train \ data=datasets/agv/agv.yaml \ model=yolov8s.pt \ imgsz=640 \ epochs=120 \ batch=16 \ mosaic=0.5 \ close_mosaic=10 \ patience=20 \ project=runs/agv \ name=exp_021

三个必调参数说清楚：

imgsz我固定用 640，不上 1280。AGV 俯拍场景的物体尺度比自动驾驶稳定，640 已经能覆盖上表定义的最小目标；上 1280 显存翻倍，mAP 提升一般不超过 2 个点，对真机实时推理也没帮助。如果项目对远处小目标要求极高，优先处理的是补采近距离样本，而不是硬上分辨率。

mosaic是 AGV 场景最需要压的参数。YOLOv8 默认mosaic=1.0，但仓储场景货架遮挡多，mosaic 会把不同通道的图拼在一起，制造大量「半张货架 + 半个人」的拼接样本，模型学到的是拼接缝特征而不是目标特征。我把 mosaic 压到 0.5，保留了数据增强的多样性，又避免了过度拼接。如果发现训练前期 loss 降得很慢，可以继续压到 0.3 试试。

close_mosaic=10是配套参数，最后 10 个 epoch 关闭 mosaic，让模型在真实分布上做最后的收敛。如果不关，验证集上 mAP 看着不错，但真机跑起来对完整目标的响应反而不稳定，因为模型已经习惯了看残缺目标。

4.3 训练日志怎么看：loss 曲线与 mAP 的合理区间

训练不是把命令跑完就完事，日志里有两个地方值得盯。第一个是 loss 曲线，box_loss在 120 epoch 下应该降到 0.8 附近，cls_loss降到 0.02 附近。如果cls_loss降不下去还反弹，大概率是标注里混入了类别错误，回去查标注抽检记录，别急着调参。

第二个是mAP50-95和mAP50的关系。AGV 这种目标尺度相对集中的数据集，mAP50一般比mAP50-95高 15~20 个点，如果差距超过 25 个点，说明模型对框的中心点不够准，可以在训练完做一轮 fine-tune：降低学习率，只微调最后两层，跑 30 epoch。我在 AGV 数据上用过这个办法，mAP50-95 能再涨 3~5 个点，代价是训练时间多 20 分钟，值得。

说到验证，很多人训练完只看model.val()的汇总指标就收工。我建议跑完训练后额外做一次带save_json=True的验证，输出每张图的检测详情，后面难例挖掘要用。

5. AGV 数据集训练避坑：验证集泄漏、小目标漏检与标注不一致

5.1 mAP 虚高但真机漏检：验证集场景泄漏的锅

现象：训练完验证集 mAP50 到 0.95，模型上真机一测，通道另一端的目标大面积漏检。

原因：train/val/test 随机切分，同一个通道的连续帧同时出现在训练集和验证集里。模型在训练时见过验证集帧的「邻居」，验证集评估基本是开卷考试。AGV 是连续移动拍摄，相邻帧背景高度相似，随机切分等于泄漏。

解决：按采集场景切分数据，这是我反复强调的一点。第 2 章的目录结构里，train 放通道 A-F，val 放通道 G，test 放通道 H，不同通道之间互不重叠。如果场景点位数不够，退而求其次按时间段切：白天训练、夜间验证，也能保证基本隔离。切分完成后看一眼 val 集里的图片数量，如果超过总量的 20%，回退一些，验证集太大反而把训练集饿死。

5.2 夜间样本总学不好：类别分布失衡

现象：总 mAP 过了 0.9，但按夜间样本单独统计，person 类 mAP50 只有 0.6，AGV 在夜间对行人几乎不响应。

原因：夜间样本只占总量 5%，训练时模型把注意力全放在日间高频特征上。loss 是全体样本的平均，少数类样本的贡献被稀释。

解决：两个手段配合。一是补采，把夜间样本比例提到至少 15%，这是治本。二是在训练时给夜间样本所在的困难场景做损失加权，YOLOv8 没有现成的样本权重参数，可以在数据层面操作：把夜间图像做亮度增强副本放进训练集，相当于软重复采样。注意不要简单硬复制同一张图，模型会过拟合到具体像素，做一点亮度扰动再放进去才有效。

5.3 同一物体相邻帧标签忽大忽小：AP 不稳定

现象：训练 loss 收敛正常，但验证集里同一物体在相邻帧的预测框抖动明显，mAP50 波动超过 3 个点。

原因：标注时包含了阴影、反光或部分遮挡物，导致同一物理目标在不同帧里的标注框范围不一致。模型学到的是一个「可变形的目标边界」，预测自然飘。

解决：回查标注规范，重标问题严重的类别。AGV 场景里最容易犯的是托盘框包含了地面阴影——补光灯下托盘腿的影子可以拉出半米长，框就忽大忽小。我处理过一批这样的数据，重标后 mAP50 稳定性直接改善。规范就是 3.3 写的：框贴着目标可见区外沿，不包含阴影和投影。标注抽检时专门查这一类。

5.4 模型把托盘认成障碍物：漏标太多

现象：真机上 AGV 明明看到前方有托盘，模型却输出 obstacle，调度系统触发了不必要的停车。

原因：标注阶段漏标了部分托盘，尤其托盘摞在一起、只露出侧面时，标注员没意识到那是托盘。训练集里这个角度的托盘样本太少，模型学到的托盘特征是「四腿分开」的标准正视图，侧视托盘全部落入 background 或被归到 obstacle。

解决：检查托盘类别在不同角度下的样本直方图。我一般按「正视图、侧视图、堆叠、遮挡」四个维度统计，每个维度至少保留 300 张。不够就补采，专拍托盘堆叠区和货架底层的侧视样本。另外，漏标导致的问题无法靠调参解决，任何置信度阈值调整都救不回来，只能补数据。

5.5 补光灯造成的反光带：障碍物类误报飙升

现象：夜间补光下，地面出现大面积反光带，模型在无物体的地面上输出大量 obstacle 框，AGV 频繁减速。

原因：反光带在图像里的纹理和边缘特征接近障碍物，模型从训练数据里学到「这种亮带可能有东西」。如果训练集没有反光负样本，模型只能靠猜。

解决：这是负样本问题，不是正样本问题。采集时专门拍一段夜间空通道反光视频，抽帧后全部标注为「背景」加入训练集，不分配标签。YOLOv8 会在训练时把背景图作为负样本，模型学会抑制这类纹理。我一般会让反光负样本占夜间的 10% 左右，足够压低误报率。注意：不要把这些图分配 obstacle 标签，那样会把模型教歪——反光不是障碍物。

6. 用难例挖掘验证数据集价值：漏检高发帧筛选脚本与补采优先级

模型训完，指标好看只是第一步。真正的验收动作是跑一轮难例挖掘，把验证集里漏检率高的帧找出来，按场景维度归因，再决定补采方向。下面这个脚本是我每次训练后固定跑的：

from ultralytics import YOLO from pathlib import Path import numpy as np import pandas as pd model = YOLO("runs/agv/exp_021/weights/best.pt") label_dir = Path("datasets/agv/labels/val") miss_rows = [] for label_file in sorted(label_dir.glob("*.txt")): if label_file.stat().st_size == 0: continue img_file = label_file.with_suffix(".jpg") if not img_file.exists(): img_file = label_file.with_suffix(".png") # 兼容 png 原图 # 读 GT 框，YOLO txt 每行是 cls x y w h gt_boxes = [] for line in label_file.read_text().splitlines(): cls, x, y, w, h = map(float, line.split()) gt_boxes.append([x, y, w, h]) pred = model.predict(str(img_file), conf=0.25, verbose=False)[0] pred_boxes = pred.boxes.xywhn.numpy() if pred.boxes is not None else [] # 用 GT 中心点是否落在预测框内判断命中，简单有效 missed = 0 for gx, gy in [(b[0], b[1]) for b in gt_boxes]: hit = any( np.abs(p[0] - gx) <= p[2] / 2 and np.abs(p[1] - gy) <= p[3] / 2 for p in pred_boxes ) missed += not hit ratio = missed / len(gt_boxes) if ratio > 0.5: miss_rows.append([img_file.name, len(gt_boxes), missed, ratio]) pd.DataFrame(miss_rows, columns=["image", "gt_count", "missed", "miss_ratio"]) \ .sort_values("miss_ratio", ascending=False) \ .to_csv("agv_val_miss_ratio.csv", index=False)

脚本逻辑不难：逐张读取验证集标签，跑模型预测，用 GT 中心点是否落入任意预测框判定命中，最后按漏检比例排序输出 CSV。conf=0.25要和训练时验证的阈值一致，否则阈值不同会导致误判。中心点判定是偏乐观的——如果预测框很小但 GT 很大，中心点落在框内也可能只覆盖了物体一小部分，所以阈值取 0.5，只筛严重漏检帧，不作为精确指标。

拿到 CSV 之后，按照image字段反查第 2 章的scene_division.csv，把漏检帧按通道和时段聚合。我自己的经验是，补采优先级这样排：第一，漏检帧最密集的通道加采一轮，优先补足该点位的光照条件；第二，新增机位，比如充电区、接驳区，这些区域一般是采集盲区，但 AGV 每天都要经过；第三，新光照条件，灯管老化偏黄时的通道、黄昏逆光的通道，各补 200 张就有明显效果。

这个脚本还有一个变体：把高置信误检帧也列出来，比如obstacle类置信度超过 0.8 但 GT 里没有对应框的图，这就是第 5 章反光带误报的数据来源，分析方法和漏检完全一样。我见过太多人做完数据集就扔一边，真机出问题再回头翻训练数据，那时候定位成本高得多。在 AGV 识别这种场景相对固定的任务里，每轮训练后跑一次难例挖掘、看前 20 张问题图再决定下一步，比盲目调超参和换网络结构都管用。我的习惯是先看数据再看指标，指标只能告诉你模型好不好，难例挖掘才能告诉你是数据不行还是模型不行。希望帮到你。

本文还有配套的精品资源，点击获取