企业官网建设流程全解析

简介：该数据集面向计算机视觉目标检测研究与开发者，聚焦人员行为状态识别，涵盖跑步、打电话、跌倒、睡觉、抽烟五类典型场景，可用于安防监控、智慧园区等场景的模型训练与算法验证。压缩包共2000个文件，以1999个XML标注文件为主，另附1个TXT说明文件，整体大小约232.8MB；标注同时提供Pascal VOC与YOLO两种格式，方便接入不同训练框架。五类目标共有5790个矩形标注框，其中Running框1724个、cellphone框916个、fall框973个、sleep框1771个、smoke框406个，标注工具为labelImg，标注规则为矩形框。需要留意的是，作者说明约四分之三的数据为增强得到，且不保证训练模型精度，仅保证标注准确合理，下载前请斟酌适用性。目前已有490人学习浏览，适合需要行为检测数据集进行实验、对比标注格式或研究数据增强影响的人群。

1. 人员状态检测数据集：4943张5类别，先看清任务边界和适用场景

如果在工地的监控大屏上，系统要同时盯住“有人跑起来”“有人躺在地上不动”“有人抽烟”“有人打电话”“有人跌倒”，这就是一个典型的人员状态检测任务。这个数据集就是为这类场景准备的：4943张图片、5个类别（跑、睡、抽烟、打电话、跌倒），以7z压缩包形式发布。先提醒一句：4943张对单帧目标检测来说不算多，但对小规模验证和快速出原型完全够用，前提是你要把标注质量检查清楚。它适合想用YOLO等检测器快速跑通人员行为识别流程的人，也适合做安防、工地、养老院场景的落地实验；但不适合期望一次性拿到视频时序行为识别训练集的人，因为它是一张张静态图片，没有连续帧关系。换句话说，你要做的是“框出画面里的状态”，而不是“预测下一帧会摔倒”。

2. 拿到 .7z 先别急着训练：解压、目录结构与标注格式

2.1 Linux 与 Windows 解压 7z：一条命令和两个注意点

7z 是 7-Zip 的高压缩率格式，在标注文件特别多的场景下，压缩率通常比 zip 高不少，所以数据集经常用它打包。在 Linux 上我一般装 p7zip 后用命令行解压，比图形界面更适合批量操作和脚本化：

# 安装 p7zip（Ubuntu/Debian 系） sudo apt-get install -y p7zip-full # 解压到指定目录，-o 后面直接跟路径，不要留空格 7z x person_state_dataset.7z -o/home/user/datasets/person_state

这里的x表示解压并保留原始目录结构，-o指定输出目录。最容易翻车的地方就是-o与路径之间的空格：写成7z x xxx.7z -o /path会直接报参数错误。如果压缩包设有密码，加-p密码；没有就不加。Windows 上我习惯装 7-Zip 后右键解压，但自动化流程里最好用命令行，特别是后续要把数据往服务器上搬：

"C:\Program Files\7-Zip\7z.exe" x person_state_dataset.7z -oD:\datasets\person_state

两个注意点：第一，压缩包里的图片文件名尽量别带中文，否则在 Windows 默认编码下解压容易出乱码，后续用 Python 读路径时会连累标注匹配；第二，解压前先跑一次完整性测试：

7z t person_state_dataset.7z

如果输出里有ERROR或CRC Failed，说明压缩包在传输过程中损坏，直接重新下载，不要在坏包上浪费时间。解压后还要看一眼文件总数，4943 张图加上标注文件往往有几个 GB，数量对不上说明中途丢文件，必须重下。

2.2 确认标注格式：VOC XML 还是 COCO JSON

解压后第一件事不是训练，而是确认标注格式。这类人员状态数据集常见的标注格式有三种：VOC 的 XML、COCO 的 JSON、YOLO 的 txt。不同格式决定了后面怎么写转换脚本。我一般先看目录结构，再随机打开一个标注文件：

# 在解压目录下看是否有 images / Annotations / labels 等目录 find . -maxdepth 2 -type d find . -name "*.xml" | head -5 find . -name "*.json" | head -5 find . -name "*.txt" | head -5

如果是 VOC XML，文件里会有<object>节点，里面是<name>和<bndbox>，框的坐标是左上角xmin,ymin和右下角xmax,ymax。如果是 COCO JSON，会看到images、annotations、categories三个数组，框的坐标格式是[x, y, width, height]，注意这里的x,y是左上角，不是中心点。如果是 YOLO txt，每一行是“类别序号 中心点x 中心点y 宽 高”，全部是归一化比例。

这里有一个很容易被忽略的细节：不要假设类别名和你想的一致。“跑”可能是run，也可能是running；“睡”可能是sleep或lying；“打电话”可能是call，也可能是phone_call。我拿到任何数据集的第一个动作，是写脚本把所有类别名去重打印出来：

import os import glob # 以 VOC XML 为例，打印全量类别名 import xml.etree.ElementTree as ET classes = set() for xml_path in glob.glob("person_state/Annotations/*.xml"): root = ET.parse(xml_path).getroot() for obj in root.findall("object"): classes.add(obj.find("name").text.strip()) print(classes)

打印出来的集合可能比 5 个多，因为标注员把同一个动作标成了不同单词。这个动作能帮你提前发现同义词问题，避免后面类别映射时错位。

2.3 数据体检：类别分布、图片尺寸和漏标统计

4943 张图不算大，但训练之前必须做一次“体检”。我习惯用脚本统计每个类别的框数量、每张图的标注数量、图片尺寸范围，这一步能暴露很多后续训练才暴露的问题：

import os import xml.etree.ElementTree as ET from collections import Counter annot_dir = "person_state/Annotations" class_counter = Counter() box_per_image = [] img_sizes = set() for name in os.listdir(annot_dir): if not name.endswith(".xml"): continue tree = ET.parse(os.path.join(annot_dir, name)) root = tree.getroot() size = root.find("size") img_w = int(size.find("width").text) img_h = int(size.find("height").text) img_sizes.add((img_w, img_h)) objs = root.findall("object") box_per_image.append(len(objs)) for obj in objs: class_counter[obj.find("name").text.strip()] += 1 print("类别统计:", dict(class_counter)) print("每张图标注框数量分布:", Counter(box_per_image).most_common()) print("图片尺寸组合数:", len(img_sizes), "示例:", list(img_sizes)[:5])

这段代码会输出三个关键信息。类别统计能看出有没有严重不均衡：如果“睡”只有 300 框而“跑”有 3000 框，后面训练就要调权重或做增强。每张图的框数量分布用来判断是否存在大量空图——如果 20% 的图片没有任何标注，训练时这些图会被当背景，可能会把原本正常的动作学成背景，拉低召回。图片尺寸组合多说明数据来源杂，可能是多个摄像头拍的，分辨率不统一，后面要统一imgsz。

最后再做一次图片损坏检查，别等训练时才被 Dataloader 中断：

import cv2 import os bad = [] for name in os.listdir("person_state/images"): img = cv2.imread(os.path.join("person_state/images", name)) if img is None: bad.append(name) print("损坏图片数量:", len(bad), bad[:10])

损坏图片超过 5 张就建议找源头重下。到这里，数据集的底细已经摸清，下一步开始转换格式。

3. 把原始标注转成 YOLO 格式：转换脚本与四个边界坑

3.1 通用转换思路：VOC/COCO 都归一成 YOLO txt

YOLO 系列训练时习惯用 txt 标注，每张图片对应一个同名 txt。转换核心是“读原标注 → 提取类别和框 → 归一化 → 写入 txt”。先给一个 VOC 到 YOLO 的完整脚本，因为 VOC XML 结构最直观：

import os import xml.etree.ElementTree as ET # 类别映射表：把同义词合并到同一索引，索引从 0 开始 CLASS_MAP = { "run": 0, "running": 0, "sleep": 1, "lying": 1, "smoke": 2, "smoking": 2, "call": 3, "phone": 3, "phone_call": 3, "fall": 4, "falling": 4, } def convert_voc(xml_path, out_txt_path): tree = ET.parse(xml_path) root = tree.getroot() img_w = int(root.find("size/width").text) img_h = int(root.find("size/height").text) lines = [] for obj in root.findall("object"): name = obj.find("name").text.strip() if name not in CLASS_MAP: continue box = obj.find("bndbox") x1 = float(box.find("xmin").text) y1 = float(box.find("ymin").text) x2 = float(box.find("xmax").text) y2 = float(box.find("ymax").text) # 转成 YOLO 格式：中心点坐标 + 宽高，再除以原图尺寸 x_center = ((x1 + x2) / 2) / img_w y_center = ((y1 + y2) / 2) / img_h w = (x2 - x1) / img_w h = (y2 - y1) / img_h lines.append(f"{CLASS_MAP[name]} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}") with open(out_txt_path, "w") as f: f.write("\n".join(lines)) # 批量转换 xml_dir = "person_state/Annotations" txt_dir = "person_state/labels" os.makedirs(txt_dir, exist_ok=True) for fn in os.listdir(xml_dir): if fn.endswith(".xml"): base = os.path.splitext(fn)[0] convert_voc(os.path.join(xml_dir, fn), os.path.join(txt_dir, base + ".txt")) print("转换完成")

代码里最重要的部分是CLASS_MAP。我见过一份数据里run和running混用，直接导致类别数量变 6，训练时索引错位，后面全部白跑。转换脚本跑完后，看一眼生成的 txt 数量和 xml 是否一致，如果差很多，多半是脚本里漏了某些文件的后缀名判断。

如果原始标注是 COCO JSON，核心逻辑一样，只是提取框的时候直接用bbox字段：x, y, w, h本身就是相对原图的像素值，归一化时x_center = (x + w/2) / img_w，y_center = (y + h/2) / img_h，宽高直接用w/img_w和h/img_h。不需要再求右下角坐标。

3.2 归一化坐标的计算：中心点、宽高、除以原图尺寸

这里单独强调一下归一化，因为太多人在这个环节翻车。YOLO txt 里存的不是像素坐标，而是相对原图宽高的比例，取值范围 0~1。不同标注格式的换算关系：

• VOC：给的是左上角(x1,y1)和右下角(x2,y2)，中心点就是(x1+x2)/2, (y1+y2)/2。
• COCO：给的是左上角(x,y)和宽高(w,h)，中心点要自己加一半宽高。
• 归一化分母一定是原图尺寸，不是网络输入尺寸，比如 640 或 960。

我见过最离谱的错误是：有人拿 VOC 框直接除以 640 生成 YOLO txt，因为训练时imgsz=640。结果真实物体的中心点经常算出来大于 1，YOLO 会把坐标裁剪到边界甚至忽略，模型一开始 loss 就异常高，训练完框全部偏向左上角。所以转换脚本里务必用 XML 里size/width和size/height的真实值。

另外，YOLO 格式对宽高为 0 的标注会直接报错。标注中偶尔会出现xmin == xmax或ymin == ymax的退化框，转换时要做过滤：

if w <= 0 or h <= 0: continue

3.3 四个边界坑：索引、坐标越界、空标注、路径错位

第一个坑：类别索引从 0 开始。很多人按直觉把“跑”设成 1，训练时类别数写 5，但标签里出现5会被当成越界或背景，AP 全乱。记住CLASS_MAP里的值必须是0,1,2,3,4。

第二个坑：坐标越界。标注工具手滑时，框的右下角可能超出图片范围，甚至左上角出现负值。转换时最好对归一化结果做一次裁剪：

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 - x_center) h = min(max(h, 0.0), 1.0 - y_center)

不裁剪的话，坐标大于 1 的训练样本会让 YOLO 在损失计算时产生异常梯度。第三个坑：空标注文件。一张图没有目标时，生成的 txt 是空的，这是正常的，YOLO 会把这张图当背景。但如果大量本应有目标的图片变成空 txt，说明标注文件名没对上，或者 XML 的<object>被漏读。第四个坑：图片和标注文件名不一致。图片叫img_001.jpg，标注却叫0001.xml，训练时找不到对应 txt。转换前先做一次文件名校验：

img_dir = "person_state/images" label_dir = "person_state/labels" imgs = {os.path.splitext(f)[0] for f in os.listdir(img_dir)} labels = {os.path.splitext(f)[0] for f in os.listdir(label_dir)} print("有图无标注:", imgs - labels) print("有标注无图:", labels - imgs)

这两行的差值如果超过 0，就是问题样本，要么补文件，要么在训练配置里排除。

3.4 转换后验证：可视化框和统计 txt 行数

转换完不要直接训练，先验证一遍。我习惯用 OpenCV 把标注框画回图片上，随机抽 30 张检查，同时统计每个 label 的行数分布，确认没有大面积的错位：

import cv2 import os import random def draw_yolo_box(img_path, txt_path, out_path): img = cv2.imread(img_path) h, w = img.shape[:2] with open(txt_path) as f: lines = f.read().strip().splitlines() for line in lines: parts = line.split() if len(parts) != 5: continue cls, xc, yc, bw, bh = parts xc = float(xc) * w yc = float(yc) * h bw = float(bw) * w bh = float(bh) * h x1 = int(xc - bw / 2) y1 = int(yc - bh / 2) x2 = int(xc + bw / 2) y2 = int(yc + bh / 2) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(img, f"cls{cls}", (x1, max(0, y1 - 5)), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 1) cv2.imwrite(out_path, img) os.makedirs("check", exist_ok=True) for img_name in random.sample(os.listdir("person_state/images"), 30): base = os.path.splitext(img_name)[0] txt = f"person_state/labels/{base}.txt" if os.path.exists(txt): draw_yolo_box(f"person_state/images/{img_name}", txt, f"check/{base}.jpg")

画框后人工扫一遍，重点看：框有没有明显小于目标、有没有大面积超出画面、同一目标是否被标成两个类别。这一步虽然费眼，但比训练一次后发现 mAP 低再回来查快得多。

4. 用 YOLOv8 训练人员状态检测模型：配置、参数与命令

4.1 目录组织与 data.yaml 写法

数据转换好后，目录要按 YOLO 的习惯组织：训练集和验证集分开，图片放images，标注放labels。常见结构：

person_state/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── data.yaml

然后把类别信息写进data.yaml：

train: person_state/images/train val: person_state/images/val nc: 5 names: ["run", "sleep", "smoke", "call", "fall"]

这里最容易踩的坑是路径写法。YOLOv8 的train路径如果是相对路径，是相对当前工作目录解析的，不是相对 yaml 文件所在目录。我一般先cd到项目根目录，再在 yaml 里写相对根目录的路径；否则干脆写绝对路径。另外注意names的顺序必须和 3.1 的CLASS_MAP索引一致。顺序错了就是灾难：比如把sleep写在索引 0，模型训练时标签 0 全被当成 sleep 的框，混淆矩阵看起来莫名奇妙，但类别其实全乱了。

4.2 训练命令与关键参数：imgsz、batch、epochs、patience

配置好 yaml，就可以用 ultralytics 的 YOLOv8 训练自己的数据集了。命令不长，但参数直接影响结果：

cd /home/user/person_state_project conda activate yolov8 yolo detect train \ data=person_state/data.yaml \ model=yolov8s.pt \ imgsz=640 \ batch=16 \ epochs=100 \ patience=20 \ project=person_state \ name=run_sleep_smoke_call_fall \ seed=42

几个关键参数我一般这样定：batch先看显存，16GB 显卡跑yolov8s用 16 没什么问题，batch 太大容易 OOM，太小导致 BN 统计抖动，训练不稳；epochs对 4943 张这种规模的数据，100 轮足够，再长容易过拟合，配合patience=20让它连续 20 轮验证集 mAP 不涨就早停；imgsz默认 640，但你的图片里抽烟、打电话这类小目标较多时，可以试 960，代价是显存和时间翻倍；seed固定成 42，保证可复现。

不要一上来就用yolov8x。数据量只有 4943 张，大模型只会过拟合。我遇到过不少新手拿yolov8x训练小数据集，训练集 mAP 接近 1，验证集只有 0.3。合理路线是yolov8n或yolov8s起步，先跑通流程，再在中后期用yolov8m对比一次。如果显存紧张，yolov8n也是一个能快速验证标注有没有问题的最小模型。

4.3 分层划分验证集：避免小类别在验证集缺席

随机划分的翻车点是“睡”这类样本少的类别可能全部落进训练集，验证集一条都没有，mAP 算出来虚高。所以我用分层抽样，按“图片包含的类别组合”来分：

import os from sklearn.model_selection import train_test_split img_dir = "person_state/images" label_dir = "person_state/labels" all_imgs = [f for f in os.listdir(img_dir) if f.endswith(".jpg")] stratify = [] for name in all_imgs: base = os.path.splitext(name)[0] txt = os.path.join(label_dir, base + ".txt") classes = set() if os.path.exists(txt): with open(txt) as f: for line in f.read().strip().splitlines(): parts = line.split() if parts: classes.add(parts[0]) stratify.append(",".join(sorted(classes)) if classes else "empty") train_imgs, val_imgs = train_test_split( all_imgs, test_size=0.2, stratify=stratify, random_state=42 ) # 建立 train/val 目录并复制文件 import shutil for split, imgs in [("train", train_imgs), ("val", val_imgs)]: os.makedirs(f"person_state/images/{split}", exist_ok=True) os.makedirs(f"person_state/labels/{split}", exist_ok=True) for name in imgs: base = os.path.splitext(name)[0] shutil.copy2(os.path.join(img_dir, name), f"person_state/images/{split}/{name}") src_txt = os.path.join(label_dir, base + ".txt") if os.path.exists(src_txt): shutil.copy2(src_txt, f"person_state/labels/{split}/{base}.txt")

这段代码的要点是用“类别组合字符串”作为stratify的分层标签，保证每个类别在训练集和验证集里都出现。空标注图单独归为一层，避免它们随机挤掉某一个类别。如果类别组合太多导致stratify校验失败，可以把拼接字符串转成哈希整数，或者直接用StratifiedShuffleSplit。在实际项目里 5 类组合有限，直接拼接字符串通常没问题。

跑完这一步，数据准备阶段结束。接下来训练前，先把第四章的坑看完，能省不少时间。

5. 避坑与排查：从 loss 不降到 mAP 虚高的 5 个实际问题

5.1 现象：训练 loss 一直不降

很多人拿到数据集直接训练，发现 loss 前 20 轮还在高位波动，或者干脆不降。排查顺序：第一，看标注坐标有没有错位，用 3.4 的可视化脚本检查；第二，看类别索引和names对不对，我曾经把CLASS_MAP索引从 1 开始，结果 loss 一开始就高出天际；第三，看学习率。YOLOv8 默认会自动调学习率，但用预训练权重迁移时，lr0=0.01对小数据集偏大，可以显式改成lr0=0.001。解决方法是按顺序排除，不要一上来就盲目加数据或加模型容量。

5.2 现象：验证 mAP 高但实际漏检严重

这个现象常出现在跌倒和睡觉类上。数据显示 mAP@0.5 有 0.85，但拿到真实监控视频里一测，跌倒的人完全没有框。原因通常是验证集划分不合理，或者标注本身漏标过多——如果某一类只出现在训练集的特定场景，验证集碰巧没覆盖到，mAP 自然虚高。解决方法是先用 4.3 的分层划分，再按类别单独打印 AP：

yolo detect val \ model=person_state/run_sleep_smoke_call_fall/weights/best.pt \ data=person_state/data.yaml \ split=val

查看生成的results.csv里每个类别的mAP50-95，哪类低就补哪类的数据或增强。如果所有类别都高但实际漏检，说明验证集和真实场景分布差异太大，必须重新采集贴近实际工况的图片加入训练，不要只相信测试集指标。

5.3 现象：抽烟、打电话这类小目标 AP 明显低

烟头和手机在画面里占比很小，默认 640 分辨率下只有十几个像素，模型很难学好。常见解法三条：第一条，用imgsz=960甚至 1280 训练，小目标的有效特征更多，代价是训练时间变长；第二条，推理时用 SAHI 切片检测，把大图切成小块分别过模型再合并；第三条，检查标注框有没有把“手拿烟”只框了手部而没框全烟头。标注目标太小而且位置不一致，再好的网络也学不会。我一般先做第三条，因为数据质量问题的概率远高于模型问题。

5.4 现象：跌倒和跑步互相误检

这两个类别的姿态有一些相似性，人跌倒瞬间腿的摆动和跑步动作接近，模型容易混淆。如果混淆矩阵显示run和fall的 AP 互相拉低，我的做法是：第一，增加训练数据中跌倒姿态的多样性，特别是不同角度、不同遮挡的样本；第二，在损失层面给fall类别更高权重，YOLOv8 的class_weights参数可以设置，也可以把cls_loss的权重调高；第三，推理端加时间序列过滤——单帧检测器本身没有时序概念，跌倒是一个过程，连续 3 帧检测到fall且之后没有持续的run框再确认，能显著降低误检。

5.5 现象：7z 解压后图片打不开或标注文件乱码

这个坑比较隐性。7z x成功后，训练时发现部分图片解码失败，或 XML 里出现乱码。原因通常是压缩包内文件名用了非 UTF-8 编码，在 Linux 下解压后变成乱码。解决是用7z x -mcp=65001强制 UTF-8，或者在 Windows 下解压后再传到 Linux。我习惯拿到压缩包先执行7z t测试完整性，再解压；解压后遍历所有图片，用 OpenCV 读取并统计失败数量：

import cv2 import os bad = [] for name in os.listdir("person_state/images"): path = os.path.join("person_state/images", name) img = cv2.imread(path) if img is None: bad.append(name) print("损坏图片数量:", len(bad), bad[:10])

如果损坏图片超过 5 张，建议重新下载或换源。这些坏图在训练时会导致 Dataloader 报错中断，而且错误信息不明显，经常显示CUDA error: device-side assert triggered，误导你以为是显卡驱动问题。

6. 让模型更稳的进阶做法：增强控制、类别权重与推理融合

6.1 用训练增强参数控制过拟合

数据集小，默认增强可能太激进。比如hsv_h色相增强对“抽烟”这种依赖烟头颜色的类别有害，建议关掉；fliplr水平翻转对跑步、跌倒这类方向敏感的动作要慎用，否则模型学不清左右方向。我一般会这样调整：

yolo detect train \ data=person_state/data.yaml \ model=yolov8s.pt \ imgsz=640 \ batch=16 \ epochs=100 \ hsv_h=0.0 \ fliplr=0.0

增强不是越多越好，调整后对比验证集 mAP，找到适合当前数据集的配置。

6.2 类别均衡：给样本少的类别加权重

YOLOv8 的class_weights参数可以传入一个长度等于nc的列表，按类别样本占比的倒数设置。例如样本统计发现sleep只有run的五分之一，可以设置class_weights=[0.7, 2.0, 1.0, 1.0, 2.5]。注意权重不要差太多，否则小类过拟合，大类反而掉点。更稳妥的做法是先训练一个 baseline，混淆矩阵出来后，再针对互误检严重的类别调权重。

6.3 推理端技巧：SAHI 切片检测 + ByteTrack 时序过滤

对 1080p 监控画面，直接用 640 推理时小目标丢失很多。SAHI 把原图切成 640x640 的 patch，重叠 20% 分别推理再合并，能明显提升小目标召回。但切片推理耗时高，不适合实时场景。实时场景我更喜欢把检测器和 ByteTrack 配合：先检测出人的框，再用跟踪器维护每个目标的 ID，跌倒/跑睡这类状态按“连续 N 帧的类别投票”输出，比单帧硬判断稳定得多。这个方案我在工地场景实测过，误报率能降一半左右。

6.4 验证方法：混淆矩阵和真实场景抽样

最后别只看总 mAP，用yolo detect val输出的混淆矩阵看类别间误检，再拿一段没参与训练的真实监控视频做抽帧测试，统计每类漏检和误检数量。我自己的习惯是记录每一次调参后的混淆矩阵，日志留档，而不是只看验证集曲线。这个数据集作为起点是好的，但要真正落地，还需要补充自己场景下的大量样本，特别是跌倒时的遮挡情况和光线变化。我踩过最狠的坑是在实验室数据上跑出 0.9 的 mAP，拿到现场晚上一测全瞎，从那以后我一直坚持“验证集必须包含真实部署环境样本”这条原则。希望帮到你。

本文还有配套的精品资源，点击获取