简介面向智能交通、自动驾驶及道路养护场景的雨雪天气路面状况数据集覆盖结冰路面、雪地、下雨湿滑与干燥路面四类典型路况可用于训练和评估YOLOv9等目标检测模型适合算法工程师、科研人员以及计算机视觉学习者使用。整体zip压缩包共包含1293个文件其中646张jpg原始图片与646个对应txt标注文件一一匹配另附1个yaml配置文件包体约26.89MB结构简洁便于直接接入训练流程。目前已有860人学习下载适合需要真实恶劣天气样本的模型迭代与验证。图片均采用原始实拍图像未做过度增强能较好保留雨雪天气下的真实纹理与光照变化txt标注文件与yaml配置可直接配合YOLOv9使用方便快速复现训练流程也能帮助开发者检验模型在结冰、湿滑等复杂路况下的鲁棒性。1. 雨雪天气路面状态识别这份 yolov9 标注好的四分类路面数据集下载下来就能训练做辅助驾驶或者道路巡检的朋友应该都有体会路面状态识别跟车辆检测完全是两码事。车是刚体轮廓清晰coco 预训练权重直接迁移就能用但路面是纹理结冰、积雪、湿滑、干燥在视觉上往往是渐变过渡的边界模糊到人眼都要仔细分辨更别说模型了。我之前在项目里试过拿通用目标检测数据集硬训结果晴天干燥路面当成了湿滑结冰路面直接漏检后来换了专门的路面数据集才把指标拉起来。这份数据集就是干这个用的。图片全部是原始拍摄图没有做过压缩和增强处理类别覆盖结冰路面、雪地、下雨湿滑、干燥路面四个状态而且已经用 yolov9 的标注格式做好了标签解压之后不用自己画框直接按 YOLO 格式训练即可。适合正在做辅助驾驶路面感知、道路结冰预警、机场跑道巡检这一类场景的开发者。下载前先搞清楚里面的目录结构、标注格式和几处容易踩的坑能帮你省掉至少半天调试时间。2. 数据集结构与标注格式Roboflow 导出的 YOLO 标签是怎么组织的2.1 文件命名与来源判断拿到压缩包之后先别急着解压训练花两分钟看一眼文件名的规律。压缩包里的图片长这样ice-road31_jpg.rf.647734b2a0c45eadc7006abc92df2e1c.jpg ice-road77_jpg.rf.112ffc45d7f26c53ada13b1992045dfe.jpg ice-road-6_jpg.rf.6c534e7f6702aa8dbce5d0d5fa2cc366.jpg文件名里面那个rf.是 Roboflow 的标记后面跟的一串十六进制字符串是图片的唯一哈希值。这说明数据集是从 Roboflow 平台导出的。Roboflow 导出 YOLO 格式时默认会生成train、valid、test三个目录每个目录下各有一个images和labels子目录外加一份data.yaml配置文件。理论上原始图片的分辨率没有被压缩过但 Roboflow 在处理时会按你导出时选择的参数做一次统一尺寸调整。如果导出时选的是Resize to 640x640那图片大概率被拉伸过不是严格意义的原始分辨率。我的习惯是解压后先identify一下图片尺寸确认是否被统一缩放过这关系到后续训练时imgsz参数的设置。2.2 四个类别与标签文件内容解压后打开任意一个labels目录下的 txt 文件你会看到每行四个数字加一个类别编号的结构2 0.485937 0.631944 0.768750 0.302083这行数据的含义是类别编号 2目标中心点的 x 坐标占图片宽度的 48.59%y 坐标占图片高度的 63.19%目标框宽度占图片宽度的 76.88%高度占图片高度的 30.21%。所有坐标值都是归一化后的 0 到 1 之间的小数训练的时候模型直接读这种格式不需要额外转换。关于类别编号这份数据集在 Roboflow 上的原始类别顺序我没法从文件名里看出来但按照常见的导出习惯比较可能是0: ice、1: snow、2: wet、3: dry。这个顺序直接决定了data.yaml里的类别映射表训练前必须打开确认否则会出现训练时显示class 0推理出来却对不上实际路面的问题。2.3 data.yaml 的配置核对train: ../train/images val: ../valid/images test: ../test/images nc: 4 names: [ice, snow, wet, dry]这份 yaml 是训练时的核心配置文件。train、val、test三个路径默认是相对路径如果你的项目结构跟 Roboflow 导出的不一致需要手动改成绝对路径或调整相对层级。nc是类别数这里是 4names是类别名称列表顺序必须与标签文件里的编号严格对应。我一般会额外检查一下test目录是否存在且不为空。Roboflow 默认勾选数据划分常见比例是 70% 训练、20% 验证、10% 测试。如果你的数据集里 test 目录是空的训练前需要手动从 train 里抽一部分出来补充否则评估阶段没有独立测试集指标跑得再高也心虚。注意names的顺序一旦定下来后面所有训练和推理都要沿用同一套顺序。中途改顺序等于重新训练这个坑我踩过一次后面第 5 章详细讲。3. 训练前处理数据划分、标签校验与类别映射三个必经步骤3.1 校验图片与标签是否一一对应从 Roboflow 导出的数据集偶尔会出现图片多一张、标签少一个的情况尤其是手工整理过的数据集。我的做法是写个小脚本把 images 目录和 labels 目录的基名取出来做一次差集比对import os from pathlib import Path def check_annotation_pairs(img_dir, lbl_dir): img_dir Path(img_dir) lbl_dir Path(lbl_dir) img_stems {p.stem for p in img_dir.iterdir() if p.suffix.lower() in (.jpg, .jpeg, .png)} lbl_stems {p.stem for p in lbl_dir.iterdir() if p.suffix .txt} missing_lbl img_stems - lbl_stems missing_img lbl_stems - img_stems if missing_lbl: print(f有 {len(missing_lbl)} 张图片缺少标签: {list(missing_lbl)[:5]}) if missing_img: print(f有 {len(missing_img)} 个标签缺少图片: {list(missing_img)[:5]}) if not missing_lbl and not missing_img: print(f图片和标签完全对应共 {len(img_stems)} 对) return missing_lbl, missing_img check_annotation_pairs(ice-road-1/train/images, ice-road-1/train/labels)这套脚本的核心逻辑是用文件基名做集合差集。Roboflow 导出时图片和标签文件是同名的图片是.jpg、.txt扩展名区分.stem会把扩展名去掉剩下的哈希字符串一一对应。跑完如果提示缺标签先看是缺了哪几张确认不是空标签文件漏了写出。缺标签的图片在训练时会被当作背景图处理但这张图本身明明是带目标的模型就会学到「有结冰也要输出 no object」属于欠采样噪声建议直接删掉这类图片。如果缺得比较多我一般会重新看一遍原始数据集来源确认是导出时丢的还是原始数据本身就缺。不要抱着「反正缺一两个无所谓」的心态训练集里的负样本噪声会直接影响 precision。3.2 统计类别分布提前预判样本不平衡路面数据的真实场景里干燥路面永远是最多的结冰路面和雪地的样本会比较少。类别不平衡在目标检测里比分类任务影响更明显——模型倾向于把不确定的目标预测成高频类别。先统计一下每个类别的目标框数量# 统计训练集所有标签文件中每个类别的出现次数 for f in ice-road-1/train/labels/*.txt; do awk {print $1} $f done | sort | uniq -c | sort -nr把train/labels换成你自己的实际路径。awk {print $1}是提取每行第一个字段也就是类别编号sort | uniq -c按类别计数。跑完之后看四个数字的差距我见过比较悬殊的情况是 dry 有几千个框ice 只有一两百个这种分布直接训练的话ice 类别的 recall 会非常难看。如果发现某一类样本明显偏少建议优先考虑两类操作一是检查是不是原始标签漏标了一部分通过查看对应类别的图片和标签叠加图来人工抽样确认二是如果标签本身没问题那么在训练时把这个类别的 loss 权重调高或者对这类图片做离线增强。不要一上来就做在线 mosaic 增强路面纹理这种大尺寸目标mosaic 拼图反而会破坏连续性。3.3 检查标签坐标是否越界和类别编号越界YOLO 格式里有个隐形约束归一化坐标理论上必须在 0 到 1 之间但 Roboflow 导出偶尔会出现坐标值为 1.05 这种越界情况训练时会导致计算 anchor box 跟 ground truth 的 IoU 出问题。另一个常见问题是类别编号超过nc - 1比如数据里混入了第 5 类标签但data.yaml只定义了 4 类训练直接报错。# 检查是否存在坐标越界的标签行 awk {if ($20 || $21 || $30 || $31 || $40 || $41 || $50 || $51) print FILENAME, $0} \ ice-road-1/train/labels/*.txt正常输出为空。如果有输出说明该文件里有越界标签要么手动修正要么删掉这一行。越界框对训练的影响不是报错那么简单——它会让模型在对应位置学习到错误的边界框形状因为很多实现会在 loss 计算时对越界框做裁剪结果 ground truth 发生了变化模型学到的跟标注者对不上。检查完这三项之后数据集本身基本就干净了。如果是新手可能到这里就想直接开训但我的经验是再花五分钟看一眼标签在图片上的叠加效果确认框确实框在结冰区域而不是旁边。4. 用 yolov9 训练路面状态模型命令、参数与训练产物说明4.1 环境准备与目录规划先确认环境里已经装好了 ultralytics 包以及对应的依赖。YOLOv9 的基础训练代码随 ultralytics 一起分发不需要单独拉 yolov9 的官方仓库。安装方式这里不展开装完之后yolo命令在命令行里可用即可。建议目录结构保持 Roboflow 导出的样子别乱改ice-road-1/ ├── train/ │ ├── images/ │ └── labels/ ├── valid/ │ ├── images/ │ └── labels/ ├── test/ │ ├── images/ │ └── labels/ └── data.yaml把整个ice-road-1目录放在项目根目录下不要直接放在系统盘或中文路径里。训练框架对中文路径的支持虽然不是完全没有但 Windows 下遇到编码问题会非常难排查。我之前在 Windows 上部署路径带了个「路面」两个字训练到一半突然报FileNotFoundError查了半天是编码问题最后把所有目录全改成拼音才解决。4.2 训练命令与参数说明准备好之后用下面的命令启动训练yolo detect train \ dataice-road-1/data.yaml \ modelyolov9c.pt \ epochs100 \ imgsz640 \ batch16 \ device0 \ projectrun \ nameice_road_exp1 \ patience15这段命令的主干是yolo detect train后面跟的是keyvalue形式的参数。逐项解释一下关键参数data指向之前核对过的data.yaml文件路径modelyolov9c.pt是加载预训练权重COCO 上训过的权重对路面纹理的初始特征提取有帮助比冷启动效果好很多epochs100是最大训练轮数配合patience15使用15 轮没有验证集提升就提前停止避免过拟合imgsz640是训练时缩放的输入尺寸。如果你的原始图片是 1920x1080直接缩到 640 会丢失大量路面纹理细节。我的习惯是先用 640 跑一轮看训练集 loss 收敛情况如果发现结冰类别的 recall 上不去再提高到 1024 或 1280batch16是显存允许范围内的值具体多少受显卡显存限制用 8G 显存跑 640 分辨率的 yolov9cbatch 设 8 比较稳device0是使用单张 GPUCPU 训练的话速度会慢得让人怀疑人生不建议尝试projectrun nameice_road_exp1是训练日志和权重文件的保存路径如果训练中途显存溢出优先调小batch而不是调小imgsz。训练时 imgsz 影响的是模型对目标尺度的适应范围调小了会导致推理时对小于某个尺度的目标表现变差。4.3 训练产物说明训练完成后run/ice_road_exp1/weights/目录下会生成两个权重文件文件用途说明best.pt验证集指标最优的权重用于后续推理和部署aps 不需要再用last.pt最后一轮的权重当你想继续训练时用它接着跑另外还有一个results.csv里面是每一轮的 loss、precision、recall、mAP 数据。训练完成后第一件事是打开这个 CSV 文件看最后几行的趋势。重点关注train/box_loss和val/box_loss如果训练损失持续下降但验证损失在第 50 轮开始回升说明模型已经过拟合此时应该把epochs调小或者加大数据增强的强度。4.4 训练时显存不够的替代方案如果你手里的显卡显存只有 4G 甚至更小直接跑 yolov9c 大概率会在第一个 epoch 中途挂掉。两个办法一是换小模型yolov9s.pt参数量更小4G 显存勉强能跑 640 分辨率 batch8二是把imgsz降到 416loss 特征图变小显存占用明显下降。但要注意yolov9s 对结冰这种弱纹理特征的识别能力比 yolov9c 弱不少。如果你主要识别的是结冰路面尽量保住 yolov9c 的分辨率实在不行用 yolov9s 搭配更高分辨率跑。注意不要用modelyolov9.yaml这种从零训练的配置。从预训练权重起步收敛速度快而且能明显减少标注噪声的影响。除非你是想验证模型结构否则默认加载 c 系列预训练权重。5. 路面数据集避坑指南五个训练阶段容易翻车的细节5.1 训练时报错「class number out of range」现象训练启动没几分钟就报错提示标签文件里出现了超出nc范围的类别编号。原因Roboflow 导出后有些标签文件的行首类别编号对不上data.yaml里的names顺序。比如names列表只有 4 个类别但某个 txt 文件里出现了数值4表示第 5 类。解决用第 3 章的 awk 命令先全局扫描一遍把类别编号大于等于nc的行找出来。如果只是个别文件直接删除该行如果很多文件都有说明数据集本身带有多余类别需要重新映射类别编号。可以写个简单脚本把类别编号逐个减 1比如原本是1 2 3 4缩成0 1 2 3。5.2 names 顺序跟实际路面类别对不上现象训练跑完 100 轮推理时发现模型把干燥路面预测成冰面但验证集 mAP 却显示 0.85 以上。看起来指标很好实际用起来完全不对。原因Roboflow 导出的names列表顺序跟你自己数据标注时的类别顺序不一致。比如标签文件里类别0是 dry但data.yaml里names: [ice, snow, wet, dry]把0对应成了ice模型学到的其实是「类别 0 干燥」推理时按 ice 输出张冠李戴。解决训练前花一分钟做交叉验证——打开一张已知是结冰路面的图片的标签文件确认行首类别编号再打开data.yaml确认对应名称。我在每次训练前都会跑一个快速检查脚本随机挑三张带标签的图片把类别编号和图片内容人工核对一遍。这个习惯从那以后没变过。5.3 结冰路面小目标漏检严重现象晴天干燥路面的高置信度预测很多结冰路面却频繁漏检recall 掉到 0.3 以下。原因结冰路面在视觉上接近于湿滑和干燥纹理特征不明显。如果数据集里结冰样本占比本来就低模型在 loss 优化时会把精力集中在数量多的类别上。另外如果图片里结冰只出现在局部区域目标框较小模型对小目标的检测能力本来就更弱。解决先做类别统计确认样本比例。如果 ice 类别占比低于 10%建议把训练集里 ice 类别的图片复制一份到 augumented 目录配合离线增强后用额外的数据混合训练。另一种做法是在yolo detect train时把hsv_h、hsv_s增强参数调低因为路面结冰的颜色偏灰白增强过头了颜色信息丢失反而更难学。5.4 训练时 loss 正常但验证集 mAP 为 0现象训练 loss 稳步下降但每轮验证集 mAP 始终是 0 或者接近 0没有任何提升。原因最常见的是验证集标签路径错误。Roboflow 导出的data.yaml里验证集路径是相对路径如果你的项目结构跟导出时不一致训练代码找不到验证集图片验证过程就变成空跑。解决用绝对路径替换data.yaml里的相对路径重新启动训练。还有一个可能是验证集和训练集完全重叠——如果你手动划分数据时重复复制了同一批图片到两个目录模型在验证时看到的都是训练过的样本mAP 虚高但实际没有任何参考价值。5.5 推理时输出类别坐标正确但置信度极低现象训练完成后推理框的位置和大小都差不多但置信度只有 0.20.3阈值设低了就输出一堆低质量预测。原因训练时imgsz640推理时如果用了imgsz1280模型在特征图尺度上看到的感受野跟训练时不一致导致预测置信度整体被压低了。解决推理时把imgsz设置成跟训练一致。如果你确实需要更高精度的推理那训练时也应该把imgsz调上去而不是只在推理时换尺寸。另外训练时如果开了mosaic1.0而推理时关掉也可能导致分布偏移一般建议每组实验固定增强参数。6. 训练后的验证手段mAP 不如混淆矩阵直观真实路测才是最后一道关6.1 分析混淆矩阵定位类别混淆训练完成后run/ice_road_exp1/目录下会生成confusion_matrix.png和confusion_matrix_normalized.png。大部分人只看 mAP 就结束了但路面状态识别最重要的其实是混淆矩阵——因为结冰和湿滑、结冰和干燥、雪地和干燥在视觉上的混淆程度差别很大。打开归一化后的混淆矩阵图重点看对角线以外的数值。如果 ice 那一列里有大量样本被预测成 wet说明模型对这两种路面状态的边界没学好。这时候要回去看训练集里对应的图片确认标注本身是否混淆了比如把水渍未干的路面标成了湿滑实际应该是结冰状态。6.2 用验证集跑推理看到框效果命令行推理可以直接验证你的权重在真实图片上的表现yolo detect predict \ modelrun/ice_road_exp1/weights/best.pt \ sourceice-road-1/test/images \ imgsz640 \ conf0.25 \ saveTrue \ projectrun \ namepred_test跑完之后run/pred_test/里会生成标注好的图片。我一般会重点看三类图片包含结冰路面的图片、同时包含多个类别的复杂场景、光线较暗的雨天图片。结冰路面在弱光下跟干燥路面的灰度值非常接近如果这一类图片的预测框对不上实际结冰区域说明特征提取还不够。6.3 导出 ONNX 后做一次实际路测验证的最后一步是把模型导出成 ONNX 格式脱离 PyTorch 环境做一次真实场景测试yolo export \ modelrun/ice_road_exp1/weights/best.pt \ formatonnx \ imgsz640 \ opset12导出后的best.onnx可以直接接入你的推理框架用摄像头或者视频流做实时检测。我习惯的做法是录一段 5 分钟的真实道路视频覆盖干燥、湿滑、结冰、雪地四种路况然后用 ONNX 模型跑一遍统计每一帧的检测结果。这段过程中最容易暴露的问题是模型在运动模糊下的表现——静止图片上框得很准但视频帧一旦出现运动模糊结冰路面的置信度会明显下降。遇到这种情况可以尝试把推理时的imgsz从 640 提到 960但代价是帧率下降需要根据你的设备性能做取舍。从那以后我每次训练完路面状态模型都强制自己走一遍「混淆矩阵 → 验证集推理 → ONNX 路测」三件套而不是只看 mAP 数字。这套数据集的标签质量整体可以配合正确的训练参数mAP 应该能跑到 0.8 以上但真正落地是否可用还是得看你在真实路况下的表现。希望这个流程能帮你在路面识别项目上少走些弯路。本文还有配套的精品资源点击获取
简介面向智能交通、自动驾驶及道路养护场景的雨雪天气路面状况数据集覆盖结冰路面、雪地、下雨湿滑与干燥路面四类典型路况可用于训练和评估YOLOv9等目标检测模型适合算法工程师、科研人员以及计算机视觉学习者使用。整体zip压缩包共包含1293个文件其中646张jpg原始图片与646个对应txt标注文件一一匹配另附1个yaml配置文件包体约26.89MB结构简洁便于直接接入训练流程。目前已有860人学习下载适合需要真实恶劣天气样本的模型迭代与验证。图片均采用原始实拍图像未做过度增强能较好保留雨雪天气下的真实纹理与光照变化txt标注文件与yaml配置可直接配合YOLOv9使用方便快速复现训练流程也能帮助开发者检验模型在结冰、湿滑等复杂路况下的鲁棒性。1. 雨雪天气路面状态识别这份 yolov9 标注好的四分类路面数据集下载下来就能训练做辅助驾驶或者道路巡检的朋友应该都有体会路面状态识别跟车辆检测完全是两码事。车是刚体轮廓清晰coco 预训练权重直接迁移就能用但路面是纹理结冰、积雪、湿滑、干燥在视觉上往往是渐变过渡的边界模糊到人眼都要仔细分辨更别说模型了。我之前在项目里试过拿通用目标检测数据集硬训结果晴天干燥路面当成了湿滑结冰路面直接漏检后来换了专门的路面数据集才把指标拉起来。这份数据集就是干这个用的。图片全部是原始拍摄图没有做过压缩和增强处理类别覆盖结冰路面、雪地、下雨湿滑、干燥路面四个状态而且已经用 yolov9 的标注格式做好了标签解压之后不用自己画框直接按 YOLO 格式训练即可。适合正在做辅助驾驶路面感知、道路结冰预警、机场跑道巡检这一类场景的开发者。下载前先搞清楚里面的目录结构、标注格式和几处容易踩的坑能帮你省掉至少半天调试时间。2. 数据集结构与标注格式Roboflow 导出的 YOLO 标签是怎么组织的2.1 文件命名与来源判断拿到压缩包之后先别急着解压训练花两分钟看一眼文件名的规律。压缩包里的图片长这样ice-road31_jpg.rf.647734b2a0c45eadc7006abc92df2e1c.jpg ice-road77_jpg.rf.112ffc45d7f26c53ada13b1992045dfe.jpg ice-road-6_jpg.rf.6c534e7f6702aa8dbce5d0d5fa2cc366.jpg文件名里面那个rf.是 Roboflow 的标记后面跟的一串十六进制字符串是图片的唯一哈希值。这说明数据集是从 Roboflow 平台导出的。Roboflow 导出 YOLO 格式时默认会生成train、valid、test三个目录每个目录下各有一个images和labels子目录外加一份data.yaml配置文件。理论上原始图片的分辨率没有被压缩过但 Roboflow 在处理时会按你导出时选择的参数做一次统一尺寸调整。如果导出时选的是Resize to 640x640那图片大概率被拉伸过不是严格意义的原始分辨率。我的习惯是解压后先identify一下图片尺寸确认是否被统一缩放过这关系到后续训练时imgsz参数的设置。2.2 四个类别与标签文件内容解压后打开任意一个labels目录下的 txt 文件你会看到每行四个数字加一个类别编号的结构2 0.485937 0.631944 0.768750 0.302083这行数据的含义是类别编号 2目标中心点的 x 坐标占图片宽度的 48.59%y 坐标占图片高度的 63.19%目标框宽度占图片宽度的 76.88%高度占图片高度的 30.21%。所有坐标值都是归一化后的 0 到 1 之间的小数训练的时候模型直接读这种格式不需要额外转换。关于类别编号这份数据集在 Roboflow 上的原始类别顺序我没法从文件名里看出来但按照常见的导出习惯比较可能是0: ice、1: snow、2: wet、3: dry。这个顺序直接决定了data.yaml里的类别映射表训练前必须打开确认否则会出现训练时显示class 0推理出来却对不上实际路面的问题。2.3 data.yaml 的配置核对train: ../train/images val: ../valid/images test: ../test/images nc: 4 names: [ice, snow, wet, dry]这份 yaml 是训练时的核心配置文件。train、val、test三个路径默认是相对路径如果你的项目结构跟 Roboflow 导出的不一致需要手动改成绝对路径或调整相对层级。nc是类别数这里是 4names是类别名称列表顺序必须与标签文件里的编号严格对应。我一般会额外检查一下test目录是否存在且不为空。Roboflow 默认勾选数据划分常见比例是 70% 训练、20% 验证、10% 测试。如果你的数据集里 test 目录是空的训练前需要手动从 train 里抽一部分出来补充否则评估阶段没有独立测试集指标跑得再高也心虚。注意names的顺序一旦定下来后面所有训练和推理都要沿用同一套顺序。中途改顺序等于重新训练这个坑我踩过一次后面第 5 章详细讲。3. 训练前处理数据划分、标签校验与类别映射三个必经步骤3.1 校验图片与标签是否一一对应从 Roboflow 导出的数据集偶尔会出现图片多一张、标签少一个的情况尤其是手工整理过的数据集。我的做法是写个小脚本把 images 目录和 labels 目录的基名取出来做一次差集比对import os from pathlib import Path def check_annotation_pairs(img_dir, lbl_dir): img_dir Path(img_dir) lbl_dir Path(lbl_dir) img_stems {p.stem for p in img_dir.iterdir() if p.suffix.lower() in (.jpg, .jpeg, .png)} lbl_stems {p.stem for p in lbl_dir.iterdir() if p.suffix .txt} missing_lbl img_stems - lbl_stems missing_img lbl_stems - img_stems if missing_lbl: print(f有 {len(missing_lbl)} 张图片缺少标签: {list(missing_lbl)[:5]}) if missing_img: print(f有 {len(missing_img)} 个标签缺少图片: {list(missing_img)[:5]}) if not missing_lbl and not missing_img: print(f图片和标签完全对应共 {len(img_stems)} 对) return missing_lbl, missing_img check_annotation_pairs(ice-road-1/train/images, ice-road-1/train/labels)这套脚本的核心逻辑是用文件基名做集合差集。Roboflow 导出时图片和标签文件是同名的图片是.jpg、.txt扩展名区分.stem会把扩展名去掉剩下的哈希字符串一一对应。跑完如果提示缺标签先看是缺了哪几张确认不是空标签文件漏了写出。缺标签的图片在训练时会被当作背景图处理但这张图本身明明是带目标的模型就会学到「有结冰也要输出 no object」属于欠采样噪声建议直接删掉这类图片。如果缺得比较多我一般会重新看一遍原始数据集来源确认是导出时丢的还是原始数据本身就缺。不要抱着「反正缺一两个无所谓」的心态训练集里的负样本噪声会直接影响 precision。3.2 统计类别分布提前预判样本不平衡路面数据的真实场景里干燥路面永远是最多的结冰路面和雪地的样本会比较少。类别不平衡在目标检测里比分类任务影响更明显——模型倾向于把不确定的目标预测成高频类别。先统计一下每个类别的目标框数量# 统计训练集所有标签文件中每个类别的出现次数 for f in ice-road-1/train/labels/*.txt; do awk {print $1} $f done | sort | uniq -c | sort -nr把train/labels换成你自己的实际路径。awk {print $1}是提取每行第一个字段也就是类别编号sort | uniq -c按类别计数。跑完之后看四个数字的差距我见过比较悬殊的情况是 dry 有几千个框ice 只有一两百个这种分布直接训练的话ice 类别的 recall 会非常难看。如果发现某一类样本明显偏少建议优先考虑两类操作一是检查是不是原始标签漏标了一部分通过查看对应类别的图片和标签叠加图来人工抽样确认二是如果标签本身没问题那么在训练时把这个类别的 loss 权重调高或者对这类图片做离线增强。不要一上来就做在线 mosaic 增强路面纹理这种大尺寸目标mosaic 拼图反而会破坏连续性。3.3 检查标签坐标是否越界和类别编号越界YOLO 格式里有个隐形约束归一化坐标理论上必须在 0 到 1 之间但 Roboflow 导出偶尔会出现坐标值为 1.05 这种越界情况训练时会导致计算 anchor box 跟 ground truth 的 IoU 出问题。另一个常见问题是类别编号超过nc - 1比如数据里混入了第 5 类标签但data.yaml只定义了 4 类训练直接报错。# 检查是否存在坐标越界的标签行 awk {if ($20 || $21 || $30 || $31 || $40 || $41 || $50 || $51) print FILENAME, $0} \ ice-road-1/train/labels/*.txt正常输出为空。如果有输出说明该文件里有越界标签要么手动修正要么删掉这一行。越界框对训练的影响不是报错那么简单——它会让模型在对应位置学习到错误的边界框形状因为很多实现会在 loss 计算时对越界框做裁剪结果 ground truth 发生了变化模型学到的跟标注者对不上。检查完这三项之后数据集本身基本就干净了。如果是新手可能到这里就想直接开训但我的经验是再花五分钟看一眼标签在图片上的叠加效果确认框确实框在结冰区域而不是旁边。4. 用 yolov9 训练路面状态模型命令、参数与训练产物说明4.1 环境准备与目录规划先确认环境里已经装好了 ultralytics 包以及对应的依赖。YOLOv9 的基础训练代码随 ultralytics 一起分发不需要单独拉 yolov9 的官方仓库。安装方式这里不展开装完之后yolo命令在命令行里可用即可。建议目录结构保持 Roboflow 导出的样子别乱改ice-road-1/ ├── train/ │ ├── images/ │ └── labels/ ├── valid/ │ ├── images/ │ └── labels/ ├── test/ │ ├── images/ │ └── labels/ └── data.yaml把整个ice-road-1目录放在项目根目录下不要直接放在系统盘或中文路径里。训练框架对中文路径的支持虽然不是完全没有但 Windows 下遇到编码问题会非常难排查。我之前在 Windows 上部署路径带了个「路面」两个字训练到一半突然报FileNotFoundError查了半天是编码问题最后把所有目录全改成拼音才解决。4.2 训练命令与参数说明准备好之后用下面的命令启动训练yolo detect train \ dataice-road-1/data.yaml \ modelyolov9c.pt \ epochs100 \ imgsz640 \ batch16 \ device0 \ projectrun \ nameice_road_exp1 \ patience15这段命令的主干是yolo detect train后面跟的是keyvalue形式的参数。逐项解释一下关键参数data指向之前核对过的data.yaml文件路径modelyolov9c.pt是加载预训练权重COCO 上训过的权重对路面纹理的初始特征提取有帮助比冷启动效果好很多epochs100是最大训练轮数配合patience15使用15 轮没有验证集提升就提前停止避免过拟合imgsz640是训练时缩放的输入尺寸。如果你的原始图片是 1920x1080直接缩到 640 会丢失大量路面纹理细节。我的习惯是先用 640 跑一轮看训练集 loss 收敛情况如果发现结冰类别的 recall 上不去再提高到 1024 或 1280batch16是显存允许范围内的值具体多少受显卡显存限制用 8G 显存跑 640 分辨率的 yolov9cbatch 设 8 比较稳device0是使用单张 GPUCPU 训练的话速度会慢得让人怀疑人生不建议尝试projectrun nameice_road_exp1是训练日志和权重文件的保存路径如果训练中途显存溢出优先调小batch而不是调小imgsz。训练时 imgsz 影响的是模型对目标尺度的适应范围调小了会导致推理时对小于某个尺度的目标表现变差。4.3 训练产物说明训练完成后run/ice_road_exp1/weights/目录下会生成两个权重文件文件用途说明best.pt验证集指标最优的权重用于后续推理和部署aps 不需要再用last.pt最后一轮的权重当你想继续训练时用它接着跑另外还有一个results.csv里面是每一轮的 loss、precision、recall、mAP 数据。训练完成后第一件事是打开这个 CSV 文件看最后几行的趋势。重点关注train/box_loss和val/box_loss如果训练损失持续下降但验证损失在第 50 轮开始回升说明模型已经过拟合此时应该把epochs调小或者加大数据增强的强度。4.4 训练时显存不够的替代方案如果你手里的显卡显存只有 4G 甚至更小直接跑 yolov9c 大概率会在第一个 epoch 中途挂掉。两个办法一是换小模型yolov9s.pt参数量更小4G 显存勉强能跑 640 分辨率 batch8二是把imgsz降到 416loss 特征图变小显存占用明显下降。但要注意yolov9s 对结冰这种弱纹理特征的识别能力比 yolov9c 弱不少。如果你主要识别的是结冰路面尽量保住 yolov9c 的分辨率实在不行用 yolov9s 搭配更高分辨率跑。注意不要用modelyolov9.yaml这种从零训练的配置。从预训练权重起步收敛速度快而且能明显减少标注噪声的影响。除非你是想验证模型结构否则默认加载 c 系列预训练权重。5. 路面数据集避坑指南五个训练阶段容易翻车的细节5.1 训练时报错「class number out of range」现象训练启动没几分钟就报错提示标签文件里出现了超出nc范围的类别编号。原因Roboflow 导出后有些标签文件的行首类别编号对不上data.yaml里的names顺序。比如names列表只有 4 个类别但某个 txt 文件里出现了数值4表示第 5 类。解决用第 3 章的 awk 命令先全局扫描一遍把类别编号大于等于nc的行找出来。如果只是个别文件直接删除该行如果很多文件都有说明数据集本身带有多余类别需要重新映射类别编号。可以写个简单脚本把类别编号逐个减 1比如原本是1 2 3 4缩成0 1 2 3。5.2 names 顺序跟实际路面类别对不上现象训练跑完 100 轮推理时发现模型把干燥路面预测成冰面但验证集 mAP 却显示 0.85 以上。看起来指标很好实际用起来完全不对。原因Roboflow 导出的names列表顺序跟你自己数据标注时的类别顺序不一致。比如标签文件里类别0是 dry但data.yaml里names: [ice, snow, wet, dry]把0对应成了ice模型学到的其实是「类别 0 干燥」推理时按 ice 输出张冠李戴。解决训练前花一分钟做交叉验证——打开一张已知是结冰路面的图片的标签文件确认行首类别编号再打开data.yaml确认对应名称。我在每次训练前都会跑一个快速检查脚本随机挑三张带标签的图片把类别编号和图片内容人工核对一遍。这个习惯从那以后没变过。5.3 结冰路面小目标漏检严重现象晴天干燥路面的高置信度预测很多结冰路面却频繁漏检recall 掉到 0.3 以下。原因结冰路面在视觉上接近于湿滑和干燥纹理特征不明显。如果数据集里结冰样本占比本来就低模型在 loss 优化时会把精力集中在数量多的类别上。另外如果图片里结冰只出现在局部区域目标框较小模型对小目标的检测能力本来就更弱。解决先做类别统计确认样本比例。如果 ice 类别占比低于 10%建议把训练集里 ice 类别的图片复制一份到 augumented 目录配合离线增强后用额外的数据混合训练。另一种做法是在yolo detect train时把hsv_h、hsv_s增强参数调低因为路面结冰的颜色偏灰白增强过头了颜色信息丢失反而更难学。5.4 训练时 loss 正常但验证集 mAP 为 0现象训练 loss 稳步下降但每轮验证集 mAP 始终是 0 或者接近 0没有任何提升。原因最常见的是验证集标签路径错误。Roboflow 导出的data.yaml里验证集路径是相对路径如果你的项目结构跟导出时不一致训练代码找不到验证集图片验证过程就变成空跑。解决用绝对路径替换data.yaml里的相对路径重新启动训练。还有一个可能是验证集和训练集完全重叠——如果你手动划分数据时重复复制了同一批图片到两个目录模型在验证时看到的都是训练过的样本mAP 虚高但实际没有任何参考价值。5.5 推理时输出类别坐标正确但置信度极低现象训练完成后推理框的位置和大小都差不多但置信度只有 0.20.3阈值设低了就输出一堆低质量预测。原因训练时imgsz640推理时如果用了imgsz1280模型在特征图尺度上看到的感受野跟训练时不一致导致预测置信度整体被压低了。解决推理时把imgsz设置成跟训练一致。如果你确实需要更高精度的推理那训练时也应该把imgsz调上去而不是只在推理时换尺寸。另外训练时如果开了mosaic1.0而推理时关掉也可能导致分布偏移一般建议每组实验固定增强参数。6. 训练后的验证手段mAP 不如混淆矩阵直观真实路测才是最后一道关6.1 分析混淆矩阵定位类别混淆训练完成后run/ice_road_exp1/目录下会生成confusion_matrix.png和confusion_matrix_normalized.png。大部分人只看 mAP 就结束了但路面状态识别最重要的其实是混淆矩阵——因为结冰和湿滑、结冰和干燥、雪地和干燥在视觉上的混淆程度差别很大。打开归一化后的混淆矩阵图重点看对角线以外的数值。如果 ice 那一列里有大量样本被预测成 wet说明模型对这两种路面状态的边界没学好。这时候要回去看训练集里对应的图片确认标注本身是否混淆了比如把水渍未干的路面标成了湿滑实际应该是结冰状态。6.2 用验证集跑推理看到框效果命令行推理可以直接验证你的权重在真实图片上的表现yolo detect predict \ modelrun/ice_road_exp1/weights/best.pt \ sourceice-road-1/test/images \ imgsz640 \ conf0.25 \ saveTrue \ projectrun \ namepred_test跑完之后run/pred_test/里会生成标注好的图片。我一般会重点看三类图片包含结冰路面的图片、同时包含多个类别的复杂场景、光线较暗的雨天图片。结冰路面在弱光下跟干燥路面的灰度值非常接近如果这一类图片的预测框对不上实际结冰区域说明特征提取还不够。6.3 导出 ONNX 后做一次实际路测验证的最后一步是把模型导出成 ONNX 格式脱离 PyTorch 环境做一次真实场景测试yolo export \ modelrun/ice_road_exp1/weights/best.pt \ formatonnx \ imgsz640 \ opset12导出后的best.onnx可以直接接入你的推理框架用摄像头或者视频流做实时检测。我习惯的做法是录一段 5 分钟的真实道路视频覆盖干燥、湿滑、结冰、雪地四种路况然后用 ONNX 模型跑一遍统计每一帧的检测结果。这段过程中最容易暴露的问题是模型在运动模糊下的表现——静止图片上框得很准但视频帧一旦出现运动模糊结冰路面的置信度会明显下降。遇到这种情况可以尝试把推理时的imgsz从 640 提到 960但代价是帧率下降需要根据你的设备性能做取舍。从那以后我每次训练完路面状态模型都强制自己走一遍「混淆矩阵 → 验证集推理 → ONNX 路测」三件套而不是只看 mAP 数字。这套数据集的标签质量整体可以配合正确的训练参数mAP 应该能跑到 0.8 以上但真正落地是否可用还是得看你在真实路况下的表现。希望这个流程能帮你在路面识别项目上少走些弯路。本文还有配套的精品资源点击获取
