简介这份数据集面向从事目标检测算法学习与智能交通应用开发的工程师和研究者围绕骑手安全监管场景提供骑手、头盔佩戴状态与车牌号码三类目标的标注图像可用于训练和测试YOLO等实时检测模型解决头盔违规识别与车辆号牌采集的实际问题。资源包共253个文件以121张jpg图像和126个txt标注文件为主另含少量png、cache缓存与yaml配置文件压缩包约74.67MB目录结构便于直接接入YOLO训练流程。目前已有43人学习下载。数据集覆盖骑手定位、戴与不戴头盔分类、可见车牌标注等关键维度读者可据此快速搭建检测实验、验证模型在头盔违规与车牌识别任务上的精度并作为智能交通管理场景中数据采集与算法迭代的实证素材。1. 骑手头盔车牌数据集为什么这个组合比你想的更难标外卖骑手场景的目标检测很多人第一反应是“不就是检测人吗”。真上手才发现业务方要的是三件事同时成立这个人是不是骑手、他戴没戴头盔、车牌号能不能定位到具体车辆。这三类目标在画面里尺度差异极大——车牌可能只占 40×15 像素骑手整个人占半屏头盔又经常被雨棚、树荫、逆光糊成一团。更麻烦的是“戴头盔”和“不戴头盔”本质是同一个空间位置上的二分类标注框高度重叠模型很容易学成“有头就有盔”。这份 20260116 版的骑手头盔车牌数据集就是冲着这类真实卡口、路口、园区门口抓拍场景来的。它把骑手、戴头盔、不戴头盔、车牌号四类目标放在同一套 YOLO 标注体系里适合做外卖/快递合规检测、园区门禁联动、交通违法取证辅助这类落地项目。如果你正在找一份能直接进 YOLOv8/v11 训练、又不想自己从零标几万张图的资源这份数据集值得先跑一遍 baseline 再决定要不要扩标。下面我按“拿到手怎么用 → 参数怎么设 → 哪里会翻车”的顺序拆开讲。2. 数据集结构与 YOLO 标注格式先看清目录再动手2.1 目录组织与类别映射拿到压缩包先别急着解压到训练目录我一般会先tree一遍看结构。这类多类别数据集常见组织是 images/labels 平行目录外加一个data.yaml。你需要确认的第一件事是类别顺序因为 YOLO 的nc和names一旦和标注文件里的 class_id 对不上训练 loss 会正常下降但预测全错这种玄学问题排查起来很费时间。目录/文件作用检查点images/train训练图像数量、分辨率分布images/val验证图像是否与 train 同分布labels/train对应 txt 标注每行 5 列归一化labels/val验证标注空标注文件是否存在data.yaml类别与路径配置names 顺序必须与 class_id 一致常见做法是把四类映射成0: rider、1: helmet、2: no_helmet、3: plate。注意“骑手”这个类如果和“戴头盔”框高度重叠训练时 NMS 阶段容易互相压制后面第 4 章会专门讲怎么处理。2.2 标注文件格式与校验脚本YOLO 标注每行是class_id x_center y_center width height全部归一化到 0~1。下面这段校验脚本我每次拿到新数据集都会跑一遍能提前发现越界框、空文件、类别越界三类问题。import os import glob # 数据集根目录按实际路径改 ROOT rider_helmet_plate NC 4 # 类别数必须与 data.yaml 一致 def check_label(path): issues [] with open(path, r) as f: lines [l.strip() for l in f if l.strip()] if not lines: issues.append(空标注文件) for i, line in enumerate(lines): parts line.split() if len(parts) ! 5: issues.append(f第{i}行字段数{len(parts)}) continue cid int(float(parts[0])) if cid 0 or cid NC: issues.append(f第{i}行类别越界:{cid}) vals [float(v) for v in parts[1:]] if any(v 0 or v 1 for v in vals): issues.append(f第{i}行坐标越界:{vals}) if vals[2] 0 or vals[3] 0: issues.append(f第{i}行宽高非正) return issues for split in [train, val]: label_dir os.path.join(ROOT, labels, split) files glob.glob(os.path.join(label_dir, *.txt)) bad 0 for fp in files: iss check_label(fp) if iss: bad 1 print(fp, iss) print(f{split}: 共{len(files)}个标注, 异常{bad}个)逻辑说明先判断空文件再逐行检查字段数、类别 id 范围、坐标归一化范围和宽高正负。参数上NC必须和data.yaml的nc完全一致ROOT指向解压后的数据集根目录。跑完如果异常数量超过总量的 1%建议先清洗再训练否则 mAP 会被少量脏标注拖低。2.3 data.yaml 配置与路径陷阱data.yaml里path、train、val三个字段的相对路径关系是新手最容易翻车的地方。YOLO 官方实现里path是根train/val相对path解析。我一般直接写绝对路径省事path: /data/rider_helmet_plate train: images/train val: images/val nc: 4 names: 0: rider 1: helmet 2: no_helmet 3: plate注意names的键值顺序就是 class_id写成字典时不要打乱。如果训练日志里Class标签名和实际不符八成是这里顺序错了而不是模型问题。3. 用 YOLOv8/v11 跑通训练参数怎么设才不白跑3.1 环境与预训练权重选择环境这块CUDA 版本和 PyTorch 对应关系是血泪经验先nvidia-smi看驱动支持的最高 CUDA再装对应 torch最后装 ultralytics。别反过来。预训练权重建议从yolov8s.pt或yolo11s.pt起步骑手场景目标尺度跨度大n 系列容易欠拟合小目标车牌l/x 系列在单卡 24G 上 batch 又上不去s 是性价比甜点。pip install ultralytics yolo detect train \ data/data/rider_helmet_plate/data.yaml \ modelyolov8s.pt \ epochs100 \ imgsz640 \ batch16 \ lr00.01 \ patience20 \ projectruns/rider \ nameexp1参数说明imgsz640是默认但车牌小目标多的话可以提到 960代价是显存和速度batch16按显存调OOM 就减半lr00.01是 SGD 常用起点用 AdamW 的话降到 0.001patience20表示 20 轮无提升早停避免过拟合。3.2 训练过程要看哪些指标训练日志里重点盯三个box_loss、cls_loss、mAP50-95。box_loss 前期下降快是正常的cls_loss 如果一直高位不降多半是类别不平衡——戴头盔样本远多于不戴头盔。这时候不要急着改模型先统计各类别实例数import glob, collections cnt collections.Counter() for fp in glob.glob(rider_helmet_plate/labels/train/*.txt): with open(fp) as f: for line in f: if line.strip(): cnt[int(float(line.split()[0]))] 1 print(cnt) # 看四类实例数分布如果no_helmet只有helmet的十分之一训练时可以用cls权重或者对少数类做过采样。YOLOv8 本身没有内置类别权重参数常见做法是复制少数类图像或在 loss 层面改后者需要动源码新手先用数据层面解决。3.3 验证与推理命令训练完先跑 val 确认指标再用 predict 看实际效果yolo detect val modelruns/rider/exp1/weights/best.pt datadata.yaml yolo detect predict modelruns/rider/exp1/weights/best.pt sourcetest_imgs/ saveTrue conf0.25conf0.25是默认置信度阈值骑手场景建议先看 0.25 的结果如果漏检多就降到 0.15误检多就升到 0.4。别一上来就调阈值先确认是模型问题还是阈值问题。4. 避坑与排查这五类问题我几乎每次都遇到4.1 现象mAP 正常但“不戴头盔”几乎检不出原因戴头盔和不戴头盔在图像上高度重叠标注时如果“不戴头盔”框画在头部而“戴头盔”框画在头盔外沿模型学到的特征区分度极低。解决统一标注规范两类框都紧贴头部区域必要时把“骑手”类去掉减少干扰只保留三分类先跑通。4.2 现象车牌小目标 recall 极低原因640 输入下 40 像素的车牌缩到 10 像素以下特征图基本丢失。解决提高imgsz到 960 或 1280或者在数据加载时对含车牌区域做裁剪增强。注意提高分辨率后 batch 要相应减小。4.3 现象训练到一半 loss 突然变 nan原因常见是学习率过高或某批数据里有坐标越界的脏标注。解决先用第 2.2 节脚本清洗标注再把lr0降到 0.005 重跑。如果还 nan检查是否有宽高为 0 的框。4.4 现象验证集指标好实际视频推理抖动严重原因验证集是静态图视频帧间目标位置连续变化NMS 阈值和 conf 阈值在视频上表现不同。解决推理时适当提高iou阈值到 0.5~0.6并对连续帧做简单跟踪平滑不要只信单帧结果。4.5 现象类别顺序改了之后模型全乱原因data.yaml的names顺序和标注 class_id 不一致或者换了数据集但没换权重。解决固定一套类别映射写进项目文档换数据集必须重新从预训练权重训不要拿旧权重直接 finetune 新类别。5. 进阶技巧把四类检测拆成两阶段更稳跑通 baseline 之后如果业务对“不戴头盔”和“车牌”精度要求高我一般会把单阶段四分类改成两阶段第一阶段只检rider和plate第二阶段在 rider 框内做头盔二分类。这样做的好处是第二阶段输入是裁剪后的大图小目标和重叠问题都缓解。代价是推理链路变长需要自己写后处理。# 伪代码两阶段推理思路 # stage1: yolo 检测 rider 和 plate # stage2: 对每个 rider 框裁剪送入头盔二分类模型 for box in rider_boxes: crop img[box.y1:box.y2, box.x1:box.x2] helmet_cls helmet_model(crop) # helmet / no_helmet验证方法上我习惯把验证集按“白天/夜间”“正脸/侧脸”“有雨棚/无雨棚”分组统计 mAP而不是只看总体。总体 mAP 0.8 但夜间只有 0.5 的情况太常见了分组看才能定位到真实短板。从那以后我每次拿到新数据集都强制先跑一遍分组统计再决定要不要扩标。希望帮到你。本文还有配套的精品资源点击获取