简介面向YOLO系列算法实战的红外动物检测数据集适合目标检测初学者与算法工程师快速验证模型。资源涵盖郊狼、鹿、猪、兔、浣熊等动物类别共9568张带标签图像压缩包内文件总数2000以XML标签文件为主要文件类型同时提供YOLO格式TXT标注与VOC格式XML标注两套标签并已划分好训练集与验证集可直接用于yolov5、yolov7、yolov8、yolov9、yolov10、yolo11等主流框架的训练与测试。资源包大小233.79MB目录结构清晰便于按格式读取。目前已有120人学习下载适合需要标准数据集支撑模型迭代的开发者入手后即可省去数据清洗与格式转换时间专注调参与部署。1. 红外动物检测数据集是什么9568 张带标签图片能省多少标注功夫夜间野生动物监测最耗人的不是算法而是看照片。相机陷阱一夜触发几千次拍回来的红外图像里一半是空草地和晃动的树枝剩下的一半里动物可能只占几十个像素。人工筛一遍要两三个小时而且看久了眼睛会漏掉角落里的兔子。这份红外动物检测数据集包含郊狼、鹿、猪、兔、浣熊五类动物一共 9568 张图像且自带标签压缩包就是 my-game-pics.zip。它解决的是标注成本问题你拿到手不需要重新画框只需要把标签格式确认好、数据分布摸清楚就能灌进 yolo 算法里训练。我下面从解压开始讲数据清洗、格式转换、训练调参和边缘部署的完整路线。适合刚准备用 yolov8 训练自己的数据集的同事也适合已经在可见光检测上踩过坑、想转红外场景的团队。2. 红外动物检测为什么难从五类动物的成像特征到 YOLO 的标签适配红外图像不是普通照片调成黑白那么简单的。在做任何训练之前得先理解为什么同一条 yolo 训练流程在可见光 COCO 上跑得好好的到了红外数据上就各种翻车。这一章把数据本身的特征和模型选型逻辑讲清楚。2.1 红外图像和可见光图像差在哪灰度化、低对比度和热噪声红外相机捕捉的是热辐射强度输出大多是单通道灰度图。对比可见光 RGB红外图像缺少颜色和纹理动物轮廓完全依赖温差。夏天环境温度接近动物体温时整只动物的边缘会融进背景里人眼都很难分辨。加上传感器本身的固定噪声和坏点图像里经常出现大片白点或条纹这些在 yolo 算法眼里很容易被当成高频特征。另一个容易忽略的点是位深。很多红外相机输出的是 16 位 TIFF 或 PNG直接解压后用普通看图工具打开就是全黑的因为查看器只显示低 8 位。OpenCV 的 imread 如果不用 IMREAD_UNCHANGED也会把 16 位图按 8 位读信息丢掉一大半。所以拿到 my-game-pics.zip 这类数据集第一件事不是看 mAP而是确认图像位深和动态范围。我一般的预处理套路是先做直方图均衡化或 CLAHE再转成 8 位三通道。这里有个关键点CLAHE 不改变目标坐标所以标签文件不需要跟着改。但如果你用的是伪彩红外图比如蓝橙映射那种三通道图就不能直接对每个通道做 CLAHE得先转灰度再处理否则颜色通道的映射关系会被破坏模型学到的特征也会变奇怪。这类问题在红外小目标检测数据集里尤其明显因为小目标本身的灰度对比度就低再被错误预处理一压直接消失在背景里。2.2 五类动物的标签边界郊狼、鹿、猪、兔、浣熊的形态差异这个数据集做的是五类目标检测郊狼、鹿、猪、兔、浣熊。从检测难度上看鹿和猪体型大、轮廓相对完整属于中等目标郊狼和浣熊经常出现在草丛或树影边缘身体遮挡严重兔子是典型的小目标夜间红外图里经常只有一个亮点甚至没有完整轮廓。五类之间的类别不均衡会影响 yolo 损失函数的收敛方向尤其是兔子的召回率。我拿到标签后的第一个动作是统计 bbox 面积分布而不是直接训练。用一段简单脚本把所有标签读进来按类别统计小中大概数。这里的小目标定义我一般用面积占比 1%对应 640x640 输入下大约 64x64 像素。如果兔子的目标普遍小于这个尺寸后面的输入分辨率、mosaic 增强策略都要跟着调整。import os import glob from collections import Counter label_dir labels/train stats {i: {count: 0, small: 0, medium: 0, large: 0} for i in range(5)} for lbl_file in glob.glob(os.path.join(label_dir, *.txt)): with open(lbl_file) as f: lines f.readlines() img_w, img_h 1280, 720 for line in lines: parts line.strip().split() cls_id int(parts[0]) x_center, y_center, w, h map(float, parts[1:5]) bw, bh w * img_w, h * img_h area_ratio (bw * bh) / (img_w * img_h) stats[cls_id][count] 1 if area_ratio 0.01: stats[cls_id][small] 1 elif area_ratio 0.1: stats[cls_id][medium] 1 else: stats[cls_id][large] 1 print(stats)这段代码的关键在于必须先拿到原图宽高因为标签里是归一化坐标不乘回真实像素就统计不出有意义的目标面积。很多人在这一步图省事写死 1280x720遇到不同分辨率的图像统计就会偏。正确做法是从 images 目录里读对应图像的实际尺寸。统计结果出来后你会发现兔子的 small 占比大概率超过一半这就是后面调参的主要矛盾。2.3 为什么选YOLO而不是Faster R-CNN或SSD速度、小目标和部署链红外动物检测的落地场景大多是相机陷阱或者边缘盒子图像连续触发算力有限。Faster R-CNN 精度确实好但单帧推理在 CPU 上要几百毫秒到几秒不适合成批处理夜间照片。SSD 在红外小目标上的表现不如 YOLO因为 SSD 的低层特征图分辨率不够。YOLO 系列从 v5 到 v8训练生态成熟预训练模型容易拿转 ONNX、TensorRT 的教程也最多团队里随便一个工程师都能快速上手。不过要注意yolo 预训练模型是在 COCO 可见光数据上训出来的。骨干网络的底层卷积对边缘、纹理的提取能力可以迁移到红外图但高层语义需要红外数据自己纠正。所以训练时不要把 backbone 冻死至少最后两层要跟着更新。我见过有人为了省显存 freeze backbone结果模型把热噪声当成动物特征训练完 loss 降了但检测全是虚警。3. 用 YOLOv8 训练红外动物检测数据集从 zip 解压到第一个 mAP 的完整流程3.1 先检查 zip 里的真实目录结构别上来就训练拿到 my-game-pics.zip第一步永远是解压后看目录。这个习惯能省半天时间。很多数据集的压缩包是嵌套目录解压出来是 my-game-pics/images 和 my-game-pics/labels 还好如果里面又套了一层训练脚本里 path 配置就会对不上。还有标签格式的问题如果标签是 XML根本不是 YOLO 能直接吃的 txt。mkdir -p my-game-pics unzip my-game-pics.zip -d my-game-pics cd my-game-pics find . -maxdepth 2 -type d | sortfind 命令列出目录结构一眼就能看出 images 和 labels 是否平级。还要检查图像后缀红外数据集里经常混着 .tiff、.pgmYOLO 训练时 OpenCV 能读大部分格式但 16 位 tiff 不预处理会丢失信息。最好统一转成 8 位 jpg顺便做一次位深归一化。注意转换时保持文件名不变因为标签文件的命名是跟图像名一一对应的改动文件名会让后面的匹配全断。3.2 把标签整理成 YOLO 格式类别 id、归一化坐标和空标签文件YOLO 的标签格式是每张图对应一个同名 txt每行写 class x_center y_center width height坐标全部归一化到 0-1。如果原始标签是 VOC 的 XML转换脚本是绕不开的。如果标签已经是 txt也要检查是否有空文件、坐标越界、类别 id 超出范围。这份数据集虽然叫带标签但不代表每个文件都干净。import xml.etree.ElementTree as ET import os classes [coyote, deer, pig, rabbit, raccoon] xml_dir annotations out_dir labels os.makedirs(out_dir, exist_okTrue) for xml_file in os.listdir(xml_dir): if not xml_file.endswith(.xml): continue tree ET.parse(os.path.join(xml_dir, xml_file)) root tree.getroot() img root.find(filename).text size root.find(size) img_w int(size.find(width).text) img_h int(size.find(height).text) lines [] for obj in root.findall(object): cls_name obj.find(name).text.strip() if cls_name not in classes: continue cls_id classes.index(cls_name) 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) x_center (xmin xmax) / 2 / img_w y_center (ymin ymax) / 2 / img_h w (xmax - xmin) / img_w h (ymax - ymin) / img_h lines.append(f{cls_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}) out_path os.path.join(out_dir, os.path.splitext(img)[0] .txt) with open(out_path, w) as f: f.write(\n.join(lines))脚本里两个容易踩的坑类别名要 strip原始 XML 里可能带空格或者大小写不一致匹配不上就静默跳过少了一堆目标转换完成后要验证一下标签文件和图片文件的数量是否一致。如果某个 xml 里没有目标生成的是空 txt同样保留这是合法负样本。转换完以后做一次 train/val 划分。我习惯按类别分层抽样保证每个类别在验证集里的比例和训练集接近不然小类别可能只出现在一边。3.3 配置 data.yaml 和模型选择五类还是用 yolov8s 起步data.yaml 是训练入口里面的路径问题坑过很多人。yolov8 的路径是基于当前工作目录解析的不是基于 yaml 文件所在目录。所以我最推荐的做法是把 data.yaml 放在数据集根目录下同时路径写成绝对路径虽然不够优雅但换机器、换环境不会因为相对路径失灵。path: /data/my-game-pics train: images/train val: images/val nc: 5 names: [coyote, deer, pig, rabbit, raccoon]train 和 val 是图片目录yolov8 会自动去同级 labels 目录找对应标签也就是 images/train 对应 labels/train。如果你的标签目录结构不是这样需要手工改。nc 必须是 5names 的顺序必须和 txt 里的 class id 一致。这里的names顺序不能随意调整比如原始标注里郊狼是 0你却把 deer 放在第一个训练不会报错但模型输出的类别语义全错了最后部署时才发现虚警一堆。模型选型上五类目标不算复杂不建议一上来就上 yolov8x。我一般先用 yolov8s640 输入在 GTX 1080Ti 上大概单帧 80ms离线处理完全够。如果后面要上边缘盒子再换 yolov8n 实测。yolov8n 参数量小但红外小目标可能捡不回来这一步省不得。3.4 训练命令与关键参数epochs、batch、imgsz、patience训练命令本身不复杂参数才是决定红外场景效果的关键。下面是一条我在类似数据集上常用的命令cd /data/my-game-pics yolo detect train \ --model yolov8s.pt \ --data data.yaml \ --imgsz 640 \ --batch 16 \ --epochs 300 \ --patience 30 \ --project runs/infrared_animals \ --name exp1--model 用 yolov8s.pt是常见的 yolo 预训练模型下载方式拿到的 COCO 权重。--imgsz 640 是起步值如果兔子小目标多后面可以提到 960但显存占用会接近翻倍。--batch 16 在 16G 显存下够用batch 越大收敛越稳但红外数据噪声本身大batch 太大反而容易对噪声过拟合。--epochs 300 配合 --patience 30意思是连续 30 个 epoch 验证集 mAP 没提升就自动停。很多人习惯固定跑满 300 轮其实早停省下来的时间足够多跑几次实验。注意如果你对 yolo 损失函数不熟悉这里不用改默认的 CIoU 和 DFL 设置。红外数据的主要矛盾不在损失函数而在数据预处理和增强策略。另外yolov8 默认的 augment 里有 hsv_h、hsv_s、hsv_v 的变化这些对红外图来说只有 hsv_v亮度有意义色相和饱和度扰动纯粹是干扰。所以下一章我会讲怎么自定义增强配置。4. 调参与验证红外场景下提升郊狼和兔子的召回率4.1 用混淆矩阵定位最难的类别而不是只看 mAP训练完第一版不要只盯 mAP。红外数据里 mAP 会被鹿和猪这种大目标拉高兔子掉下去也看不出来。正确做法是看 per-class AP 和混淆矩阵定位到底哪一类在拖后腿。用 ultralytics 的 API 可以快速出结果from ultralytics import YOLO model YOLO(runs/infrared_animals/exp1/weights/best.pt) metrics model.val(datadata.yaml, splitval, conf0.25, iou0.5) print(metrics.box.ap) print(metrics.box.ap50)打印出来的 ap 数组按类别顺序对应 data.yaml 里的 names。常见结果是 deer 和 pig 的 AP50 在 0.85 以上coyote 和 rabbit 不到 0.5。这时候如果直接调复杂度方向就错了。还要注意打印混淆矩阵时你会发现 yolo 混淆矩阵总合不唯一因为一个 GT 框可能对应多个预测框或者一个预测框同时匹配多个 GT这不代表 bug重点看哪些类别互相混淆。如果 coyote 和 deer 混淆说明两者的轮廓特征太接近可以考虑给 coyote 类别做针对性增强比如多裁一些局部样本。如果 rabbit 的 AP 低先回看前面统计的目标面积分布确认是不是小目标问题。小目标占比高的话单纯调阈值没用要从输入分辨率和特征层入手。4.2 调 mosaic、灰度增强和输入分辨率yolov8 是 anchor-free 架构没有传统 anchor 超参可调但 mosaic 增强对红外小目标是双刃剑。mosaic 把四张图拼在一起每张图的目标在拼接后被缩小兔子可能从 32x32 变成 16x16更难学。对于这类数据集我建议把默认的 mosaic 概率从 1.0 降到 0.5甚至在最后一轮训练里提前关闭。同时增加灰度扰动和亮度对比度扰动模拟不同红外相机的曝光差异。这些增强参数可以通过一个增强配置 yaml 覆盖mosaic: 0.5 hsv_h: 0.0 hsv_s: 0.0 hsv_v: 0.3 degrees: 5.0 translate: 0.1 scale: 0.3 fliplr: 0.5hsv_h 和 hsv_s 设 0因为红外图没有颜色信息扰动色调没意义。hsv_v 保留 0.3让亮度在一定范围内变化模拟温差。degrees 5 是合理的野外的动物不会像工业质检那样旋转 90 度小幅旋转加 scale 就够了。translate 0.1 模拟相机抖动。还有一个容易被忽略的参数是 close_mosaic。yolov8 默认在最后 10 个 epoch 自动关闭 mosaic让模型在正常分布上收敛。如果你手动把 mosaic 降到 0.5建议把 close_mosaic 设成 5避免最后阶段还在看拼图。做完这些调整重新训练rabbit 的 AP 通常会有可见提升。输入分辨率方面如果兔子目标普遍小于 32x32把 imgsz 提到 960 是最直接的手段。代价是显存和训练时间。显存不够的话可以先试 768很多小目标问题在 768 下就能缓解。4.3 推理参数红外小目标的 conf 和 iou 怎么设训练完的权重在推理时conf 和 iou 阈值不能照搬默认值。yolov8 默认 conf0.25、iou0.45这对可见光目标合理但红外图像噪声点会被模型误判成动物产生大量低置信度框。如果你发现输出框多而杂把 conf 调到 0.35 或 0.4虚警会明显减少。但 rabbit 本身置信度普遍低conf 太高又会把真目标滤掉。我一般做法是先在验证集上跑一遍推理统计不同 conf 下每张图的框数量和召回率找到虚警和漏检交叉最少的点。举一条推理命令yolo detect predict \ --model runs/infrared_animals/exp1/weights/best.pt \ --source /data/my-game-pics/images/val \ --conf 0.3 \ --iou 0.5 \ --save-txt \ --save-conf \ --project runs/predict \ --name val_c030--save-txt 输出坐标文件--save-conf 在每行末尾附上置信度方便脚本后处理。如果某张图上有几十个框基本就是红外噪声误检要么提高 conf要么做形态学预处理。NMS 的 iou 阈值在人群密集场景才需要调低动物检测里多数是单体出现iou 0.5 就够调太低会让同一只动物出多个重叠框。5. 红外动物检测数据集落地避坑从 zip 解压到部署的 5 个常见问题5.1 现象解压后图片全黑或标签文件对不上红外图像是 16 位 TIFF解压后预览全黑这不是文件坏而是查看器只显示低 8 位。如果直接把这批图送进 YOLOOpenCV 默认按 8 位读信息丢掉大半。解决方法是预处理阶段统一转 8 位并做 CLAHEimport cv2 import glob import numpy as np for img_file in glob.glob(raw_images/*.tiff): img cv2.imread(img_file, cv2.IMREAD_UNCHANGED) if img.dtype np.uint16: img cv2.normalize(img, None, 0, 255, cv2.NORM_MINMAX).astype(np.uint8) clahe cv2.createCLAHE(clipLimit2.0, tileGridSize(8, 8)) img clahe.apply(img) out_file images/ img_file.split(/)[-1].replace(.tiff, .jpg) cv2.imwrite(out_file, img)这段代码用 IMREAD_UNCHANGED 读原图确认是 uint16 先归一化再 CLAHE。坐标不会变所以标签不用改。注意 CLAHE 只能用于单通道灰度图如果是三通道伪彩图先转灰度再处理。5.2 现象训练 loss 不下降或直接 NaN原因大多是标签里有非法字段。空格分隔的坐标如果缺了数字float() 直接报错如果标签文件带 UTF-8 BOM第一行会多一个不可见字符解析出来字段数不对。解决方法是训练前全量扫描标签文件for f in labels/train/*.txt; do awk {if (NF ! 5) print FILENAME : field error; if ($1 0 || $1 4) print FILENAME : class id error} $f doneawk 检查每行必须 5 个字段class id 必须在 0-4 之间。还有坐标越界比如 w 大于 1 或者小于 0虽然不会 NaN但会让 loss 在某个值附近震荡。判断坐标时加个浮点容差避免 awk 的精度问题。5.3 现象模型把树桩、石头误检成鹿或郊狼红外图像里背景温度异常物体会形成类似动物的热轮廓。原因主要是训练集缺少负样本。9568 张图如果全是含目标的图像模型没见过空背景自然会把一切热源当动物。解决方法是收集一批没有动物的红外背景图写上空的标签文件混进训练集。yolov8 支持空 txt 的图片只要图片路径存在就行。如果不想重新训练可以在推理端加后处理计算框内区域的 Laplacian 方差。动物有毛皮纹理纹理方差高岩石和树桩表面平滑方差低。方差低于阈值就丢弃框。这个办法会误杀远处的小动物但能显著降低虚警实地监测场景里很实用。5.4 现象推理时矩形框整体偏移尤其是图像边缘这个坑我翻过车原因是 letterbox。yolov8 预处理会把图像缩放到 640x640多出来的区域用灰边填充。如果标签是外部工具在原图上标注的没有做 letterbox 映射推理输出就会偏移。yolov8 训练时会把标签自动同步缩放但前提是标签坐标基于原图且输入图像没有在进模型前被手动 resize。解决方法是统一以原图坐标为准。训练阶段 yolo 自己处理 letterbox 对齐推理阶段它输出原图坐标不要手动改标签。如果发现偏移先打印某张图 letterbox 后的 bbox再对比原图坐标多半是标签生成时分母用了错误的尺寸。5.5 现象显存不够、训练中途被 kill红外原图分辨率高imgsz 960 加上 batch 16 很容易爆显存。解决思路不是一味降 batch而是先用 yolov8n 把整体 pipeline 跑通确认数据没问题后再换大模型。另外训练中断了不要从头开始用 last.pt 续训yolo detect train ... --resume runs/infrared_animals/exp1/weights/last.pt续训时 data.yaml 和超参必须和上次一致不然学习率调度和优化器状态会错乱。这个习惯能省很多时间尤其数据集大、预处理慢的时候。6. 把模型压到边缘设备导出、量化与一个落地技巧6.1 用 ONNX 导出并用 TensorRT 加速训练完 best.pt部署到边缘盒子前先转 ONNX。yolov8 官方支持一行导出yolo export modelruns/infrared_animals/exp1/weights/best.pt formatonnx opset12opset 12 对 Jetson 上的 TensorRT 兼容性最好。导出后检查输出张量形状yolov8 的输出是 1x9x8400 这样的维度5 类加 4 个坐标不是 5 维解析错了检测结果全是乱的。用 onnxruntime 跑一遍对比原模型在同一张图上的输出确认精度没掉再上板。TensorRT 量化优先用 FP16红外场景下精度损失很小。INT8 量化需要校准集不能用 COCO 图必须从训练集里抽红外图像而且要包含低对比度和远距离小目标样本否则量化后兔子这类的输出会崩。6.2 实地部署的跳帧与缓存策略边缘设备算力有限视频流每秒 25 帧在 Jetson 上压力很大。常见做法是跳帧每 2 帧检测一次中间帧直接复用上一帧检测框做简单跟踪。红外场景下动物运动速度不快跳一帧不会丢目标。另一个技巧是缓存检测框区域后续帧如果目标位置重叠直接用上一次的分类结果减少重复计算。我自己的习惯是先用 FP16 TensorRT 跑一遍验证集记录每类 AP对比 FP32 的混淆矩阵确认量化没有让兔子和郊狼明显掉点。掉点超过 2 个点就放弃 INT8用 FP16。省下的延迟不值得牺牲小目标检测能力。最后分享一个实用的帧间置信度平滑技巧同一只动物在连续帧里的置信度可能在 0.3 到 0.8 之间抖取最近 5 帧的中位数作为最终分数能过滤掉单帧的噪声误检。这个技巧比调 conf 阈值有效得多因为它利用了时间维度的信息。虽然相机陷阱拍的是单张照片但视频流部署时这个平滑几乎是免费的。做红外动物检测这几年我最深的教训是别把红外图当普通灰度图也别让小目标被 mosaic 吃掉。先把数据统计清楚再谈调参速度反而最快。希望这些经验对你有帮助。本文还有配套的精品资源点击获取