简介：一套面向电梯场景目标检测任务的数据集，包含电梯开关门状态以及轿厢内有无乘客两类核心识别维度，适合训练安防监控、智能楼宇或电梯运维场景中的视觉检测模型。资源共610张清晰拍摄的jpg图片，并同时提供VOC格式的xml标注和YOLO格式的txt标注，使用者可依据框架直接切换，无需额外转换格式。压缩包总体积约27.8MB，内含1832个文件，其中jpg图片610张、xml标注610个、txt标注612个，四类标注分别为closed_elevator、empty_elevator、open_elevator、people_in_elevator，累计矩形框1230个，各类别样本分布较均衡，可用于模型训练与验证。已有160人学习下载，适合有一定目标检测基础、需要标准格式数据快速开展训练或算法评测的开发者使用。

1. 电梯开关及有无乘客检测数据集：610 张图凭什么够用

如果你负责楼宇智能化或安防项目，大概率会卡在同一个问题上：项目方要“电梯门开关状态 + 轿厢有没有人”两个结果，用来做梯控联动和困人告警，但现场视频不能直接外发训练，手里只有一台相机和两周交付时间。这时候一份像“数据集电梯开关及有无乘客检测数据集yolo+voc格式610张.zip”这样的数据包就会很有吸引力：它把两个任务合并成一整套标注，并且同时给出 yolo 和 voc 两种格式，省去你从头标框再互转格式的半天功夫。610 张图不算多，但对“门开/门关/有人”这类状态判别任务来说，只要场景覆盖到位、框标得干净，完全够做一次及格线以上的电梯检测基线，再靠现场数据迭代。这个标题真正能帮你解决的问题，是把“电梯门开关”与“有无乘客”变成两个可训练的目标检测任务，而不是让你拿一套通用模型硬上。

2. 先读标注再定类别：yolo+voc 双格式数据集的体检清单

拿到任何检测数据集，我的习惯都不是直接开训练，而是先把目录结构和标签文件读一遍。很多项目翻车都是因为类别名和实际含义对不上，或者标注文件和图片不在同一层目录，YOLO 训练器报了 None 还不知道错在哪。

2.1 第一件事是拆包看目录结构，而不是直接开始训练

电梯这个场景里，标注对象通常只有三类：门开、门关、人。有的数据集会把门框、楼层按钮也标进去当作辅助类，也有的会把“有人”直接写成 person。先做一次目录体检，能看到图片和标签是否一一对应，也能确认 yolo 和 voc 两份标注是不是同一个版本。

cd elevator_dataset find . -maxdepth 3 -type d | sort echo "--- 图片数量 ---" find . -name '*.jpg' | wc -l echo "--- 标签数量 ---" find ./labels -name '*.txt' | wc -l echo "--- 类别定义 ---" cat labels/classes.txt

这个命令只是看包的结构。图片数量和标签数量应该大致相等，如果图片 610 张、txt 只有 580 份，说明有 30 张图漏标或标注文件没生成完整。classes.txt 是 YOLO 项目里常见的类别清单，一行一个类别名，顺序就是类别索引。读到这三类时，要先想清楚 door_open 和 door_close 的边界：门开到一半算开还是算关？电梯里有人但门正在关，person 和 door_close 能不能同时出现？

2.2 三个类别怎么定义：door_open、door_close、person 的边界

电梯门开关检测最容易踩的第一个坑是边界定义不一致。有人在标注时把门缝超过 20 厘米记为 open，有人把门完全静止才算 open，还有人把门套区域整个框进 box。同样 610 张图，三种标准训练出来的模型行为完全不一样。所以拿到这份数据，我先建议你打开几张有代表性的图，把框和图片叠起来看，不要只信 classes.txt 里的名字。

常见做法是：door_open 框住两侧门扇打开后露出的通口区域，door_close 框住闭合后的门缝和门板重叠区域，person 框住人体可见部分，包括被门挡住一半的躯干。如果标注里还有 elevator door 这种父类，就把它当背景处理，或者合并到 door_open/door_close 里。这里有一个小经验：门在中间状态时，按地面投影和门扇夹角来判断，夹角大于约 30 度就算 open，小于 30 度算 close。配置文件里后面要不要做类别合并，取决于原数据标注粒度。

2.3 用一段 bash 统计各类别数量，防样本严重偏斜

610 张图片看着少，如果三类分布变成 500 张关门、80 张开门、30 张有人，那训练结果大概率是开门和有人全部漏检。先把类别数量统计出来，心里有数再谈训练策略。

for f in labels/train/*.txt labels/val/*.txt; do awk '{print $1}' "$f" | sort | uniq -c done | awk '{count[$2] += $1} END {for (c in count) print c, count[c]}' | sort -k2 -n

这个统计把每个 txt 文件里出现的类别索引逐行读出来，再用 awk 按类别累加。如果 labels 目录没有按 train/val 分，先去掉路径前缀，直接labels/*.txt跑一遍。看到的结果如果是 door_close 500、door_open 300、person 200 这类比例，说明原始数据做过一定的均衡，可以直接用。如果 person 只有 40 个框，就要考虑在训练参数里给 person 加类别权重，或者干脆用“有人/没人”作为二分类，减少正样本不足的压力。

3. 把 VOC XML 转成 YOLO TXT：兼容脚本与三个归一化细节

标题既然给了 yolo+voc 两种格式，工作流里最常见的需求是把 VOC 当原始真值，把 YOLO 当训练输入。VOC 格式存的是xmin,ymin,xmax,ymax绝对坐标，YOLO 格式要的是归一化后的x_center,y_center,width,height。两者之间的转换不难，但细节错一个，整个训练就在用错框。

3.1 一个可以直接跑的 VOC 转 YOLO 脚本

下面的脚本按单张图片转换，xml 和图片同名不同后缀，遍历目录就能把整套 VOC 转成 YOLO。

import os import xml.etree.ElementTree as ET CLASSES = ["door_open", "door_close", "person"] # 顺序必须与 classes.txt 完全一致 def convert_voc_to_yolo(xml_path, txt_path): tree = ET.parse(xml_path) root = tree.getroot() size = root.find("size") width = float(size.find("width").text) height = float(size.find("height").text) lines = [] for obj in root.findall("object"): name = obj.find("name").text if name not in CLASSES: continue cls_id = CLASSES.index(name) 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) x_center = (x1 + x2) / 2.0 / width y_center = (y1 + y2) / 2.0 / height w = (x2 - x1) / width h = (y2 - y1) / height # 做出界保护：坐标略超图片范围就按边界钳制 x_center = max(0.0, min(1.0, x_center)) y_center = max(0.0, min(1.0, y_center)) w = max(0.0, min(1.0, w)) h = max(0.0, min(1.0, h)) if w < 0.001 or h < 0.001: continue # 面积几乎为 0 的框直接丢弃 lines.append(f"{cls_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}") with open(txt_path, "w") as f: f.write("\n".join(lines)) if __name__ == "__main__": xml_dir = "voc_xml" out_dir = "yolo_txt" os.makedirs(out_dir, exist_ok=True) for xml_file in os.listdir(xml_dir): if not xml_file.endswith(".xml"): continue base = xml_file[:-4] convert_voc_to_yolo( os.path.join(xml_dir, xml_file), os.path.join(out_dir, base + ".txt") )

这段代码里，CLASSES 列表顺序就是最终 txt 文件里的数字索引。如果把 door_open 放在 index 0、door_close 放在 index 1、person 放在 index 2，那每行开头是 0、1、2。转换时以 xml 里的 size 节点为基准，因为有的视频抽帧会把原图缩放后再标注，直接用图片实际尺寸读取更保险。钳制部分看起来多余，但电梯监控边缘经常有画面裁切，标注工具偶尔会把框拉到画幅外，钳制之后至少不会让 YOLO 训练报 box 越界的错。

3.2 类别索引、尺寸读取和边界钳制：最容易错的三个参数

每个参数都有一次踩坑机会。类别索引错是最隐蔽的，转换出来的 txt 数字和 classes.txt 对不上，训练时 loss 照常下降，但输出类别永远是错的。解决方法是转换后随手跑一次head -3看每一行首位数字，再回看 xml 的 object name 确认。

尺寸读取错一般发生在图片是竖屏的电梯轿厢内景时。xml 里 width=1080, height=1920，但有些代码写成float(size.find("width").text)和float(size.find("height").text)时忘了 height，顺序反过来，人就从站在原地变成了横躺在电梯里。第三处容易错的是 w 和 h 的钳制，如果框完全在画面外，x_center 钳到 0，w 钳到 0，这个框会退化成一个点，YOLO 训练会出现 loss 突跳。脚本里w < 0.001的判断就是对它做的过滤。

3.3 回画标注框验证转换结果：用 OpenCV 做一次目检

数字对不对，最后要用眼睛确认。转换完随便挑三十张图，把 txt 里的归一化坐标还原成坐标画上去，如果框和电梯门缝、人体轮廓贴合，转换链路才算通。

import os import cv2 def draw_yolo_box(image_path, txt_path, classes, out_path): img = cv2.imread(image_path) h, w = img.shape[:2] with open(txt_path) as f: for line in f: parts = line.strip().split() if not parts: continue cls_id, xc, yc, bw, bh = parts x1 = int((float(xc) - float(bw) / 2) * w) y1 = int((float(yc) - float(bh) / 2) * h) x2 = int((float(xc) + float(bw) / 2) * w) y2 = int((float(yc) + float(bh) / 2) * h) color = (0, 255, 0) if cls_id == "0" else (0, 0, 255) cv2.rectangle(img, (x1, y1), (x2, y2), color, 2) cv2.putText(img, classes[int(cls_id)], (x1, y1 - 8), cv2.FONT_HERSHEY_SIMPLEX, 0.8, color, 2) cv2.imwrite(out_path, img)

这里 cls_id 是字符串，转 int 后再去 classes 列表里取名字。打印时顺便把框的面积列出来，如果看到大量宽度不超过原图宽度 3% 的竖条框，那多半是标注只框了门缝没框门板，后面训练时模型会把细缝当成唯一特征，最后变成“见了缝就报开门”。

4. 用 YOLOv8 训练电梯场景：数据集切分、data.yaml 与关键超参数

格式准备妥当后，进入训练环节。610 张图不至于要用大模型硬扛，YOLOv8n 或 YOLOv8s 已经足够。关键在于把数据集结构切好，让训练器知道哪张图带哪份标签，再把超参数调成“小数据集模式”，否则模型会高方差地乱跳。

4.1 切分目录与 data.yaml：让 YOLOv8 直接读 610 张图

同一份数据，YOLOv5 和 YOLOv8 都希望 images 和 labels 按 train/val 分成两个大目录，txt 和 jpg 名字一致。我一般按 8:2 切，也就是 488 张训练、122 张验证。不搞独立测试集，因为 610 张本身就紧，留出测试集后训练数据只剩四百多张，效果波动太大。

mkdir -p images/train images/val labels/train labels/val python3 split.py # 按 8:2 随机划分，并把 txt 同步移动

切分脚本没什么玄学，按文件名随机撒种子就行，重点是要保持图片和标签相同比例移动。电梯数据有个特殊性：连续帧不能同时落进训练集和验证集，否则模型看到的是同一扇门在不同角度下的重复帧，验证 mAP 虚高。如果这份数据集原始来源是按视频抽帧的，建议先把帧号排序，按时间窗口切，而不是纯随机切。

data.yaml 写清楚路径和类别名，yolo 训练命令读它即可。

path: /home/user/elevator_dataset train: images/train val: images/val names: 0: door_open 1: door_close 2: person

names必须与 labels/classes.txt 顺序一致。这里最容易犯的错是 val 路径写成 images/val 但标签文件实际还在 labels/val，YOLOv8 默认会直接把 images/val 下同名 txt 去找，如果不在就报 label 缺失。目录结构里 images 和 labels 是兄弟目录，训练器会自动去 labels/ 下匹配。

4.2 输入尺寸、batch 与 epoch：小数据集最容易表现突兀的三个旋钮

电梯门的宽高比和普通目标不太一样，门开时目标接近一个竖长方形，门关时是一个窄条，person 又是一个明显的竖向目标。imgsz 给 640 能照顾中距离摄像头视角，但不要盲目推到 1280，因为 trainer 内部会对图片缩放，原图里 600 像素高的门在 1280 下并不会多出更多语义信息，反而让训练变慢、batch 变小。

batch 是 610 张图里最关键的一个参数。电梯场景往往只有一台不贵的 GPU，显存 8G，很多人顺手设成 batch=4，结果训练 loss 能降但验证集表现随机，因为 BN 层在极小 batch 上计算的均值和方差太抖。常见做法是 batch 至少 16，如果显存不足就把 imgsz 降到 480，而不是把 batch 压到 4。epochs 则要看早停脸色，通常 610 张图 80 轮内就收敛了，跑满 300 轮只会过拟合到电梯轿厢的固定纹理上。

4.3 预训练权重和冻结 backbone：小数据集的成熟方案

我建议直接用 YOLOv8n.pt 或 YOLOv8s.pt 开始，而不是随机初始化。电梯门和人的特征在 COCO 预训练权重里已经学得不错，micro 权重在 610 张图上更快收敛。这里有一个容易误导新手的点：预训练权重不等于直接跳过训练，只是给了模型一个更好的起点。

yolo train data=elevator.yaml model=yolov8n.pt \ epochs=80 imgsz=640 batch=16 patience=12 \ lr0=0.005 warmup_epochs=3

yolov8n.pt如果本地没有，训练器会自动下载预训练权重。训练时需要理解几个关键位置：lr0 控制整体学习率，在小数据集上过高会导致 loss 在验证阶段爆掉；warmup_epochs 让学习率从很小的值爬升，BN 层的统计量能先稳定下来。如果动手能力强，前 10 轮可以先冻结 backbone，只训练检测头，让模型先专注学习电梯门的边框分布，第 10 轮之后解冻 backbone 做整体微调。610 张图不足以让 backbone 重新学习通用视觉特征，但足以微调它去关注门缝和人体轮廓。冻结部分在 YOLOv8 里没有直接的一行参数，需要改 trainer 逻辑，一般我会在项目里这样处理：前 10 轮把 backbone 参数 requires_grad=False，之后再置回 True，这样能明显减少过拟合。

4.4 用混淆矩阵和 mAP 看这两个任务的真实表现

训练结束后不要只看总体 mAP，那会把问题藏住。电梯项目真正要看的，是 door_open 与 door_close 之间的混淆程度，以及 person 帧上面的漏检率。Ultralytics 训练完之后会在 runs/detect/train 下生成 confusion_matrix.png，打开它检查“door_open 被预测成 door_close”的格子是不是非零值密集。

yolo val model=runs/detect/train/weights/best.pt data=elevator.yaml

验证命令跑完后，重点看两个数：一个是各类别的 mAP50 和 mAP50-95，另一个是验证集图片上门框框的可视化结果。如果 door_open 的 mAP 高但框势明显整体偏移，说明标注边界把门套也包进去了，模型学到的是门套特征而不是门洞特征。person 这个类在轿厢内通常比在候梯厅好检测得多，因为背景简单、人体站姿完整；如果 person 的 mAP 出奇低，多半是样本数量和遮挡问题，后面靠现场补帧比靠调参快。

5. 电梯场景训练避坑记录：门缝阴影、镜面误检与 BN 崩溃

这套任务看起来简单，实际训练时最容易翻车的几个点都藏在“电梯环境”本身，而不是模型结构里。下面五条是我在多轮实战里反复踩过的坑，每条都按照现象、原因、解决的顺序写清楚。

5.1 开门与关门互相混淆：门缝反光和标注框越界成了“同一个特征”

现象：训练集 mAP 在 0.85 以上，验证图里大门关闭时模型却报出 door_open，而且框的位置都在门缝中线附近。原因：电梯轿厢门关闭时中间会有一条竖直反光线，标注时如果把 door_close 的框画得过大，把门缝反光区域也包进去，模型学到的就是“一道亮线”而不是“两片门板合拢”。解决：把 door_close 的框收窄，只包左右门板重叠区域；door_open 的框放宽到门洞两侧，并配合数据增强里的随机亮度变化。如果原标注已经带了这个毛病，别急着重新标 610 张，先用一个小脚本把关闭状态框的宽度缩到原来的 80%，代价略高但比重标快得多。

5.2 乘客被镜面电梯壁误检：人在反射区域出现多框

现象：ushaped 的轿厢里有三面镜子，实际只有一个人站在中间，模型却输出两个 person 框，一个在人体上，一个在镜面反射里。原因：YOLO 训练时把镜面中的人影也当成了正样本，推理阶段镜面里的残留人影会产生高置信度响应。解决：先看数据集里镜面场景占多少比例。如果只是少数几张，加一两种镜像翻转增强没有用，反而让人影更强。有效做法是把镜面里的标注框去掉，或者在训练 loss 里指定 ignore 区域，更简单的手段是部署端做时序去重：同一目标相邻两帧的 IoU 大于阈值且位置在镜面区域，直接丢弃一个框。这条坑说明 610 张数据集不会自带“电梯壁反光”这个语义，要靠推理端补。

5.3 mAP 在第三个 epoch 突然掉到 0：小 batch 的 BN 崩溃

现象：前两个 epoch loss 下降正常，第三个 epoch 验证 mAP 归零，再往下跑偶尔能恢复但整体像心电图。原因：batch 太小加学习率偏大，BN 层统计量在小批量上剧烈波动，模型参数一次更新过大后开始发散。这是 yolo 训练过程中典型的小数据集不稳定场景。解决：把 batch 从 4 提高到 16 以上，lr0 降到 0.005，并加 warmup_epochs=3。如果显存实在不够，把 imgsz 降到 416，不要降 batch。另一个后悔药是训练时开启cos_lr=True，让学习率平滑下降而不是阶梯跳变，对 BN 抖动有明显抑制。

5.4 验证集挺好、部署翻车：低照度在 610 张里根本没出现

现象：本地验证集 mAP 稳定在 0.9，接上电梯井道相机后关门检测频繁漏报，画面拉亮一看全是夜间低照度、门缝边缘有运动模糊的帧。原因：610 张原始图片大部分是白天或均匀光照，模型没有见过电梯厅昏暗场景，过拟合到特定亮度分布上。解决：不要指望调 epoch 修这个问题，先把摄像头位置和光源条件搞清楚。如果现场是红外补光，把训练集做灰度化和亮度抖动，再在验证时把输入从 BGR 转 GRAY 后拉大对比度。还可以盯着 loss 曲线看，如果 val loss 在 40 epoch 后开始上升而 mAP 还在微升，说明模型已经开始背训练图像，此时立刻用早停把 best.pt 切回来。

5.5 标签里出现 0 面积框：用脚本先踩平再训练

现象：训练日志出现大量corrupt box警告，loss 直接变成 nan。原因：格式转换时有个别 XML 的 bndbox 坐标 xmin 等于 xmax，或者 ymin 大于 ymax，把这些脏框当正样本参与训练就会让损失函数无法计算。解决：训练前跑一遍清洗脚本，凡是 w 或 h 小于等于 0 的框直接扔掉，坐标超过图片边界的钳制到 0～1 之间。跑完之后重新统计每一个 txt 的行数，和 xml 的 object 数量对比，差异集中在某几张图上就手动打开看一眼，大概率是标注工具导出时漏了小数位。

6. 用 610 张数据集守住部署边界：阈值调整与场景扩展

数据集小，模型能做的提升有限，但部署端面仍有很多腾讯飞起的余地。最好的落地方式，是把测试视频流切成帧，用训练好的权重做一次批推，逐帧看置信度分布，再确定报警和联动阈值。

6.1 用测试视频回放调整置信度阈值

YOLOv8 默认 conf=0.25，对 610 张训练集来的模型并不是默认最合适。电梯门状态这种二值任务，宁可让 door_open 的阈值低到 0.15 换召回，也不要把 conf 拉到 0.5 以上导致门开到一半时漏报。person 的阈值则要略高，因为误报会造成门口卡顿的联动动作。

yolo predict model=best.pt source=lift_clip.mp4 conf=0.2 iou=0.4 imgsz=640

跑完看结果视频，重点观察“图像中无人的镜面反射”和“门板关闭瞬间的阴影”这两类帧。如果门开后两秒才第一次出现框，把 conf 降到 0.15；如果关门但框还残留超过半秒，增加 iou 阈值到 0.5，把重叠框合并掉。

6.2 电梯门动作，不减半帧率的时序一致性过滤

单帧检测很容易发生门开状态在某一帧闪断，部署端最简单的办法是加一个长度为 3 到 5 帧的滑动窗口，门开关状态必须连续两帧保持一致才允许翻转。人有没有这个判断同样不能只看当前帧，可以在两帧之间加一个tracking IoU判定，给框分配一个最小存活帧数，少于两帧的框当作噪声丢弃。这样做对 610 张原训练集来说等于免费提升了一个点的稳定性。

这段时间几次做下来，我自己的习惯是：任何小数据集模型上线前，先挑一段 10 分钟现场视频按 30 秒一段拆成帧，用验证集和测试帧各跑一遍，把输出的 JSON 结果按帧号对齐，人工核对所有误报和漏报帧，再将这类帧回灌进训练集做一轮增量微调。电梯开关和有无乘客这类任务，真实死角往往不是模型结构，而是你根本没把现场亮度和镜面反射当成第一优先级来对待。610 张能搭出可用基线，但别停在基线里，把避坑记录和阈值调整都写上项目文档，后面每次加数据都能少踩一遍同样的坑。希望帮到你。

本文还有配套的精品资源，点击获取