3、车载数据集构建：BDD100K与SODA10M数据集解析、针对车载场景的标注规范、数据清洗与不平衡处理
做车载感知这几年，我最大的体会是：算法模型只占30%，剩下70%的功夫全在数据上。你想想看，一个在Cityscapes上跑得飞快的YOLO，放到车载场景里可能直接翻车——为什么？因为车载场景太特殊了，光照、遮挡、小目标、极端天气，这些在公开数据集里往往被弱化了。
今天我们就来聊聊车载数据集怎么构建。我会结合BDD100K和SODA10M这两个主流数据集，讲讲标注规范、数据清洗，以及最让人头疼的不平衡处理。
3.1 BDD100K与SODA10M：两个主流车载数据集
先说说BDD100K。这个数据集是伯克利发布的，10万张图片，涵盖了白天、夜晚、雨天、雪天、雾天等各种场景。我个人习惯把它当作车载感知的入门级基准。为什么？因为它的标注相对规整，类别也全——10大类，包括car、bus、truck、bicycle、motor、person、rider、traffic light、traffic sign、train。
但BDD100K有个问题：小目标太少。比如远处的行人、被遮挡的交通标志，这些在BDD100K里占比不高。而车载场景恰恰最需要关注这些小目标——你想想，一个站在50米外的行人，如果模型漏检了，后果是什么？
再说SODA10M。这个数据集是中科院自动化所发布的，1000万张图片，规模是BDD100K的100倍。它的特点是场景多样性极强，尤其是中国路况——电动车、三轮车、逆行、加塞，这些在BDD100K里几乎看不到。我在项目中遇到过，用BDD100K训练的模型，到了中国城市道路上，对电动车的召回率直接掉了15个点。后来加了SODA10M的数据，才把这个问题解决。
两个数据集的核心差异，我整理了一张表：
| 维度 | BDD100K | SODA10M |
|---|---|---|
| 图片数量 | 10万 | 1000万 |
| 场景覆盖 | 欧美为主，天气多样 | 中国路况，极端场景丰富 |
| 小目标占比 | 较低 | 较高 |
| 标注质量 | 高，人工校验 | 中等，部分自动标注 |
| 适用场景 | 通用车载感知 | 复杂交通环境 |
3.2 针对车载场景的标注规范
标注规范这事，说白了就是定义清楚“什么是你要检测的”。车载场景和通用目标检测不一样，有几个特殊点需要注意。
3.2.1 类别定义要细
通用检测里，一个“car”就完了。但在车载场景里，car要拆成sedan、SUV、van、truck、bus。为什么？因为不同车型的尺寸、形状、运动特性都不一样。我记得有一次，模型把一辆大货车当成了car，结果在跟车距离判断上出了大问题。所以，类别粒度越细，下游任务越安全。
3.2.2 遮挡与截断的处理
车载场景里，遮挡是常态。一辆车被另一辆车挡住一半，或者行人被路灯杆挡住，这些都要标注。我见过一些团队，为了省事，只标注完整的目标。结果模型在遮挡场景下直接摆烂——漏检率飙升。
标注规范里要明确：遮挡超过50%的目标，标注为“遮挡”子类。这样模型可以学到“即使只看到一半，这也是一个目标”。
3.2.3 小目标的标注策略
小目标（比如远处的交通标志、行人）在车载场景里特别重要。但小目标在图像里可能只有几十个像素，标注员很容易漏掉。我的做法是：强制标注所有像素面积大于20x20的目标。低于这个阈值的，可以忽略，因为YOLO系列对小目标的检测能力有限，强行标注反而会引入噪声。
3.3 数据清洗：别让脏数据毁了你的模型
数据清洗，说白了就是把垃圾数据扔掉。车载数据集里常见的脏数据有这几类：
- 模糊图片：运动模糊、对焦不准，这些图片模型学不到有效特征。
- 重复图片：连续帧里高度相似的图片，会造成数据冗余。
- 标注错误：框不对、类别标错、漏标，这些是最大的坑。
- 极端光照：过曝或过暗的图片，模型很难处理。
我一般用三步走策略：
- 自动清洗：用Laplacian算子检测模糊度，低于阈值的直接删除。用感知哈希算法检测重复图片，保留一张即可。
- 人工抽检：随机抽5%的图片，人工检查标注质量。如果错误率超过2%，整批数据打回重标。
- 模型辅助：用预训练模型跑一遍，把置信度低于0.3的检测结果标出来，人工确认是否是漏标。
3.4 不平衡处理：让模型学会“雨露均沾”
不平衡问题，是车载数据集里最头疼的。你想想看，一辆车在路上跑，90%的时间都是正常行驶，只有10%的时间会遇到行人、自行车、交通标志。如果直接拿原始数据训练，模型会变成“car检测器”——对car的精度很高，但对其他类别的召回率惨不忍睹。
不平衡处理，我常用的方法有这几种：
3.4.1 重采样
简单粗暴，但有效。对少数类（比如行人、自行车）进行过采样，对多数类（比如car）进行欠采样。但要注意，过采样不能简单复制，否则模型会过拟合。我一般用数据增强的方式过采样——对少数类图片做随机裁剪、旋转、颜色抖动，生成新的样本。
3.4.2 类别权重
在损失函数里给不同类别加权重。比如，car的权重设为1，行人的权重设为5。这样模型在训练时会更关注行人。YOLOv5的损失函数里就支持类别权重，直接设置就行。
# YOLOv5 类别权重设置示例
class_weights = [1.0, 5.0, 3.0, 2.0, 4.0] # 对应 car, person, bicycle, traffic_light, traffic_sign
model.class_weights = torch.tensor(class_weights).to(device)3.4.3 困难样本挖掘
这是我最喜欢的方法。先用模型跑一遍训练集，找出那些预测错误的样本——比如把行人误检为car，或者漏检了远处的交通标志。把这些困难样本挑出来，单独训练一个epoch。这样模型就能“补课”，学会处理那些它不擅长的场景。
3.5 实战建议：从数据到模型的闭环
最后，我想分享一个实战中的闭环思路。数据集的构建不是一次性的，而是迭代的。你训练一个模型，上路测试，发现某些场景表现不好。这时候，你要回到数据集，补充这些场景的数据，重新标注、清洗、训练。如此循环，模型才会越来越强。
我现在的团队，每个月都会做一次数据复盘。把模型在实车测试中漏检的案例收集起来，分析是数据问题还是模型问题。如果是数据问题，就补充数据；如果是模型问题，就调整网络结构。这样持续优化，半年下来，模型的mAP从0.72提升到了0.85。
嗯，数据集的构建就聊到这里。下一章，我们会讲数据增强——怎么用有限的数据，生成无限的变化。到时候再细聊。