樱桃小公举1. 数据集概览与核心价值
这个2006张图片规模的土石方机械作业状态检测数据集，是我在参与智慧工地项目时整理的开源资源。数据集采用双标注格式（Pascal VOC+YOLO），专门用于训练识别挖掘机和渣土车的7种工作状态。在实际工程机械监控场景中，这类数据集的稀缺性堪比沙漠中的绿洲——你可能很难想象，我们当初为了采集这些数据，在工地现场蹲守了整整三个月。
数据集的核心价值在于其精细化的状态分类。不同于常规工程机械检测数据集只区分设备类型，这个数据集将挖掘机细分为"铲斗装载"、"铲斗卸载"、"怠速"和"作业中"四种状态，渣土车则区分"怠速"、"装载中"和"行驶中"。这种粒度对于施工效率分析、机械调度优化等场景至关重要。比如通过识别"挖掘机-铲斗装载"和"自卸卡车-装载中"的共现频率，可以量化装车效率。
重要提示：虽然数据集提供了YOLO格式标注，但类别顺序需要以labels/classes.txt为准。这个细节我在第一次使用时踩过坑——直接按文件名的字母顺序训练导致模型输出完全错乱。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 数据集深度解析
2.1 数据分布与样本特点
数据集包含2006张1024×576分辨率的现场图片，标注框总数4754个。从分布来看存在明显的长尾现象：
- 高频状态："挖掘机-作业中"(1905框)、"自卸卡车-怠速"(1667框)
- 低频状态："自卸卡车-装载中"(仅66框)、"挖掘机-怠速"(100框)
这种分布真实反映了工地场景的特点——设备大部分时间处于工作或待机状态，特定动作（如装载）持续时间较短。建议训练时采用过采样或loss加权策略平衡类别。
图片采集环境具有典型工地特征：
- 多设备同框（常见挖掘机与渣土车交互场景）
- 复杂背景（包含施工材料、临时设施等）
- 不同光照条件（含阴天、逆光等挑战性场景）
- 部分遮挡情况（如设备被尘土部分遮挡）
2.2 标注质量评估
使用labelImg工具标注的边界框质量整体较好，但需要注意几个特殊情况：
- 复合动作标注：当挖掘机同时进行"铲斗装载"和"移动"时，通常只标注主导动作
- 小目标处理：远距离拍摄时，设备在图像中可能只占50×50像素左右
- 状态过渡帧：如渣土车从"装载中"到"行驶中"的过渡帧可能保留前一状态标签
标注示例中可见，对于"挖掘机-铲斗卸载