前言

铁路行车安全是交通运输领域的核心议题之一，轨道沿线障碍物（如异物侵入、施工遗留物、小型遮挡物等）易引发行车隐患，严重时可能导致列车晚点、停运甚至安全事故。基于计算机视觉的目标检测技术，能实现铁路障碍物的实时识别与预警，为轨道安防提供高效、智能的解决方案。而高质量标注的数据集，是模型精准训练、高效落地的核心前提。本文结合实际研究需求，构建了一套高质量铁路障碍物检测数据集，并基于该数据集完成了5个版本YOLO模型的训练与测试，现将数据集详情及训练相关信息整理如下，为相关领域研究者、工程实践者提供参考与支撑。

数据集信息

本次构建的铁路障碍物检测数据集，均采集于真实铁路场景，覆盖不同光照条件（晴天、阴天、傍晚）、不同拍摄角度（正面、侧面、远距离）及不同轨道场景（干线轨道、支线轨道、站台附近），有效规避了单一场景带来的模型泛化能力不足问题。数据集标注规范，严格对应障碍物目标边界框，标注准确率高，无需额外进行数据清洗和标注修正，可直接用于目标检测模型的训练、验证与测试。

数据集具体划分如下，规模适配中小规模模型训练需求，兼顾训练效果与效率：

• 训练集：10506张，用于模型的核心训练，涵盖各类障碍物的典型特征，为模型参数学习提供充足样本支撑；

• 验证集：961张，用于训练过程中模型参数的调整与优化，实时监控模型过拟合、欠拟合情况，保障模型训练精度；

• 测试集：550张，用于模型训练完成后的性能测试，独立于训练集与验证集，可客观反映模型在真实未见过场景中的检测效果。

训练模型信息

为验证数据集的有效性与实用性，选用当前目标检测领域应用广泛的YOLO系列模型，在该铁路障碍物数据集上完成了完整的训练与测试，共涉及5个不同版本的YOLO模型，分别为YOLO v5、YOLO v8、YOLO v11、YOLO v12、YOLO v26。

所有模型均采用相同的训练环境、超参数设置（学习率、迭代次数、批次大小等保持一致），确保训练结果的客观性与可比性，避免因参数差异影响模型性能对比。训练过程中，实时记录各模型的loss曲线、mAP（平均精度均值）、召回率等核心指标，最终生成完整的训练结果图，可清晰呈现不同版本YOLO模型在铁路障碍物检测任务中的性能差异。

从训练结果来看，各版本模型均能基于该数据集实现较好的收敛，充分说明数据集的标注质量与样本多样性能够满足模型训练需求，不同版本模型在检测速度、精准度上的差异，也可为后续铁路障碍物检测模型的选型提供参考。

总结

本文构建的铁路障碍物检测数据集，具有场景真实、标注规范、规模合理的特点，可直接应用于YOLO系列及其他目标检测模型的训练与测试，有效解决铁路安防领域高质量数据集稀缺的问题，为铁路障碍物智能检测技术的研究与工程落地提供数据支撑。

通过5个版本YOLO模型的训练实践，进一步验证了数据集的有效性与通用性，不同模型的训练结果对比的可为相关研究者提供模型选型参考。后续可基于该数据集，进一步优化模型参数、尝试模型改进，提升铁路障碍物检测的精准度与实时性，助力铁路智能安防技术的升级。