企鹅数据集VOC与YOLO双格式标注及YOLO训练实战

简介这份企鹅目标检测数据集面向计算机视觉入门者与需要小样本练手的数据标注学习者提供VOC与YOLO双格式标注文件可直接用于目标检测模型的训练与验证。压缩包共364个文件包含121张jpg图片、121个xml标注文件与122个txt标注文件整体约17.54MB解压后无需密码即可按图片、xml、txt三个文件夹分别查看方便在labelImg等工具中核对标注框。所有图片均以penguin为唯一类别采用labelImg完成标注遵循准确框选目标边界、尽量覆盖全部目标、标注后做一致性检查的规范适合用来熟悉VOC与YOLO格式的转换与读取流程。目前已有206人学习下载可作为课程实验、算法调试或标注练习的轻量素材帮助读者快速跑通数据加载与检测训练环节。1. 企鹅数据集 VOC 与 YOLO 双格式120 张标注到底能训出什么手上只有 120 张左右的企鹅图片还要求同时给出 VOC 和 YOLO 两套标注格式这是很多做小样本目标检测的人真实会遇到的处境。企鹅数据集本身类别少、背景相对单一但姿态变化大、群体遮挡严重120 张这个量级既不算玩具也不算充裕属于「认真做能出结果、随便做必然翻车」的区间。VOC 格式用 XML 存绝对坐标YOLO 格式用 txt 存归一化中心点加宽高两套格式服务的是不同训练框架和不同工具链能不能一次标注两处复用直接决定你后面返工的次数。这篇笔记面向的是手里已经有一批企鹅图、想跑通检测流程的从业者从标注工具选型、双格式转换、目录组织一路讲到训练参数和误检排查目标是让你照着做完就能拿到一个能用的企鹅检测模型而不是停在「标注完了不知道怎么喂给网络」这一步。2. 企鹅标注的格式账VOC 与 YOLO 到底差在哪2.1 两种格式的坐标逻辑与互换关系VOC 格式的标注文件是 XML每个目标一个object节点里面xmin、ymin、xmax、ymax是像素绝对坐标原点在图片左上角。YOLO 格式是每张图对应一个同名 txt每行类别序号 中心x 中心y 宽 高四个数值全部除以图片宽高归一化到 0 到 1 之间。这个差异看着小实际决定了三件事VOC 换分辨率不用改标注YOLO 换分辨率也不用改但两者互转时必须知道原图尺寸否则归一化就是错的。很多人转格式时只写了个除法忘了读图片实际宽高结果训练时框全飘到画面外这就是典型的血泪经验。换算公式本身不复杂。设图片宽 W、高 HVOC 的框为 (xmin, ymin, xmax, ymax)则中心 x ((xmin xmax) / 2) / W中心 y ((ymin ymax) / 2) / H宽 (xmax - xmin) / W高 (ymax - ymin) / H反向转换时用归一化值乘回 W、H 再取整即可。真正容易出问题的是边界情况框贴到图片边缘时xmax 可能等于 W归一化后正好是 1.0某些框架对 1.0 的处理不一致稳妥做法是转换后把坐标裁剪到 [0, 1) 区间内。2.2 120 张图该标多少框、类别怎么定企鹅数据集常见的类别划分有两种思路一种只标一个penguin类把所有企鹅个体都归进去另一种按物种细分比如帝企鹅、阿德利企鹅、帽带企鹅。120 张图如果细分到三个物种平均每类可能只有几十个实例对小样本检测来说偏少除非你的图片里每张都有多只。我的建议是如果目标是验证流程跑通先做单类penguin如果确实要分物种至少保证每个类别有 100 个以上实例框否则模型对少数类基本学不动。标注密度上企鹅群体照一张图可能有十几只单只特写照只有一只。120 张图如果平均每张 3 到 5 个框总实例数在 400 到 600 之间这个量级配合迁移学习是能出可用模型的。标注时要注意遮挡处理被挡住超过一半的企鹅标不标取决于你的应用场景如果下游需要计数建议标出来并让框覆盖可见部分如果只做粗略检测可以跳过严重遮挡个体减少噪声。2.3 标注工具选型labelImg 还是别的热搜里labelimg 打标完yolo格式的标出现频率很高说明大量人用 labelImg 起步。labelImg 支持 Pascal VOC 和 YOLO 两种保存格式切换很方便适合 120 张这种小规模。它的短板是只能画矩形框不支持多边形和关键点如果你后面想做实例分割或者姿态估计就得换工具。另一个常见选择是 Labelme输出 JSON适合分割任务但转 YOLO 检测格式要多一步脚本。对企鹅数据集这种纯检测需求labelImg 够用。安装方式常见的是 pip 装pip install labelImg labelImg启动后左侧选PascalVOC还是YOLO决定保存格式。我的习惯是先统一按 VOC 标因为 XML 可读性好、方便脚本批量检查和修正标完再用脚本一次性转 YOLO。这样只维护一份源标注避免两套格式不同步。如果你一开始就按 YOLO 标后面想补 VOC 就得反向转容易在类别序号映射上出错。提示labelImg 的类别列表存在predefined_classes.txt里提前把类别名写进去标注时直接选能避免手打类别名拼写不一致导致后面类别对不上。3. 从零把 120 张企鹅图标成双格式目录、脚本与校验3.1 目录结构先定死后面少返工小数据集最容易乱在目录上。我一般用下面这套结构VOC 和 YOLO 并存但源标注唯一penguin_dataset/ ├── JPEGImages/ # 所有原图文件名统一 ├── Annotations/ # VOC XMLlabelImg 直接输出到这里 ├── labels/ # YOLO txt由脚本生成 ├── ImageSets/ │ └── Main/ │ ├── train.txt # 训练集文件名列表不带扩展名 │ └── val.txt # 验证集文件名列表 └── classes.txt # 类别名一行一个JPEGImages和Annotations是 VOC 标准结构labels是 YOLO 训练时默认去找的目录。ImageSets/Main下的 txt 只存文件名主干比如penguin_001不带.jpg。这套结构的好处是 VOC 工具链和 YOLO 工具链都能直接认不用来回挪文件。3.2 用脚本把 VOC 批量转成 YOLO转换脚本要处理三件事读 XML、按类别名映射到序号、按图片实际尺寸归一化。下面这个脚本我用了很多次逻辑清晰边界也处理了import os import xml.etree.ElementTree as ET from PIL import Image # 类别名到序号的映射顺序要和 classes.txt 一致 CLASSES [penguin] CLASS_TO_ID {name: i for i, name in enumerate(CLASSES)} def convert_voc_to_yolo(xml_dir, img_dir, out_dir): os.makedirs(out_dir, exist_okTrue) for xml_file in os.listdir(xml_dir): if not xml_file.endswith(.xml): continue stem os.path.splitext(xml_file)[0] tree ET.parse(os.path.join(xml_dir, xml_file)) root tree.getroot() # 读原图尺寸这是归一化的分母不能省 img_path os.path.join(img_dir, stem .jpg) with Image.open(img_path) as im: W, H im.size lines [] for obj in root.findall(object): name obj.find(name).text.strip() if name not in CLASS_TO_ID: continue # 跳过未定义类别避免序号错乱 bbox obj.find(bndbox) xmin float(bbox.find(xmin).text) ymin float(bbox.find(ymin).text) xmax float(bbox.find(xmax).text) ymax float(bbox.find(ymax).text) # 归一化并裁剪到 [0,1)防止边界框越界 cx min(max(((xmin xmax) / 2) / W, 0.0), 0.999999) cy min(max(((ymin ymax) / 2) / H, 0.0), 0.999999) bw min(max((xmax - xmin) / W, 0.0), 0.999999) bh min(max((ymax - ymin) / H, 0.0), 0.999999) lines.append(f{CLASS_TO_ID[name]} {cx:.6f} {cy:.6f} {bw:.6f} {bh:.6f}) with open(os.path.join(out_dir, stem .txt), w) as f: f.write(\n.join(lines)) if __name__ __main__: convert_voc_to_yolo(penguin_dataset/Annotations, penguin_dataset/JPEGImages, penguin_dataset/labels)逻辑说明先建立类别名到序号的字典保证和classes.txt顺序一致读 XML 时用findall(object)遍历所有目标关键一步是用 PIL 打开原图拿真实宽高而不是假设固定尺寸归一化后做min(max(...))裁剪把坐标压在 0 到 0.999999 之间避免某些框架对 1.0 的边界处理差异。参数上CLASSES列表必须和训练配置里的names完全对应顺序错了模型学到的类别就是错的。3.3 划分训练验证集并做标注校验120 张图按 8:2 划分训练 96 张、验证 24 张。划分脚本要保证可复现用固定随机种子import os import random random.seed(42) # 固定种子保证每次划分一致 img_dir penguin_dataset/JPEGImages stems [os.path.splitext(f)[0] for f in os.listdir(img_dir) if f.endswith(.jpg)] random.shuffle(stems) split int(len(stems) * 0.8) train, val stems[:split], stems[split:] os.makedirs(penguin_dataset/ImageSets/Main, exist_okTrue) with open(penguin_dataset/ImageSets/Main/train.txt, w) as f: f.write(\n.join(train)) with open(penguin_dataset/ImageSets/Main/val.txt, w) as f: f.write(\n.join(val))划分完必须做一次标注校验检查有没有空标注、坐标越界、类别名拼写错误。校验脚本可以遍历所有 XML统计每个文件的框数和类别分布import os import xml.etree.ElementTree as ET from collections import Counter xml_dir penguin_dataset/Annotations counter Counter() empty_files [] for xml_file in os.listdir(xml_dir): if not xml_file.endswith(.xml): continue root ET.parse(os.path.join(xml_dir, xml_file)).getroot() objs root.findall(object) if not objs: empty_files.append(xml_file) for obj in objs: counter[obj.find(name).text.strip()] 1 print(类别分布:, dict(counter)) print(空标注文件:, empty_files)如果空标注文件超过总数的 5%说明标注时漏标严重需要回去补。类别分布如果某一类实例数不到 50考虑合并类别或者补充图片。注意转换脚本和校验脚本都要在划分数据集之前跑完先保证标注干净再划分否则验证集里混进错误标注评估指标会失真。4. 拿这 120 张图训练 YOLO环境、参数与收敛判断4.1 环境搭建与数据配置文件的写法热搜里yolo环境配置和yolo v8 anaconda环境配置要求是高频词说明环境这一步卡住很多人。YOLOv8 用 ultralytics 包conda 环境里装最省事conda create -n penguin python3.10 -y conda activate penguin pip install ultralytics装完用yolo checks验证环境能看到 CUDA 和版本信息就说明通了。数据配置文件penguin.yaml要写清楚路径和类别path: /abs/path/to/penguin_dataset train: ImageSets/Main/train.txt val: ImageSets/Main/val.txt names: 0: penguinpath用绝对路径避免相对路径在不同工作目录下解析错误。train和val指向的是文件名列表ultralytics 会自动去images或JPEGImages目录找图去labels目录找标注。如果你的目录名不是默认的需要在配置里显式指定train_images之类的字段或者把目录名改成框架认的默认名。4.2 小样本训练的关键参数怎么设120 张图属于小样本直接用默认参数训 100 轮大概率过拟合。我一般这样起步yolo detect train \ datapenguin.yaml \ modelyolov8n.pt \ epochs150 \ imgsz640 \ batch8 \ lr00.001 \ patience30 \ augmentTrue \ pretrainedTrue参数逐个说modelyolov8n.pt用预训练权重小样本必须迁移学习从零训基本没戏epochs150给足轮数配合patience30早停验证指标 30 轮不涨就停batch8是 120 张图下显存和梯度稳定性的折中显存够可以加到 16lr00.001比默认的 0.01 小一个量级小样本学习率大了容易震荡augmentTrue开数据增强企鹅姿态变化大增强能显著提升泛化。数据增强里对企鹅数据集最有用的是随机翻转、随机缩放和 HSV 抖动。翻转模拟不同朝向缩放模拟不同距离HSV 抖动应对不同光照。Mosaic 增强在小样本上要谨慎它把四张图拼一张120 张图拼完可能让单张图里的目标过小如果发现训练早期 loss 降不下去可以关掉 Mosaic在配置里加mosaic0.0。4.3 看 loss 曲线判断有没有训崩训练启动后重点盯三个指标box_loss、cls_loss和验证集的mAP50。正常情况 box_loss 和 cls_loss 在前 20 轮快速下降之后缓慢收敛mAP50 稳步上升。如果出现下面几种情况就要干预box_loss 下降但 mAP50 不涨过拟合加增强或者减轮数。cls_loss 震荡不降学习率太大降到 0.0005 再试。验证 loss 先降后升典型过拟合早停或者加 dropout。所有 loss 都不动数据路径错了模型根本没读到图检查penguin.yaml里的路径。120 张图训 YOLOv8n在单张 24G 显存的卡上大概十几分钟能跑完 150 轮。训完在runs/detect/train/weights/下拿到best.pt这是验证集上表现最好的权重后面推理用这个。提示训练前先用yolo detect train ... epochs1跑一轮确认数据能正常加载、没有报路径错误再开完整训练省得跑一半发现数据有问题。5. 企鹅检测翻车现场5 个高频踩坑与排查5.1 现象训练 loss 正常但推理框全飘原因VOC 转 YOLO 时没读原图真实尺寸用了固定宽高做归一化导致坐标全错。或者图片在标注后被裁剪/缩放XML 里的坐标还是旧的。解决重新跑转换脚本确认脚本里用 PIL 读的是当前图片的实际尺寸。如果图片被处理过必须重新标注或者按变换矩阵修正坐标不能直接复用旧 XML。5.2 现象模型把背景里的石头、冰块当成企鹅原因负样本不足120 张图里如果每张都有企鹅模型没见过「没有企鹅」的场景就会把相似形状的物体误检。另外标注时如果框画得过大把大量背景包进去模型会学到背景特征。解决加 10 到 20 张纯背景图没有企鹅的南极场景作为负样本参与训练。同时检查标注框是否贴合目标框太松的重新收紧。推理时调高置信度门限从默认 0.25 提到 0.4 到 0.5能过滤掉大部分低置信误检。5.3 现象密集企鹅群里漏检严重原因NMS非极大值抑制的 IoU 阈值默认 0.7密集场景下相邻企鹅的框重叠度高被 NMS 误删。另外小目标在 640 分辨率下特征太弱。解决推理时把 NMS 的 IoU 阈值调高到 0.8 甚至 0.9减少误删。训练时把imgsz提到 960 或 1280让小目标有更多像素。如果还不行考虑用 YOLOv8m 或 YOLOv8l 这种更大的模型小目标检测能力更强。5.4 现象验证集 mAP 很高但实际用起来很差原因训练集和验证集划分时没有随机打散验证集里全是和训练集同一场景、同一角度的图指标虚高。或者验证集太小24 张图的指标波动大不能反映真实泛化。解决划分时用固定种子随机打散确保验证集覆盖不同场景、不同光照、不同企鹅姿态。如果数据量允许做交叉验证把 120 张分成 5 折轮流验证取平均指标。24 张验证集确实偏小指标只能做参考最终还是要拿一批完全没参与训练的图做测试。5.5 现象换一批新图片推理类别序号对不上原因训练时classes.txt里类别顺序和推理时用的顺序不一致。比如训练时0: penguin推理脚本里写成了0: bird结果框是对的但标签全错。解决把classes.txt作为唯一类别来源训练配置和推理脚本都从这个文件读不要手写类别名。推理时打印一下模型输出的类别序号和名称映射确认和训练时一致。6. 把 120 张用到极致小样本企鹅检测的进阶技巧120 张图的天花板就在那里想再往上提得从数据利用和模型策略上想办法。第一个技巧是标注复用做实例分割。你已经在 VOC 里画了矩形框如果企鹅轮廓比较清晰可以用 SAM 之类的分割模型以框为提示生成掩码再人工微调把检测标注升级成分割标注。这样同一批图能同时训检测和分割分割的掩码监督信号比框更强反过来能提升检测的边界精度。热搜里yolo实例分割和yolo 检测 调整置信度门限都指向这个方向值得试。第二个技巧是用预训练模型的中间特征做冻结训练。YOLOv8 的 backbone 在 COCO 上学到的通用特征对企鹅这种有明确轮廓的物体迁移效果不错。做法是前 50 轮冻结 backbone只训 head让 head 先适应企鹅数据后 100 轮解冻全部用小学习率微调。这样能防止小样本把预训练特征带偏。命令上加freeze10冻结前 10 层跑完再解冻重训。第三个技巧是推理时的测试时增强TTA。对同一张图做翻转、多尺度推理把结果融合能提升 1 到 3 个点的 mAP。ultralytics 里推理时加augmentTrue就开了 TTAyolo detect predict \ modelruns/detect/train/weights/best.pt \ sourcepenguin_test/ \ conf0.4 \ iou0.8 \ augmentTrueconf0.4是置信度门限企鹅场景下 0.4 到 0.5 比较稳iou0.8放宽 NMS应对密集群体augmentTrue开 TTA。这三个参数是我在企鹅数据集上试出来比较平衡的组合误检和漏检都能压住。最后一个习惯每次改参数只改一个记录指标变化。小样本训练玄学多同时改学习率、增强、模型大小指标涨了你也不知道是哪个起的作用。我一般用表格记实验模型lr0imgszmAP50备注exp1yolov8n0.016400.72基线exp2yolov8n0.0016400.78降学习率exp3yolov8s0.0019600.83换模型加分辨率这张表比任何调参教程都管用因为它是你自己数据上的真实反馈。120 张图不多但把标注质量、格式转换、训练参数、推理调优每一环都做扎实出一个能用的企鹅检测模型完全够。我踩过最深的坑就是一开始图省事VOC 转 YOLO 没读原图尺寸训了两天才发现框全是错的希望你别重复这个错误。希望帮到你。本文还有配套的精品资源点击获取