YOLO数据集实战：1531张罐头瓶子图像从检查到训练全流程

简介这是一套面向YOLO系列算法的目标检测数据集以罐头、鲜奶瓶等包装类物品为主要检测类别适合需要训练检测模型的开发者、研究人员或相关专业学生使用。压缩包中提供2000个标签文件包括1073个XML文件VOC标注格式和927个TXT文件YOLO标注格式同时附有数据配置文件data.yaml且数据集已经完成训练集与验证集划分用户拿到后即可直接训练、验证和测试模型兼容YOLOv5、YOLOv7、YOLOv8、YOLOv9、YOLOv10、YOLO11等多种版本。资源包大小约68.59MB目前已有54人学习下载。该数据集的突出价值在于免去自行采集图像和标注的繁琐流程双标签格式可灵活适配不同框架便于快速开展目标检测实验或项目预研适合入门练习和实际部署前的算法验证。1. 1531张带标签的鲜奶与瓶子图像能给YOLO训练解决什么问题做过目标检测的人都有体会找数据集往往比调模型更耗时间。一个标注可靠、格式直接可用的YOLO数据集能把从零到第一个可运行模型的周期从两周压缩到两三天。这份「YOLO算法-罐头和瓶子数据集-1531张图像带标签-鲜奶-瓶子.zip」本质是把商超货架和仓储场景里几个高频物体类别——罐头、瓶子、鲜奶瓶——用1531张真实图像标注好按YOLO的标准格式压缩打包。它适合两类人一类是刚入门YOLO、手里没有干净数据做练习的新手另一类是做零售盘点或回收分拣场景、需要快速验证检测可行性的工程师。用这个数据集你可以直接跑通数据验证、格式转换、训练、评估的完整闭环再把自己场景的标注数据套进同一套流程。1531张意味着什么对单类简单背景足够用对多尺度复杂背景略紧张但也恰好能逼你把迁移学习和数据增强做对。2. 解压后先摸清底细YOLO数据集的目录结构与标签格式自检标题里的zip后缀说明你拿到的是一个压缩包。第一步永远是解压然后检查内部结构。我见过太多人拿到数据集直接开训练结果要么图像和标签对不上要么标签坐标系理解错误白白浪费半天。结构检查五分钟后就能完成但能避开后面最隐性的翻车原因。2.1 解压与目录检查先确认你拿到的是不是「能用的」YOLO数据集在Linux或macOS环境下解压命令用的是unzip。Windows用户可以直接右键解压也可以在PowerShell里用Expand-Archive。我一般习惯在命令行里操作因为后续的统计检查也要用命令。unzip YOLO算法-罐头和瓶子数据集-1531张图像带标签-鲜奶-瓶子.zip -d canned_bottle_data cd canned_bottle_data find . -maxdepth 2 -type d | sort第一条命令把zip包解压到canned_bottle_data目录-d指定了目标路径。第三条命令列出两层以内的目录结构。一条规范的YOLO数据集至少会有images/和labels/两个目录图像目录里是jpg或png标签目录里是跟图像同名的txt文件。接下来做数量核对。这一步很关键很多时候标注进程被中断图像和标签数量不相等find images -name *.jpg | wc -l find labels -name *.txt | wc -l这两条命令分别统计图像和标签的文件数量。find负责按名字匹配wc -l统计行数管道符把前者结果喂给后者。如果两个数字相差很大说明包里有未标注的图或者孤儿标签后续要按文件名关联排查。有些数据集还会附带classes.txt或data.yaml用来记录类别名有的话可以直接打开看没有也不用慌靠标签文件里的类别ID也能反推。2.2 标签格式与类别映射txt里每行数字到底是什么含义YOLO格式的标签文件是纯文本一行一个目标框。用head命令看前几行head -5 labels/frame_0001.txt正常输出类似这样0 0.489583 0.381944 0.186806 0.124167 1 0.752083 0.574306 0.149306 0.218889每行有5个数字含义是固定的字段含义示例值范围第1个类别ID整数0、1从0开始到类别数-1第2个框中心点x坐标归一化0.4895830.0到1.0第3个框中心点y坐标归一化0.3819440.0到1.0第4个框宽度归一化0.1868060.0到1.0第5个框高度归一化0.1241670.0到1.0归一化坐标是个容易混淆的点。0.489583不是像素值而是中心点在图像宽度方向上的比例位置。还原成像素坐标时要乘以图像宽高这步错了后面可视化检查时框会全部错位。关于类别ID我建议拿到数据后先扫描所有标签文件里最大的类别ID是多少。如果最大ID是1说明是2类问题最大ID是2则有3类。根据这份数据集标题判断大概率是2到3类罐头一类、瓶子一类、鲜奶可能是另一类也可能归在瓶子类别下。如果包内没有类别名文件先跑个统计脚本看看ID分布再结合图像内容确定每类对应什么。这里有个血泪经验不要自行假设「0是罐头、1是瓶子、2是鲜奶」一定要亲眼看几张图像确认。3. 标签可视化与类别分布训练前必须做的一次数据质量体检格式没错不代表标注正确。框偏移、类别标错、边框超出图像范围这些问题在纯文本标签里完全看不出来。我做过一个项目训练集loss降到很低验证集mAP却一直在0.3上下徘徊排查半天发现是某个标注工具导出时把类别ID全部错位了一位。所以在动手训练前一定把标签可视化出来人眼过一遍。3.1 用OpenCV把标注框画回图像可视化脚本与异常框识别常见做法是写一个Python脚本读取图像和对应的YOLO标签把框画回图上存成新的jpg。我用OpenCV来实现因为它处理矩形和文字都很方便。import cv2 import os img_dir images label_dir labels out_dir check_vis os.makedirs(out_dir, exist_okTrue) for img_name in os.listdir(img_dir): stem os.path.splitext(img_name)[0] img_path os.path.join(img_dir, img_name) label_path os.path.join(label_dir, stem .txt) if not os.path.exists(label_path): print(f[跳过] {img_name} 没有对应标签) continue img cv2.imread(img_path) if img is None: print(f[警告] {img_name} 读取失败可能路径含中文或文件损坏) continue h, w img.shape[:2] with open(label_path, r, encodingutf-8) as f: for line in f: parts line.strip().split() if len(parts) ! 5: print(f[异常] {stem}: 非法行 - {line.strip()}) continue cls_id int(float(parts[0])) xc, yc, bw, bh map(float, parts[1:]) # 归一化坐标转像素坐标 x1 int((xc - bw / 2) * w) y1 int((yc - bh / 2) * h) x2 int((xc bw / 2) * w) y2 int((yc bh / 2) * h) # 越界检查 if x1 0 or y1 0 or x2 w or y2 h: print(f[越界] {stem}: ({x1},{y1},{x2},{y2})) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(img, fid:{cls_id}, (x1, max(0, y1 - 5)), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 0, 255), 2) cv2.imwrite(os.path.join(out_dir, img_name), img) print([完成] 可视化结果已输出到, out_dir)逻辑说明先按文件名关联图像和标签标签缺失或图像读取失败都直接打印提示不中断整体流程。读取每一行标签后把归一化坐标还原为像素坐标画绿色矩形框框左上角标红色类别ID。还原公式是中心点 - 宽度/2得到左上角x中心点 宽度/2得到右下角xy方向同样处理。脚本同时做了两项异常检查标签行字段数量不是5的、框超出图像边界的都打印出来。运行脚本后从输出目录里挑几十张图挨个看重点看三点框是不是刚好包住目标、有没有该框没框的目标、类别ID跟实际物体是否匹配。这个环节属于「慢就是快」半小时的肉眼检查能省下后面几天的排错时间。3.2 类别分布与有效样本量判断这个数据集能不能撑起训练除了看单张标注质量还要看统计层面的分布。类别极度不平衡会导致训练偏向多数类少数类AP常年接近0。我一般会跑一个简单的统计脚本算出每个类别的目标数量和有标注的图像数量。import os from collections import Counter labels_dir labels cls_counter Counter() img_with_label 0 for fname in os.listdir(labels_dir): if not fname.endswith(.txt): continue fpath os.path.join(labels_dir, fname) has_obj False with open(fpath, r) as f: for line in f: parts line.strip().split() if len(parts) 5: cls_counter[int(float(parts[0]))] 1 has_obj True if has_obj: img_with_label 1 print(有标注的图像数:, img_with_label) print(各类别目标总数:, dict(cls_counter)) print(总目标数:, sum(cls_counter.values()))逻辑说明遍历labels目录下所有txt文件逐行解析用Counter统计每个类别ID出现的次数。img_with_label记录至少包含一个有效目标框的图像数量。这个脚本的意义在于如果某个类别的目标数只有几十个训练时这一类的loss贡献很小模型容易直接忽略它。假设这份数据集的类别分布是罐头、瓶子、鲜奶瓶子各占几百个目标算是一个可接受的水平。如果某一类特别少我建议优先考虑是否把它和外形相似的另一类合并或者等标注补充后再训练。1531张图像去除重复场景和模糊样本后有效信息量可能打折扣别只盯着文件数量要看「每个类别到底有多少个框」。类别分布检查还有一个作用确认类别ID是连续的。YOLO系列模型要求类别ID从0开始连续编号如果标签里出现ID跳号比如只有0和2没有1训练时类别数配置会出现错位这个问题在训练阶段很难第一时间发现。4. 数据划分与YOLOv8训练用这份数据集跑通第一次检测全流程数据体检通过后进入训练准备阶段。这里有两件事要做划分数据集、写训练配置。顺序不能反先划分再训练。4.1 划分train/val/test避免同场景图像泄漏的一条划分脚本数据划分的原则是按图像划分不按标注框划分同一张图像的所有框必须进同一个集合。很多人用随机打乱文件列表的方式这个做法本身没问题但要注意相似图像可能同时出现在训练集和验证集里造成验证集分数虚高。对这份罐头和瓶子数据集我建议8:1:1的比例划分训练集数量在1200张左右这个量级对迁移学习起步足够。import os import random import shutil random.seed(42) img_src images label_src labels out_root dataset_split imgs [f for f in os.listdir(img_src) if f.endswith((.jpg, .png))] random.shuffle(imgs) n len(imgs) n_train int(n * 0.8) n_val int(n * 0.9) # 前90%里再取后10%作验证 train_imgs imgs[:n_train] val_imgs imgs[n_train:n_val] test_imgs imgs[n_val:] splits [(train, train_imgs), (val, val_imgs), (test, test_imgs)] for split_name, img_list in splits: img_out os.path.join(out_root, images, split_name) label_out os.path.join(out_root, labels, split_name) os.makedirs(img_out, exist_okTrue) os.makedirs(label_out, exist_okTrue) for img_name in img_list: stem os.path.splitext(img_name)[0] shutil.copy( os.path.join(img_src, img_name), os.path.join(img_out, img_name) ) src_label os.path.join(label_src, stem .txt) if os.path.exists(src_label): shutil.copy(src_label, os.path.join(label_out, stem .txt)) else: print(f[警告] {img_name} 缺标签) print(f划分完成: train{len(train_imgs)}, val{len(val_imgs)}, test{len(test_imgs)})逻辑说明先把图像文件名全部读入列表随机打乱后按比例切片。n_train int(n * 0.8)取前80%作训练集n_val int(n * 0.9)把前90%的边界当作训练集与验证集的分界这样验证集就是80%到90%之间的10%。复制文件而不是移动文件是为了保留原始数据万一划分有问题还能重来。脚本里用shutil.copy复制图像和同名标签标签缺失时打印警告避免训练阶段被报错打断。参数上random.seed(42)固定随机种子保证每次运行划分结果一致。如果你想调比例改两个int计算行就行。对这份数据集不要用7:3划分1531张里1200张训练和1000张训练差别不大但验证集从150张降到100张时mAP的方差会明显变大结果不具稳定性。4.2 创建data.yaml并启动训练对结果影响最大的五个参数划分完成后需要写一个YOLO训练用的data.yaml文件。以Ultralytics YOLOv8为例文件内容如下# dataset.yaml path: /your/absolute/path/to/dataset_split train: images/train val: images/val test: images/test nc: 3 names: 0: can 1: bottle 2: milk_bottlepath写数据集根目录的绝对路径train/val/test填相对path的子路径nc是类别数量names是类别名列表。names的顺序必须和标签文件里的class_id一一对应这是最容易出错的地方——我见过有人把names写成{0: bottle, 1: can}结果训练时类别全反了。环境配置方面用Anaconda创建虚拟环境再安装ultralytics库。YOLOv8的训练命令很简单conda create -n yolo python3.10 -y conda activate yolo pip install ultralytics yolo detect train datadataset.yaml modelyolov8n.pt epochs100 imgsz640 batch16modelyolov8n.pt表示使用YOLOv8nano预训练权重nano参数量最小在这份1531张的数据集上更不容易过拟合训练速度也快。如果你显存充裕可以把nano换成small或medium试试但对小数据集nano通常已经足够。这里不是死规矩是经验判断小数据配大模型收益基本都被过拟合吃掉了。训练过程中需要重点盯住的五个参数yolo detect train \ datadataset.yaml \ modelyolov8n.pt \ epochs100 \ imgsz640 \ batch16 \ lr00.01 \ patience15epochs设为100是因为数据集小训练很快100轮足够让模型收敛。imgsz640是YOLOv8的默认输入分辨率如果图像本身是1920×1080训练时会自动缩放不需要手动resize。batch16在8GB显存的GPU上能稳定运行显存只有4GB就改8。lr0是初始学习率默认0.01对从头训练合适但用迁移学习时保持默认即可。patience15表示指标连续15轮不提升就提前停止训练。训练时你会看到终端输出三个lossbox_loss、cls_loss、dfl_loss。box_loss衡量预测框和真实框的距离损失cls_loss衡量分类概率的交叉熵dfl_loss是分布焦点损失用于提升框回归精度。三者加权的总量会同步打印如果你的box_loss在前几轮不下降大概率是标注框本身就有问题回去查可视化结果。5. 避坑与常见问题1531张图像训练时最常见的五个翻车现场把训练过程中最容易踩的坑集中写在这里每一条都是真实发生过的问题不是理论推测。遇到同类症状时优先按这个顺序排查能省下大量时间。5.1 现象labelimg打标完YOLO格式的标签训练时loss完全不收敛labelimg工具在保存YOLO格式时类别ID是从0开始编号的。有些标注人员习惯在labelimg里把「person」编为1号保存出来txt第一列就是1。如果数据集的类别ID不从0开始训练时模型会认为类别总数比自己配置的要多cls_loss会在高位震荡box_loss看起来正常但验证集mAP极低。原因类别ID起始值和data.yaml里的nc配置不匹配。解决打开标签文件看第一列的最小值如果最小是1写一个简单脚本把所有标签的class_id减1如果只有一个类但最小ID是1同样减1。检查方法awk {print $1} labels/*.txt | sort -n | uniq -c这条命令列出所有标签文件里第一列类别ID的分布看到最小值为1就说明要减1。5.2 现象val loss不断升高train loss正常——可能是数据泄漏一份数据集如果所有图像来自同一视频片段或者同一批次拍摄相邻帧背景高度相似。随机划分时同一场景的图像会同时出现在训练集和验证集。训练时模型「记住」了背景纹理验证集里同背景的图像自然表现好但换到真实场景就崩。原因按文件列表随机划分没有考虑图像来源分组。解决划分前先按图像名称前缀分组比如同一拍摄组序列的照片统一归入同一个集合。具体操作是把random.shuffle改为按前缀分组后整体划分。如果这份数据集文件名带连续编号优先用编号区间划分比如前80%编号进train后10%进val。5.3 现象Windows解压后训练脚本报错图像读取失败数据集标题里的中文被保留在解压路径里OpenCV的imread在Windows下读取中文路径经常失败返回None导致后续shape取不到值。这个坑在中文系统上非常常见尤其是从百度网盘或微信传输助手里下载的zip包。原因OpenCV底层读取逻辑对非ASCII路径支持不完善。解决把数据集目录重命名为纯英文路径比如C:/datasets/canned_bottle/同时把data.yaml里的path也改成英文绝对路径。不要试图在代码里做编码转换直接换路径最省事。5.4 现象GPU显存不足训练在第1个epoch就中断1531张图像进行训练时很多人习惯性把batch设成32或64结果在6GB显存的卡上直接OOM。原因imgsz640batch32输入尺寸和批次量的乘积超出显存容量。解决把batch改成8或者开启梯度累积来模拟大batch效果。YOLOv8命令行支持batch-1自动检测最大可用batchyolo detect train datadataset.yaml modelyolov8n.pt batch-1用batch-1让框架自动探测通常它会给出一个偏小的值以保证稳定。如果自动探测给的数值太小可以手动指定batch8加device0配合使用。对这份数据集的体量batch16和batch8的训练结果差异很小不必纠结。5.5 现象验证集mAP很高但用测试图像推理时效果不理想mAP在验证集上0.85导出模型后拿货架实测图一测框全跑偏或者漏检。这种情况在1531张的小规模数据集上尤为常见。训练集里多数图像目标大、拍摄角度正、背景干净而实际场景是俯拍、光线不均、目标互相遮挡。原因过拟合到训练集的背景和目标形态。解决第一训练时开启更激进的数据增强YOLOv8默认自带马赛克增强可以调整增强参数第二收集少量真实场景图像补充测试进行验证第三最后评估时直接看模型在你真实摄像头截图上的结果而不是只看mAP数字。mAP是统计指标只能反映整体趋势不能保证单张图的检测质量。6. 进阶技巧让1531张数据集发挥出更大价值6.1 迁移学习与数据增强的配合小数据集的正确使用方式不是从头训练而是用预训练权重初始化。YOLOv8的预训练模型在COCO上见过大量不同类型的目标它的浅层特征已经学会边缘、纹理、颜色等通用模式这些对罐头和瓶子的识别依然有效。训练时只微调高层语义特征对样本量的需求会大幅降低。数据增强方面YOLOv8默认的mosaic增强在小数据集上是把双刃剑。mosaic把四张图拼成一张增加了目标尺度和背景多样性但如果你的数据集本身就小增强后的样本可能偏离真实分布。我建议在训练参数里调整增强开关yolo detect train datadataset.yaml modelyolov8n.pt epochs100 imgsz640 \ hsv_h0.015 hsv_s0.7 hsv_v0.4 degrees10 flipud0.2这组参数分别控制HSV颜色扰动幅度、随机旋转角度、垂直翻转概率。颜色扰动对光照变化有很强的抵抗作用适合货架场景这种光照不固定的环境。degrees10限制旋转角度避免罐头文字方向被过度扭曲导致语义丢失。如果你发现训练loss降得很慢尝试把flipud调回0垂直翻转对瓶子这类竖长形目标有时候反而有负面影响。6.2 用混淆矩阵和PR曲线验证模型泛化能力训练结束后不要只看训练过程中的loss曲线一定要用验证集做一次正式评估。YOLOv8在训练结束时已经自动输出混淆矩阵和PR曲线存在runs/detect/train/confusion_matrix.png和PR_curve.png。混淆矩阵能直观告诉你哪个类被认错成了哪个类PR曲线则反映每个类别的精确率和召回率权衡。验证集评估mAP50和mAP50-95要分开看。mAP50是IoU阈值设为0.5时的平均精度数值高说明框大概位置正确mAP50-95是多个IoU阈值下的平均更严格数值低说明框的定位精度不够。罐头是规则柱体mAP50-95通常不会太低如果这个指标明显偏低优先怀疑标签框本身不够紧画框时把边缘留白太多。最后一个习惯模型训练完毕后找几张完全没参与训练和验证的测试图像跑一次推理用yolo predict命令yolo detect predict modelruns/detect/train/weights/best.pt sourcetest_images_extra把推理结果图和标注可视化结果放在一起对比观察模型对同一目标的框是更紧还是更松。经验是模型框通常比人工标签框略小因为训练时损失函数在惩罚「框过大」和「框过小」之间存在不对称性。如果你的模型框总是偏大检查标注时是不是把背景也框进去了可以在最后几次epoch观察box_loss的收敛值来判断。这个数据集本身值不值得用来投入正式项目我的判断是适合做流程验证和技术选型不适合直接作为最终训练数据上线。用它的正确姿势是跑通全链路把标注规范、训练配置、评估标准确定下来然后扩展自己的数据。方法比数据更值钱先把流程走通后面扩数据只是时间问题。希望帮到你。本文还有配套的精品资源点击获取