舌头数据集YOLO+VOC双格式8804张已增强：目标检测训练与避坑指南

简介本资源为舌头检测专用数据集面向从事目标检测算法训练与验证的开发者、学生及科研人员可用于中医舌象分析、口腔健康监测等场景下的模型训练与实验对比。压缩包共约2000个文件以1999个xml标注文件和1个说明txt为主整体大小约211.79MB内含JPEGImages图片、Annotations的xml标注与labels的txt标注三个文件夹分别对应原图、VOC格式标注与YOLO格式标注方便直接接入主流检测框架。数据集共8804张舌头图像含yolo与voc两种标注格式标签种类仅1类名称为shetou总框数8819个采用矩形框标注图片清晰且约50%至60%经过增强处理。目前已有537人学习下载适合需要快速构建舌头检测基线、验证数据增强策略或进行标注格式转换练习的读者参考使用。1. 舌头数据集到底能干什么8804 张已增强的 YOLOVOC 双格式资源舌头图像做目标检测最头疼的从来不是模型选型而是数据。临床上拍到的舌象受光线、角度、伸舌姿势影响极大自己从零标注 8804 张按一张 30 秒算就是 73 小时纯手工还不算筛图和清洗。这份「舌头数据集 yolovoc 格式 8804 张已增强.zip」解决的正是这个前置环节——它把舌头区域标注好同时给出 YOLO 的 txt 标签和 VOC 的 xml 标签还预先做了数据增强拿到手就能直接喂给 YOLOv5、YOLOv8 这类检测框架跑训练。它适合三类人一是做中医舌诊智能化、舌象分类检测的算法同学需要一份能立刻开训的检测数据二是想练手 YOLO 全流程、又不想卡在标注上的新手三是做多模态舌象研究、需要检测框先做区域裁剪的从业者。8804 张的体量在垂直领域里算中等偏上配合已增强的样本小目标舌头边缘的召回通常比原始数据好一截。下面按「先看清结构、再动手训练、最后避坑」的顺序拆开讲。2. 拆包先看目录YOLO 与 VOC 双格式的对应关系拿到压缩包别急着解压完就开训先搞清楚里面两套标注是怎么组织的。YOLO 和 VOC 描述的是同一批图只是标签表达方式不同理解这个映射关系后面转换、校验、混用才不会翻车。2.1 两种格式的标签差异VOC 格式每张图配一个同名 xml里面用bndbox记录xmin/ymin/xmax/ymax四个绝对像素坐标外加name类别名。YOLO 格式每张图配一个同名 txt每行是class x_center y_center width height五个值全部归一化到 0~1 之间。同一个舌头框VOC 里写的是像素YOLO 里写的是比例这是最容易混的地方。维度VOC (xml)YOLO (txt)坐标形式绝对像素 xmin/ymin/xmax/ymax归一化中心点宽高类别表达字符串 name整数 class id一图多目标多个 object 节点多行常用框架Faster R-CNN、SSDYOLO 系列常见做法是训练 YOLO 就用 txt做数据可视化核对或转其他框架就用 xml。两套都在等于省了一次格式转换的功夫。2.2 解压后的目录结构核对解压后先跑一段脚本统计图片数、标签数、类别分布确认没有丢标签的图。这一步花两分钟能省掉训练到一半发现空标签的血泪经验。import os, glob from collections import Counter root 舌头数据集 # 按实际解压目录改 imgs glob.glob(os.path.join(root, **, *.jpg), recursiveTrue) txts glob.glob(os.path.join(root, **, *.txt), recursiveTrue) xmls glob.glob(os.path.join(root, **, *.xml), recursiveTrue) print(图片数:, len(imgs)) print(YOLO标签数:, len(txts)) print(VOC标签数:, len(xmls)) # 统计 YOLO 类别分布确认 class id 是否从 0 开始 cls_counter Counter() for t in txts: with open(t) as f: for line in f: line line.strip() if line: cls_counter[line.split()[0]] 1 print(类别分布:, cls_counter)逻辑说明recursiveTrue是为了兼容图片按子文件夹分目录存放的情况统计类别分布能立刻看出 class id 是否连续、有没有异常类别。参数上如果输出图片数和标签数对不上说明有图缺标注需要单独列出来决定是补标还是剔除。类别分布如果严重倾斜比如某个类只有几十个框训练时就要考虑加权或重采样。2.3 划分训练集与验证集不要用随机train_test_split直接切因为增强后的图可能来自同一张原图随机切会导致训练集和验证集出现近似重复样本验证指标虚高。稳妥做法是按原始图分组后再切或者直接用官方给的划分。下面给一个按文件名前缀分组的划分脚本。import os, glob, random, shutil random.seed(42) root 舌头数据集 out dataset_split for sub in [images/train, images/val, labels/train, labels/val]: os.makedirs(os.path.join(out, sub), exist_okTrue) imgs sorted(glob.glob(os.path.join(root, **, *.jpg), recursiveTrue)) # 按前缀分组避免增强图泄漏到验证集 groups {} for p in imgs: key os.path.basename(p).split(_)[0] groups.setdefault(key, []).append(p) keys list(groups.keys()) random.shuffle(keys) val_keys set(keys[:int(len(keys) * 0.2)]) for k, paths in groups.items(): split val if k in val_keys else train for p in paths: name os.path.splitext(os.path.basename(p))[0] shutil.copy(p, os.path.join(out, images, split, os.path.basename(p))) lbl p.replace(.jpg, .txt) if os.path.exists(lbl): shutil.copy(lbl, os.path.join(out, labels, split, name .txt))逻辑说明split(_)[0]假设增强图命名带原始图前缀这是增强数据集常见命名习惯实际以你包内命名为准。random.seed(42)保证划分可复现。参数上验证集比例 0.2 是检测任务的常规起点数据量小可以调到 0.15。跑完检查labels/val是否为空空的话说明前缀分组没生效需要回头看命名规则。3. 用 YOLOv8 跑通训练从 data.yaml 到首轮指标数据理顺了接下来落到训练。这一章给一份能直接抄的 YOLOv8 配置和训练命令顺带说清每个参数为什么这么设以及首轮该盯哪些指标判断数据有没有问题。3.1 写对 data.yamlYOLOv8 靠一个 yaml 文件找到数据和类别路径写错是最常见的启动失败原因。# data.yaml path: /abs/path/dataset_split # 绝对路径别用相对路径 train: images/train val: images/val nc: 1 # 舌头检测通常单类多类按实际改 names: 0: tongue逻辑说明path用绝对路径能避免从不同工作目录启动时找不到数据train/val是相对path的子路径。nc必须和标签里的最大 class id 对齐如果标签里出现 id1 而nc1训练会直接报越界。参数上单类舌头检测nc1即可若数据集还标了舌苔、齿痕等区域按实际类别数改并同步names。3.2 训练命令与关键参数yolo detect train \ datadata.yaml \ modelyolov8n.pt \ epochs100 \ imgsz640 \ batch16 \ lr00.01 \ patience20 \ projectruns/tongue \ nameexp1逻辑说明modelyolov8n.pt用 nano 版先跑通流程确认数据无误再换 s/m 版提精度这是省时间的常规做法。imgsz640是 YOLOv8 默认输入尺寸舌头目标通常占图比例较大640 够用若舌头在图中偏小可提到 960 但显存翻倍。batch16按显存调8G 显存跑 640 一般能到 16。patience20表示 20 轮无提升就早停避免过拟合空跑。lr00.01是 SGD 的常规起点换 AdamW 可降到 0.001。3.3 首轮该盯的三个指标训练启动后别只等结果前 10 轮就要看趋势。box_loss不降说明学习率或标注有问题mAP50长期低于 0.3 大概率是标签格式或类别错位cls_loss异常高而box_loss正常往往是类别名和 id 对不上。常见做法是先用 10 轮小实验验证数据管线再开长训练。如果mAP50卡在某个值不动优先怀疑验证集里混入了训练集的增强副本回到 2.3 的分组逻辑复查。提示首次训练建议把epochs设成 10 先跑通确认 loss 正常下降、验证集有预测框输出再改回 100 正式训。直接上长训练数据有问题会白等几小时。4. 避坑与排查舌头数据集训练里最容易翻车的五件事这一章全是踩过的坑每条按现象、原因、解决写照着排查能省不少时间。4.1 训练报 “No labels found”现象启动训练几秒后报错提示找不到标签或标签为空。原因data.yaml里train路径指向的目录下没有对应 txt或者图片和标签不同名。解决确认images/train/xxx.jpg对应labels/train/xxx.txt文件名不含扩展名必须完全一致用 2.2 的统计脚本核对数量。4.2 mAP 虚高但实际检测框乱飞现象验证mAP50到 0.9 以上但拿新图推理时框位置明显偏移。原因增强图泄漏训练集和验证集含同一原图的近似副本模型等于背答案。解决按 2.3 的前缀分组重新划分确保同一原图的所有增强版本只出现在一个 split 里。4.3 类别 id 越界报错现象训练中断提示 class id 超出nc范围。原因标签里 class id 从 1 开始而data.yaml的nc1只允许 id0。解决统一把标签 class id 减 1或把nc改成实际最大 id1 并补全names。用 2.2 的类别分布脚本先确认 id 范围。4.4 显存溢出CUDA out of memory现象训练到某个 batch 突然 OOM。原因batch或imgsz超过显存或增强后的图尺寸不一致导致某批偏大。解决先把batch减半仍不行再降imgsz到 512也可开ampTrue混合精度省显存。别一上来就换大显卡先调参。4.5 验证集指标波动大现象相邻两轮mAP忽高忽低。原因验证集样本太少或增强图分布不均。解决验证集至少保证每类有几十个实例若数据本身少用fraction参数只取部分训练数据做快速实验但验证集要固定不变保证指标可比。5. 进阶技巧用检测框做舌头区域裁剪与二次分类跑通检测只是第一步。舌头数据集真正的价值在于检测框能作为下游任务的入口——把舌头区域裁出来再送进分类网络做舌质、舌苔判别这是舌诊智能化最常见的两阶段管线。这一章给一个裁剪脚本和验证方法顺带说一个我踩过的坑。5.1 用检测结果批量裁剪舌头区域import cv2, os, glob from ultralytics import YOLO model YOLO(runs/tongue/exp1/weights/best.pt) src raw_images dst tongue_crops os.makedirs(dst, exist_okTrue) for p in glob.glob(os.path.join(src, *.jpg)): img cv2.imread(p) results model.predict(img, conf0.5, verboseFalse) for i, box in enumerate(results[0].boxes): x1, y1, x2, y2 map(int, box.xyxy[0].tolist()) # 外扩 5% 边距避免裁掉舌边缘 w, h x2 - x1, y2 - y1 x1 max(0, x1 - int(w * 0.05)) y1 max(0, y1 - int(h * 0.05)) x2 min(img.shape[1], x2 int(w * 0.05)) y2 min(img.shape[0], y2 int(h * 0.05)) crop img[y1:y2, x1:x2] name os.path.splitext(os.path.basename(p))[0] cv2.imwrite(os.path.join(dst, f{name}_{i}.jpg), crop)逻辑说明conf0.5是裁剪场景的保守阈值宁可漏检也别把背景裁进来外扩 5% 是因为检测框常贴着舌边缘不外扩会切掉舌尖或舌根。参数上如果下游分类对边缘敏感外扩比例可提到 0.1若一张图有多个舌头目标少见enumerate会分别存成_0、_1。5.2 验证裁剪质量的两个办法一是随机抽 20 张裁剪图肉眼过一遍看有没有把嘴唇、牙齿大面积带进来二是统计裁剪图的宽高比分布舌头区域通常接近 1:1 到 4:3如果出现大量极端长条说明检测框异常。常见做法是把裁剪图按尺寸排序看头尾各 10 张异常一眼就能发现。5.3 一个我踩过的坑有次我直接用conf0.25默认阈值裁剪结果一批低置信框把下巴、衣领也裁了进来下游分类准确率掉了 8 个点。排查半天才发现是阈值太松。从那以后我每次做区域裁剪都强制先跑一遍阈值扫描——把conf从 0.3 到 0.7 各裁一批人工看 10 张选召回和干净度平衡的那个值再批量跑。这个习惯帮我省了无数次返工。这份舌头数据集把标注和增强都做完了8804 张的体量配合 YOLOVOC 双格式能让你把精力放在模型和下游任务上而不是耗在数据准备。拿到包后按第 2 章核对结构、第 3 章跑通训练、第 4 章排查问题基本能在一两天内出第一版可用模型。希望帮到你。本文还有配套的精品资源点击获取