简介YOLO格式的息肉检测数据集面向医学图像目标检测学习者与研究者将原始高清内镜图像整理为可直接训练的YOLO项目目录结构省去手动划分训练集、转换标注格式与整理类别文件等准备工作。压缩包共包含2000个文件分别由999张高清彩色图片、1000个文本标注文件和1个Python可视化脚本组成包体大小约57.01MB其中训练集含800张图像及对应标注验证集含200张图像及对应标注图像分辨率在332×487到1920×1072之间边界框完整清晰标注采用相对坐标记录类别、中心点与宽高。目前已有315人学习下载适合需要快速搭建息肉检测训练环境、进行算法对比或复现实验的开发者与研究人员。附带的类别文件与可视化脚本均按YOLO规范整理脚本无需修改即可运行随机传入一张图片就能绘制边界框并保存到当前目录整体目录结构与YOLO项目标准一致可直接用于训练、验证与调试省去额外预处理步骤。1. 直接开训的 YOLO 息肉检测数据集Kvasir-SEG 转归一化框之后的第一选择做内镜息肉检测这类单类别目标检测任务卡住进度的往往不是模型选型而是数据格式。Kvasir-SEG 原始发布内容是分割掩膜而 YOLO 训练需要的是归一化矩形框掩膜转框需要自己处理连通域提取、外接矩形计算和贴边目标的裁切中间稍不注意就会产生一堆无效框。这份资源把这步预处理好1000 张图训练集 800 张、验证集 200 张全部转成 YOLO 所需的 txt 标注附带类别 class 文件和一个开箱即用的数据可视化脚本。拿到手不用再做格式转换直接从验证标注质量开始。它适合两类人刚入门 YOLO 训练、想避开预处理泥潭的新手以及需要快速拿干净基线数据的检测工程师。图像分辨率从 332×487 到 1920×1072 跨度很大对 imgsz 和增强策略的取舍恰好是练手点。2. 目录结构与标注格式先搞懂路径、坐标和类别编号2.1 压缩包里有什么以及为什么是 800/200解压后的目录命名能看到datasets-images-train和datasets-images-val两套。按 YOLO 项目一贯的存放习惯图片和标签分开放每套下面再有 train / val 对应训练和验证划分。最常见的组织方式如下你解压后可以对照着看dataset/ ├── classes.txt ├── datasets-images-train/ │ ├── images/ # 800 张 jpg │ └── labels/ # 800 个同名 txt └── datasets-images-val/ ├── images/ # 200 张 jpg └── labels/ # 200 个同名 txt这份数据压缩后 57MB图片是大分辨率 RGB最小 332×487最大 1920×1072。需要留意的是内镜图像宽高比变化剧烈从接近竖屏到超宽幅都有训练时如果统一 resize目标会被压扁所以后面要按 YOLO 的 letterbox 方式处理输入。800/200 的划分是发布时定好的评估口径我不建议自己重新打乱。医疗图像里同一个病人的连续帧高度相似如果按单张图随机洗牌很容易让同一病人的图同时落在训练集和验证集mAP 虚高换到别的医院数据立刻现原形。固定划分还有一个价值不同模型之间的对比实验有了统一的度量基准。还有一个容易被忽略的点。Kvasir-SEG 原始格式是分割掩膜掩膜转框时通常先找出连通域再取其外接矩形。对规则息肉这是没问题的但遇到长条形、凹陷形、或者被内镜边缘截断的息肉外接矩形会引入大量背景或者把两个相邻目标合并成一个框。这份资源在转换时已经把这类明显异常处理过但 800 张训练图里仍然可能残留少数贴边目标这类样本会影响训练稳定性后面可视化检查时要重点看。2.2 YOLO 标注格式五个数字的完整换算逻辑每个同名 txt 文件里一行对应一个息肉框一行的结构是class_id x_center y_center width height拿一条真实标注举例0 0.5123 0.4187 0.2034 0.2955class_id 是类别索引本资源只有息肉一个类别所以这一列恒为 0。后四个值全部是相对图像宽高的归一化比例取值范围应该在 [0, 1]其中x_center和y_center是框中心点的相对坐标width和height是框宽高相对图像宽高的比例。如果原始标注是像素级边界框左上角(x1, y1)、右下角(x2, y2)图像宽W、高H换算公式如下x_center ((x1 x2) / 2) / W y_center ((y1 y2) / 2) / H width (x2 - x1) / W height (y2 - y1) / H反推回像素坐标时把乘除反过来执行即可。训练前如果要对每个框做几何分析建议先还原成像素框再算面积、长宽比不要在归一化值上直接算因为不同图像分辨率不同直接比较归一化面积没有物理意义。YOLO 选择“中心点 宽高”而不是“左上角 右下角”有两层原因。第一这种表示对缩放天然不变图像从 640 变成 320归一化数值不需要重算第二模型输出头最终预测的是目标中心和尺寸偏移中心点编码在损失计算时能更方便地与网格中心对齐。理解这一点之后遇到训练时框偏移排查方向会更清楚。2.3 classes.txt 与标签快速检验class 文件里只有一个类别类别编号从 0 开始。具体类别名以压缩包内classes.txt的实际内容为准常见命名是polyp。这个文件要和后续data.yaml里的names保持一致否则训练正常推理时框上的类别名会错位。检验标签数值是否合法建议在解压后立刻跑一遍。合法范围是 [0, 1]并且width、height必须大于 0# 扫描训练集与验证集中坐标越界的标签行 awk {for(i2;iNF;i){if($i0 || $i1) print FILENAME: $0}} \ datasets-images-train/labels/*.txt datasets-images-val/labels/*.txt # 扫描宽度或高度为 0 的标签行 awk {if($40 || $50) print FILENAME: $0} \ datasets-images-train/labels/*.txt datasets-images-val/labels/*.txt第一条命令只要有输出就说明存在坐标越界的坏标签。这类坏标签进入训练后不会立刻报错但会转化成异常的 loss 贡献慢慢侵蚀模型。提前清理比训练到一半再回头定位问题省时得多。注意 awk 的字段分割默认按空格或 Tab如果标签文件里混入了逗号这组命令需要先把分隔符改成-F,。3. 数据可视化脚本先画出来看再进训练3.1 可视化脚本做了什么资源包里的可视化脚本设计得很直接传入一张图片路径自动到对应 labels 目录找同名 txt把归一化坐标换算回像素坐标画框保存到当前目录。它的价值在于把纯数字变成肉眼可验证的几何位置这是检验标注是否与图像内容对齐的最低成本方法。脚本核心逻辑等价于下面这段代码关键步骤都写了注释import cv2 import sys import os def draw_boxes(image_path, label_path, out_path): img cv2.imread(image_path) if img is None: print(f无法读取图像: {image_path}) return h, w img.shape[:2] # OpenCV 读取的 shape 顺序是 (高, 宽) with open(label_path, r, encodingutf-8) as f: for line in f: parts line.strip().split() if len(parts) ! 5: print(f跳过非法行: {line.strip()}) continue cls int(parts[0]) xc, yc, bw, bh map(float, parts[1:5]) # 归一化坐标换算回像素坐标 x1 int((xc - bw / 2) * w) y1 int((yc - bh / 2) * h) x2 int((xc bw / 2) * w) y2 int((yc bh / 2) * h) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(img, fcls{cls}, (x1, max(0, y1 - 6)), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 1) cv2.imwrite(out_path, img) print(f已保存: {out_path}) if __name__ __main__: image_path sys.argv[1] label_path image_path.replace(/images/, /labels/).replace(.jpg, .txt) out_path os.path.splitext(os.path.basename(image_path))[0] _vis.jpg draw_boxes(image_path, label_path, out_path)逻辑说明replace(/images/, /labels/)依赖图片与标签目录的相对关系解压后如果子目录名不是images、labels要改成实际路径h, w img.shape[:2]必须按这个顺序取取反会导致所有框整体偏移。运行方式很简单python draw_boxes.py datasets-images-train/images/xxxx.jpg原始脚本已经处理了路径匹配和保存逻辑按命令执行后当前目录会多出一张带框的检查图。建议一次随机抽 2030 张覆盖不同分辨率、不同光线条件的内镜图。只看一两张很容易漏掉覆盖率不足的标签问题。3.2 可视化结果重点盯哪三类情况检查时我不会一张张细看只看三类高危情况。第一类是框与目标严重偏离框画在目标旁边甚至图上根本没有对应的息肉目标。这通常不是坐标公式问题而是标签文件与图像不是同源图常见于图片被人工替换但标签数据没换。第二类是框大小异常目标很小但框铺满整张图多半是归一化时把像素值直接当比例用了反过来目标占了半幅画面但框只有一小团可能是掩膜转框时只取到了部分连通域外接矩形比实际目标小太多。第三类是框贴边内镜视野边缘常有目标被截断如果标注框的x1或y1接近 0或x2、y2接近 1这类样本占比越高模型对完整目标的特征认知就越容易被带偏。少量贴边目标可以靠训练时多尺度适配吸收但占比高时模型在推理阶段对边界不齐的目标就容易漏检。如果你抽图发现这类情况普遍存在建议把它们单独归到一个子集里观察而不是直接混在正常样本里训练。3.3 批量抽图检查比单张传参更高效原脚本支持传单张图但抽样检查时一张张跑太低效。我会临时在当前目录用一个循环批量执行mkdir -p check_vis for img in $(ls datasets-images-train/images/*.jpg | shuf -n 30); do name$(basename $img .jpg) python draw_boxes.py $img mv ${name}_vis.jpg check_vis/ done这段命令从训练集里随机抽 30 张逐张跑可视化最后统一移动到check_vis目录集中查看。shuf -n 30是随机取 30 条数量可以自己改。批量图生成后用支持缩略图的查看器快速扫一遍基本就能判断整套标注是否可靠。如果脚本输出大量“跳过非法行”说明标签文件里有空行、逗号分隔或坐标残缺等问题这类文件数量多时需要回到转换阶段重新清洗。4. 训练流程从 data.yaml 到第一轮 epoch 的完整参数配置4.1 把目录映射成 YOLO 能识别的 data.yaml用 Ultralytics YOLOv8 训练自己的数据集是当前最主流也最省事的流程。第一步是把目录组织翻译成data.yamlpath: /home/user/kvasir-yolo train: images/train val: images/val nc: 1 names: 0: polyppath填数据集根目录train和val用相对路径指向图片文件夹nc是类别数这里固定为 1names里的编号 0 必须与 class 文件里的类别索引一致。如果train指向的真实路径里没有图片训练不会直接崩而是会在跑完第一个 epoch 后报找不到训练图片或者以 mAP 为 0 的安静方式失败。这里特别提醒目录名里的datasets-images-train是资源自带的前缀不代表data.yaml里也要把这一长串写进train字段。train字段指的是你实际放置 800 张图片的那一层目录一般就是images/train。常见错误是把压缩包的根目录名直接拼进路径导致最终指向一个不存在的目录。4.2 第一轮训练命令与参数解释第一次跑我建议用 nano 模型先验证链路yolo detect train \ datakvasir.yaml \ modelyolov8n.pt \ epochs100 \ batch16 \ imgsz640 \ device0 \ cacheTrue逐项说明modelyolov8n.ptnano 级模型参数量小、训练速度快。800 张图加单类别大模型很容易过拟合先用 nano 打通流程再换大模型刷精度。imgsz640YOLO 的 letterbox 会把任意尺寸输入等比缩放到长边 640再补边到正方形。这份数据的分辨率从 332×487 到 1920×1072640 是最稳的起步值。不要一上来就上 960显存占用按平方涨batch 会被迫降下来。batch16在 812GB 显存上nano 640 跑 16 没问题显存紧张就降到 8。cacheTrue数据总量小一次性缓存进内存能明显减少每个 epoch 的 IO 等待。device0用第一块 GPU没有 GPU 时改成cpu但速度会慢很多。参数参考表参数起步值可调范围调整依据epochs10060200验证集 200 张训练集 800 张100 轮足够看出趋势batch16832显存和训练稳定性imgsz640640960小目标占比高时调高freeze0810迁移学习时冻结 backbone 低层4.3 训练指标怎么判读训练过程中日志会滚动输出box_loss、cls_loss、dfl_loss、mAP50等指标。单类别场景下cls_loss通常一开始就低因为分类分支几乎不需要区分能力真正要盯的是box_loss和dfl_loss。判读经验有三条前 10 个 epochbox_loss应该在波动中走下坡方向要明确。如果 10 轮后还在水平震荡多半是学习率偏高或者标签里有坏数据。mAP50 在前 20 轮可能长时间为 0不要慌。800 张训练图下检测学习需要一定 epoch 数才会出现稳定检出。验证集只有 200 张mAP 波动本就比大数据集明显单看一个 epoch 突然掉 0.1 就下结论太早。从第 50 轮开始用 best 权重做最终评估更可靠。如果 100 轮结束 mAP50 仍在 0.5 以下优先检查训练集标签再考虑模型容量。不要一上来就换大模型因为问题很可能在数据侧。4.4 迁移学习冻结部分层快速微调想做迁移实验时加载 COCO 预训练权重后冻结 backbone 是常规做法yolo detect train \ datakvasir.yaml \ modelyolov8n.pt \ epochs60 \ freeze10 \ patience15freeze10表示冻结前 10 层 backbone仅训练后面部分。息肉内镜图像与 COCO 自然图像差异很大低层特征如边缘、纹理是可复用的高层语义特征需要重新拟合冻结层数不宜过多810 是常见区间。patience15表示验证集 mAP 连续 15 个 epoch 无提升就自动停止。这类冻结微调比从头训练少约 40% 的时间指标基本持平适合用来快速验证新的预处理或增强策略。5. 避坑指南五条实测翻车记录5.1 现象loss 正常下走mAP50 却长期在 0.3 附近徘徊第一次跑这份数据时我就遇到过box_loss一路下降mAP50 却在 0.3 上下反复横跳换了增强参数也压不住。原因出在验证集构成上——200 张验证图里高分辨率宽幅图和低分辨率竖图的比例与训练集不一致而我只盯着 loss 和 mAP 两个数字没去核对两份数据的尺寸分布。解决方法是把训练集和验证集的图像尺寸分布各统计一遍确保比例相近。我按图像短边分组小于 600、6001000、大于 1000再看两边的占比。验证集里小图偏多时mAP50 会被小目标拉低。之后把 imgsz 从 640 提到 800同样参数下 mAP50 大约抬升 4 个点代价是 batch 从 16 降到 8训练时长增加一半。5.2 现象训练日志提示标签异常或 mAP 始终为 0另一种常出现在第一次跑数据时的现象训练能正常开始但日志里出现 label 读取错误或者跑完 50 轮 mAP 依然是 0。最常见原因是 data.yaml 路径没写对。这份资源的目录命名带了datasets-images-train这种前缀如果train字段没指向实际图片层训练加载到的就是一个空文件夹。框架不会直接报错而是默认你没有任何标签模型学到的全是背景mAP 自然为零。解决先停训练执行find . -name *.jpg | head -5和find . -name *.txt | head -5确认两类文件的实际路径随后打开 data.yaml用绝对路径写path字段排除相对路径歧义。训练命令里加cacheTrue也有帮助它会在启动时扫描数据并打印提示。5.3 现象可视化脚本画出来的框整体偏移坐标扫描却没有异常有一次我批量抽图检查时发现所有框都在正确目标的左上方偏移量固定但 awk 扫描显示坐标全在合法区间内。这类“整体偏移”的原因十有八九是图像尺寸被取反脚本里用了w, h img.shape[0], img.shape[1]把高当成宽、宽当成高所有换算后的像素坐标都错位了。而保存到 txt 的归一化值依然看起来正常因为它本身只依赖比例关系。解决把读图处统一改成h, w img.shape[:2]并在脚本里打印实际读到的尺寸和原始图片属性比对。单张图上这种问题很难发现批量抽图后规律会很明显。如果你用的是自己写的可视化脚本记得在画框前先跑一张已知坐标的图做基准验证。5.4 现象小目标占比高mAP50 明显偏低内镜远景画面里息肉可能只占几十个像素。在 640 输入下模型对这类极端小目标的特征提取能力不足漏检率高。这份数据里确实存在这类样本遇到 imgsz640 卡指标时第一条路是增大输入尺寸第二条路是调整增强策略。我一般按如下方式定 imgsz图像长边中位数在 10001200设 640 起步。显存允许前提下做一轮 imgsz960 的对比训练。小目标比例高时保目标让 imgsz 不小于小目标在训练集中占到的可辨识尺寸。增强策略上有个容易踩的坑不要在验证阶段使用高强度增强这类增强更适合训练期间做推理时输入保持干净否则验证 mAP 与部署效果会产生“理论指标高、实际效果差”的偏差。5.5 现象推理时同一个息肉被重复框出多个框单类别目标最容易出现的推理问题是重复框。模型对同一目标响应多次NMS 后仍残留两个相近框。这通常与iou阈值设置有关也和训练样本里高度重叠目标的标注方式有关。解决分两层。推理层显式指定置信度和 NMS IoU让重叠候选框被更好合并yolo detect predict \ modelruns/detect/train/weights/best.pt \ sourcesome_dir \ conf0.25 \ iou0.6我会对比 conf0.15 与 0.35、iou0.45 与 0.6 的四档结果用验证集算出最优档位。数据层检查训练标签里是否存在大面积重叠框如果同一幅图两个息肉被标成了多个近乎重叠的框需要考虑合并标注。息肉目标彼此遮挡真实存在这时可以将重叠较大的目标合并为一个框或保留次要目标但只在损失里做正样本贡献避免重复框误导收敛。6. 进阶用两个阈值把输出从 mAP 兑到可用6.1 部署前的阈值摸底训练完别急着定conf和iou。不同类别目标框的置信度分布不一致息肉这类单类别低误报需求的应用我会先用验证集做一组阈值扫描固定 iou0.45把 conf 从 0.15 按 0.05 步长扫到 0.5记录每组对应的 mAP50 和平均每张图的检出框数。通常会出现一个区间mAP50 基本不变、检出框数量却明显下降这个区间就是部署阈值的安全区。取区间下限的 conf 值既保证召回又不会在实时画面里堆满不确定的框。6.2 一个不起眼但影响全局的输入细节推理时如果不注意预处理一致性框位置会自动偏移。训练时用了 letterbox推理时也必须执行同样的 letterbox 操作然后在后处理阶段把补边偏移减回去再映射回原分辨率。如果输出坐标直接按 640×640 反推原图尺寸高分辨率图的框会整体错位。之前我对一张 1920×1072 的原图推理框整体左移了十几个像素原因就是预处理加了 letterbox后处理时忘了把 pad 的宽度加回来。从那以后我每次换数据做预测都会先拿一张训练图同时跑训练输出的 best 模型和原分辨率图人工比对框偏移量确认无误再进批量。这个习惯帮我挡掉了不少看似玄学、实为预处理不一致的偏移问题。每拿到一份新数据资源我也会先走完三道工序坐标扫描、30 张可视化抽检、nano 模型小 epoch 验证三道全过才认为这份数据可用。这套“先验证再训练”的顺序希望也能帮到你。本文还有配套的精品资源点击获取
简介YOLO格式的息肉检测数据集面向医学图像目标检测学习者与研究者将原始高清内镜图像整理为可直接训练的YOLO项目目录结构省去手动划分训练集、转换标注格式与整理类别文件等准备工作。压缩包共包含2000个文件分别由999张高清彩色图片、1000个文本标注文件和1个Python可视化脚本组成包体大小约57.01MB其中训练集含800张图像及对应标注验证集含200张图像及对应标注图像分辨率在332×487到1920×1072之间边界框完整清晰标注采用相对坐标记录类别、中心点与宽高。目前已有315人学习下载适合需要快速搭建息肉检测训练环境、进行算法对比或复现实验的开发者与研究人员。附带的类别文件与可视化脚本均按YOLO规范整理脚本无需修改即可运行随机传入一张图片就能绘制边界框并保存到当前目录整体目录结构与YOLO项目标准一致可直接用于训练、验证与调试省去额外预处理步骤。1. 直接开训的 YOLO 息肉检测数据集Kvasir-SEG 转归一化框之后的第一选择做内镜息肉检测这类单类别目标检测任务卡住进度的往往不是模型选型而是数据格式。Kvasir-SEG 原始发布内容是分割掩膜而 YOLO 训练需要的是归一化矩形框掩膜转框需要自己处理连通域提取、外接矩形计算和贴边目标的裁切中间稍不注意就会产生一堆无效框。这份资源把这步预处理好1000 张图训练集 800 张、验证集 200 张全部转成 YOLO 所需的 txt 标注附带类别 class 文件和一个开箱即用的数据可视化脚本。拿到手不用再做格式转换直接从验证标注质量开始。它适合两类人刚入门 YOLO 训练、想避开预处理泥潭的新手以及需要快速拿干净基线数据的检测工程师。图像分辨率从 332×487 到 1920×1072 跨度很大对 imgsz 和增强策略的取舍恰好是练手点。2. 目录结构与标注格式先搞懂路径、坐标和类别编号2.1 压缩包里有什么以及为什么是 800/200解压后的目录命名能看到datasets-images-train和datasets-images-val两套。按 YOLO 项目一贯的存放习惯图片和标签分开放每套下面再有 train / val 对应训练和验证划分。最常见的组织方式如下你解压后可以对照着看dataset/ ├── classes.txt ├── datasets-images-train/ │ ├── images/ # 800 张 jpg │ └── labels/ # 800 个同名 txt └── datasets-images-val/ ├── images/ # 200 张 jpg └── labels/ # 200 个同名 txt这份数据压缩后 57MB图片是大分辨率 RGB最小 332×487最大 1920×1072。需要留意的是内镜图像宽高比变化剧烈从接近竖屏到超宽幅都有训练时如果统一 resize目标会被压扁所以后面要按 YOLO 的 letterbox 方式处理输入。800/200 的划分是发布时定好的评估口径我不建议自己重新打乱。医疗图像里同一个病人的连续帧高度相似如果按单张图随机洗牌很容易让同一病人的图同时落在训练集和验证集mAP 虚高换到别的医院数据立刻现原形。固定划分还有一个价值不同模型之间的对比实验有了统一的度量基准。还有一个容易被忽略的点。Kvasir-SEG 原始格式是分割掩膜掩膜转框时通常先找出连通域再取其外接矩形。对规则息肉这是没问题的但遇到长条形、凹陷形、或者被内镜边缘截断的息肉外接矩形会引入大量背景或者把两个相邻目标合并成一个框。这份资源在转换时已经把这类明显异常处理过但 800 张训练图里仍然可能残留少数贴边目标这类样本会影响训练稳定性后面可视化检查时要重点看。2.2 YOLO 标注格式五个数字的完整换算逻辑每个同名 txt 文件里一行对应一个息肉框一行的结构是class_id x_center y_center width height拿一条真实标注举例0 0.5123 0.4187 0.2034 0.2955class_id 是类别索引本资源只有息肉一个类别所以这一列恒为 0。后四个值全部是相对图像宽高的归一化比例取值范围应该在 [0, 1]其中x_center和y_center是框中心点的相对坐标width和height是框宽高相对图像宽高的比例。如果原始标注是像素级边界框左上角(x1, y1)、右下角(x2, y2)图像宽W、高H换算公式如下x_center ((x1 x2) / 2) / W y_center ((y1 y2) / 2) / H width (x2 - x1) / W height (y2 - y1) / H反推回像素坐标时把乘除反过来执行即可。训练前如果要对每个框做几何分析建议先还原成像素框再算面积、长宽比不要在归一化值上直接算因为不同图像分辨率不同直接比较归一化面积没有物理意义。YOLO 选择“中心点 宽高”而不是“左上角 右下角”有两层原因。第一这种表示对缩放天然不变图像从 640 变成 320归一化数值不需要重算第二模型输出头最终预测的是目标中心和尺寸偏移中心点编码在损失计算时能更方便地与网格中心对齐。理解这一点之后遇到训练时框偏移排查方向会更清楚。2.3 classes.txt 与标签快速检验class 文件里只有一个类别类别编号从 0 开始。具体类别名以压缩包内classes.txt的实际内容为准常见命名是polyp。这个文件要和后续data.yaml里的names保持一致否则训练正常推理时框上的类别名会错位。检验标签数值是否合法建议在解压后立刻跑一遍。合法范围是 [0, 1]并且width、height必须大于 0# 扫描训练集与验证集中坐标越界的标签行 awk {for(i2;iNF;i){if($i0 || $i1) print FILENAME: $0}} \ datasets-images-train/labels/*.txt datasets-images-val/labels/*.txt # 扫描宽度或高度为 0 的标签行 awk {if($40 || $50) print FILENAME: $0} \ datasets-images-train/labels/*.txt datasets-images-val/labels/*.txt第一条命令只要有输出就说明存在坐标越界的坏标签。这类坏标签进入训练后不会立刻报错但会转化成异常的 loss 贡献慢慢侵蚀模型。提前清理比训练到一半再回头定位问题省时得多。注意 awk 的字段分割默认按空格或 Tab如果标签文件里混入了逗号这组命令需要先把分隔符改成-F,。3. 数据可视化脚本先画出来看再进训练3.1 可视化脚本做了什么资源包里的可视化脚本设计得很直接传入一张图片路径自动到对应 labels 目录找同名 txt把归一化坐标换算回像素坐标画框保存到当前目录。它的价值在于把纯数字变成肉眼可验证的几何位置这是检验标注是否与图像内容对齐的最低成本方法。脚本核心逻辑等价于下面这段代码关键步骤都写了注释import cv2 import sys import os def draw_boxes(image_path, label_path, out_path): img cv2.imread(image_path) if img is None: print(f无法读取图像: {image_path}) return h, w img.shape[:2] # OpenCV 读取的 shape 顺序是 (高, 宽) with open(label_path, r, encodingutf-8) as f: for line in f: parts line.strip().split() if len(parts) ! 5: print(f跳过非法行: {line.strip()}) continue cls int(parts[0]) xc, yc, bw, bh map(float, parts[1:5]) # 归一化坐标换算回像素坐标 x1 int((xc - bw / 2) * w) y1 int((yc - bh / 2) * h) x2 int((xc bw / 2) * w) y2 int((yc bh / 2) * h) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(img, fcls{cls}, (x1, max(0, y1 - 6)), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 1) cv2.imwrite(out_path, img) print(f已保存: {out_path}) if __name__ __main__: image_path sys.argv[1] label_path image_path.replace(/images/, /labels/).replace(.jpg, .txt) out_path os.path.splitext(os.path.basename(image_path))[0] _vis.jpg draw_boxes(image_path, label_path, out_path)逻辑说明replace(/images/, /labels/)依赖图片与标签目录的相对关系解压后如果子目录名不是images、labels要改成实际路径h, w img.shape[:2]必须按这个顺序取取反会导致所有框整体偏移。运行方式很简单python draw_boxes.py datasets-images-train/images/xxxx.jpg原始脚本已经处理了路径匹配和保存逻辑按命令执行后当前目录会多出一张带框的检查图。建议一次随机抽 2030 张覆盖不同分辨率、不同光线条件的内镜图。只看一两张很容易漏掉覆盖率不足的标签问题。3.2 可视化结果重点盯哪三类情况检查时我不会一张张细看只看三类高危情况。第一类是框与目标严重偏离框画在目标旁边甚至图上根本没有对应的息肉目标。这通常不是坐标公式问题而是标签文件与图像不是同源图常见于图片被人工替换但标签数据没换。第二类是框大小异常目标很小但框铺满整张图多半是归一化时把像素值直接当比例用了反过来目标占了半幅画面但框只有一小团可能是掩膜转框时只取到了部分连通域外接矩形比实际目标小太多。第三类是框贴边内镜视野边缘常有目标被截断如果标注框的x1或y1接近 0或x2、y2接近 1这类样本占比越高模型对完整目标的特征认知就越容易被带偏。少量贴边目标可以靠训练时多尺度适配吸收但占比高时模型在推理阶段对边界不齐的目标就容易漏检。如果你抽图发现这类情况普遍存在建议把它们单独归到一个子集里观察而不是直接混在正常样本里训练。3.3 批量抽图检查比单张传参更高效原脚本支持传单张图但抽样检查时一张张跑太低效。我会临时在当前目录用一个循环批量执行mkdir -p check_vis for img in $(ls datasets-images-train/images/*.jpg | shuf -n 30); do name$(basename $img .jpg) python draw_boxes.py $img mv ${name}_vis.jpg check_vis/ done这段命令从训练集里随机抽 30 张逐张跑可视化最后统一移动到check_vis目录集中查看。shuf -n 30是随机取 30 条数量可以自己改。批量图生成后用支持缩略图的查看器快速扫一遍基本就能判断整套标注是否可靠。如果脚本输出大量“跳过非法行”说明标签文件里有空行、逗号分隔或坐标残缺等问题这类文件数量多时需要回到转换阶段重新清洗。4. 训练流程从 data.yaml 到第一轮 epoch 的完整参数配置4.1 把目录映射成 YOLO 能识别的 data.yaml用 Ultralytics YOLOv8 训练自己的数据集是当前最主流也最省事的流程。第一步是把目录组织翻译成data.yamlpath: /home/user/kvasir-yolo train: images/train val: images/val nc: 1 names: 0: polyppath填数据集根目录train和val用相对路径指向图片文件夹nc是类别数这里固定为 1names里的编号 0 必须与 class 文件里的类别索引一致。如果train指向的真实路径里没有图片训练不会直接崩而是会在跑完第一个 epoch 后报找不到训练图片或者以 mAP 为 0 的安静方式失败。这里特别提醒目录名里的datasets-images-train是资源自带的前缀不代表data.yaml里也要把这一长串写进train字段。train字段指的是你实际放置 800 张图片的那一层目录一般就是images/train。常见错误是把压缩包的根目录名直接拼进路径导致最终指向一个不存在的目录。4.2 第一轮训练命令与参数解释第一次跑我建议用 nano 模型先验证链路yolo detect train \ datakvasir.yaml \ modelyolov8n.pt \ epochs100 \ batch16 \ imgsz640 \ device0 \ cacheTrue逐项说明modelyolov8n.ptnano 级模型参数量小、训练速度快。800 张图加单类别大模型很容易过拟合先用 nano 打通流程再换大模型刷精度。imgsz640YOLO 的 letterbox 会把任意尺寸输入等比缩放到长边 640再补边到正方形。这份数据的分辨率从 332×487 到 1920×1072640 是最稳的起步值。不要一上来就上 960显存占用按平方涨batch 会被迫降下来。batch16在 812GB 显存上nano 640 跑 16 没问题显存紧张就降到 8。cacheTrue数据总量小一次性缓存进内存能明显减少每个 epoch 的 IO 等待。device0用第一块 GPU没有 GPU 时改成cpu但速度会慢很多。参数参考表参数起步值可调范围调整依据epochs10060200验证集 200 张训练集 800 张100 轮足够看出趋势batch16832显存和训练稳定性imgsz640640960小目标占比高时调高freeze0810迁移学习时冻结 backbone 低层4.3 训练指标怎么判读训练过程中日志会滚动输出box_loss、cls_loss、dfl_loss、mAP50等指标。单类别场景下cls_loss通常一开始就低因为分类分支几乎不需要区分能力真正要盯的是box_loss和dfl_loss。判读经验有三条前 10 个 epochbox_loss应该在波动中走下坡方向要明确。如果 10 轮后还在水平震荡多半是学习率偏高或者标签里有坏数据。mAP50 在前 20 轮可能长时间为 0不要慌。800 张训练图下检测学习需要一定 epoch 数才会出现稳定检出。验证集只有 200 张mAP 波动本就比大数据集明显单看一个 epoch 突然掉 0.1 就下结论太早。从第 50 轮开始用 best 权重做最终评估更可靠。如果 100 轮结束 mAP50 仍在 0.5 以下优先检查训练集标签再考虑模型容量。不要一上来就换大模型因为问题很可能在数据侧。4.4 迁移学习冻结部分层快速微调想做迁移实验时加载 COCO 预训练权重后冻结 backbone 是常规做法yolo detect train \ datakvasir.yaml \ modelyolov8n.pt \ epochs60 \ freeze10 \ patience15freeze10表示冻结前 10 层 backbone仅训练后面部分。息肉内镜图像与 COCO 自然图像差异很大低层特征如边缘、纹理是可复用的高层语义特征需要重新拟合冻结层数不宜过多810 是常见区间。patience15表示验证集 mAP 连续 15 个 epoch 无提升就自动停止。这类冻结微调比从头训练少约 40% 的时间指标基本持平适合用来快速验证新的预处理或增强策略。5. 避坑指南五条实测翻车记录5.1 现象loss 正常下走mAP50 却长期在 0.3 附近徘徊第一次跑这份数据时我就遇到过box_loss一路下降mAP50 却在 0.3 上下反复横跳换了增强参数也压不住。原因出在验证集构成上——200 张验证图里高分辨率宽幅图和低分辨率竖图的比例与训练集不一致而我只盯着 loss 和 mAP 两个数字没去核对两份数据的尺寸分布。解决方法是把训练集和验证集的图像尺寸分布各统计一遍确保比例相近。我按图像短边分组小于 600、6001000、大于 1000再看两边的占比。验证集里小图偏多时mAP50 会被小目标拉低。之后把 imgsz 从 640 提到 800同样参数下 mAP50 大约抬升 4 个点代价是 batch 从 16 降到 8训练时长增加一半。5.2 现象训练日志提示标签异常或 mAP 始终为 0另一种常出现在第一次跑数据时的现象训练能正常开始但日志里出现 label 读取错误或者跑完 50 轮 mAP 依然是 0。最常见原因是 data.yaml 路径没写对。这份资源的目录命名带了datasets-images-train这种前缀如果train字段没指向实际图片层训练加载到的就是一个空文件夹。框架不会直接报错而是默认你没有任何标签模型学到的全是背景mAP 自然为零。解决先停训练执行find . -name *.jpg | head -5和find . -name *.txt | head -5确认两类文件的实际路径随后打开 data.yaml用绝对路径写path字段排除相对路径歧义。训练命令里加cacheTrue也有帮助它会在启动时扫描数据并打印提示。5.3 现象可视化脚本画出来的框整体偏移坐标扫描却没有异常有一次我批量抽图检查时发现所有框都在正确目标的左上方偏移量固定但 awk 扫描显示坐标全在合法区间内。这类“整体偏移”的原因十有八九是图像尺寸被取反脚本里用了w, h img.shape[0], img.shape[1]把高当成宽、宽当成高所有换算后的像素坐标都错位了。而保存到 txt 的归一化值依然看起来正常因为它本身只依赖比例关系。解决把读图处统一改成h, w img.shape[:2]并在脚本里打印实际读到的尺寸和原始图片属性比对。单张图上这种问题很难发现批量抽图后规律会很明显。如果你用的是自己写的可视化脚本记得在画框前先跑一张已知坐标的图做基准验证。5.4 现象小目标占比高mAP50 明显偏低内镜远景画面里息肉可能只占几十个像素。在 640 输入下模型对这类极端小目标的特征提取能力不足漏检率高。这份数据里确实存在这类样本遇到 imgsz640 卡指标时第一条路是增大输入尺寸第二条路是调整增强策略。我一般按如下方式定 imgsz图像长边中位数在 10001200设 640 起步。显存允许前提下做一轮 imgsz960 的对比训练。小目标比例高时保目标让 imgsz 不小于小目标在训练集中占到的可辨识尺寸。增强策略上有个容易踩的坑不要在验证阶段使用高强度增强这类增强更适合训练期间做推理时输入保持干净否则验证 mAP 与部署效果会产生“理论指标高、实际效果差”的偏差。5.5 现象推理时同一个息肉被重复框出多个框单类别目标最容易出现的推理问题是重复框。模型对同一目标响应多次NMS 后仍残留两个相近框。这通常与iou阈值设置有关也和训练样本里高度重叠目标的标注方式有关。解决分两层。推理层显式指定置信度和 NMS IoU让重叠候选框被更好合并yolo detect predict \ modelruns/detect/train/weights/best.pt \ sourcesome_dir \ conf0.25 \ iou0.6我会对比 conf0.15 与 0.35、iou0.45 与 0.6 的四档结果用验证集算出最优档位。数据层检查训练标签里是否存在大面积重叠框如果同一幅图两个息肉被标成了多个近乎重叠的框需要考虑合并标注。息肉目标彼此遮挡真实存在这时可以将重叠较大的目标合并为一个框或保留次要目标但只在损失里做正样本贡献避免重复框误导收敛。6. 进阶用两个阈值把输出从 mAP 兑到可用6.1 部署前的阈值摸底训练完别急着定conf和iou。不同类别目标框的置信度分布不一致息肉这类单类别低误报需求的应用我会先用验证集做一组阈值扫描固定 iou0.45把 conf 从 0.15 按 0.05 步长扫到 0.5记录每组对应的 mAP50 和平均每张图的检出框数。通常会出现一个区间mAP50 基本不变、检出框数量却明显下降这个区间就是部署阈值的安全区。取区间下限的 conf 值既保证召回又不会在实时画面里堆满不确定的框。6.2 一个不起眼但影响全局的输入细节推理时如果不注意预处理一致性框位置会自动偏移。训练时用了 letterbox推理时也必须执行同样的 letterbox 操作然后在后处理阶段把补边偏移减回去再映射回原分辨率。如果输出坐标直接按 640×640 反推原图尺寸高分辨率图的框会整体错位。之前我对一张 1920×1072 的原图推理框整体左移了十几个像素原因就是预处理加了 letterbox后处理时忘了把 pad 的宽度加回来。从那以后我每次换数据做预测都会先拿一张训练图同时跑训练输出的 best 模型和原分辨率图人工比对框偏移量确认无误再进批量。这个习惯帮我挡掉了不少看似玄学、实为预处理不一致的偏移问题。每拿到一份新数据资源我也会先走完三道工序坐标扫描、30 张可视化抽检、nano 模型小 epoch 验证三道全过才认为这份数据可用。这套“先验证再训练”的顺序希望也能帮到你。本文还有配套的精品资源点击获取
