简介面向目标检测学习与工程实践的数据集资源以猕猴桃盘中摆拍场景为目标提供不同角度拍摄的标注图像适合算法初学者验证YOLO、Faster R-CNN等检测模型也可用于生鲜识别、农产品分拣等视觉项目的数据扩充。压缩包共2000个文件以Pascal VOC格式的XML标注文件与YOLO格式的TXT文件为主压缩后约74.58MB所有图片均采用labelImg工具画矩形框标注类别仅一项Kiwi全包共标注5255个目标框标注信息完整便于直接训练和评估。目前已有106人学习资源同时给出VOC与YOLO两种主流格式省去自行转换的额外工作可无缝接入常用检测框架多角度摆拍图片覆盖不同拍摄方位与摆放姿态能增强模型对视角变化的鲁棒性适合作为目标检测入门或专项数据集使用。1. 用不同角度摆拍图训练猕猴桃检测1700 张 VOCYOLO 数据集怎么用起来做目标检测最怕的不是跑不通 YOLO而是手里没有一份格式干净、能直接喂进训练管线的数据集。这份 1700 张猕猴桃数据集同时给了 VOC 和 YOLO 两种标注格式省掉了最磨人的造数据环节适合正在做果蔬分拣、果实计数、或者拿单类水果练手目标检测的从业者和学生。但我拿到这类压缩包的第一反应不是解压就训练而是先做三件事核对标注、转格式、按拍摄批次划分。标题里那句“都是不同角度摆拍图标注”是双刃剑。好处是姿态覆盖广模型泛化潜力好坏处是如果训练集和验证集划分不当验证分数会虚高现场换个角度就漏检。这篇按“格式吃透 → 转格式 → 训练参数 → 避坑 → 姿态分桶验证”的顺序展开目标是让你拿到压缩包后能直接照做而不是在试错里浪费一整天。2. 拆开双格式压缩包VOC 与 YOLO 标注的字段差异和标签设计这类压缩包的常见结构是 VOC 目录和 YOLO 目录分开VOC 里放 JPEGImages 和 AnnotationsYOLO 里放 images 和 labels外加一个 classes.txt。为什么同一份数据要做两遍因为 VOC 是给人看的方便标注工具读写YOLO 是给训练管线吃的每张图配一个同名 txt。你只需要维护其中一份另一份靠脚本生成前提是先搞清楚两边字段的对应关系。2.1 文件结构怎么配对图片、XML 与 txt 的一一对应无论压缩包内层怎么组织配对关系永远是“同名不同后缀”1700 张图对应 1700 个 xml 和 1700 个 txt。常见做法是这种布局目录/文件作用VOC/JPEGImages/1700 张 jpg 原图文件名唯一VOC/Annotations/同名 xmlPASCAL VOC 结构人工维护源VOC/ImageSets/Main/可选的划分文件train.txt / val.txtYOLO/images/训练用图片可与 VOC 共用YOLO/labels/同名 txt每行一个目标classes.txt类别清单一行一个类名jpg 和 txt 文件名完全一致训练框架靠文件名索引标签。最容易出问题的是解压后 labels 目录没跟 images 目录放在同一个 data.yaml 指向的位置导致训练时找不到标签。我一般把 VOC 和 YOLO 两套都保留XML 作为唯一人工维护源txt 全部由脚本生成避免两边改着改着出现不一致。2.2 从 VOC 到 YOLO 会丢掉哪些字段转换前的四个确认点YOLO txt 只保留五列任何多余的语义信息都装不进去。这不是 bug是设计取舍。转格式前要确认四件事一是 classes 顺序以 classes.txt 为准不能自己按字母序猜二是 difficult1 的样本是否要保留YOLO 没有对应字段保留的话它只会被当成普通正样本丢弃更符合实际三是 truncated 字段在摆拍图里通常都是 0因为照片里的果基本完整但如果背景里出现只露出一半的果建议直接删掉这类框四是 pose 字段虽然 VOC 里有YOLO 没地方写如果后续想做姿态分析转格式时就要把它单独导出成 csv丢了就真没了。拿到任何数据集都要做体检打开 10 张 xml 肉眼对一遍框位置别只信文件数量。1700 张的规模不算大手工抽验成本很低这步省不得。2.3 单类还是按姿态拆类标签设计要在转格式前定死猕猴桃检测的常规做法是建一个 kiwi 类因为摆拍图的标注目标就是果实本身。但“不同角度摆拍图”意味着果蒂、果脐、侧面茸毛三种形态的外观差异很大。如果只建一类模型要自己消化类内差异如果拆成 kiwi_stem、kiwi_side、kiwi_bottom 多类就需要标注里本来就区分了姿态否则重标成本很高。我的建议是先用单类跑一版等第 6 章那种按角度分桶评测出来再决定要不要把短板角度拆成独立类。类名一旦定死训练跑起来之后再改所有 xml 和 txt 都得重来后悔药相当难吃。无论用 labelImg 还是同类标注工具导出的 xml结构基本都是 PASCAL VOC 那一套classes.txt 顺序和 data.yaml 的 names 必须一一对应这是全流程里最容易被忽略的一致性约束。注意YOLO 的 class_id 从 0 开始计数classes.txt 第一行对应 id 0不是 1。这个顺序错了所有标签都会错位。3. 把 1700 张跑成一次完整训练转换脚本、分组划分与 data.yaml格式吃透之后进入可复现的落地流程。这一章的目标是在本地跑通“VOC → YOLO → data.yaml → 训练启动”的最小闭环每一步都给出可直接抄的命令和脚本。3.1 环境准备先保证 ultralytics 管线能跑训练框架用 ultralytics 是目前最省事的路径它对单类自定义数据集支持很完善。先建一个干净的 Python 环境conda create -n kiwi python3.10 -y conda activate kiwi pip install ultralytics python -c import torch, ultralytics; print(torch.__version__, ultralytics.__version__)python 3.10 是 ultralytics 支持较好的版本。pip 装完以后跑的那行 import 不只是验证安装更是提前暴露 torch 是否 CPU 版。如果打印出来的 torch 是 cpu 版训练会慢得让你怀疑人生需要先按你的显卡装对应 CUDA 版 torch再装 ultralytics。数据目录我一般固定在项目根目录下后续所有脚本和命令都用绝对路径不依赖“当前在哪个目录”。3.2 VOC 转 YOLO 脚本XML 解析、归一化与越界兜底这是全流程里最核心的一段脚本。VOC 的 bndbox 存的是左上角和右下角的绝对像素坐标YOLO 需要的是归一化后的中心点坐标和宽高换算公式很简单但有几个边界条件必须处理import os import xml.etree.ElementTree as ET CLASSES [kiwi] # 必须与 classes.txt 顺序一致 def convert(voc_dir, yolo_dir): os.makedirs(yolo_dir, exist_okTrue) xml_list [f for f in os.listdir(voc_dir) if f.endswith(.xml)] for xml_name in xml_list: tree ET.parse(os.path.join(voc_dir, xml_name)) root tree.getroot() # 图像尺寸是归一化的分母缺失时直接跳过 img_w int(root.find(size/width).text) img_h int(root.find(size/height).text) lines [] for obj in root.findall(object): name obj.find(name).text if name not in CLASSES: continue # difficult 样本在 YOLO 里没有对应语义默认丢弃 difficult obj.find(difficult) if difficult is not None and int(difficult.text) 1: continue bnd obj.find(bndbox) x1 float(bnd.find(xmin).text) y1 float(bnd.find(ymin).text) x2 float(bnd.find(xmax).text) y2 float(bnd.find(ymax).text) # 越界框裁回图像范围内避免训练时报宽高为 0 x1, y1 max(0, x1), max(0, y1) x2 min(img_w, x2) y2 min(img_h, y2) if x2 - x1 1 or y2 - y1 1: continue cx (x1 x2) / 2 / img_w cy (y1 y2) / 2 / img_h w (x2 - x1) / img_w h (y2 - y1) / img_h lines.append(f{CLASSES.index(name)} {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}) txt_path os.path.join(yolo_dir, xml_name.replace(.xml, .txt)) with open(txt_path, w) as f: f.write(\n.join(lines)) # 示例调用 convert(VOC/Annotations, YOLO/labels)脚本做了四件必须做的事按 CLASSES 表映射编号、把绝对坐标换成归一化中心点宽高、丢弃 difficult 样本、把越界框裁剪回图像范围内。第四点尤其重要摆拍图里偶尔会有标注框顶点在负半轴的情况不兜底的话训练时会出现 width0 或 height 为负的非法 bbox报错信息还很难查。跑完后随机抽 20 个 txt 打开看坐标是否都落在 0 到 1 之间是肉眼体检的第一道关。注意CLASSES 列表顺序必须与 classes.txt 逐行一致YOLO 的 class_id 从 0 开始。转换时如果发现某个 xml 里 name 不在 CLASSES 里不要静默跳过把它单独打印出来大概率是标注时打错了类名。3.3 训练集划分按拍摄批次分组而不是按文件随机抽1700 张数据常见划分是 85/15 或者 80/20。水果检测类别单一验证集太小看不出差距15% 左右比较合理。但划分方式比比例更重要摆拍图通常按拍摄批次成组产生同一批次的光线、背景、摆放方式高度相似。如果按文件随机抽同一批照片会同时出现在训练集和验证集模型靠记忆背景就能把得分刷得很高验证集数字就失去意义。import os import random from collections import defaultdict IMG_DIR YOLO/images VAL_RATIO 0.15 SEED 42 groups defaultdict(list) for name in os.listdir(IMG_DIR): if not name.endswith(.jpg): continue # 按文件名前缀代表拍摄批次实际命名规则可能不同按你的情况改 prefix name.split(_)[0] groups[prefix].append(name) keys list(groups.keys()) random.Random(SEED).shuffle(keys) val_count max(1, int(len(keys) * VAL_RATIO)) val_keys set(keys[:val_count]) with open(train.txt, w) as ft, open(val.txt, w) as fv: for prefix, names in groups.items(): for name in names: line os.path.join(IMG_DIR, name) \n (fv if prefix in val_keys else ft).write(line)这个脚本假设文件名前缀能代表拍摄批次。如果压缩包里的命名看不出批次就退一步按目录分或者手工把明显同一场景的照片归到同一组。SEED 固定成 42保证每次复现同一套划分方便对比不同超参数的效果。划分结果写入 train.txt 和 val.txt每行一条图片绝对路径。注意不要写相对路径训练命令从不同目录发起时相对路径很容易失效。3.4 data.yaml 与首次验证确认标签真的被加载了ultralytics 靠 data.yaml 定位数据和类别信息写法如下path: /你的绝对路径/kiwi_dataset train: /你的绝对路径/kiwi_dataset/train.txt val: /你的绝对路径/kiwi_dataset/val.txt nc: 1 names: - kiwitrain 和 val 指向 txt 文件时ultralytics 会把 txt 里每一行当成图片路径并自动在图片同级的 labels 目录找同名 txt 标签。如果你把 labels 放在别的路径需要在 yaml 里写清楚或者让 labels 和 images 保持兄弟目录关系这是最容易踩的路径坑。写完后先跑一行验证命令而不是直接开训练yolo detect val modelyolov8n.pt datadata.yaml imgsz640数据加载正常的话输出会显示图片数量和标签数量如果出现 label 相关的警告或者指标全是 0通常是标签没找到回到 3.2 的目录配对检查。第一次跑只为了验证数据链路模型用官方预训练权重即可不用改参数。4. 小数据集的训练参数预训练权重、增强幅度和收敛判断1700 张在目标检测里属于小样本。直接上完整训练流程不是不行而是会浪费大量时间在盲目调参上。这一章给出我在这类单类水果数据集上的参数策略以及判断模型有没有在收敛的依据。4.1 从 COCO 预训练权重起步不要从零训练1700 张连 COCO 训练集的零头都不到。从零训练一个检测头骨干网络学不到有判别力的纹理特征尤其在猕猴桃这种茸毛反光、果形椭圆的细粒度外观上几百张图很容易让模型学到背景颜色而不是果实本身。常见做法是直接使用预训练权重yolov8n.pt 或 yolov8s.pt 都是在 COCO 上训好的拿来接着训自己的单类数据等于把骨干网络对形状、边缘、纹理的先验迁移过来。选 n 还是选 s摆拍图场景相对简单、目标大且居中n 足够如果打算做移动端部署或者果实在画面里占比较小用 s 更保险一点。两者在 1700 张规模上的训练成本差异不大但推理速度差不少先想清楚部署场景再选。4.2 必调参数imgsz、batch、mosaic 与学习率参数建议值理由imgsz640摆拍图单果占比大640 够用512 会损失果柄细节batch16小于 8 时 BN 统计抖动厉害容易触发 loss 变 NaNlr00.005COCO 预训练权重默认学习率偏大小数据集降到一半更合适freeze10冻结骨干前段保护预训练特征不被小数据带偏patience50单类任务 200 epoch 内通常能收敛提前停住避免过拟合mosaic0.5保留拼接增强但不过度避免破坏椭圆果形mosaic 是这类水果数据集里最需要斟酌的增强。默认 1.0 会把四张摆拍图拼成一张模型会看到“果旁边突现另一个果”的假上下文保留一定比例能提升小目标鲁棒性但比例过高会让椭圆果被旋转拼接搞得形状失真。ultralytics 默认在最后 10 个 epoch 自动关闭 mosaic这个机制保留就行不用自己额外处理。4.3 收敛判断看 loss 曲线、混淆矩阵总和不为 1 不是 bug训练命令我一般这样写yolo detect train \ modelyolov8n.pt \ datadata.yaml \ imgsz640 \ epochs200 \ batch16 \ lr00.005 \ freeze10 \ patience50 \ seed42 \ cacheram \ projectruns/kiwi nameexp1cacheram 会把 1700 张图一次性读进内存1700 张 640 分辨率大约占几个 GB内存不够就改成 cacheFalse。seed42 和划分脚本保持一致方便复现同样一套数据。训练时不要只盯着一张图看我的判断套路是前 10 个 epoch 看 loss 是否在下降warmup 阶段 loss 短暂上升是正常的50 个 epoch 后看 val loss 是否还在降连续多轮不降就交给 patience 早停。很多人第一次看训练生成的混淆矩阵会发现行和列加起来不是 1这不是 bug。混淆矩阵里有 background 类别还有漏检的 FN总和不会严格闭合别在这个问题上浪费时间。说句血泪经验单类 1700 张只要数据链路是干净的yolov8n 跑到 200 epochval 的 mAP50 通常能到 0.95 以上。如果这个分数上不去问题八成不在网络结构而在标签本身。5. 猕猴桃数据集避坑记录五个翻车现场的现象、原因、处置这份数据集的特征是“不同角度摆拍图标注”所以很多坑都跟拍摄姿态和划分方式相关。以下是这类数据集上最容易翻车的五个场景每条按现象、原因、解决办法写可以直接对照排查。5.1 mAP 虚高但现场漏检随机划分的锅现象训练完 val 的 mAP50 高达 0.98但把另一批新拍的摆拍图喂进去漏检率立刻上来了。原因如果训练集和验证集来自同一个拍摄批次背景和光线几乎一样模型记住的不是猕猴桃而是那套背景纹理。解决按 3.3 的方式改成按批次划分让训练集和验证集在场景上彻底隔离。另外现场验证时不要单张图打点拿一个角度桶里的多张图一起看 PR 曲线才说明真实水平。5.2 训练刚开始 label 全为空路径与类别编号的检查顺序现象训练启动后屏幕刷出一堆 label 为空的警告训练指标从第一步就是 0。原因images 和 labels 没配对常见是 labels 目录没解压、data.yaml 的 path 写到了不含 labels 的目录、或者 txt 里的 class_id 超过了 nc-1。解决先跑 3.4 那行 val 验证命令确认标签数量等于图片数量再看 txt 里第一个数字是否从 0 开始。class_id 从 1 开始是新手最容易犯的错YOLO 编号从 0 计classes.txt 第一行对应 id 0不是 id 1。5.3 BN 崩溃导致 loss 变 NaN现象训练到某几个 epochloss 突然变成 nan或者 loss 曲线出现断崖后不再恢复。原因batch 太小加上学习率太大BN 统计在小批量上抖动幅度过大遇到摆拍图里偶尔出现的极端亮度背景就崩了。解决batch 提到 16 以上lr0 降到 0.005 以下同时用 freeze10 保护骨干前段的预训练统计量。如果已经崩了直接删掉 runs 里的断点重新训不要指望它自己能恢复过来。5.4 果柄被误检成独立目标现象PR 曲线在某个置信度区间出现大量假正例打开验证集可视化图发现模型把果柄单独框了出来。原因标注口径不统一。有人把果柄包进框里有人从果体截断不同角度的摆拍图里果柄投影长度又不一样模型同时学了两套形状干脆把果柄当成一个独立目标来处理。解决回到 VOC 源标注统一口径。果柄在整图里占比很小我一般建议全部包含进果体框或者统一截断在连接处改完重新跑一遍转换脚本再训练。5.5 数据增强把椭圆果拉成圆现象训练时打开增强预览发现猕猴桃被旋转 90 度加缩放之后椭圆比例失真像一颗圆果推理时对斜向摆放的果识别变差。原因ultralytics 默认增强幅度是为通用检测设计的旋转和随机缩放对大目标影响不明显但对有明显长轴方向的椭圆水果特别不友好。解决把 degrees 限到 15scale 限到 0.3flipud 设成 0不要做上下翻转让增强保留真实的椭圆形态。真实摆拍已经提供了角度多样性增强应该做细节扰动而不是形态重塑。6. 用姿态分桶评测 best.pt把摆拍角度变成可量化的短板清单训练完不是终点。对“不同角度摆拍图”最好的利用方式是把验证集按姿态分桶分别做评测得到一份短板清单。先把验证集图片按果蒂朝上、侧面、果脐朝下三个姿态分开。常见做法是靠文件名或目录名里的关键词区分如果数据里没带这类标记就按拍摄批次肉眼过一次 val 的 1700 张图把验证集分成三组。我一般给每组单独写一个 data.yaml然后对同一份 best.pt 分别跑for angle in top side bottom; do mkdir -p eval/$angle grep $angle val.txt eval/$angle/$angle.txt cat eval/$angle/data.yaml EOF path: /你的绝对路径/kiwi_dataset train: eval/$angle/$angle.txt val: eval/$angle/$angle.txt nc: 1 names: - kiwi EOF yolo detect val modelruns/kiwi/exp1/weights/best.pt dataeval/$angle/data.yaml done三个桶的 mAP50-95 摆在一起短板一目了然。通常果脐朝下的那个桶分数会明显低于侧面因为摆拍时该角度的照片数量偏少光线也最差。找到短板后有两个处理方向一是把该姿态的图片在训练集里做一次过采样复制后加轻微亮度抖动再放进去二是回头检查该姿态的标注质量。这两步都比盲目加训练轮数有效。我现在的习惯是拿到这类摆拍数据集先按姿态分桶做一次预检再决定训练策略训完按桶出报告而不是只报一个总 mAP。这个习惯帮我省掉了好几次在错误方向上调参的冤枉时间希望帮到你。本文还有配套的精品资源点击获取