简介面向目标检测与医学影像AI学习者这套肠道息肉检测数据集包含612张真实肠道内镜图像统一标注为单一类别xirou共712个目标框。数据采用Pascal VOC与YOLO双格式交付每张jpg均对应xml与txt标注文件可直接接入YOLOv5/YOLOv8、mmdetection等主流框架免去格式转换麻烦。压缩包内共1838个文件主要包含612张jpg原图、612个xml标签、614个txt标签文件整体仅14.63MB轻量易下载适合入门实训、算法对比或小样本微调。全部标注由labelImg工具按矩形框规则完成标注信息准确合理虽不保证模型精度但能提供可靠的基础训练数据。已有150人学习下载可作为快速开展肠道息肉目标检测实验的起步素材。1. 肠道息肉检测数据集612张图能做什么、不能做什么做目标检测的人应该都有体会跑通模型不难难的是找到一份干净、格式齐整、拿来就能训练的数据。这套肠道息肉检测数据集一共612张jpg图片同时给了Pascal VOC格式的xml和YOLO格式的txt标注类别只有一个“xirou”息肉总共712个标注框用的是labelImg手工画的矩形框。无论是做医学图像相关的课程设计还是想完整跑一遍“标注解析→格式转换→YOLOv8训练→结果评估”的流程这套数据都够用了因为它的标注是准确且合理的——这一点反而是很多开源数据集最不靠谱的地方。当然也要说清楚边界612张图属于典型的小样本拿来入门、练手、做流程验证没问题指望直接训出能上临床的模型不现实。但它能把目标检测里最繁琐的数据链路帮你理顺后面每一章我都会围绕这套数据讲怎么用、怎么避坑。2. VOC与YOLO双格式标注从XML到TXT的完整解读2.1 数据集的目录结构与文件对应规则拿到压缩包解压后里面是成组出现的三类文件每组文件的主文件名完全一致只是扩展名不同。比如xyxr_xirou_118.jpg对应xyxr_xirou_118.xml和xyxr_xirou_118.txt这就是“一个图像、一个VOC标注、一个YOLO标注”的标准结构。polyp_dataset/ ├── xyxr_xirou_001.jpg ├── xyxr_xirou_001.xml ├── xyxr_xirou_001.txt ├── xyxr_xirou_002.jpg ├── ...这里最关键的一点是YOLO格式的txt文件并不包含分割路径信息它只负责存标注内容路径组织完全靠目录约定。也就是说你把jpg、xml、txt放到任何目录层级里只要文件名能对应上YOLOv8就能通过配置找到它们。这也意味着如果你自己动手改文件名三个文件必须同步改名否则后面训练时一定会出现“图像存在但标注读不到”的报错。我一般会在拿到数据集后先做一个全量文件名校验这个脚本在第2.4节会给出。2.2 VOC标注XML的结构解析VOC格式的xml每个文件对应一张图片顶层是annotation节点里面记录图片文件名、尺寸和所有检测对象。打开xyxr_xirou_118.xml常见结构如下annotation folderpolyp/folder filenamexyxr_xirou_118.jpg/filename size width1280/width height720/height depth3/depth /size object namexirou/name difficult0/difficult bndbox xmin360/xmin ymin180/ymin xmax520/xmax ymax330/ymax /bndbox /object /annotationsize节点下的width和height是原始图像尺寸单位是像素depth固定为3表示RGB三通道。object节点表示一个目标实例name是类别名这里就是xiroubndbox里记录矩形框的左上角坐标(xmin, ymin)和右下角坐标(xmax, ymax)。解析xml时最容易出错的有两处一是不同标注工具产生的xml标签名可能有差异比如有的工具把bndbox写成bndbox但里面坐标带小数有的会在object里额外加pose、truncated这些字段二是如果一张图里有多个息肉xml里会有多个object节点写解析脚本时一定要遍历findall(object)而不是find(object)后者只会取到第一个目标。这套数据的标注来自labelImg结构规矩没有那些奇奇怪怪的嵌套标签直接按标准VOC解析就能用。2.3 YOLO标注TXT的归一化坐标YOLO格式的txt每一行对应一个目标每行是5个数依次为类别编号、归一化中心点x、归一化中心点y、归一化宽度w、归一化高度h。注意后四个全部是0到1之间的小数不是像素值。0 0.343750 0.354167 0.125000 0.208333这个数值就是从VOC的bndbox换算来的。换算逻辑为中心点x取(xmin xmax) / 2再除以图片宽度中心点y同理除以高度框宽度取(xmax - xmin)除以图片宽度高度取(ymax - ymin)除以图片高度。归一化的目的是让标注不随图像尺寸变化而失效训练时无论输入图被缩放到640还是960标注比例始终保持一致。这套数据集里类别只有一个xirou所以txt里的类别编号永远是0。但如果你之后要往这个数据集里加新类别比如加一个“腺瘤”就要注意类别编号从0开始依次递增并且data.yaml里的names列表顺序必须与编号一一对应。类别编号和类别名之间的映射是YOLO训练里最容易翻车的点常见表现就是训练能跑但mAP全是0原因是names列表的顺序和txt里第一列的数字对不上。2.4 快速校验脚本检查文件对应关系无论数据是自己标注的还是下载的训练开始前我都建议跑一遍完整性校验。下面的脚本会检查三件事jpg文件是否有对应的xml和txttxt每行的字段数是否为5归一化坐标是否都在0到1区间内。import os from pathlib import Path dataset_dir Path(polyp_dataset) jpg_files list(dataset_dir.glob(*.jpg)) missing [] bad_format [] out_of_range [] for jpg_path in jpg_files: stem jpg_path.stem xml_path dataset_dir / f{stem}.xml txt_path dataset_dir / f{stem}.txt if not xml_path.exists() or not txt_path.exists(): missing.append(stem) continue for line in txt_path.read_text().strip().splitlines(): parts line.split() if len(parts) ! 5: bad_format.append((stem, line)) continue class_id, x_center, y_center, w, h parts coords [float(v) for v in (x_center, y_center, w, h)] if any(v 0 or v 1 for v in coords): out_of_range.append((stem, line)) print(f缺失对应标注的文件数: {len(missing)}) print(ftxt格式错误的行数: {len(bad_format)}) print(f坐标越界的行数: {len(out_of_range)}) if missing: print(缺失文件示例:, missing[:5])这段脚本的逻辑非常直接先通过glob拿到所有jpg文件名再对每个jpg的主文件名去拼接xml和txt路径检查是否存在然后逐行解析txt内容先判断字段个数再对坐标值做区间判断。跑完之后如果三个列表都是空说明这份数据的文件对应关系和格式都是健康的可以放心进入下一章的训练流程。我每次拿到新数据集都会先执行一遍这段脚本因为它能在几秒内暴露“标注文件名大小写不一致”“txt里混入了空行”“坐标出现负值”这些问题而这些坑如果等到训练时报错再排查定位成本会高很多。3. 用YOLOv8训练肠道息肉检测模型配置、命令与参数调优3.1 数据目录重组train/val划分与目录约定YOLOv8默认按目录结构区分训练集和验证集所以拿到这套数据集后第一步是把612张图划分为训练集和验证集并整理成YOLOv8约定的目录形态。常见做法是按9:1或8:2的比例随机划分我这里用9:1即大约550张训练、62张验证。polyp_data/ ├── images/ │ ├── train/ │ │ ├── xyxr_xirou_001.jpg │ │ ├── ... │ └── val/ │ ├── xyxr_xirou_572.jpg │ └── ... └── labels/ ├── train/ │ ├── xyxr_xirou_001.txt │ └── ... └── val/ ├── xyxr_xirou_572.txt └── ...注意images和labels两个根目录下的train/val子目录名称必须完全一致YOLO训练时会根据图像目录路径自动去labels目录里找同名txt。下面这段脚本可以完成划分并移动文件import random from pathlib import Path random.seed(42) src Path(polyp_dataset) images_train Path(polyp_data/images/train) images_val Path(polyp_data/images/val) labels_train Path(polyp_data/labels/train) labels_val Path(polyp_data/labels/val) for d in [images_train, images_val, labels_train, labels_val]: d.mkdir(parentsTrue, exist_okTrue) jpg_list list(src.glob(*.jpg)) random.shuffle(jpg_list) val_count int(len(jpg_list) * 0.1) for i, jpg in enumerate(jpg_list): if i val_count: dst images_val label_dst labels_val else: dst images_train label_dst labels_train jpg.rename(dst / jpg.name) (src / jpg.with_suffix(.txt).name).rename(label_dst / jpg.with_suffix(.txt).name)这里我在划分前用random.seed(42)固定了随机种子这样每次运行脚本得到的划分结果一致方便复现实验结果。如果你希望验证集能覆盖到不同位置的息肉形态可以改成按文件名序号间隔抽样比如每10张取1张做验证但随机划分在数据量不大的情况下通常已经够用。3.2 data.yaml配置文件的编写YOLOv8训练需要一份yaml配置文件作用是告诉训练器数据集根目录在哪、训练集和验证集图片的路径、类别数量nc、类别名称列表。对应这份数据集配置文件内容如下path: ./polyp_data train: images/train val: images/val nc: 1 names: 0: xirou这里比很多教程里写的多一个path字段它的作用是指定数据集根目录train和val都写成相对这个根目录的路径。如果你的polyp_data目录和训练命令执行目录不在同一层级可以把path写成绝对路径比如path: /home/user/datasets/polyp_data。names列表的顺序必须和txt第一列的类别编号对应这个数据集只有一个类别编号永远是0所以names下写0对应xirou即可。如果你后面新增类别比如想区分息肉和腺瘤这里就要扩展成0: xirou、1: xianliu同时所有txt里第一列的编号也要相应修改。3.3 训练命令与关键参数详解目录和配置都准备好之后训练命令本身并不复杂。我通常用yolov8n作为起始模型因为612张图的数据量撑不起yolov8x这种大模型小模型参数少、不容易过拟合训练速度也快。命令如下yolo detect train \ datapolyp.yaml \ modelyolov8n.pt \ epochs100 \ batch16 \ imgsz640 \ patience15 \ device0参数含义如下表参数值作用datapolyp.yaml指定数据集配置文件路径modelyolov8n.pt加载预训练权重n代表nano版本epochs100最大训练轮次小数据集100轮足够batch16每批次图像数量显存不够就降到8imgsz640训练时缩放到640x640patience15验证集指标连续15轮不提升就提前停止device0使用第一张GPU没有GPU就改成cpumodel参数这里写的是yolov8n.pt第一次运行会自动下载预训练权重到当前目录的weights文件夹里。为什么强调预训练权重因为COCO上预训练过的模型对图像纹理、边缘、颜色已经有了很强的底层特征提取能力迁移到息肉检测上只需要在顶层做少量适应这在数据量小的时候几乎是必需的。如果你自己从零初始化模型612张图完全不够学出有效的特征。batch和imgsz是受显存约束的一组参数。如果显卡只有6G显存batch16配imgsz640可能会OOM常见做法是保持imgsz不变把batch降到8或4或者保持batch不变把imgsz降到480。迭代次数和训练时间的换算关系大约是总迭代步数 ≈ (训练集图片数 / batch) × epochs代入这份数据就是551张除以16约等于35步每轮100轮总计3500步在单张消费级显卡上几分钟就能跑完非常适合反复调参。3.4 训练日志与评估指标怎么看训练结束后YOLOv8会在runs/detect/train目录下生成一系列文件包括每轮训练后的权重best.pt和last.pt、训练曲线results.png、以及验证集上的详细指标。我一般优先看results.png里的四条曲线train_loss、val_loss、mAP50、mAP50-95。mAP50指的是IoU阈值为0.5时的平均精确度mAP50-95则是在0.5到0.95之间按0.05步长取10个IoU阈值分别计算mAP再取平均后者更严格也更考验边框回归的精度。如果mAP50能到0.85以上mAP50-95在0.5到0.6之间对于612张图的小样本而言已经是不错的水平。验证命令如下yolo detect val \ datapolyp.yaml \ modelruns/detect/train/weights/best.pt跑完会输出每种类别的precision、recall和mAP因为这里只有一个类别直接看整体数值即可。另外一定要留意results.png里val_loss曲线的形状——如果val_loss在前10轮还在下降然后开始持续回升同时mAP曲线已经开始震荡不涨那就是过拟合的典型信号下一章会专门讲应对办法。4. 避坑与常见问题612张小数据集训练中的五个翻车现场4.1 翻车1训练时提示找不到图片对应的标注文件现象执行train命令后日志里出现大量类似WARNING: 找不到图片 xx 的标签文件的警告最终训练集的图片明明都在但参与训练的样本数很少甚至为0。原因九成情况是labels目录下的txt文件名和images目录下的jpg文件名不一致。可能是图片叫xyxr_xirou_118.jpg但txt叫xyxr_xirou_118 (1).txt也可能是解压时文件名被改动。另一种可能是目录层级不对YOLOv8要求labels在单独目录下且和images的目录层级对应比如images/train对应labels/train不能把txt直接堆在labels根目录下。解决回到第2.4节那个校验脚本把缺失对应的文件名打印出来逐个对比是改文件名还是重新整理目录。我自己的习惯是先统一文件名为纯数字格式如000118.jpg用脚本批量重命名再重新划分目录彻底规避这类问题。注意不要在规范流程之前手动去改单个文件612个文件手工排查很容易漏。4.2 翻车2类别名映射不对mAP一直是零现象训练过程正常loss在下降但每轮输出的mAP50、mAP50-95始终是0验证集的PR曲线完全没有面积。原因data.yaml里names列表的排列顺序与txt第一列的类别编号不一致。比如txt里第一列写的是0但names配置成了names: [xirou]没问题——问题通常出在你改过类别文件、增删过类别之后忘了同步修改所有txt的第一列。还有一种隐蔽情况VOC的xml中类别名是中文或大小写不一致导致转换脚本生成的txt类别编号错位。解决用脚本读取所有txt统计第一列出现了哪些数字再对照data.yaml里的names数量。出现编号大于等于nc的值说明txt里的类别编号有问题。另建议把names里的命名规范化统一用小写英文不要混入空格。这套数据集类别只有一个xirou正常不会踩这个坑但如果你在它的基础上扩展类别这个坑几乎必踩。4.3 翻车3训练集拟合很好验证集掉点严重现象train_loss一路降到很低训练集mAP接近0.95但val_loss从第20轮开始不降反升验证集mAP只有0.6出头且波动很大。原因典型的过拟合。612张图要学一个完整的检测头参数量相对数据量来说严重偏多加上肠道内镜图像之间背景纹理相似、息肉形态重叠度高模型很容易把训练集里的具体样本背下来而不是学到泛化的“息肉”概念。解决按优先级从以下做法里选。第一换更小的模型yolov8n不行就试yolov8n的宽度缩放版本或干脆用yolov8s的0.5倍width配置第二加大数据增强强度mosaic和mixup打开下一点会详细讲参数第三把patience调小到10验证集指标一旦停滞就立即停止避免在过拟合区间浪费轮次第四也是最有效的做五折交叉验证用5个模型在5个不同验证子集上分别验证取平均mAP作为该配置的真实水平。交叉验证在小数据集上不是锦上添花而是必要手段。4.4 翻车47z压缩包解压失败或文件缺失现象从网盘下载的.7z文件在Windows上双击解压报错或解压后只出来一半文件jpg和xml数量对不上。原因.7z格式在Windows自带的解压工具里支持不完善尤其当压缩包里有大量小文件时部分工具会静默跳过文件而不提示错误。另外如果下载过程中文件损坏7z的完整性校验会直接拒绝解压而不是像zip那样解出一堆损坏文件。解决Windows下优先用7-Zip官方工具解压不要用系统自带解压或某些第三方压缩软件的“快速解压”模式。Linux下用命令行解压7z x polyp_dataset.7z -o/path/to/output如果提示文件损坏先重新下载再用7z t polyp_dataset.7z测试压缩包完整性。解压完成后用2.4节的校验脚本过一遍确认612张jpg、612个xml、612个txt全部在位再开始后续操作。4.5 翻车5推理画框整体偏移位置对但框不准现象训练指标正常但用训练好的模型去预测新图片时检测框能框住息肉但框的位置和边界明显偏移或者框比目标大一圈。原因推理时的图像缩放方式和训练时不匹配。YOLOv8默认会对输入图像做letterbox缩放即保持宽高比放进640x640的画布里多余部分填充灰色。如果你推理前自己用resize把图片直接拉伸成640x640标注框的坐标换算就会全部错位。解决推理时直接用YOLOv8提供的api它会自动处理letterbox逻辑。比如from ultralytics import YOLO model YOLO(runs/detect/train/weights/best.pt) results model.predict(test_polyp.jpg, imgsz640, conf0.25) results[0].show()不要手动对图像做预处理后再喂给模型。如果你确实要在OpenCV里自己写推理管线必须先把原图按letterbox算法缩放到640x640记录缩放比例和padding偏移量然后再把模型输出的归一化坐标映射回原图。这里面的坑在于letterbox的右和下padding会参与坐标偏移计算少了这一步框就会整体向左上方偏移。5. 数据增强与迁移学习把612张图用到极致的一个实用技巧面对612张图我最终沉淀下来的最有效一套做法是这样的组合预训练权重打底数据增强参数针对性调强再配合五折交叉验证出最终结论。预训练权重方面yolov8n.pt比随机初始化强太多这一点在上一章已经说过。真正让这套数据发挥出全部潜力的是增强参数的调整。我常用的一组配置如下yolo detect train \ datapolyp.yaml \ modelyolov8n.pt \ epochs100 \ batch16 \ imgsz640 \ hsv_h0.02 \ hsv_s0.8 \ hsv_v0.5 \ degrees15 \ translate0.15 \ scale0.5 \ fliplr0.5 \ mosaic1.0 \ mixup0.2参数说明hsv_h、hsv_s、hsv_v控制色调、饱和度、亮度的随机扰动肠道内镜图像在不同设备下颜色差异明显这部分增强能提升模型对色彩变化的鲁棒性degrees15允许图像最多旋转15度息肉本身没有固定朝向旋转增强很有效translate0.15让目标在图像里平移模拟内镜视野偏移scale0.5控制随机缩放fliplr0.5做水平翻转mosaic1.0和mixup0.2是两种更激进的增强前者把四张图拼成一张后者按比例混合两张图相当于变相扩充了样本多样性。这组参数是基于612张肿瘤内镜图像调过的换到别的数据集不要直接照抄尤其mixup值过大会导致小目标难学。五折交叉验证的具体做法是把612张图分成5份每份约122张每次拿4份训练、1份验证轮流5次最后取5次验证mAP的平均值作为结论。这么做能最大限度利用每一张图同时也让“612张够不够用”这个问题有了数据支撑而不是主观猜测。我上一次用这套流程跑完五折的平均mAP50在0.83左右比单次划分的结果稳定很多。从那以后我每次拿到任何小数据集都强制自己先跑一遍完整性校验再做五折交叉验证最后才谈参数调优。顺序反了调参调出来的分数其实是运气分数换一份划分就崩。希望这几个做法能帮到你你的小样本数据也能少走弯路。本文还有配套的精品资源点击获取