简介一份面向目标检测初学者与YOLO模型训练者的标注香烟数据集每张图片均配有对应的XML标注文件可用于训练、验证和微调YOLO系列模型适合开展禁烟监控、烟草制品识别等场景的实验。压缩包共9742个文件包括4879张jpg图像、4861个xml标注文件及2个png整体约483.55MB图像与标注一一对应目录结构清晰便于直接划分数据集。已有967人学习下载。借助这些真实场景图片与精细边界框标注使用者能省去手动标注的时间专注于模型配置、训练调参与精度评估可结合随机翻转、裁剪等数据增强手段提升泛化能力并通过mAP、漏检率等指标迭代优化是入门目标检测或完善香烟识别方案的实用数据基础。 做目标检测的朋友应该都有体会找数据集比调模型还折磨人。最近我在跑一个香烟检测的需求翻遍了主流开源数据集平台真正标注好、格式能直接用于YOLO目标检测训练的香烟数据集非常少。要么是VOC格式需要自己转要么图片只有几百张且背景单一训练出来的模型换个场景就废。后来搞到一份标注好的香烟数据集算是把整个流程走通了。这篇文章不聊虚的直接讲这份数据集怎么检查、怎么用于YOLO训练、训练时有哪些坑、怎么一步步把mAP提上去。无论你是刚开始接触YOLO训练的小白还是被垂直场景数据折磨过一阵子的老手都应该有些收获。1. 项目概述这份数据集到底能解决什么问题1.1 数据规模与标注内容以我手上这份标注好的香烟数据集为例总量是5000张图片标注框大约6700个类别统一为cigarette。图片分辨率从800x600到1920x1080都有来源主要包含商场烟柜、便利店货架、桌面散烟、街边吸烟点等场景还有一部分是夜晚和逆光环境下拍摄的。这个数据规模在垂直场景里算中等偏上至少比那些只有两三百张的demo数据集靠谱得多。这里有一个很容易被忽略的点单一类别训练起来比多类别简单但实际部署时往往不够用。比如你想同时识别“香烟”和“烟盒”或者细分品牌这份数据集就不够了。所以拿到数据集第一件事先想清楚你的应用需求是检测“有没有烟”还是“这是什么烟”。如果只是后台的区域监控单一cigarette类别完全够用。1.2 适合哪些应用场景香烟检测的目标通常很小但应用价值很高。我在实际项目中主要遇到三类需求一是无人零售柜的视觉识别需要判断顾客是不是拿走了烟二是公共场所禁烟区域监控系统要自动识别有人正在吸烟三是烟草库存盘点通过拍照快速统计货架或纸箱里的香烟数量。这三种场景对模型指标的要求还不一样。零售柜更看重精度误判会直接导致扣款错误禁烟监控更看重召回率漏掉一次吸烟行为可能就失去了安装系统的意义。这意味着你不能只看一个mAP就拍板上线后面我会说怎么分别看precision和recall。2. 拿到数据集后先别急着训练2.1 YOLO标注格式解析YOLO的标注格式是每个txt文件对应一张同名图片每一行代表一个目标框class x_center y_center width height。注意这里的center、width、height都是归一化比例取值范围0到1由实际像素坐标除以图片宽高得到。类别下标从0开始。比如一个txt文件内容如下0 0.5213 0.3756 0.1287 0.0932代表这张图中有一个香烟目标中心点位于x方向52.13%、y方向37.56%的位置框宽度占整张图宽度的12.87%、高度占9.32%。很多新手会在这里犯迷糊觉得自己标出来的框明明是对的为什么训练时loss爆炸。其实只要有一个坐标写成绝对像素YOLO就会完全跑偏。如果你从LabelImg导出时选择的是YOLO格式多数情况下不会错但如果是VOC格式转过来的一定要检查转换脚本的归一化逻辑。2.2 标注质量检查脚本训练前一定要做数据体检。我用下面这个Python脚本快速扫一遍所有标签检查有没有空文件、负坐标、超界坐标和类别id越界import os from pathlib import Path labels_dir Path(labels/train) img_w, img_h 1920, 1080 # 检查时可填最大值或者读取对应图片的尺寸 for label_file in labels_dir.glob(*.txt): lines label_file.read_text().strip().splitlines() if not lines: print(f空标签文件: {label_file}) continue for line in lines: parts line.split() cls int(parts[0]) xc, yc, w, h map(float, parts[1:]) if cls 0: print(f非法类别id: {label_file} - {line}) if w 0 or h 0: print(f宽高异常: {label_file} - {line}) if xc 0 or xc 1 or yc 0 or yc 1 or w 1 or h 1: print(f坐标越界: {label_file} - {line})实际用的脚本会比这个复杂一些最好把每张图片的真实尺寸读进来逐一判断x_min 0、x_max img_w这类边界条件。另外建议随机抽取100张图片用OpenCV把标注框画出来人工看一眼。这一步不要省我见过有的数据集标注框整体偏移了一个身位肉眼很容易发现指标却很难暴露。2.3 目录整理和划分拿到数据集后我的习惯是先重新整理目录结构不轻易动原始文件和标注文件而是用软链或复制的方式生成固定目录dataset/ ├── images/ │ ├── train/ │ └── val/ └── labels/ ├── train/ └── val/然后用Scikit-learn的train_test_split按文件名划分保证图片和标签一一对应。这里有个大坑一定要按“场景”或者“采集批次”来划分不能简单随机打散。否则同一批连续拍摄的画面会同时出现在训练集和验证集里最后mAP虚高部署到新场景直接崩。3. 环境配置与训练启动3.1 CUDA和显卡的避坑指南YOLO现在最常用的是ultralytics库训练代码基本一行命令搞定真正的痛点反而不是模型而是环境。先说显卡如果手里是NVIDIA显卡优先装CUDA但没必要追最新版本。PyTorch、CUDA、驱动三者要匹配否则会出现torch.cuda.is_available()返回False的情况。网上经常有人问AMD的RX 580能不能跑YOLOv8。理论上能用ROCm或者CPU也能跑但实际体验很折腾很多第三方库对ROCm的支持不完整。我的建议是如果你只是练习CPU训练用很小的数据量跑通流程可以真想训练出能用的模型还是准备一张显存至少6GB的N卡。创建环境的命令我一般是这样conda create -n yolo python3.10 -y conda activate yolo pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 pip install ultralytics安装完之后写两行代码验证import torch print(torch.__version__) print(torch.cuda.is_available())3.2 data.yaml和训练命令目录准备好后在dataset/下新建一个data.yamltrain: dataset/images/train val: dataset/images/val nc: 1 names: [cigarette]train和val路径用相对路径时需要注意YOLO会基于当前工作目录去解析建议直接写绝对路径省得后面又找不到文件。如果你希望用图片列表文件也可以把train指向一个train.txt每行一个图片路径两种方式ultralytics都支持。启动训练yolo detect train datadata.yaml modelyolov8s.pt epochs100 imgsz640 batch16 device0第一次用预训练权重yolov8s.pt会比从头训练收敛快很多。这里的device0指定第一块GPU如果只有CPU就写devicecpu不过速度慢到你怀疑人生。为什么我选择yolov8s而不是yolov8n或yolov8m因为数据集只有五千张n模型容量太小拟合这类小目标场景会比较吃力m模型精度可能更好但显存占用和训练时间都上来了。先拿s跑通流程再根据验证集指标决定要不要换大模型这是个稳当的节奏。训练过程中终端会实时打印每一轮的box_loss、cls_loss、dfl_loss以及precision、recall、mAP50、mAP50-95。别只盯着lossloss下降不代表模型一定好用后面我会专门说。4. 训练过程中的关键优化4.1 损失函数和评价指标怎么看YOLOv8的损失函数可以拆成三块box_loss是回归边界框的误差cls_loss是分类误差dfl_loss是分布焦点损失用来提升边界框精度。训练正常时三者应该都呈下降趋势。如果val loss在某个epoch后不减反增train loss还在降那就是过拟合了。评价指标里mAP50是IoU阈值取0.5时的平均精度mAP50-95是多个阈值下的平均值。后者更严格也更贴近真实应用。但我们做香烟这种小目标检测mAP50高不一定说明好我的习惯是直接看验证集的PR曲线和混淆矩阵。数据只有一个类别混淆矩阵很容易看出有多少目标被漏检、有多少背景被误检。有些项目在训练完成后只把best.pt拷贝出来就完事我建议至少再从best.pt输出一份results.csv或confusion_matrix.png存到项目附件里方便后面回溯。ultralytics默认在runs/detect/train目录下会保存这些图表别删。4.2 香烟小目标检测优化三板斧香烟目标小在整张图中的像素占比经常不到1%。默认训练时图像输入尺寸是640这很容易让香烟变成只有二三十像素的小块特征基本被下采样丢光。我常用的优化手段有三个。第一提高输入分辨率。把imgsz从640提到960甚至1280目标的有效像素会明显变大。代价是显存占用和训练时间成倍增长记得同时把batch调小。第二启用P2检测头。YOLOv8默认的检测头包含P3、P4、P5三个尺度P3负责小目标。如果小目标还是漏检可以在模型上扩展P2层但ultralytics标准代码里没有直接参数需要改模型配置或者用社区实现属于进阶玩法。第三数据增强别太猛。YOLO默认会开mosaic、mixup这些增强对防止过拟合有帮助但香烟本身是小目标mosaic把多张图拼接后会更小。如果发现验证集recall偏低可以适当关闭增强或者只保留轻度水平翻转和色彩抖动。4.3 训练多久合适很多新手会一口气训300轮认为轮次越多越好。实际上垂直小数据集往往100轮以内就会收敛。我的经验是先用100轮跑一遍看val曲线什么时候停止下降然后把这个epoch数设为后续训练的上限。ultralytics还支持early stopping参数patience默认是100意思是验证指标超过100个epoch没提升就自动终止这个设置对我们很友好。5. 常见问题与排查记录5.1 格式转换和路径问题不只香烟数据集我自己还处理过VisDrone、X光安检物品数据集转YOLO的事。这些数据集的原始格式大多是VOC或COCO转换思路是完全一样的。VOC格式是XMLCOCO是JSON最终都要转成txt。这里面最常见的三个坑一是类别名字顺序和YOLO的class id对不上二是XML的坐标可能是xmin/ymin/xmax/ymax转换时要减掉左上角再除以宽高三是标签文件和图片文件名没有一致命名导致YOLO训练时找不到标签。如果你手里的数据集已经是VOC和YOLO混合格式我的建议是统一用脚本解析成YOLO不要手动改。写一个voc_to_yolo.py放在项目里以后遇到其他数据集还能复用。5.2 模型效果差的排查思路模型训练出来了mAP50在验证集上也有0.85一放到真实抽烟场景就漏检。这种问题90%出在数据分布上不是模型架构。先看你的训练集里有没有足够多目标尺度的样本香烟在100米外和10厘米前的尺寸差了几个数量级只靠一种尺度训练肯定不够。另一种情况是loss已经很低但mAP就是上不去。这时候要优先怀疑标签位置是否偏了。我遇到过一次数据集的标注框把烟盒外包装多余区域也框进去了导致模型学到的特征包含大量背景。如果标签没问题再去看类别样本分布单一类别一般不会出现但如果你扩成多类某类样本特别少建议先用类别权重。现象可能原因排查思路val loss先降后升过拟合减小模型容量、增加数据增强、早停mAP50低但loss正常标注错误或数据分布单一可视化标签、补充场景/目标尺度训练时报错找不到标签文件命名不一致或路径错误对比图片和txt文件名检查yaml路径5.3 显存和训练速度的取舍最常见的报错是CUDA out of memory。调整顺序是先降batch再降imgsz不要一上来就换小模型。举例来说显存只有6GB的时候用yolov8s加imgsz640batch设8可能刚好如果想用1280的输入batch可能要降到2。ultralytics里的batch实际上是每个GPU的batch大小多卡训练时会自动乘上卡数。还有一个小技巧如果训练数据量不大先用yolov8n跑一个epoch验证数据流是否通畅再切换目标模型正式训练。这样能快速排除路径错误、类别错误这些低级问题避免等几个小时后才发现白跑。6. 实测效果与个人想法6.1 一组参考训练结果我用这份香烟数据集按上面的方法跑过一次比较完整的实验写出来给大家参考。硬件是RTX 3060 12GB模型yolov8simgsz640batch16epochs100数据增强默认。训练到40轮左右val loss开始平稳最后best.pt的mAP50约为0.90mAP50-95约为0.61precision和recall都在0.85上下。后来把imgsz提升到960mAP50-95涨到0.65但训练时间多了将近一倍。这只是单次实验不同数据集效果会有很大差别但至少可以说明这套流程是可行的。如果你的结果比这个低很多优先回去检查数据和环境而不是急着换模型结构。6.2 后续可以做的扩展训练完不是终点。实际部署时我会把best.pt导出成ONNX格式再转TensorRT在Jetson这类嵌入式设备上跑实时推理。如果后面想继续提升小目标精度还可以试SAHI切片推理把大图切块后分别检测再合并结果。这类方法在香烟监控这种场景里非常有效代价是推理时间变长。最后再分享一个经验数据集不是一次到位的东西。跑完第一轮训练后把验证集里预测失败的图片收集起来按照失败类型漏检、误检、框不准重新补充或修正数据。这个步骤迭代两三轮后模型效果的提升往往比换什么损失函数、加什么注意力模块都要明显。我个人的体会是YOLO训练本身门槛已经很低真正拉开差距的是对数据的理解。一份标注好的香烟数据集能够帮你省下大量时间但要想把模型用到真实场景里数据检查、划分策略、小目标优化每一步都值得认真对待。本文还有配套的精品资源点击获取