简介这份YOLO红细胞目标检测数据集面向计算机视觉目标检测任务基于5000张真实场景红细胞图片构建场景覆盖不同染色、光照与细胞密度使用LabelImg标注且边界框质量高可直接用于YOLOv5等主流模型训练。资源包共2000个文件其中以1986个xml标签为主对应VOC格式同时提供coco和yolo标签文件分目录存放便于接入不同检测框架免去格式转换麻烦。压缩包约223.64MB其余还包括html格式的YOLO环境搭建与训练教程、txt索引说明及python划分脚本可按比例拆分训练集、验证集与测试集并生成ImageSets记录。教程覆盖Linux和Windows双平台从环境配置、数据组织到案例运行均有说明通过案例修改即可迁移至自定义数据集既适合刚接触目标检测的初学者入门也能为需要标准医学影像数据的科研人员提供参考。目前已有273人学习下载可显著节省标注和格式处理时间获取后能快速投入模型训练与实验。1. 这5000张红细胞图能解决什么先认清检测难在哪拿到一个叫「YOLO红细胞目标检测数据集」的压缩包最值钱的不是5000张图而是 VOC、COCO、YOLO 三种格式的标签同时给齐。做血涂片检测的人都有体会标注一张红细胞图并不难难的是标注完还要在不同框架之间倒腾格式、写划分脚本、调训练流程这套数据工程往往吃掉一半时间。这个数据集就是冲着这个痛点来的图片有了三种标签齐了划分脚本和训练教程也一并备好适合做血细胞形态分析、医学检验自动化或拿 YOLO 做细胞检测课题的人。往后读你会发现真正让模型翻车的往往不是网络结构而是标签越界、类别索引错位、数据泄漏这类细得不起眼的环节。2. 读懂VOC、COCO、YOLO三种标签红细胞检测里谁在消费什么格式2.1 VOC格式一个XML节点里藏着什么VOCPascal VOC是目标检测里的老牌格式一张图对应一个 XML 文件LabelImg 默认就导出这种结构。一个红细胞标注的 XML 长这样annotation filenameRBC_0001.jpg/filename size width640/width height480/height /size object nameRBC/name bndbox xmin100/xmin ymin50/ymin xmax180/xmax ymax130/ymax /bndbox /object /annotationVOC 存的是绝对像素坐标xmin、ymin、xmax、ymax 四个整数直接对应图片上的框。解析用 Python 自带的xml.etree.ElementTree就行不需要额外依赖。要注意不同标注工具生成的 XML 字段顺序不一样解析时不要依赖子节点顺序一律用find按名字取。红细胞场景里有个容易被忽略的事object 的 name 字段可能五花八门有人标RBC有人标rbc也有人标Red_Blood_Cell。转格式之前第一件事是把类别名统一否则同一个类别会被拆成多个类训练时模型直接懵。2.2 COCO格式JSON里的三段结构与读取方式COCO 格式是单个 JSON 文件内部是 images、annotations、categories 三段结构。红细胞检测用到的核心字段如下{ images: [ {id: 1, file_name: RBC_0001.jpg, width: 640, height: 480} ], categories: [ {id: 1, name: RBC} ], annotations: [ {id: 1, image_id: 1, category_id: 1, bbox: [100, 50, 80, 80], area: 6400, iscrowd: 0} ] }COCO 的 bbox 是[x, y, width, height]同样是绝对像素值。area 字段理论上是框面积部分训练框架会拿它做小目标筛选最好保持正确。iscrowd 表示群体标注正常红细胞框必须设 0如果设成 1训练时这个区域会被当成 crowd 直接跳过粘连的红细胞就白标了。消费 COCO 格式的主要是 Detectron2、MMDetection 这类框架以及实例分割流程。读取时用pycocotools最省事它把索引、匹配、评估都封装好了比自己手写 JSON 解析要稳。2.3 YOLO格式归一化txt与三条反直觉规则YOLO 格式是最简单的 txt每个框一行class cx cy w h全部归一化到 0~10 0.414062 0.270833 0.125000 0.166667这个格式只有三条规则但每条都容易踩坑。第一类别索引从 0 开始VOC 里叫RBCYOLO 里就只是数字0。第二坐标必须归一化cx (xmin xmax) / 2 / width宽高同理。第三值必须在 0~1 之间越界的框在训练时会被过滤或触发警告但很多人直到 loss 异常才回头查这一步。三种格式放到一起对比关系就很清楚了格式存储坐标基准谁在消费解析依赖VOCXML绝对像素 xmin/ymin/xmax/ymaxLabelImg、SSD、老版 Faster R-CNNxml.etreeCOCOJSON绝对像素 x,y,w,hDetectron2、MMDetection、实例分割pycocotoolsYOLOTXT归一化 cx,cy,w,hYOLOv5、YOLOv8、Ultralytics 全家桶无为什么同一份数据要给三种格式因为研究流程里很少只用一个框架。常见路线是先用 YOLO 快速出 baseline再切到 MMDetection 复现对比实验或者转 COCO 做实例分割。三种格式对齐意味着不用每次换框架都重新标注一遍这也是这个数据集最省时间的地方。3. 用Python把VOC/COCO转成YOLO转换脚本与四个边界坑3.1 VOC转YOLO解析XML、按真实尺寸归一化最常用的转换是 VOC 转 YOLO因为 YOLO 的 txt 是几乎所有现代训练管线的入口。下面这段脚本可以直接放到数据集根目录跑import os import xml.etree.ElementTree as ET from PIL import Image CLASS_NAMES [RBC] # 类别顺序决定YOLO索引改过之后旧权重不可直接对比 def voc2yolo(xml_path, txt_path): tree ET.parse(xml_path) root tree.getroot() # 关键宽高从图片读不信任XML里的size节点 img_path os.path.join(os.path.dirname(xml_path), root.find(filename).text) w, h Image.open(img_path).size lines [] for obj in root.findall(object): name obj.find(name).text if name not in CLASS_NAMES: continue cls_id CLASS_NAMES.index(name) box obj.find(bndbox) xmin max(0, float(box.find(xmin).text)) ymin max(0, float(box.find(ymin).text)) xmax min(w, float(box.find(xmax).text)) ymax min(h, float(box.find(ymax).text)) if xmax - xmin 1 or ymax - ymin 1: continue # 退化成点的框直接丢弃 cx (xmin xmax) / 2 / w cy (ymin ymax) / 2 / h bw (xmax - xmin) / w bh (ymax - ymin) / h lines.append(f{cls_id} {cx:.6f} {cy:.6f} {bw:.6f} {bh:.6f}) with open(txt_path, w) as f: f.write(\n.join(lines)) if __name__ __main__: for xml_file in os.listdir(annotations): if not xml_file.endswith(.xml): continue stem xml_file.rsplit(., 1)[0] voc2yolo(os.path.join(annotations, xml_file), os.path.join(labels, stem .txt))这段脚本做了三件事从 XML 里取出 bndbox 四角坐标用真实图片宽高做归一化最后把结果写成 YOLO 的 txt。参数上CLASS_NAMES是人工确认过的类别名顺序改这个列表就会改类别索引所以一旦开始训练就别轻易动否则新旧权重的评估结果完全没法对比。为什么宽高要从图片读而不是信 XML 里的 size 节点因为标注之后图片很可能被重采样或压缩过XML 里的尺寸是标注那一刻的值和磁盘上的实际尺寸对不上时归一化坐标全错。这个坑在别人给的数据集里尤其常见解压后先随便挑一张图核对一下尺寸。3.2 COCO转YOLO从JSON到txt的映射COCO 转 YOLO 稍微绕一点因为多了 image_id 和 category_id 两套 ID 要映射。下面脚本按图聚合标注再逐图写出 txtimport json import os from PIL import Image def coco2yolo(json_path, img_dir, out_dir): with open(json_path, encodingutf-8) as f: coco json.load(f) # COCO的category_id不保证从0连续必须重新映射 cat_id_map {c[id]: i for i, c in enumerate(coco[categories])} img_info {img[id]: img for img in coco[images]} anns_by_img {} for ann in coco[annotations]: anns_by_img.setdefault(ann[image_id], []).append(ann) os.makedirs(out_dir, exist_okTrue) for img_id, anns in anns_by_img.items(): info img_info[img_id] img_path os.path.join(img_dir, info[file_name]) w, h Image.open(img_path).size lines [] for ann in anns: x, y, bw, bh ann[bbox] cx (x bw / 2) / w cy (y bh / 2) / h lines.append( f{cat_id_map[ann[category_id]]} {cx:.6f} {cy:.6f} {bw / w:.6f} {bh / h:.6f} ) stem os.path.splitext(info[file_name])[0] with open(os.path.join(out_dir, stem .txt), w) as f: f.write(\n.join(lines))这里的核心是cat_id_map。COCO 原始 category_id 往往是 1、2、3 这样从 1 开始的编号而 YOLO 要求从 0 开始。直接用原始 ID 当类别索引训练时类别就整体错位了一个数val 的 mAP 会突然变得很奇怪这类问题最难排查。3.3 四个边界坑空标签、越界框、后缀差异、类别顺序转换脚本能跑通只是第一步真正耗时间的是下面四个边界情况。第一个是空标签文件。有些图片里一个红细胞都没有VOC 的 XML 里没有 object 节点转出来的 txt 是空文件。Ultralytics 新版本允许空 txt 表示背景图但部分旧版训练流程会把空标签当脏数据跳过。我的习惯是转换时单独统计空标签数量训练集里空标签占比超过一定比例就人工看一遍确认是真实背景还是漏标。第二个是越界框。标注时手一抖框就出了图片边缘xmax 大于宽归一化后坐标大于 1。脚本里用min(w, xmax)夹取是对的但夹取前最好打一行警告看看有多少框是被修正过的。数量多说明标注质量整体存疑应该回到标注环节修数据而不是靠脚本兜底。第三个是文件名后缀差异。VOC 的 filename 节点写的是RBC_0001.JPG磁盘上实际是RBC_0001.jpg在 Linux 下 glob 匹配会直接漏掉。转出 txt 时按 stem 命名没问题但后续读取图片列表时不要依赖大小写不敏感的匹配统一用小写后缀重命名一遍最省心。第四个是类别顺序。VOC 转 YOLO 的索引由CLASS_NAMES列表顺序决定COCO 转 YOLO 的索引由cat_id_map决定。如果某个数据集的类别顺序和你想的不一样转出来的索引就全错。解决方法是转完之后做一次反向校验随机抽几张图把 txt 里的坐标还原成像素框画到图上肉眼核对框和类别对不对这一步不能省。4. 划分脚本的正确姿势训练/验证/测试切分不要拍拍脑袋4.1 比例、随机种子、可复现拿到 5000 张图第一反应往往是按 8:1:1 随手一 split。比例本身没问题但随机种子不固定每次跑脚本数据集都不一样实验结果就没法复现。划分脚本的第一原则是固定random.seed第二原则是复制而不是移动文件保留原始目录方便随时重建。import os import random import shutil random.seed(42) # 固定种子保证每次划分结果一致 images [f for f in os.listdir(images) if f.endswith((.jpg, .png, .jpeg))] random.shuffle(images) n len(images) train_imgs images[:int(n * 0.8)] val_imgs images[int(n * 0.8):int(n * 0.9)] test_imgs images[int(n * 0.9):] for split, imgs in [(train, train_imgs), (val, val_imgs), (test, test_imgs)]: os.makedirs(fdataset/{split}/images, exist_okTrue) os.makedirs(fdataset/{split}/labels, exist_okTrue) for img in imgs: stem os.path.splitext(img)[0] shutil.copy(fimages/{img}, fdataset/{split}/images/{img}) txt flabels/{stem}.txt if os.path.exists(txt): shutil.copy(txt, fdataset/{split}/labels/{stem}.txt) # 注意图片存在但txt不存在时训练会被跳过这里什么都不做5000 张图切下来train 约 4000 张、val 和 test 各 500 张。这个规模对单类目标检测是够用的。脚本最后有一段隐性的坑图片存在但 txt 不存在时YOLO 训练会跳过这张图val 里也跳过导致实际参与评估的图比预期少。所以划分完必须跑一遍数量统计确认三个集合的图数和标签数一一对应。4.2 数据泄漏红细胞场景最容易被忽视的坑红细胞数据集和自然图像数据集有个本质区别它通常来自同一张血涂片的连续视野连拍。相邻视野的细胞形态、染色、背景极其相似一张视野的左边界和下一张视野的右边界几乎是同一批细胞。如果纯随机划分同一涂片的视野可能一半进 train、一半进 val验证集看着 loss 很漂亮换一张全新涂片直接拉胯。解决方法是按序列分组再划分。如果文件名里有涂片或视野 ID比如slide_01_f01.jpg就按前缀分组from collections import defaultdict groups defaultdict(list) for img in images: slide_id _.join(img.split(_)[:2]) # 按文件名前两段分组 groups[slide_id].append(img) group_ids list(groups.keys()) random.shuffle(group_ids) test_ids group_ids[:int(len(group_ids) * 0.1)] val_ids group_ids[int(len(group_ids) * 0.1):int(len(group_ids) * 0.2)] train_ids group_ids[int(len(group_ids) * 0.2):] def pick(ids): out [] for gid in ids: out.extend(groups[gid]) return out train_imgs pick(train_ids) val_imgs pick(val_ids) test_imgs pick(test_ids)这样同一涂片的所有视野只会进入一个集合测试集面对的是完全没见过的涂片评估结果才有说服力。提示如果文件名里没有任何病例或视野标识划分前先按图片的拍摄时间排序时间间隔小于 5 秒的帧视为同一视野再按时间窗口分组。4.3 划分后必须做的三类校验划分完别急着训练先跑一段统计脚本确认三个集合的分布一致import os for split in [train, val, test]: total_boxes 0 empty_files 0 label_files os.listdir(fdataset/{split}/labels) for txt in label_files: with open(fdataset/{split}/labels/{txt}) as f: lines [l for l in f.read().strip().split(\n) if l] if lines: total_boxes len(lines) else: empty_files 1 print(split, images, len(label_files), boxes, total_boxes, empty, empty_files)看三个指标每张图的平均框数、空标签比例、类别数量。红细胞数据里的空标签图一般很少如果 val 里空标签比例显著高于 train说明划分偏了。平均框数也要基本持平否则 train 里全是密集视野、val 里全是稀疏视野模型学到的密度先验在验证时就成了干扰项。发现偏差就回去重新分组不要嫌麻烦这一步决定了后面所有实验的可信度。5. YOLO训练避坑从PyCharm搭建环境到epochs调参的5个问题5.1 为什么直接用Ultralytics YOLOv8而不是自己造轮子红细胞检测是单类目标检测类别少、目标小、数量多属于结构上比较简单的任务。Ultralytics 的 YOLOv8 官方仓库开箱即用一个pip install就能训练不需要自己处理 anchor 配置、数据增强管线、NMS 这些底层细节。如果做研究需要和论文对比再切 MMDetection 也不迟。先跑通数据再考虑复现更多方法这个顺序不要反。5.2 在PyCharm里搭建环境的真实步骤在 PyCharm 里用终端创建虚拟环境不要用 GUI 界面一个个点命令行最直接conda create -n rbc python3.10 -y conda activate rbc pip install ultralyticsultralytics 会自动拉取 torch、opencv-python、pandas 等依赖。如果机器只有 CPU5000 张图一个 epoch 会跑到怀疑人生所以装完先确认 GPU 可用python -c import torch; print(torch.cuda.is_available())输出True再继续。输出False的话先查 NVIDIA 驱动和 CUDA 版本再重装 torch不要急着调训练参数——环境不对参数调得再好也是白费。5.3 data.yaml三条路径Define好别让YOLO找不到图data.yaml 是训练入口路径写错是新手第一翻车现场path: /data/rbc # 数据集根目录别写~这类的符号 train: train/images # 相对于path的图片目录 val: val/images test: test/images names: 0: RBCtrain 和 val 指向图片目录YOLO 会自动在同级的 labels 目录里按文件名找 txt。如果标签放在别处可以加一行label: train/labels显式指定。路径里不要有中文和空格不要用 Windows 的反斜杠统一用正斜杠。很多人在本地 Windows 上跑通传到 Linux 服务器上就报找不到图片基本全是路径分隔符和绝对路径的锅。5.4 训练命令与参数红细胞该用多大imgszyolo detect train \ datarbc.yaml \ modelyolov8n.pt \ epochs100 \ imgsz1024 \ batch16 \ device0 \ projectrbc_results \ nameexp1参数拆开说。yolov8n.pt是 nano 版红细胞是单类小目标nano 先跑通流程完全够用后续再换 s 或 m 版提精度。imgsz是红细胞检测里最值得调的参数40 倍镜下单个红细胞直径约 30~50 像素在 640 分辨率下目标很小提到 1024 对小目标召回有明显帮助代价是显存占用变大batch 太大就 OOM。epochs100起步配合早停参数patience20模型不再涨就自动停。batch16是 24GB 显存下的安全值显存不够就降到 8配合梯度累积。loss 这一块也要有个预期。YOLOv8 的 loss 由 box、cls、dfl 三部分合成红细胞单类任务的 cls loss 会很小主要看 box 那条曲线。训练时盯着 box_loss 降不降就可以了。5.5 五个翻车现场现象、原因、解决第一一启动训练就报 Found no valid images 或 Found no images。现象是训练直接中断val 路径下一张图都找不到。原因多半是 data.yaml 的 path 和 val 拼接出来的路径不存在或者 rar 在 Linux 下解压后文件名乱码图片目录实际是空的。解决先ls确认目录真实存在再检查路径拼接结果最后看解压有没有乱码。解压用unrar x文件名有中文就先重命名成全英文。第二loss 正常下降几十轮后突然变成 NaN。现象是训练日志里 loss 一栏出现 nan然后模型权重报废。原因有两类一是少量 txt 标签坐标越界或出现宽度为 0 的退化框回归 loss 炸掉二是 AMP 混合精度在个别 batch 触发了溢出。解决转换脚本里已经做了夹取和退化框过滤再出现就把训练命令加上ampFalse先排除精度问题再回头查标签。第三mAP50 很高mAP50-95 低到离谱。现象是 val 结果 0.95 对 0.3。原因不是模型坏了而是红细胞目标小IoU 阈值提高后位置偏差被成倍放大这是小目标检测的普遍现象。解决把 imgsz 提到 1024 以上同时别拿 mAP50-95 和其他数据集上的模型横向对比对比只认同一个验证集。第四训练 loss 很低测试集精度崩了。现象是 val 表现完美换一批真实涂片预测全乱。原因基本逃不开数据泄漏——第 4 章讲的按视野分组没做同一涂片的图同时出现在 train 和 val。解决重新按涂片 ID 分组划分重训。这个坑最烦人因为它不报错只看 loss 曲线完全正常。第五粘连的红细胞被检测成一个框。现象是重叠区域的细胞漏检一个框框住两三个细胞。原因有两层标注时连体区域画的就是重叠框模型学到的是重叠的圆等于一个框推理时 NMS 的 IoU 阈值太高重叠框被合并。解决先抽 100 张训练图看标注质量连体红细胞如果确实分不开就重新标推理时把conf调到 0.25 以上、iou_thres调到 0.5 左右把重叠的候选框拆开。6. 验证模型别只看mAP红细胞粘连场景的进阶评测技巧6.1 看混淆矩阵找漏检形态训练完yolo val会输出混淆矩阵但很多人只看一眼 mAP 就完事。红细胞场景里更该看的是漏检的图长什么样。把混淆矩阵里假阴性对应的图复制出来按形态归类染色过深、细胞重叠、异形红细胞镰状、裂片状是三类最容易漏的。如果漏检集中在某一种形态训练集里这类样本占比大概率偏低补数据方向就明确了而不是盲目加 epoch。6.2 导出ONNX做一次真实推理训练完别急着部署先用 ONNX 跑一遍真实输入确认模型在标准流程下不会因为缩放变形而框偏yolo export modelbest.pt formatonnx imgsz1024导出后用 onnxruntime 加载拿几张 val 里没见过的图推理。这一步能暴露两个问题一是 imgsz 设置不合理导致小目标被缩没二是训练时的增强策略和推理时的预处理不一致框的位置整体偏移。红细胞这种小目标对缩放特别敏感ONNX 推理结果和 PyTorch 原版对不上时先查预处理别怀疑模型。6.3 一个训练习惯划分文件版本化最后分享一个让我少踩很多次的习惯每次划分数据集时把 train、val、test 的图片清单导出成 txt连同划分脚本一起存进splits目录命名带上日期比如split_v1_20250315.txt。后面改数据、加数据、换模型测试集永远锁定同一份清单对比实验才有意义。这个习惯相当于给自己的实验流程留了一颗后悔药跑偏了能一键回到上一个版本。红细胞检测的瓶颈从来不在模型结构而在数据流转的每一个细节标签格式是否对齐、划分是否泄漏、坐标是否越界。把这条链路跑通之后你会发现同样 5000 张图能做很多事希望帮到你。本文还有配套的精品资源点击获取 
长河君 · 2026/10/8 1:07:20 · 阅读 1.2k 5000张红细胞图目标检测实战：标签格式转换、数据划分与YOLO训练避坑
简介这份YOLO红细胞目标检测数据集面向计算机视觉目标检测任务基于5000张真实场景红细胞图片构建场景覆盖不同染色、光照与细胞密度使用LabelImg标注且边界框质量高可直接用于YOLOv5等主流模型训练。资源包共2000个文件其中以1986个xml标签为主对应VOC格式同时提供coco和yolo标签文件分目录存放便于接入不同检测框架免去格式转换麻烦。压缩包约223.64MB其余还包括html格式的YOLO环境搭建与训练教程、txt索引说明及python划分脚本可按比例拆分训练集、验证集与测试集并生成ImageSets记录。教程覆盖Linux和Windows双平台从环境配置、数据组织到案例运行均有说明通过案例修改即可迁移至自定义数据集既适合刚接触目标检测的初学者入门也能为需要标准医学影像数据的科研人员提供参考。目前已有273人学习下载可显著节省标注和格式处理时间获取后能快速投入模型训练与实验。1. 这5000张红细胞图能解决什么先认清检测难在哪拿到一个叫「YOLO红细胞目标检测数据集」的压缩包最值钱的不是5000张图而是 VOC、COCO、YOLO 三种格式的标签同时给齐。做血涂片检测的人都有体会标注一张红细胞图并不难难的是标注完还要在不同框架之间倒腾格式、写划分脚本、调训练流程这套数据工程往往吃掉一半时间。这个数据集就是冲着这个痛点来的图片有了三种标签齐了划分脚本和训练教程也一并备好适合做血细胞形态分析、医学检验自动化或拿 YOLO 做细胞检测课题的人。往后读你会发现真正让模型翻车的往往不是网络结构而是标签越界、类别索引错位、数据泄漏这类细得不起眼的环节。2. 读懂VOC、COCO、YOLO三种标签红细胞检测里谁在消费什么格式2.1 VOC格式一个XML节点里藏着什么VOCPascal VOC是目标检测里的老牌格式一张图对应一个 XML 文件LabelImg 默认就导出这种结构。一个红细胞标注的 XML 长这样annotation filenameRBC_0001.jpg/filename size width640/width height480/height /size object nameRBC/name bndbox xmin100/xmin ymin50/ymin xmax180/xmax ymax130/ymax /bndbox /object /annotationVOC 存的是绝对像素坐标xmin、ymin、xmax、ymax 四个整数直接对应图片上的框。解析用 Python 自带的xml.etree.ElementTree就行不需要额外依赖。要注意不同标注工具生成的 XML 字段顺序不一样解析时不要依赖子节点顺序一律用find按名字取。红细胞场景里有个容易被忽略的事object 的 name 字段可能五花八门有人标RBC有人标rbc也有人标Red_Blood_Cell。转格式之前第一件事是把类别名统一否则同一个类别会被拆成多个类训练时模型直接懵。2.2 COCO格式JSON里的三段结构与读取方式COCO 格式是单个 JSON 文件内部是 images、annotations、categories 三段结构。红细胞检测用到的核心字段如下{ images: [ {id: 1, file_name: RBC_0001.jpg, width: 640, height: 480} ], categories: [ {id: 1, name: RBC} ], annotations: [ {id: 1, image_id: 1, category_id: 1, bbox: [100, 50, 80, 80], area: 6400, iscrowd: 0} ] }COCO 的 bbox 是[x, y, width, height]同样是绝对像素值。area 字段理论上是框面积部分训练框架会拿它做小目标筛选最好保持正确。iscrowd 表示群体标注正常红细胞框必须设 0如果设成 1训练时这个区域会被当成 crowd 直接跳过粘连的红细胞就白标了。消费 COCO 格式的主要是 Detectron2、MMDetection 这类框架以及实例分割流程。读取时用pycocotools最省事它把索引、匹配、评估都封装好了比自己手写 JSON 解析要稳。2.3 YOLO格式归一化txt与三条反直觉规则YOLO 格式是最简单的 txt每个框一行class cx cy w h全部归一化到 0~10 0.414062 0.270833 0.125000 0.166667这个格式只有三条规则但每条都容易踩坑。第一类别索引从 0 开始VOC 里叫RBCYOLO 里就只是数字0。第二坐标必须归一化cx (xmin xmax) / 2 / width宽高同理。第三值必须在 0~1 之间越界的框在训练时会被过滤或触发警告但很多人直到 loss 异常才回头查这一步。三种格式放到一起对比关系就很清楚了格式存储坐标基准谁在消费解析依赖VOCXML绝对像素 xmin/ymin/xmax/ymaxLabelImg、SSD、老版 Faster R-CNNxml.etreeCOCOJSON绝对像素 x,y,w,hDetectron2、MMDetection、实例分割pycocotoolsYOLOTXT归一化 cx,cy,w,hYOLOv5、YOLOv8、Ultralytics 全家桶无为什么同一份数据要给三种格式因为研究流程里很少只用一个框架。常见路线是先用 YOLO 快速出 baseline再切到 MMDetection 复现对比实验或者转 COCO 做实例分割。三种格式对齐意味着不用每次换框架都重新标注一遍这也是这个数据集最省时间的地方。3. 用Python把VOC/COCO转成YOLO转换脚本与四个边界坑3.1 VOC转YOLO解析XML、按真实尺寸归一化最常用的转换是 VOC 转 YOLO因为 YOLO 的 txt 是几乎所有现代训练管线的入口。下面这段脚本可以直接放到数据集根目录跑import os import xml.etree.ElementTree as ET from PIL import Image CLASS_NAMES [RBC] # 类别顺序决定YOLO索引改过之后旧权重不可直接对比 def voc2yolo(xml_path, txt_path): tree ET.parse(xml_path) root tree.getroot() # 关键宽高从图片读不信任XML里的size节点 img_path os.path.join(os.path.dirname(xml_path), root.find(filename).text) w, h Image.open(img_path).size lines [] for obj in root.findall(object): name obj.find(name).text if name not in CLASS_NAMES: continue cls_id CLASS_NAMES.index(name) box obj.find(bndbox) xmin max(0, float(box.find(xmin).text)) ymin max(0, float(box.find(ymin).text)) xmax min(w, float(box.find(xmax).text)) ymax min(h, float(box.find(ymax).text)) if xmax - xmin 1 or ymax - ymin 1: continue # 退化成点的框直接丢弃 cx (xmin xmax) / 2 / w cy (ymin ymax) / 2 / h bw (xmax - xmin) / w bh (ymax - ymin) / h lines.append(f{cls_id} {cx:.6f} {cy:.6f} {bw:.6f} {bh:.6f}) with open(txt_path, w) as f: f.write(\n.join(lines)) if __name__ __main__: for xml_file in os.listdir(annotations): if not xml_file.endswith(.xml): continue stem xml_file.rsplit(., 1)[0] voc2yolo(os.path.join(annotations, xml_file), os.path.join(labels, stem .txt))这段脚本做了三件事从 XML 里取出 bndbox 四角坐标用真实图片宽高做归一化最后把结果写成 YOLO 的 txt。参数上CLASS_NAMES是人工确认过的类别名顺序改这个列表就会改类别索引所以一旦开始训练就别轻易动否则新旧权重的评估结果完全没法对比。为什么宽高要从图片读而不是信 XML 里的 size 节点因为标注之后图片很可能被重采样或压缩过XML 里的尺寸是标注那一刻的值和磁盘上的实际尺寸对不上时归一化坐标全错。这个坑在别人给的数据集里尤其常见解压后先随便挑一张图核对一下尺寸。3.2 COCO转YOLO从JSON到txt的映射COCO 转 YOLO 稍微绕一点因为多了 image_id 和 category_id 两套 ID 要映射。下面脚本按图聚合标注再逐图写出 txtimport json import os from PIL import Image def coco2yolo(json_path, img_dir, out_dir): with open(json_path, encodingutf-8) as f: coco json.load(f) # COCO的category_id不保证从0连续必须重新映射 cat_id_map {c[id]: i for i, c in enumerate(coco[categories])} img_info {img[id]: img for img in coco[images]} anns_by_img {} for ann in coco[annotations]: anns_by_img.setdefault(ann[image_id], []).append(ann) os.makedirs(out_dir, exist_okTrue) for img_id, anns in anns_by_img.items(): info img_info[img_id] img_path os.path.join(img_dir, info[file_name]) w, h Image.open(img_path).size lines [] for ann in anns: x, y, bw, bh ann[bbox] cx (x bw / 2) / w cy (y bh / 2) / h lines.append( f{cat_id_map[ann[category_id]]} {cx:.6f} {cy:.6f} {bw / w:.6f} {bh / h:.6f} ) stem os.path.splitext(info[file_name])[0] with open(os.path.join(out_dir, stem .txt), w) as f: f.write(\n.join(lines))这里的核心是cat_id_map。COCO 原始 category_id 往往是 1、2、3 这样从 1 开始的编号而 YOLO 要求从 0 开始。直接用原始 ID 当类别索引训练时类别就整体错位了一个数val 的 mAP 会突然变得很奇怪这类问题最难排查。3.3 四个边界坑空标签、越界框、后缀差异、类别顺序转换脚本能跑通只是第一步真正耗时间的是下面四个边界情况。第一个是空标签文件。有些图片里一个红细胞都没有VOC 的 XML 里没有 object 节点转出来的 txt 是空文件。Ultralytics 新版本允许空 txt 表示背景图但部分旧版训练流程会把空标签当脏数据跳过。我的习惯是转换时单独统计空标签数量训练集里空标签占比超过一定比例就人工看一遍确认是真实背景还是漏标。第二个是越界框。标注时手一抖框就出了图片边缘xmax 大于宽归一化后坐标大于 1。脚本里用min(w, xmax)夹取是对的但夹取前最好打一行警告看看有多少框是被修正过的。数量多说明标注质量整体存疑应该回到标注环节修数据而不是靠脚本兜底。第三个是文件名后缀差异。VOC 的 filename 节点写的是RBC_0001.JPG磁盘上实际是RBC_0001.jpg在 Linux 下 glob 匹配会直接漏掉。转出 txt 时按 stem 命名没问题但后续读取图片列表时不要依赖大小写不敏感的匹配统一用小写后缀重命名一遍最省心。第四个是类别顺序。VOC 转 YOLO 的索引由CLASS_NAMES列表顺序决定COCO 转 YOLO 的索引由cat_id_map决定。如果某个数据集的类别顺序和你想的不一样转出来的索引就全错。解决方法是转完之后做一次反向校验随机抽几张图把 txt 里的坐标还原成像素框画到图上肉眼核对框和类别对不对这一步不能省。4. 划分脚本的正确姿势训练/验证/测试切分不要拍拍脑袋4.1 比例、随机种子、可复现拿到 5000 张图第一反应往往是按 8:1:1 随手一 split。比例本身没问题但随机种子不固定每次跑脚本数据集都不一样实验结果就没法复现。划分脚本的第一原则是固定random.seed第二原则是复制而不是移动文件保留原始目录方便随时重建。import os import random import shutil random.seed(42) # 固定种子保证每次划分结果一致 images [f for f in os.listdir(images) if f.endswith((.jpg, .png, .jpeg))] random.shuffle(images) n len(images) train_imgs images[:int(n * 0.8)] val_imgs images[int(n * 0.8):int(n * 0.9)] test_imgs images[int(n * 0.9):] for split, imgs in [(train, train_imgs), (val, val_imgs), (test, test_imgs)]: os.makedirs(fdataset/{split}/images, exist_okTrue) os.makedirs(fdataset/{split}/labels, exist_okTrue) for img in imgs: stem os.path.splitext(img)[0] shutil.copy(fimages/{img}, fdataset/{split}/images/{img}) txt flabels/{stem}.txt if os.path.exists(txt): shutil.copy(txt, fdataset/{split}/labels/{stem}.txt) # 注意图片存在但txt不存在时训练会被跳过这里什么都不做5000 张图切下来train 约 4000 张、val 和 test 各 500 张。这个规模对单类目标检测是够用的。脚本最后有一段隐性的坑图片存在但 txt 不存在时YOLO 训练会跳过这张图val 里也跳过导致实际参与评估的图比预期少。所以划分完必须跑一遍数量统计确认三个集合的图数和标签数一一对应。4.2 数据泄漏红细胞场景最容易被忽视的坑红细胞数据集和自然图像数据集有个本质区别它通常来自同一张血涂片的连续视野连拍。相邻视野的细胞形态、染色、背景极其相似一张视野的左边界和下一张视野的右边界几乎是同一批细胞。如果纯随机划分同一涂片的视野可能一半进 train、一半进 val验证集看着 loss 很漂亮换一张全新涂片直接拉胯。解决方法是按序列分组再划分。如果文件名里有涂片或视野 ID比如slide_01_f01.jpg就按前缀分组from collections import defaultdict groups defaultdict(list) for img in images: slide_id _.join(img.split(_)[:2]) # 按文件名前两段分组 groups[slide_id].append(img) group_ids list(groups.keys()) random.shuffle(group_ids) test_ids group_ids[:int(len(group_ids) * 0.1)] val_ids group_ids[int(len(group_ids) * 0.1):int(len(group_ids) * 0.2)] train_ids group_ids[int(len(group_ids) * 0.2):] def pick(ids): out [] for gid in ids: out.extend(groups[gid]) return out train_imgs pick(train_ids) val_imgs pick(val_ids) test_imgs pick(test_ids)这样同一涂片的所有视野只会进入一个集合测试集面对的是完全没见过的涂片评估结果才有说服力。提示如果文件名里没有任何病例或视野标识划分前先按图片的拍摄时间排序时间间隔小于 5 秒的帧视为同一视野再按时间窗口分组。4.3 划分后必须做的三类校验划分完别急着训练先跑一段统计脚本确认三个集合的分布一致import os for split in [train, val, test]: total_boxes 0 empty_files 0 label_files os.listdir(fdataset/{split}/labels) for txt in label_files: with open(fdataset/{split}/labels/{txt}) as f: lines [l for l in f.read().strip().split(\n) if l] if lines: total_boxes len(lines) else: empty_files 1 print(split, images, len(label_files), boxes, total_boxes, empty, empty_files)看三个指标每张图的平均框数、空标签比例、类别数量。红细胞数据里的空标签图一般很少如果 val 里空标签比例显著高于 train说明划分偏了。平均框数也要基本持平否则 train 里全是密集视野、val 里全是稀疏视野模型学到的密度先验在验证时就成了干扰项。发现偏差就回去重新分组不要嫌麻烦这一步决定了后面所有实验的可信度。5. YOLO训练避坑从PyCharm搭建环境到epochs调参的5个问题5.1 为什么直接用Ultralytics YOLOv8而不是自己造轮子红细胞检测是单类目标检测类别少、目标小、数量多属于结构上比较简单的任务。Ultralytics 的 YOLOv8 官方仓库开箱即用一个pip install就能训练不需要自己处理 anchor 配置、数据增强管线、NMS 这些底层细节。如果做研究需要和论文对比再切 MMDetection 也不迟。先跑通数据再考虑复现更多方法这个顺序不要反。5.2 在PyCharm里搭建环境的真实步骤在 PyCharm 里用终端创建虚拟环境不要用 GUI 界面一个个点命令行最直接conda create -n rbc python3.10 -y conda activate rbc pip install ultralyticsultralytics 会自动拉取 torch、opencv-python、pandas 等依赖。如果机器只有 CPU5000 张图一个 epoch 会跑到怀疑人生所以装完先确认 GPU 可用python -c import torch; print(torch.cuda.is_available())输出True再继续。输出False的话先查 NVIDIA 驱动和 CUDA 版本再重装 torch不要急着调训练参数——环境不对参数调得再好也是白费。5.3 data.yaml三条路径Define好别让YOLO找不到图data.yaml 是训练入口路径写错是新手第一翻车现场path: /data/rbc # 数据集根目录别写~这类的符号 train: train/images # 相对于path的图片目录 val: val/images test: test/images names: 0: RBCtrain 和 val 指向图片目录YOLO 会自动在同级的 labels 目录里按文件名找 txt。如果标签放在别处可以加一行label: train/labels显式指定。路径里不要有中文和空格不要用 Windows 的反斜杠统一用正斜杠。很多人在本地 Windows 上跑通传到 Linux 服务器上就报找不到图片基本全是路径分隔符和绝对路径的锅。5.4 训练命令与参数红细胞该用多大imgszyolo detect train \ datarbc.yaml \ modelyolov8n.pt \ epochs100 \ imgsz1024 \ batch16 \ device0 \ projectrbc_results \ nameexp1参数拆开说。yolov8n.pt是 nano 版红细胞是单类小目标nano 先跑通流程完全够用后续再换 s 或 m 版提精度。imgsz是红细胞检测里最值得调的参数40 倍镜下单个红细胞直径约 30~50 像素在 640 分辨率下目标很小提到 1024 对小目标召回有明显帮助代价是显存占用变大batch 太大就 OOM。epochs100起步配合早停参数patience20模型不再涨就自动停。batch16是 24GB 显存下的安全值显存不够就降到 8配合梯度累积。loss 这一块也要有个预期。YOLOv8 的 loss 由 box、cls、dfl 三部分合成红细胞单类任务的 cls loss 会很小主要看 box 那条曲线。训练时盯着 box_loss 降不降就可以了。5.5 五个翻车现场现象、原因、解决第一一启动训练就报 Found no valid images 或 Found no images。现象是训练直接中断val 路径下一张图都找不到。原因多半是 data.yaml 的 path 和 val 拼接出来的路径不存在或者 rar 在 Linux 下解压后文件名乱码图片目录实际是空的。解决先ls确认目录真实存在再检查路径拼接结果最后看解压有没有乱码。解压用unrar x文件名有中文就先重命名成全英文。第二loss 正常下降几十轮后突然变成 NaN。现象是训练日志里 loss 一栏出现 nan然后模型权重报废。原因有两类一是少量 txt 标签坐标越界或出现宽度为 0 的退化框回归 loss 炸掉二是 AMP 混合精度在个别 batch 触发了溢出。解决转换脚本里已经做了夹取和退化框过滤再出现就把训练命令加上ampFalse先排除精度问题再回头查标签。第三mAP50 很高mAP50-95 低到离谱。现象是 val 结果 0.95 对 0.3。原因不是模型坏了而是红细胞目标小IoU 阈值提高后位置偏差被成倍放大这是小目标检测的普遍现象。解决把 imgsz 提到 1024 以上同时别拿 mAP50-95 和其他数据集上的模型横向对比对比只认同一个验证集。第四训练 loss 很低测试集精度崩了。现象是 val 表现完美换一批真实涂片预测全乱。原因基本逃不开数据泄漏——第 4 章讲的按视野分组没做同一涂片的图同时出现在 train 和 val。解决重新按涂片 ID 分组划分重训。这个坑最烦人因为它不报错只看 loss 曲线完全正常。第五粘连的红细胞被检测成一个框。现象是重叠区域的细胞漏检一个框框住两三个细胞。原因有两层标注时连体区域画的就是重叠框模型学到的是重叠的圆等于一个框推理时 NMS 的 IoU 阈值太高重叠框被合并。解决先抽 100 张训练图看标注质量连体红细胞如果确实分不开就重新标推理时把conf调到 0.25 以上、iou_thres调到 0.5 左右把重叠的候选框拆开。6. 验证模型别只看mAP红细胞粘连场景的进阶评测技巧6.1 看混淆矩阵找漏检形态训练完yolo val会输出混淆矩阵但很多人只看一眼 mAP 就完事。红细胞场景里更该看的是漏检的图长什么样。把混淆矩阵里假阴性对应的图复制出来按形态归类染色过深、细胞重叠、异形红细胞镰状、裂片状是三类最容易漏的。如果漏检集中在某一种形态训练集里这类样本占比大概率偏低补数据方向就明确了而不是盲目加 epoch。6.2 导出ONNX做一次真实推理训练完别急着部署先用 ONNX 跑一遍真实输入确认模型在标准流程下不会因为缩放变形而框偏yolo export modelbest.pt formatonnx imgsz1024导出后用 onnxruntime 加载拿几张 val 里没见过的图推理。这一步能暴露两个问题一是 imgsz 设置不合理导致小目标被缩没二是训练时的增强策略和推理时的预处理不一致框的位置整体偏移。红细胞这种小目标对缩放特别敏感ONNX 推理结果和 PyTorch 原版对不上时先查预处理别怀疑模型。6.3 一个训练习惯划分文件版本化最后分享一个让我少踩很多次的习惯每次划分数据集时把 train、val、test 的图片清单导出成 txt连同划分脚本一起存进splits目录命名带上日期比如split_v1_20250315.txt。后面改数据、加数据、换模型测试集永远锁定同一份清单对比实验才有意义。这个习惯相当于给自己的实验流程留了一颗后悔药跑偏了能一键回到上一个版本。红细胞检测的瓶颈从来不在模型结构而在数据流转的每一个细节标签格式是否对齐、划分是否泄漏、坐标是否越界。把这条链路跑通之后你会发现同样 5000 张图能做很多事希望帮到你。本文还有配套的精品资源点击获取