YOLO血细胞检测数据集：三种标注格式与训练避坑指南

简介YOLO红白细胞血小板检测数据集是面向目标检测学习者的医学细胞图像资源包含1000张来自真实场景的显微镜照片覆盖红细胞、白细胞与血小板三类目标使用LabelImg逐框标注边界准确、类别明确可直接用于YOLO系列模型训练。压缩包内共2000个文件主要类型包括1000个XML标签、990个TXT标签、6个HTML教程文档、3个Python划分脚本及1个YAML配置文件XML对应VOC格式、TXT对应YOLO格式YAML记录训练参数HTML文档则提供Windows/Linux两种环境下的环境搭建与训练案例教程。教程从环境配置、数据集准备到修改案例训练自己的数据全程讲解配合三个划分脚本可灵活生成训练集、验证集与测试集满足不同实验需求。资源包大小约29.34MB已有191人学习/下载适合具备一定Python基础、想用真实医学数据完整跑通YOLO训练流程的入门与进阶开发者。1. 拿到YOLO红白细胞血小板检测数据集先弄清它解决什么问题训练一个血细胞检测模型真正卡人的往往不是模型结构而是数据。YOLO红白细胞血小板检测数据集把这件事往前推进了一大步1000张真实场景的显微图像已经用labelimg逐框标注过同时给出VOCxml、COCOjson、YOLOtxt三种标签格式并附带训练集/验证集/测试集划分脚本和Linux、Windows双平台的环境搭建与训练教程。对做医学图像检测的算法工程师、研究生以及刚接触YOLO系列目标检测的开发者来说这套资源覆盖的是「拿到标注数据 → 划分数据集 → 搭好环境 → 跑通训练」这一整条链路。它不解决模型创新问题但能帮你省掉数据整理阶段最琐碎、最容易出错的那些环节。2. 三种标签格式详解VOC、COCO与YOLO的目录结构和字段差异2.1 VOC格式xml文件里藏着哪些关键字段VOC格式的核心是「每张图片对应一个同名xml文件」。标签目录里存放的xml记录的是图像尺寸和每个目标的类别名、包围框坐标。看一下典型的VOC xml片段annotation folderJPEGImages/folder filenameblood_001.jpg/filename size width640/width height480/height depth3/depth /size object nameRBC/name bndbox xmin120/xmin ymin85/ymin xmax156/xmax ymax121/ymax /bndbox /object object nameWBC/name bndbox xmin300/xmin ymin200/ymin xmax340/xmax ymax260/ymax /bndbox /object /annotation一个xml里可以有多个object节点对应一张图里的多个目标。name是类别名bndbox里的xmin、ymin、xmax、ymax是绝对像素坐标左上角和右下角。这里值得注意的两个点是folder和filename字段在后续写训练脚本时经常被忽略如果xml里的filename和实际图片文件名对不上划分脚本复制标签时会落空另外VOC格式本身不区分训练集和验证集它只描述单张图片的标注集合划分靠的是单独的txt清单文件这也是为什么这份资源里会附带三个划分脚本。2.2 COCO和YOLO格式一个大json与一摞txtCOCO格式和VOC完全不是同一个组织方式。VOC是一张图一个xmlCOCO是把整个数据集的图片信息、标注信息和类别信息全部塞进一个json文件里。核心是三个数组images描述每张图的id、文件名、宽高annotations描述每个目标的所属图片id、类别id、bbox和segmentationcategories定义类别id到类别名的映射。结构是这样{ images: [ {id: 1, file_name: blood_001.jpg, width: 640, height: 480} ], annotations: [ {id: 1, image_id: 1, category_id: 1, bbox: [120, 85, 36, 36], area: 1296, segmentation: [], iscrowd: 0} ], categories: [ {id: 1, name: RBC}, {id: 2, name: WBC}, {id: 3, name: PLT} ] }COCO的bbox格式是[x, y, width, height]左上角坐标加宽高和VOC的[xmin, ymin, xmax, ymax]是两个不同的表达体系。segmentation字段在检测任务里经常是空数组但有些框架比如某些版本的detectron2在读取时会强校验这个字段空数组可能触发异常这是从VOC转COCO时最经典的坑之一。YOLO格式则是最「朴素」的一种每张图对应一个同名txt每行描述一个目标格式是class x_center y_center width height注意这里四个数值全部是归一化比例范围0到1不是像素坐标。比如0 0.43125 0.32292 0.05625 0.07500这行的意思是类别索引0RBC的中心点在图像宽度的43.125%、高度的32.292%处框宽占图像宽度的5.625%框高占图像高度的7.5%。归一化的好处是无论训练时输入图片resize到640还是1280标签都不需要跟着改坏处是如果labelimg标注时误填了绝对坐标模型训练时loss会直接崩掉。YOLO txt里没有图片路径信息所以配套的划分脚本必须保证jpg和txt文件名一一对应。2.3 三种格式的转换关系和选型建议三种格式之间的本质区别是信息载体不同VOC用xml文件树描述单张图COCO用json索引描述全数据集YOLO用txt的归一化坐标直接喂给训练器。本数据集三种格式分别存放在不同文件夹下可以直接使用不需要转换。但它的价值不只是在「能直接用」上还在于可以作为格式对照的基准如果你想把自己手里的xml数据转成json或txt可以参考这套数据集中同名图片的三个版本做一致性校验。选型上没有绝对优劣。我的经验是如果只跑YOLO系列v5/v8/v11都算直接使用txt格式最省事如果要做迁移学习或者对比实验、需要加载COCO预训练权重并沿用其数据管线用json更顺如果后续要给别的标注工具或平台交付数据VOC xml的兼容性最好。三种都备齐的这份资源在这一点上考虑得比较周到。3. 数据集划分脚本实操从1000张原图到训练/验证/测试三份清单3.1 三分脚本训练/验证/测试按比例落盘这份资源里最实用的工具是三个划分脚本。第一个脚本「训练集、验证集、测试集划分脚本图片标签划分写入新文件夹.py」做的事情是把图片和对应的标签文件按指定比例复制到新的train、val、test文件夹里目录结构从原来扁平的一堆jpg和xml变成三个相互独立的子集。核心逻辑如下import os import shutil import random # 路径配置 img_dir JPEGImages # 原图目录 xml_dir Annotations # 标签目录换成labels可切txt out_dir dataset_split # 输出根目录 train_ratio 0.7 val_ratio 0.2 test_ratio 0.1 random.seed(2024) # 固定随机种子保证每次划分结果一致 files [f for f in os.listdir(img_dir) if f.endswith(.jpg)] random.shuffle(files) n len(files) train_files files[:int(n * train_ratio)] val_files files[int(n * train_ratio):int(n * (train_ratio val_ratio))] test_files files[int(n * (train_ratio val_ratio)):] for split, split_files in zip([train, val, test], [train_files, val_files, test_files]): split_img_dir os.path.join(out_dir, split, images) split_lab_dir os.path.join(out_dir, split, labels) os.makedirs(split_img_dir, exist_okTrue) os.makedirs(split_lab_dir, exist_okTrue) for fname in split_files: shutil.copy(os.path.join(img_dir, fname), split_img_dir) label_name fname.replace(.jpg, .txt) # 换成.xml即切VOC label_path os.path.join(xml_dir, label_name) if os.path.exists(label_path): shutil.copy(label_path, split_lab_dir) else: print(f[警告] {label_name} 不存在已跳过)三个比例参数是这套脚本最需要关注的train_ratio、val_ratio、test_ratio三者之和必须等于1我的习惯是数据量大5000张以上时用0.8、0.1、0.1数据量在1000这个量级时用0.7、0.2、0.1验证集多留一点评估指标更稳定。random.seed(2024)这行别删——它保证你每次跑脚本得到的划分结果完全一致否则复现实验结果的时候会发现指标对不上全靠玄学。这段脚本按jpg文件名找对应标签如果标签后缀是xml就把replace(.jpg, .txt)改成replace(.jpg, .xml)同时把xml_dir指向Annotations目录。3.2 二分脚本与ImageSets脚本不同训练框架的划分需求第二个脚本「训练集、验证集划分脚本图片标签划分写入新文件夹.py」逻辑和三分脚本几乎一样只是去掉test部分把数据切成了train和val两份。什么时候用二分当数据集规模不大、测试时直接拿验证集顶替的时候或者你打算跑完训练后用K折交叉验证来评估不需要固定留出一份测试集。另外有些YOLO框架训练时只要求train和val两个目录多一个test目录反而要在data.yaml里额外配置。第三个脚本「split_train_val生成ImageSets下txt文件划分脚本.py」走的是VOC老派路线不在文件夹层面切割数据而是生成一个ImageSets/Main目录里面放train.txt、val.txt、trainval.txt每行写不带扩展名的文件名。这部分是历史遗留的产物在早期YOLO实现比如YOLOv1到v3的darknet版本里框架通过这个txt文件列表来索引训练样本而不是直接扫描文件夹。现在用ultralytics版本YOLO的话基本用不到它但如果未来要跑一些经典复现项目这个脚本能派上关键用场。划分后的文件内容大致是这样blood_001 blood_002 blood_003注意这个txt里只有文件名主体没有任何路径和扩展名具体怎么解析完全靠训练脚本里的约定所以这类文件不能随便跨框架挪动。3.3 划分结果自检文件数量与对应关系核对跑完划分脚本不能直接开训必须先做一遍自检。我一般会统计三个子集的图片数和标签数以及抽查若干文件名是否一一对应。自检逻辑很简单# 统计每个子集的文件数量 for split in train val test; do echo $split images: $(ls dataset_split/$split/images | wc -l) echo $split labels: $(ls dataset_split/$split/labels | wc -l) done # 列出只有图片没有标签的文件 for img in dataset_split/train/images/*.jpg; do name$(basename $img .jpg) if [ ! -f dataset_split/train/labels/$name.txt ]; then echo 缺失标签: $name fi done图片数和标签数相等是最低要求。如果发现差了几个多半是原数据里本身就存在没有标注的图片这类图应该直接从训练集里剔除而不是带着不完整的标签硬训。另一个常见问题是划分后类别分布不均匀——随机划分在小数据集上很可能让某个类别在测试集里出现次数极少如果这种情况发生建议用分层划分策略按类别比例采样而不是纯随机。这个数据集是1000张的量级类别分布相对稳定但分层划分的思路还是建议保留下来。4. 环境搭建与训练流程Linux和Windows双版本下的参数配置要点4.1 Linux和Windows环境搭建的公共步骤附带的教程里包含了Ubuntu安装、YOLO环境搭建Linux版和Windows版、训练教程Linux版和Windows版基本覆盖了两个最常见的开发平台。环境搭建部分的核心其实不是YOLO框架本身而是CUDA、PyTorch、ultralytics三者的版本匹配。以Linux为例最省心的路径是这样# Ubuntu 20.04 NVIDIA驱动已装好的前提下 conda create -n yolov8 python3.9 -y conda activate yolov8 # CUDA 11.8对应的PyTorch安装 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 # 安装ultralytics pip install ultralyticsWindows下步骤完全相同区别只在conda环境激活后命令提示符前缀变了以及把模型和数据集的路径分隔符从/换成\\或者干脆用绝对路径。CUDA版本和PyTorch版本的匹配是环境搭建里最值得谨慎的一步先查清楚自己显卡驱动支持的最高CUDA版本再据此选PyTorch的安装源。如果用NVIDIA官方驱动较新直接选最新CUDA对应的PyTorch版本即可如果是老显卡老老实实装CUDA 11.8之前的版本不要盲目追新。4.2 修改训练配置data.yaml与模型参数环境装好后训练自己的数据集前需要先配置data.yaml。这份资源里的数据集有三种标签格式用YOLO txt格式训练的话data.yaml指向划分好的目录即可。YAML配置内容如下path: /data/blood_dataset # 数据集根目录 train: images/train # 训练图片相对路径 val: images/val # 验证图片相对路径 test: images/test # 测试图片相对路径可省略 nc: 3 # 类别数量RBC、WBC、PLT names: 0: RBC 1: WBC 2: PLTpath写绝对路径最保险尤其是Windows和WSL双系统切换时相对路径经常因为当前工作目录不同而解析失败。nc必须和标签txt里的类别索引最大值1一致如果txt里出现了class 3但nc: 3训练时索引越界会直接报错。names列表的顺序要和标签文件里的索引严格对应——这个数据集用labelimg标注时类别名是什么txt里的索引就是什么不要自己调整顺序。4.3 启动训练命令行参数与训练过程监控配置好data.yaml之后训练命令本身不复杂但参数选择值得说细一点# 从预训练权重继续训练比随机初始化收敛快得多 yolo detect train datablood_data.yaml modelyolov8n.pt epochs100 imgsz640 batch16modelyolov8n.pt是YOLOv8n的COCO预训练权重用预训练模型做初始化是这个场景的标准做法——血细胞数据集只有1000张从零训练一个检测器很容易欠拟合加载预训练权重相当于让模型提前学会了通用的边缘和纹理特征。如果要提升精度把n换成s或m模型容量加大但显存占用和训练时间同步上升。imgsz640是训练时resize的输入尺寸血细胞是小目标如果显存允许可以试试imgsz1280对小目标检测的提升往往比增大模型更明显。batch16是按显存余量折中的值显存不够就先调小batch而不是调小imgsz因为imgsz对最终检测性能的影响更大。训练启动后不要干等着。观察loss曲线和验证集mAP变化正常情况下前10个epoch训练loss快速下降之后进入平台期缓降如果loss下降之后就反弹优先怀疑学习率过高在ultralytics里可以通过lr0参数调整。训练过程中每个epoch结束都会在验证集上评估一次mAP50和mAP50-95这两个值才是判断模型好坏的标尺训练loss低不代表检测效果好。5. 常见问题排查标注错位、loss异常与显存溢出的避坑记录5.1 图片与标签错位或缺失现象划分完数据集后发现train里某张图片找不到对应标签文件或者训练时日志里出现图片但loss不更新。原因原数据的xml或txt文件名和jpg文件名不一致。labelimg标注时如果手动改过图片名生成的标签名不会跟着改另外有些标注工具会在文件名后加空格或后缀。解决先用自检脚本找出缺失项再写个小脚本批量重命名对齐。这一步是所有数据处理里最不能跳过的环节跳过的话后面每个环节都在给你埋雷。5.2 训练loss为nan或剧烈震荡现象epoch刚开始loss就是nan或者前几个epoch loss正常、随后直接跳到几千并伴随明显的震荡。原因最常见的是学习率设置过大尤其是batch调大后没有同步下调学习率其次是标签坐标越界——归一化坐标小于0或者大于1在数据增强时把框扩出边界后梯度爆炸。解决先用一个小batchbatch4跑2个epoch验证数据本身没问题再逐步调大batch并配合lr0下调。另一个通用做法是开启cacheTrue让数据全部加载到内存排除数据加载异常。5.3 COCO json里没有segmentation字段现象用COCO格式训练时数据加载器报KeyError: segmentation或解析失败。原因资源里的COCO json为了精简segmentation字段可能是空数组。但部分框架加载COCO时会把分割信息作为必选字段。解决跑一个转换脚本为每个annotation补上矩形分割的polygon格式——也就是用bbox的四个角坐标生成一个四边形。或者干脆切换成YOLO txt格式训练绕开这个问题。这也是我推荐新手优先使用txt格式的原因字段最少校验成本最低。5.4 显存溢出OOM现象启动训练几秒后报CUDA out of memory或者跑一半被系统杀掉进程。原因batch、imgsz和模型尺寸三者叠加超出了显卡显存上限。有的人用的是V100或更大显存的卡但本地卡只有8G显存参数直接照抄必然溢出。解决按显存量级调整参数8G显存用batch8 imgsz640搭配yolov8n16G显存可以用batch16 imgsz640要加大imgsz就把batch降一半。优先保imgsz再谈batch。5.5 类别名大小写不一致现象训练不报错但验证集mAP极低可视化发现同一类目标有时被标成RBC有时被标成rbc。原因labelimg里不同批次标注时输入法自动纠正了大小写导致同类目标被当成两个类别。解决拿到数据集后第一件事就是统计所有标签中的类别分布情况确认类别名集合和data.yaml里names一致。这类问题在1000张的数据集里很容易靠人工忽略掉但会直接影响最后的mAP统计口径。6. 标签质量验证与模型评估让训练结果可复现的两个习惯6.1 可视化标签训练前先跑一遍标注框核对划分脚本跑完、环境搭好之后不要急着开始训练。我每次拿到新数据集都会先在原始图上把标注框画出来逐张翻看一遍再开训。YOLO txt格式的可视化脚本很短import cv2 from pathlib import Path img_dir Path(dataset_split/train/images) label_dir Path(dataset_split/train/labels) for img_path in img_dir.glob(*.jpg): img cv2.imread(str(img_path)) label_path label_dir / (img_path.stem .txt) h, w img.shape[:2] with open(label_path, r) as f: lines f.readlines() for line in lines: cls, cx, cy, bw, bh map(float, line.split()) x1 int((cx - bw / 2) * w) y1 int((cy - bh / 2) * h) x2 int((cx bw / 2) * w) y2 int((cy bh / 2) * h) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(img, str(int(cls)), (x1, y1 - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 0, 255), 2) cv2.imwrite(check_ img_path.name, img)这个脚本把归一化坐标按图片实际宽高还原成像素矩形顺便把类别索引标注在框上方。如果发现框的位置偏了半个细胞、类别标错或者漏标了目标不要抱侥幸心理——训练时数据增强会放大这些错误。从那以后我每次处理数据集都会强制走一遍可视化核对再快的训练流程也不差这十几分钟。6.2 评估指标与混淆矩阵的判读习惯训练结束后ultralytics会在runs/detect/trainX目录下生成confusion_matrix.png和results.csv。判读mAP时我习惯分两步先看mAP50血细胞这类单类目标检测里mAP50应该轻松达到0.9以上如果只有0.7左右优先怀疑标注质量而不是模型容量再看mAP50-95的gap如果两者差距过大说明框的定位精度不够这时候可以尝试用更大的imgsz微调模型。混淆矩阵则重点看类别之间有没有系统性误判——比如血小板被大量识别成红细胞就要检查是不是两类形态特征太接近或者标注框本身就标串了。这一套流程走完你会发现自己收获的不只是训练好的模型还有一套可复用的数据处理方法论。这套数据集资源给了你三种格式的标签和现成脚本省去了网络检索、格式转换的时间。希望帮到你。本文还有配套的精品资源点击获取