简介这份香烟盒子目标检测数据集面向YOLO系列算法学习者和目标检测项目开发者基于320张真实香烟包装图像构建已按训练与验证集划分并配套data.yaml配置可直接用于YOLOv5/v7/v8/v9/v10/v11等主流版本训练与测试免去自行采集和标注的耗时环节。压缩包共961个文件主要包含320张jpg原图、320个YOLO格式txt标注、320个VOC格式xml标注以及1个data.yaml配置文件整体体积约29.47MB目录结构清晰标签格式规范。两种标注文件分别保存在独立文件夹中txt格式按类别索引、中心点坐标、宽高比例记录目标框xml格式则便于在VOC流程中直接调用满足不同训练框架的输入需求。数据集已有134人浏览学习适合刚接触目标检测的读者快速跑通YOLO训练流程也可作为模型效果验证和算法对比的现成素材。1. 320张带标签的香烟盒子数据集拿它训yolo模型到底值不值上个月我拿到一份 yolo算法 常用的香烟盒子数据集正好是 320张图像带标签全部装在一个 zip 压缩包里。解压完第一反应是“这数据量也太小了”但实际跑下来发现小样本训练反而更容易暴露格式、标签、参数配置上的一系列硬伤。如果你刚入门 yolo想用两三百张图把检测流程跑通或者正卡在 xml 格式文件没有标签、标签和图像对不上这类问题这份数据就是一个很好的磨刀石。这篇我会按“解压 → 校验 → 划分 → 训练 → 排错 → 验证”的顺序把整个流程拆开讲。中途会给出可直接照抄的命令和脚本也会把最容易翻车的参数位点提前标出来——比如类别 ID、标签路径、imgsz 和训练轮次这几个地方都是小数据集上最容易出玄学问题的高发区。读完后你不仅能跑通还能判断这个数据集到底值不值得继续投入。2. 解压与格式确认320张图和标签到底“带”在哪里2.1 zip解压后的目录结构长什么样才算正常拿到手的第一步永远是解压和看目录。很多人直接双击解压就开训结果训练时提示找不到标签回头一看才发现标签放在子目录里路径没对上。我一般会先在命令行里解压保留目录结构避免图形化解压工具把嵌套目录压平。unzip 香烟盒子数据集.zip -d cigarette_box_dataset cd cigarette_box_dataset find . -type f | head -50解压后用find扫一遍前 50 个文件重点确认三件事图像文件在哪个目录、标签文件在哪个目录、是否每个图像文件都有对应的同名标签文件。一份结构正常的数据集会类似下面这种布局cigarette_box_dataset/ images/ img_0001.jpg img_0002.jpg ... labels/ img_0001.txt img_0002.txt ...如果看到的是labels目录里躺着 xml 文件或者图像和标签混在同一个目录里也别急着放弃——格式不一样但数据内容还能用只是后续多一步转换。这里最重要的判断标准是图像文件名与标签文件名是否一一对应后缀不同不影响匹配yolo 训练时靠的是前缀名关联图像和标签。2.2 标签格式是txt还是xml怎么判断yolo标签与voc格式的转换yolo 算法本身只认两种标签体系原生 yolo txt 格式和 voc xml 格式。yolo txt 格式每一行是一个目标包含 5 个数值类别 ID、归一化中心 x、归一化中心 y、归一化宽度、归一化高度。voc xml 格式则是object节点里写bndbox的绝对坐标。两者用眼睛也能分辨——打开标签文件看一眼就知道了。less labels/img_0001.txt一个规范的 yolo 标签文件长这样0 0.5124 0.4781 0.1233 0.0867那数字串如果你看不懂说明你对 yolo 坐标体系还不够熟。前一个0是类别 ID后面四个数全部是相对图像的归一化比例。比如0.5124 0.4781表示框中心点在图像宽度的 51.24% 和高度的 47.81% 位置0.1233 0.0867表示框宽度占图像宽度的 12.33%、框高度占图像高度的 8.67%。归一化的好处是图像缩放后标签仍然有效这也是 yolo 训练不要求固定图像尺寸的根本原因。如果标签是 xml比如是 voc 格式就不建议直接喂给 yolo 训练。常见做法是写一个转换脚本把 xml 里的绝对坐标除以图像宽高得到归一化坐标。转换脚本网上很多但我见过不少人在转换后忘了把类别名映射成类别 ID导致所有标签的类别 ID 都是 0。这一点后面避坑章会专门讲这里先记住xml 转 txt 时类别名到 ID 的映射表必须由你自己维护算法不会帮你自动归类。2.3 用脚本扫描所有标签找出缺标签、空标签和错位文件320 张图数量不大但手工检查不现实。我会写一个 Python 脚本一次性扫出所有问题缺标签、空标签、类别 ID 越界、坐标值超出[0, 1]区间。这类校验脚本是训练前必须跑一遍的因为它直接决定你的数据能不能被模型正常读入。import os from pathlib import Path images_dir Path(images) labels_dir Path(labels) error_files [] empty_files [] total_boxes 0 for img_path in sorted(images_dir.glob(*.jpg)): label_path labels_dir / (img_path.stem .txt) if not label_path.exists(): error_files.append((img_path.name, missing label)) continue with open(label_path, r) as f: lines [line.strip() for line in f if line.strip()] if not lines: empty_files.append(img_path.name) continue for line_id, line in enumerate(lines): parts line.split() if len(parts) ! 5: error_files.append((f{img_path.name}:{line_id}, finvalid len {len(parts)})) continue cls_id int(parts[0]) coords [float(v) for v in parts[1:]] if cls_id 0: error_files.append((f{img_path.name}:{line_id}, negative class id)) if any(v 0 or v 1 for v in coords): error_files.append((f{img_path.name}:{line_id}, coord out of [0,1])) total_boxes 1 print(ftotal images: {len(list(images_dir.glob(*.jpg)))}) print(ftotal boxes: {total_boxes}) print(fmissing label: {len(error_files)}) print(fempty files: {len(empty_files)})这个脚本的判错逻辑不长但很实用。coords四个归一化数值只要有一个超出[0, 1]就说明标签坐标大概率被错误地写成了绝对像素值这种情况多半是人手工标注时用了图像尺寸做坐标但忘了归一化。统计结果如果显示缺标签文件数量超过 5 个建议直接退回数据源补齐而不是在训练时让模型自己忽略——漏检率和空标签文件数量是正相关的。3. 样本量只有320张训练前先做清洗与划分3.1 抽样看图检查标注框质量该看哪些指标数据量小的时候标注质量对模型精度的影响会被放大。320 张图里如果有个别图纸是模糊的、框是偏移的、或者漏标了目标都会成为训练集中的“错误答案”。所以在划分数据集前我一定抽样把图像和标注框叠在一起看一遍尤其关注三件事框是否紧贴目标边缘、同一张图是否漏标了远处的小目标、图像是否有多张高度重复的连续帧。抽样看图本身也要用脚本把标注框叠加回图上再保存。matplotlib 画框时要用Rectangle并传入归一化坐标不要手动去乘图像宽高减少出错机会。import matplotlib.pyplot as plt import matplotlib.patches as patches from PIL import Image import random img_files list(images_dir.glob(*.jpg)) random.seed(42) sample_files random.sample(img_files, 16) fig, axes plt.subplots(4, 4, figsize(16, 16)) for ax, img_path in zip(axes.flat, sample_files): image Image.open(img_path) ax.imshow(image) label_path labels_dir / (img_path.stem .txt) with open(label_path, r) as f: for line in f: cls_id, cx, cy, w, h line.split() cx, cy, w, h float(cx), float(cy), float(w), float(h) x0 cx - w / 2 y0 cy - h / 2 rect patches.Rectangle( (x0, y0), w, h, linewidth2, edgecolorred, facecolornone ) ax.add_patch(rect) ax.set_xticks([]) ax.set_yticks([]) plt.tight_layout() plt.savefig(check_labels.png, dpi100)抽样16张图拼成一张大图看效率远高于单张查看。有人会把这步省掉但我建议别跳过训练结束后如果出现误检这步中的标注质量问题就是你排查的第一个怀疑对象。随机抽样时记得固定随机种子否则每次跑出来的样本不一样不利于和同事沟通。3.2 图像尺寸统一与数据集拆分比例的选择yolo 训练时数据集一般按 8:1:1 或 7:2:1 拆成 train/val/test。320 张图总量太小我的习惯是拆成 256 张训练、48 张验证、16 张测试比例接近 8:1.5:0.5。但这里有个很容易犯的错误直接随机打乱拆分导致某一类场景全进了训练集验证集只包含另一种场景最终验证指标失真。拆分时先按拍摄场景或图像来源分组再从每个分组里按比例抽验证和测试。如果你手上这份数据集没有明显的分组信息那就按文件名的前缀分组——很多采集设备会在文件名里带日期或摄像头编号这个信息可以用来分层抽样。小样本训练最怕验证集分布偏差这比数据量小本身更致命。from sklearn.model_selection import train_test_split img_files sorted(images_dir.glob(*.jpg)) prefixes [f.name.split(_)[0] for f in img_files] train_files, val_files train_test_split( img_files, test_size0.2, stratifyprefixes, random_state42 )这段代码用sklearn做分层抽样stratifyprefixes保证每个前缀分组的图像在训练和验证集中都按比例出现。如果数据集中文件名没有前缀分组就退化成普通随机抽样——这时尽量保证验证集图像和训练集图像来自不同的采集批次避免同场景重复帧同时出现在两边。图像尺寸本身不需要统一。yolo 训练时会把输入统一缩放到imgsz指定的尺寸默认 640而标签是归一化的缩放不改变框的相对位置。要注意的是如果原图宽高比例严重失衡比如竖构图特别多建议把imgsz设为 640 而不是 416否则短边被压缩后小目标容易丢失。3.3 做一次数据增强把320张的“数据量焦虑”解掉320 张图对 yolo 来说确实偏少但也没必要一上来就求外部数据。yolo 训练时本身自带 mosaic、翻转、色彩抖动等增强策略这些策略在训练过程中是实时生成变体的相当于模型每轮看到的图都不一样。我的建议是先不动增强参数跑一个 baseline如果验证集 mAP 偏低再逐步加大增强强度。yolo 默认开启的增强里mosaic 对提升小目标检测很有用——它把 4 张图拼成一张让模型学到更丰富的上下文。但 mosaic 在训练后期会拖慢收敛因为拼接出来的图噪声较大。yolov8 中可以通过修改训练超参在最后 10 个 epoch 关闭 mosaic这属于常规操作。如果遇到验证集掉点优先排查是否该调增强参数而不是急着换模型。# hyp.yaml 中与增强相关的几个常用开关 mosaic: 1.0 # 是否启用 mosaic 增强后期可调低或关闭 fliplr: 0.5 # 水平翻转概率 scale: 0.5 # 随机缩放幅度 hsv_h: 0.015 # 色相增强 hsv_s: 0.7 # 饱和度增强这几个参数是 yolo 训练配置中的增强部分。scale控制随机缩放幅度值越大模型看到的尺寸变化越丰富hsv_h和hsv_s对光照变化大的场景更有效。对小数据集来说建议fliplr保持 0.5mosaic保持 1.0但scale可以适当调大到 0.8 来增加尺度多样性前提是你的标签框在缩放后仍然准确。4. 写yaml配置并跑通训练从yolo入门到关键参数4.1 数据yaml和标签映射的写法yolo 训练的第一步是写数据配置文件。这个配置文件告诉模型训练集在哪个目录、验证集在哪个目录、检测目标有几类、类别名字是什么。很多刚入门 yolo 的人会忽略这份文件的作用直接拿默认配置跑结果类别数量对不上就报错。# data.yaml train: ./cigarette_box_dataset/train/images val: ./cigarette_box_dataset/val/images test: ./cigarette_box_dataset/test/images nc: 1 names: 0: cigarette_box这份配置里最关键的是nc和names必须和标签文件里的类别 ID 严格对应。标签里如果写了类别 ID1但nc: 1训练会直接报错或者静默忽略那张图。如果这份香烟盒子数据集盒子里还包含其他类别比如打火机那nc就要按实际类别数写。我的经验是拿到数据集先统计标签里出现过的最大类别 ID再写 yaml不要凭感觉写。train和val路径可以写相对路径也可以写绝对路径。如果你把数据集放在 yolo 工程目录外用绝对路径最省事但换机器后路径会失效。我一般用相对路径并把 yaml 文件放到数据集根目录里这样复制整个目录到新机器也能直接训练。4.2 用yolov8n起步主干的取舍与imgsz怎么定320 张图的小数据集我强烈建议从最小的模型开始跑——yolov8n 或 yolov5s。大模型参数量大在小数据集上更容易过拟合训练速度还慢。yolov8n 的参数量约 3.2M在 CPU 上也能完成一轮验证用来做 baseline 最合适。你有劲再上 yolov8s 也不迟。模型的选择会影响你后续排查问题的效率。小模型跑一轮只需要几分钟参数调错能快速发现大模型一轮跑半小时调错一次浪费的时间成本太高。特别是刚入门 yolo 的新手前期跑通流程比追求精度重要得多。yolo train datadata.yaml modelyolov8n.pt epochs100 imgsz640 batch16 patience20这条命令里的参数各有讲究。yolov8n.pt是预训练权重它会先加载在 coco 上学到的通用特征再微调对小数据集非常友好——这也是为什么 coco 80 类预训练权重可以直接用在自定义单类检测上迁移学习的基础就在这里。imgsz640是输入尺寸如果你的原图分辨率只有 640x480用 640 即可不需要更大。patience20表示连续 20 轮验证指标没提升就提前结束训练避免浪费时间。训练过程中你要盯住两个输出训练集 loss 和验证集 mAP。如果训练集 loss 下降但验证集 mAP 不涨说明过拟合已经开始如果两个都不动大概率是标签或配置有问题不是模型本身的问题。4.3 训练轮数与早停看loss曲线判断要不要加epochyolo 训练的输出目录下会生成results.csv里面记录了每一轮的准确率和损失。我判断训练是否收敛不只看最后精度而是看 loss 曲线是否进入平台期。如果 loss 在第 60 轮还在明显下降就该把epochs加长如果第 40 轮就平稳patience会自动帮你提前结束。训练轮数在小数据集上是最容易纠结的参数。有经验的工程师不会给你一个固定值——epochs 只是一个上限早停机制才是真正决定训练在哪一轮停止的开关。在小数据集上我一般设epochs150加上patience30让早停自己判断。如果 30 轮没提升就停说明模型已经收敛了。loss 曲线还有一个更实用的用途判断学习率是否合适。如果 loss 前期剧烈震荡不下降多半是学习率偏大如果 loss 下降极慢可能是学习率偏小。yolo 默认会自动调节学习率但当你修改了 batch size 后最佳学习率也会变——batch 翻倍时学习率也应适当提高否则收敛速度会变慢。import pandas as pd import matplotlib.pyplot as plt df pd.read_csv(runs/detect/train/results.csv) plt.figure(figsize(10, 4)) plt.subplot(1, 2, 1) plt.plot(df[epoch], df[train/box_loss], labelbbox loss) plt.legend() plt.subplot(1, 2, 2) plt.plot(df[epoch], df[metrics/mAP50(B)], labelmAP50) plt.legend() plt.savefig(loss_curve.png, dpi100)这段脚本把训练日志中的 loss 和 mAP 曲线画到一张图上和results.png内容类似但更精简。我自己一般用这个脚本做快速判断不用打开完整的图表。如果你看到 loss 降到底后又反弹说明学习率后期没降够需要调大lr0的衰减系数或者改用余弦退火调度器。5. 训练翻车排查小数据集的四个常见问题与避坑5.1 现象loss始终是0或者从头就不降训练时终端输出的box_loss和cls_loss一直是 0或者从一开始就是极小的数值说明模型没有读到任何标签。最常见原因是标签目录路径不对——yaml 里写的是train/images但标签放在train/labels且文件名前缀不匹配yolo 会静默跳过这些图。解决方法是回到第 2 章的校验脚本确认标签文件名与图像文件名完全一致。注意一个隐蔽细节某些数据集图像后缀是.jpg但实际是.jpeg或.pngyolo 会自动匹配图像和标签的前缀只要后缀存在对应图像就没事。但如果图像是.jpg而标签是.txt文件里第一行的类别 ID 大于等于nc值模型会认为该标签无效。检查时用我在 2.3 节给出的脚本重点关注cls_id nc的情况。提示训练命令加verboseTrue你会发现更多线索yolo 会输出每张图加载了多少个标签数字是 0 就能定位到问题。5.2 现象训练正常但检测时把烟盒识别成其他物体训练时 loss 正常下降mAP 也到了 0.9 以上但用训练好的权重去跑新图片会把香烟盒子旁边的手机、钱包甚至手背检测成香烟盒。这属于过拟合或特征学习不足的典型表现不只是阈值设太低。第一步是检查测试集里有没有和训练集高度相似的图像。小数据集如果图像来自同一个视频的连续帧训练集和验证集会存在大量重复场景模型学到的是场景而不是目标本身。我踩过一个坑数据集中所有香烟盒子都放在白色桌面上模型实际上学会了检测“白色桌面上的物体”换到深色桌面就翻车。解决方法是做更强的数据增强或者去补充不同背景的数据。hsv_h调高让模型对色差不敏感scale调大让模型学到尺度变化。如果增强后仍然误检就把置信度阈值从默认的 0.25 提高先保证准确率再考虑召回率。5.3 现象训练集mAP很高验证集mAP却跌破0.5这是一道明显的过拟合信号。训练集 95%验证集 50% 以下说明模型把训练集的细节背下来了没有学会泛化特征。320 张图的训练集能支撑的模型容量有限模型越大越容易背题。此时不要盲目换更大模型而是做减法降低模型复杂度、加大增强强度、或者增加 dropout。yolo 没有内置 dropout 参数但可以手动调低模型的 freeze 层数让更多层从头训练而不是微调。另一个有效做法是在训练后期关闭 mosaic因为 mosaic 拼图会让模型在训练集上学到拼接痕迹影响验证精度。5.4 现象所有检测框都压在图像正中央置信度还特别高这个现象的根源是数据集分布问题320 张图里大部分香烟盒子都位于画面中心区域模型没有见过边缘位置的样本于是对中心的特征形成强偏置。检测出来的框全都集中在中心边缘目标完全漏掉。解决方向是补数据而不是调参。先在验证集上统计所有标签框的中心坐标分布画一个热力图——如果中心区域颜色明显深就说明数据分布不均衡。然后从原始视频里抽帧时不要只抽中间部分或者通过平移、裁剪增强制造边缘位置的样本。这条只能靠数据层面解决调 loss 或阈值都没用。注意这个现象和 5.1 完全不同——5.1 是标签读取失败5.4 是标签本身有效但分布不均衡。排查时先用 2.3 的脚本确认标签有效性再分析坐标分布不要跳过步骤。6. 从300多张走向落地验证、导出与几步推演训练结束后拿到best.pt先别急着接摄像头。我会用测试集跑一次批量推理把模型输出的框和真实标注框放在同一张图上对比重点关注漏检和误检的样貌。这一步能直观判断模型学到了什么比盯着 mAP 数字有用得多。from ultralytics import YOLO model YOLO(runs/detect/train/weights/best.pt) results model.predict( sourcecigarette_box_dataset/test/images, saveTrue, conf0.25, imgsz640 )推理代码里conf0.25表示只保留置信度高于 25% 的框imgsz 必须和训练时一致否则精度会下降。如果测试图上出现密集的误检框优先调高conf到 0.5 再看效果。验证完成后如果要往真实业务上走常见做法是把权重导出为 onnx 或 tensorrt 格式。onnx 格式通用性好适合各类部署平台tensorrt 格式在 nvidia 显卡上推理速度更快适合视频流实时检测。对香烟盒子这种静态目标检测场景一条 1080p 25fps 的视频流用 yolov8n tensorrt 可以在 CPU 上跑到实时具体能支持多少路取决于显卡型号和 batch 大小。关于这份数据集值不值继续投入我的判断标准是如果验证集 mAP0.5 超过 0.85 并且测试集误检率低于 5%那这份数据可以支撑原型验证。如果达不到说明 320 张的边界就在这里——需要继续补充难样本、不同光照和背景的图像每补一批就重训一次把新数据和旧数据合在一起不要只在新数据上微调。最后分享一个个人习惯每次训练前把参数、数据分布和结果录进一个表格方便复现对比。这个习惯帮我避免过很多次“玄学调参”的弯路希望帮到你。本文还有配套的精品资源点击获取