简介这套数据集面向YOLO目标检测任务专门提供中草药图像标注样本已按YOLOv5所需的datasets目录结构划分训练、验证与测试集可直接进入模型训练流程适合目标检测学习者、算法调试人员以及需要现成中医药视觉样本的开发者使用。资源共2000个文件其中1999个为txt标注文件另有1个Python可视化脚本压缩包整体约209.51MBtxt文件记录类别与归一化后的边界框坐标x_centre、y_centre、w、h与YOLOv5默认要求一致清晰规范便于解析。当前已有1019人学习下载数据配套工具也经过实际验证。数据覆盖Cardamom、Cumin、Neem等8个中草药类别训练集约2600张、验证集约190张、测试集约100张图片与标签一一对应自带的show脚本可随机读取图片并绘制边界框、将结果保存到当前目录无需修改即可运行能帮助使用者快速检查标注质量、无缝衔接YOLO系列模型的训练与评估环节。1. 中草药图像检测最需要的不是模型而是能用的数据集想做中草药识别的开发者多半会先撞上同一堵墙模型随便换数据集没法抄。YOLO 的通用预训练权重里没有“金银花、连翘、薄荷”这些类想落地一个草药识别功能最耗时间的不是训练而是采集、标注、划分、排查标注错误这一整条数据集链路。这个标题给的是一个已经处理好的包划分好的数据集、类别 class 文件和数据可视化脚本拆开看就是三件事——标注长什么样、训练配置怎么写、训练前怎么检查数据。下面按这条链路往下走适合正在做中药饮片识别、药材分拣或智能药柜的开发者也适合第一次接触 YOLO 数据集、不想在数据准备上反复返工的新手。2. 数据集里到底有什么目录结构、标注格式与划分逻辑拿到手先别急着训练。先搞清楚这个数据集的目录结构、标注格式和划分方式这三样东西决定了你后续所有的踩坑方向。一个合格的数据集包通常有根目录里面放着 images、labels、classes.txt或 class 文件和可视化脚本部分包还会帮你把 train/val/test 三个集合的划分文件写好。2.1 一张图看懂包内结构images、labels 与 classes 各管什么常见的目录结构如下我用 tree 命令列出来herbal_yolo/ ├── images/ │ ├── train/ # 训练集图像 │ ├── val/ # 验证集图像 │ └── test/ # 测试集图像 ├── labels/ │ ├── train/ # 训练集标注 │ ├── val/ │ └── test/ ├── classes.txt # 类别文件一行一个类名 ├── visualize.py # 数据可视化脚本 └── data.yaml # 部分包自带没有就自己写images 和 labels 是成对存在的同一张图的图像路径和标注路径除了扩展名以外必须完全一致。比如 images/train/gold_001.jpg 对应 labels/train/gold_001.txt如果文件名对不上训练时会直接跳过这张图这类问题用可视化脚本最容易发现。classes.txt 的行序就是 YOLO 的类别 ID第 1 行对应 ID 0第 2 行对应 ID 1以此类推。labels 文件里每一行的第一列就是这个 ID所以 class 文件一旦变动前面所有标注都会错位。检查类别文件时建议逐行看一遍确认没有重复类名、没有空行空行会让后续读取出的类别列表多出一个空字符串训练时不会报错但预测结果会把类别名显示成空白。判断配对是否完整可以先做一步快速体检#!/bin/bash # 快速核对 images/labels 是否一一对应 for split in train val test; do img_count$(ls images/$split/*.jpg 2/dev/null | wc -l) lab_count$(ls labels/$split/*.txt 2/dev/null | wc -l) echo $split: images$img_count labels$lab_count done这段脚本分别统计三个划分集合下的图像数与标注文件数两个数字通常应该一致。如果 labels 明显少于 images优先去检查那些没有对应标注的图可能是漏标、导出异常也可能是空标注文件被放在了别处。空标注文件在训练里会被视为背景图本身合理但如果是误操作产生的会让模型学出一些不必要的背景特征。2.2 YOLO 标注格式的底层逻辑归一化坐标与类别 ID打开任意一个 labels 文件每行是五个数字类别 ID、x_center、y_center、width、height全部是相对于图像宽高的归一化值。例如0 0.512345 0.678901 0.123456 0.098765这一行表示目标类别 ID 是 0目标中心位于图像横向 51.23%、纵向 67.89% 的位置目标宽度占图像宽度的 12.35%高度占图像高度的 9.88%。所有数值必须在 0 到 1 之间如果标注框超出图像边界训练时会出警告甚至影响损失计算这也是可视化脚本要重点检查的内容。为什么要归一化因为 YOLO 的输入分辨率是固定的比如 640×640而不同来源的图片尺寸差异很大。归一化之后标注不随图像缩放而改变训练时可以随意做缩放、裁剪增强而不用重新计算坐标。你改 imgsz 的时候不需要动标注文件这就是归一化带来的便利。检查标注有没有越界用一小段 Python 就能完成import os from pathlib import Path label_dir Path(labels/train) bad_files [] for txt in label_dir.glob(*.txt): for line in txt.read_text().strip().splitlines(): parts line.split() if len(parts) ! 5: bad_files.append((txt.name, 格式错误, line)) continue _, x, y, w, h map(float, parts[:5]) if not (0 x 1 and 0 y 1 and 0 w 1 and 0 h 1): bad_files.append((txt.name, 越界, line)) for file, err, line in bad_files[:20]: print(file, err, line)这段代码逐行解析每个标注文件检查是否恰好五个字段并判断中心点坐标与宽高是否都在合法区间。常见的越界原因是标注工具导出时勾选了“允许超出图像范围”或者手工修改坐标时算错比例。越界框会让模型在训练时被迫去拟合一个“不存在”的目标区域对收敛没有好处尽早清掉。2.3 划分数据集为什么是关键一步避免验证集“虚高”标题强调“划分好的数据集”这件事在很多自采数据集里恰恰是最容易被忽略的。很多人把图片随机打乱后按 8:1:1 切就完事结果同一株草药的多张不同角度照片被同时分到训练集和验证集验证集 mAP 刷到 0.95换到实地拍摄却掉到 0.6 以下。这个现象在草药场景特别明显因为同一株植物的照片背景、光线非常相似模型吃的其实是“记忆”不是“泛化”。我一般会要求划分至少要按“采集批次”或“植物个体”进行即同一次采集、同一株个体的所有图片只能落在一个集合中。如果数据集已经划分好先看一下 val 和 train 里有没有来自同一来源的图像最简单的方法是看文件名前缀很多采集者在命名时都带了批次号或个体号。test 集常常被忽略但它才是模型真实水平的裁判。很多教程只分 train 和 val但对中草药这种环境差异极大的场景强烈建议留一块 test 出来哪怕只有几十张。这个集合里的图像训练和验证都接触不到只在最后做一次评估它反映的是模型在“没见过的环境”下的表现而不是在熟悉样本上的复读。3. 把 class 文件变成可训练配置data.yaml 与训练参数class 文件只是类别清单训练时并不会直接读它真正被加载的是 data.yaml。这个文件把 images、labels 的路径和类别列表串起来。标题里单独强调 class 文件其实就是在提醒你拿到 class 文件后稍作改动就能拼出一份自己的 data.yaml。3.1 从 class 文件到 data.yaml路径、类别数与绝对路径陷阱data.yaml 的标准格式如下path: /home/user/herbal_yolo # 改成你自己的数据集根目录 train: images/train val: images/val test: images/test nc: 10 names: 0: 金银花 1: 连翘 2: 薄荷 3: 枸杞 4: 黄芪 5: 当归 6: 甘草 7: 三七 8: 丹参 9: 陈皮几个细节值得强调。首先train、val、test 推荐写成相对于 path 的路径而不是绝对路径其次names 的索引顺序必须和 classes.txt 一致一个常见的低级错误是 classes.txt 里第 1 行是“金银花”但 data.yaml 里 0 写成了“连翘”训练时不会报错但预测结果全部错位。nc 可以省略框架会自动数 names 的个数但如果 class 文件里混入空行读取出的类别列表可能多出空字符串此时 nc 自动加 1类别数就对不上了。绝对路径陷阱也很常见。如果数据集是在某台 Windows 机器上整理的data.yaml 里可能留着盘符路径换到 Linux 环境就会报“路径不存在”。正确做法是把根目录独立写在 path 字段其余全部用相对路径。我习惯在每个新环境跑训练命令前先执行一次路径检查import yaml from pathlib import Path data yaml.safe_load(open(data.yaml)) root Path(data[path]) for split in [train, val, test]: p root / data[split] print(split, p, 存在 if p.exists() else 不存在)读入 data.yaml把 path 和相对子目录拼接成完整路径逐个检查存在性。这一步能挡掉绝大多数“目录找不到”的报错。yaml 解析后的字段名要和文件里完全一致大小写、拼写都不能差否则输出会是 None。3.2 训练命令与参数解读一次落地配置数据集和配置就绪后训练命令可以这样写yolo detect train \ datadata.yaml \ modelyolov8n.pt \ epochs150 \ imgsz640 \ batch16 \ device0 \ workers4 \ cacheTruedata 指定配置文件model 用预训练权重做迁移学习epochs 在数据集规模不大时建议给到 150 到 200imgsz640 是平衡点batch 受显存限制device 指定显卡编号workers 控制数据加载线程数cacheTrue 把图像缓存进内存、减少磁盘读取等待。参数怎么调按场景来参数推荐值适用说明epochs150~300数据集小就 150val 损失还在降就往上加imgsz640 / 960小目标多就 960常规场景 640 够用batch16 / 8显存不够先减 batch不建议低于 4device0多卡可写 0,1CPU 训练不推荐cacheTrue首次训练省时间内存紧张就关掉train 和 val 损失都是每轮输出一次重点看 val/box_loss 是否还在走低。如果 mAP50 已经到 0.9 但 mAP50-95 只有 0.5说明检测框位置不够准问题往往出在标注框质量或 NMS 参数上而不是数据量不够。mAP50 反映的是“框得差不多就算对”的松指标mAP50-95 对框的精确度更敏感后者才是调优阶段的主要参考。3.3 模型选型n/s/m 怎么选为什么中草药场景先试小模型YOLO 系列同一代模型按规模分为 n、s、m、l、x 几档。中草药图像检测有个特点目标数量不多、单类目标尺寸中等但类别间相似度高。真正难的不是“找得到”而是“分得清”模型容量大确实有助于学更细的纹理差异但对数据量的要求也更高。如果数据集只有几百到两三千张图建议先上 n 或 s 档因为过拟合带来的问题远比模型容量不足更麻烦。怎么选第一轮用 n 档跑通全流程确认数据没问题、指标在合理区间后再换 s 或者 m 做第二轮。直接上最大的 x 档在这个场景里很少能一次成功数据质量还没验证就引入最大的模型变量一旦指标不理想根本分不清是数据问题还是模型容量问题。小模型还有个实际好处中草药识别类应用很多要跑在移动端或边缘设备上换成 n 档部署推理速度能快出好几倍而精度损失通常在可接受范围内。我的建议是先跑 n 档拿到一个“数据质量基线”再决定要不要为了几个点的 mAP 换更大的模型。4. 可视化脚本的正确用法标注检查与脏数据排查标题里特意放了“数据可视化脚本”这是很多人容易忽略的价值点。可视化脚本不是用来发配图的而是用来在训练前把数据集的脏东西挑出来。中草药图像采集环境复杂背景里经常有相似叶片、手指、桌面纹理标注错误率比常规目标检测数据集高不少跑一遍可视化是性价比最高的体检。4.1 标注叠加绘制30 秒内发现漏标、错标和越界框先把标注框原样画到图上这是最基础也最有效的一步。以下脚本读取图像和同名标注文件绘制矩形框与类别名称import cv2 from pathlib import Path img_dir Path(images/train) label_dir Path(labels/train) class_names Path(classes.txt).read_text().splitlines() save_dir Path(visual_check) save_dir.mkdir(exist_okTrue) for img_path in img_dir.glob(*.jpg): txt_path label_dir / (img_path.stem .txt) if not txt_path.exists(): print(缺标注:, img_path.name) continue img cv2.imread(str(img_path)) h, w img.shape[:2] for line in txt_path.read_text().strip().splitlines(): cid, x, y, bw, bh line.split() cid int(cid) x, y, bw, bh map(float, (x, y, bw, bh)) # 还原为像素坐标 x1 int((x - bw / 2) * w) y1 int((y - bh / 2) * h) x2 int((x bw / 2) * w) y2 int((y bh / 2) * h) color (0, 255, 0) cv2.rectangle(img, (x1, y1), (x2, y2), color, 2) cv2.putText(img, class_names[cid], (x1, y1 - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.6, color, 2) cv2.imwrite(str(save_dir / img_path.name), img) print(可视化结果已保存到, save_dir)这段脚本做四件事检查图像是否有对应标注文件、按归一化坐标反算像素框、在图上画矩形和类名、批量保存到新目录。画完之后翻一遍 visual_check 目录重点看三类问题框是否包住完整目标、框是否明显偏大偏小、类别名是否与目标一致。几百张图翻完大概十几分钟但这十几分钟能省下后面好几轮无效训练。参数说明cv2.rectangle 的线宽设为 2分辨率特别高的图可能看不清可以改成 3 或 4字体尺寸 fontScale 也可以按图像实际尺寸等比调整。color 用的是 BGR 的绿色如果想按类别区分颜色可以把 color 换成类别调色板看到同一目标区域出现两种框色时往往就是漏标和错标同时存在的信号。4.2 目标尺寸分布统计判断你的场景是不是“小目标地狱”中草药检测一个高频问题是叶片目标太小一张 6000×4000 的原始图里单片叶子可能只占几百像素缩到 640 之后几乎成噪点。可视化脚本里最好带一个目标尺寸分布统计输出每个目标相对图像的宽高占比分布import numpy as np from pathlib import Path label_dir Path(labels/train) areas [] wh_ratios [] for txt in label_dir.glob(*.txt): for line in txt.read_text().strip().splitlines(): _, x, y, w, h map(float, line.split()) areas.append(w * h) wh_ratios.append(w / h) areas np.array(areas) # 小目标判定面积占比小于 0.01 x 0.01 small_ratio (areas 0.0001).mean() print(f样本数: {len(areas)}) print(f目标面积占比 中位数: {np.median(areas):.5f}) print(f小于 1% x 1% 的小目标占比: {small_ratio*100:.1f}%)逻辑是目标面积占比w×h反映目标在整幅图中的视觉大小。若中位数低于 0.001说明一半以上的目标占图面积不到千分之一按 640 输入算只有 20×20 像素左右属于典型小目标场景。此时第一轮训练用 640 很可能效果很差需要切图或提高输入分辨率。small_ratio 的阈值 0.0001 对应 100×100 像素的目标在 10000×10000 全图里的比例你可以根据实际图片分辨率调整。wh_ratios 分布也值得看如果绝大多数框的宽高比集中在一个区间说明目标形态比较固定后续调 anchor 时应该优先照顾这个区间如果宽高比特别分散反而说明标注框有大量无效区域。如果小目标占比超过三成常见做法是先按 50% 重叠率把原图切成 640×640 的小块再对每块单独做标注转换。切图会成倍增加样本数但要注意块与块之间不能被切断太多目标被切断面积超过一半的直接丢弃否则模型学到的是各种残缺叶片反而干扰收敛。4.3 类别样本量统计提前知道哪些类会训练崩可视化脚本的第三项功能是统计各类别样本量这一步看起来简单却是判断类别不平衡最直接的依据from pathlib import Path from collections import Counter label_dir Path(labels/train) counter Counter() for txt in label_dir.glob(*.txt): for line in txt.read_text().strip().splitlines(): cid int(line.split()[0]) counter[cid] 1 class_names Path(classes.txt).read_text().splitlines() for cid in sorted(counter): print(f{class_names[cid]}: {counter[cid]})统计结果如果出现“金银花 3000 个框、当归 80 个框”这种数量级差异训练时模型会严重偏向多样本类别少数类的 mAP 往往在 0.2 以下。应对方式有三条第一对少数类做过采样把它的图像复制进训练集或重复参与每个 epoch第二增加增强强度尤其是对少数类做随机旋转、平移、尺度扰动第三调整损失权重或改成按类别采样。最不推荐的做法是直接删多数类的样本——中草药识别本身就缺数据删数据等于自断一臂。5. 中草药检测的 4 个必踩坑从验证集虚高到类别崩坏这一章要写的几条全是拿训练时长换来的血泪经验。标题里的数据包和脚本能帮你解决一部分但有几个坑是工具之外、依赖意识和习惯的单独列出来。5.1 验证集 mAP 高达 0.95实拍却全部漏检——划分泄漏现象训练过程非常顺利val mAP50 一路爬到 0.95但拿着训练好的权重去拍了一张真实场景照片模型什么都没检测出来。原因数据集划分时没有按采集批次隔离。同一株草药的几十张不同角度照片被随机分到了 train 和 val模型在验证时看到的是“见过的个体”分数自然虚高真实场景里的植株、花期、光照全变了模型立刻露馅。解决重新划分数据集按文件名前缀、采集日期或采集地点分组确保同一个体的照片只出现在一个集合中。如果数据包已经划分好就抽 20% 的 val 图片和 train 做肉眼对比看是否有相似来源。还有一种更隐蔽的情况数据增强版本泄漏同一张原图切出来的重叠块被同时分到两个集合这种情况要用文件去重把完全相同的图像剔除。5.2 叶片太小模型学到的是“纹理噪声”——小目标失效现象训练收敛正常mAP50 有 0.7 左右但可视化预测结果时发现模型总是把叶片局部纹理误检成目标大叶片也只在边缘处画框。原因输入分辨率 640 时原始大图里的小叶片缩成了十几个像素的色块模型没有足够像素去区分“真叶片”和“背景纹理”于是开始学习局部高频特征产生大量误检。这时候如果你急着调模特参数大概率会翻车因为问题根本不在模型侧。解决先跑 4.2 的尺寸统计确认小目标占比然后做切图50% 重叠率同时把 imgsz 提到 960。如果条件允许把训练数据里的原图统一缩放到固定短边后再标注避免同一批数据里既有 6000 像素大图又有 800 像素小图尺度差异过大会让模型学得很分裂。5.3 相似叶片互相误判——形态近似导致类别边界模糊现象薄荷和荆芥、金银花和连翘这类形态接近的类别混淆矩阵里互相误判的比例特别高单独看每一类的 mAP 还可以但实际输出经常张冠李戴。原因中草药很多是近缘植物叶片形状、纹理差异极小而数据集里拍摄角度大多为俯拍叶片模型缺少能区分的判别特征。这个坑最容易在数据增强上翻车过强的旋转、缩放会让本来就难分的叶片变得更像。解决针对易混类别补充侧视、花期、干制品等不同状态的正样本让模型学到更多判别特征。做这类项目时对易混类别额外采集“局部特写 全株环境”两种尺度相当于人为拓宽类内多样性比单纯增加数量更有效。训练参数上易混场景建议关掉或降低 mixup 强度因为它会把两张不同类别的图叠在一起加剧边界模糊。5.4 某一类 mAP 始终塌陷——类别不平衡与标注质量双重问题现象训练多次其他类 mAP50 都能到 0.85 以上唯独某一类始终在 0.3 附近徘徊增加 epoch 也没有改善。原因先看 4.3 的类别统计这类样本量往往极少再翻可视化输出会发现这类目标存在大量框偏大或框偏小的问题标注不一致让模型无所适从。中草药标注里常见的“习惯性框大”很隐蔽人眼看不出来但模型对框的回归目标非常敏感。解决先修标注再做平衡。把该类的所有标注框重新检查一遍删除明显错误的框再做过采样或复制粘贴增强让该类的有效样本量提上来。如果标注框质量太差修完标注的收益远大于堆数据不要急着先扩数据。跑第二轮训练时单独打印这个类别的混淆矩阵确认误判主要是和哪个类混在一起再有针对性地补样本。6. 落回真实场景用 best.pt 做单图验证与阈值调优训练完成后跑一次单图预测是验证“这个数据集到底行不行”的最终标准。别把训练过程当黑匣子验证这一步会给整个链路一个明确的交代。6.1 单图预测命令与输出解析yolo detect predict \ modelruns/detect/train/weights/best.pt \ sourcetest_real.jpg \ conf0.25 \ iou0.45 \ saveTruepredict 子命令会输出标注框、类别名和置信度。关键参数是 conf 和 iouconf 是置信度阈值调低会有更多误检漏出调高会丢掉低置信度的正确目标iou 是 NMS 的 IoU 阈值调低让重叠框更少调高让密集目标更容易保留。中草药场景如果目标密集比如一丛薄荷iou 可以适当放宽到 0.5 以上但要接受误检增加。6.2 一套适合中草药场景的阈值调整方法我的习惯是先以 conf0.25、iou0.45 跑一遍看误检与漏检的比例误检多调高 conf 到 0.35 或 0.4漏检多先别急着调低 conf回头检查是不是 5.2 的小目标问题。验证时不要只挑拍得好的图专门挑几张光照差、背景杂的图来“找茬”模型在这几张图上的表现才接近真实水平。我自己做中草药检测项目时每个数据集包到手第一件事永远是跑可视化脚本而不是训练这个习惯帮我避开好几次返工。数据集可以越扩越大但脏数据只会越攒越乱前期多花一小时检查后期就能少熬几个通宵。希望帮到你。本文还有配套的精品资源点击获取