简介这是一份面向YOLO系列目标检测学习者的老鼠目标检测数据集适用于yolov5、yolov8、yolov9、yolov7、yolov10及yolo11等主流算法可直接用于模型训练与验证测试适合课程设计、算法练手及小目标检测实验等场景。资源包共约2000个文件压缩包大小119.3MB其中包含1610个xml文件与390个txt文件分别对应VOC格式与YOLO格式两种标注YOLO格式按类别索引及归一化中心点、宽高比例存储方便直接接入训练流程。数据集已预先划分好省去自行整理与转换标注的步骤。目前已有143人学习下载可作为入门目标检测的实用素材。读者拿到后可直接搭建训练环境、验证模型收敛效果并对比不同YOLO版本在同一数据上的表现快速完成从数据到模型的基础闭环。1. 老鼠数据集到手之后2295 张带标签图像到底能训出什么拿到一个名为「yolo算法-老鼠数据集-2295张图像带标签-组合鼠标.zip」的压缩包时多数人的第一反应是解压、看目录、找 data.yaml然后直接yolo train。但真正决定这次训练能不能出结果的不是模型选 v8 还是 v11而是这 2295 张图像里老鼠的姿态分布、标注框的松紧程度、以及背景里有没有混进鼠标、键盘、人手这些干扰物。这个数据集的核心价值在于它是一个小规模、单类别、带标注的目标检测数据集适合用来跑通 YOLO 的完整训练链路也适合做行为分析、实验室动物计数、饲养箱监控这类场景的原型验证。它不适合直接拿去冲高精度榜单2295 张的体量决定了它更适合作为入门实战和迁移学习的起点。如果你手头正好有类似的小样本检测需求或者想找一个干净的单类数据集把 YOLO 训练流程走一遍这个数据集是够用的。接下来我会按实际落地顺序把从解压到推理的每一步拆开讲包括参数怎么设、坑在哪、什么时候该停下来换策略。2. 先看清数据再动手2295 张老鼠图像的标注质量与划分策略2.1 解压后先做三件事目录结构、标注格式、图像尺寸分布拿到压缩包后不要急着写训练脚本先花十分钟把数据摸清楚。常见的老鼠数据集目录结构是images/和labels/平行存放或者按train/val/test已经分好。用下面这段脚本快速统计图像数量、尺寸分布和标注框数量能帮你判断这个数据集是否值得直接投入训练。import os from pathlib import Path from PIL import Image from collections import Counter root Path(mouse_dataset) # 改成你的解压路径 img_dir root / images lbl_dir root / labels sizes Counter() box_counts [] missing_label [] for img_path in img_dir.rglob(*.jpg): with Image.open(img_path) as im: sizes[im.size] 1 lbl_path lbl_dir / (img_path.stem .txt) if not lbl_path.exists(): missing_label.append(img_path.name) continue with open(lbl_path) as f: lines [l for l in f.readlines() if l.strip()] box_counts.append(len(lines)) print(图像尺寸分布:, sizes.most_common(5)) print(标注框总数:, sum(box_counts)) print(单图平均框数:, sum(box_counts) / max(len(box_counts), 1)) print(缺失标注文件数:, len(missing_label))这段代码的逻辑很直接遍历所有 jpg统计尺寸对每张图找同名 txt 标签统计框数。参数上注意rglob会递归子目录如果你的数据集已经分好 train/val需要分别跑。输出里如果尺寸高度集中在 640×640 或 1280×720说明采集设备固定后续 resize 策略可以统一如果尺寸五花八门就要在 dataloader 里做 letterbox。缺失标注文件数如果超过 5%说明这个数据集在打包时可能漏了文件需要手动排查。2.2 标注格式确认YOLO txt 的五个字段和常见错位YOLO 格式的标签每行是class_id x_center y_center width height全部归一化到 0~1。老鼠数据集通常是单类class_id 恒为 0。但实际拿到的包里经常出现两种错位一种是用了xmin ymin xmax ymax的绝对坐标没归一化另一种是 class_id 从 1 开始。用下面这段检查脚本可以快速定位。import numpy as np bad_lines [] for lbl_path in lbl_dir.rglob(*.txt): with open(lbl_path) as f: for i, line in enumerate(f): parts line.strip().split() if len(parts) ! 5: bad_lines.append((lbl_path.name, i, 字段数不对)) continue cls, x, y, w, h parts vals list(map(float, parts[1:])) if any(v 0 or v 1 for v in vals): bad_lines.append((lbl_path.name, i, 坐标未归一化)) if float(cls) ! 0: bad_lines.append((lbl_path.name, i, f类别ID异常: {cls})) print(异常行数:, len(bad_lines)) for item in bad_lines[:10]: print(item)如果输出里大量出现「坐标未归一化」说明标注工具导出时选了绝对坐标需要写转换脚本除以图像宽高。如果「类别ID异常」很多说明这个数据集可能混了多类需要重新映射。这一步不做训练时 loss 会直接 NaN 或者框全跑到图像角落。2.3 训练集/验证集划分别用随机划分按视频帧或时间切2295 张图像如果来自连续视频抽帧随机划分会导致训练集和验证集里出现几乎相同的帧验证指标虚高。正确做法是按时间或按视频片段切分。常见做法是前 80% 帧做训练后 20% 做验证如果数据来自多个视频就按视频文件切。下面是一个按文件名排序后切分的示例。import random from pathlib import Path all_imgs sorted((root / images).rglob(*.jpg)) random.seed(42) # 如果文件名带帧号先按帧号排序再切 all_imgs sorted(all_imgs, keylambda p: p.stem) split int(len(all_imgs) * 0.8) train_imgs all_imgs[:split] val_imgs all_imgs[split:] for subset, items in [(train, train_imgs), (val, val_imgs)]: with open(f{subset}.txt, w) as f: for p in items: f.write(str(p) \n) print(f训练集 {len(train_imgs)} 张验证集 {len(val_imgs)} 张)参数上random.seed(42)保证可复现但如果你确定是视频抽帧建议去掉 shuffle直接按帧号切。切完后检查两个集合的标注框数量分布是否接近如果验证集框数明显偏少说明切分点落在了一段没有老鼠的空白帧上需要调整切分位置。3. 用 YOLOv8 跑通第一轮训练配置文件、超参和显存控制3.1 data.yaml 怎么写路径、类别数和中文路径的坑YOLOv8 训练依赖一个 yaml 文件描述数据路径和类别。老鼠数据集通常是单类写起来简单但路径坑最多。path: /home/user/mouse_dataset train: train.txt val: val.txt nc: 1 names: 0: mousepath是数据集根目录train和val可以是 txt 列表文件也可以直接指向 images 目录。注意如果路径里有中文或空格YOLO 底层 OpenCV 读图会失败报错通常是cv2.error: OpenCV(4.x) ... cant open/read file。解决办法是把数据集移到纯英文路径下或者用软链接。nc: 1对应单类names的 key 从 0 开始。如果后面你要加类别改这里的同时要改标签里的 class_id。3.2 训练命令与关键参数imgsz、batch、workers 怎么定第一轮训练不要一上来就调复杂超参先用默认配置跑通。yolo detect train \ datamouse_dataset/data.yaml \ modelyolov8n.pt \ epochs100 \ imgsz640 \ batch16 \ workers4 \ device0 \ projectruns/mouse \ nameexp1modelyolov8n.pt是最小的 nano 模型2295 张图用 nano 足够跑通显存占用低。imgsz640是 YOLO 的默认输入尺寸如果你的老鼠在图像里占比很小可以提到 960 或 1280但显存会成倍增加。batch16在 8GB 显存上比较稳如果报 CUDA out of memory先降到 8 或 4。workers4是数据加载线程数Windows 下如果报错就改成 0。device0指定第一块 GPUCPU 训练去掉这个参数但会非常慢。训练开始后重点看三个输出box_loss是否稳定下降、mAP50是否在涨、val/box_loss是否和训练 loss 同步。如果训练 loss 降但验证 loss 涨说明过拟合需要加数据增强或早停。3.3 数据增强参数小数据集必须开的几个开关2295 张图属于小样本默认增强不够建议在训练命令里显式加上。yolo detect train \ datamouse_dataset/data.yaml \ modelyolov8n.pt \ epochs150 \ imgsz640 \ batch16 \ hsv_h0.015 hsv_s0.7 hsv_v0.4 \ degrees10 translate0.1 scale0.5 \ fliplr0.5 mosaic1.0 \ close_mosaic10hsv_h/s/v控制色调、饱和度、亮度扰动老鼠毛色在不同光照下变化大这三个值可以适当开大。degrees10小角度旋转translate0.1平移scale0.5缩放模拟老鼠在笼子里不同位置和远近。fliplr0.5水平翻转老鼠左右对称翻转安全。mosaic1.0四图拼接小数据集必开能显著增加背景多样性。close_mosaic10表示最后 10 个 epoch 关闭 mosaic让模型在真实分布上收敛。如果老鼠总是出现在固定角落translate可以再开大一点。4. 训练过程排查loss 不降、mAP 卡住、显存爆了的处理顺序4.1 loss 从第一轮就 NaN先查标签再查学习率现象是训练刚启动几个 iterationbox_loss和cls_loss直接变成 nan。原因通常有两个标签坐标越界或学习率过大。解决顺序是先跑第 2 章里的标签检查脚本确认没有负数或大于 1 的坐标如果标签没问题把lr0从默认 0.01 降到 0.001 再试。YOLOv8 默认用 SGD 或 Adam小数据集上 Adam 更稳可以在命令里加optimizerAdamW lr00.001。4.2 mAP50 在 0.5 附近横盘检查标注框是否过松或过紧训练 loss 正常下降但mAP50始终在 0.5 左右上不去。常见原因是标注框质量差。老鼠数据集里如果标注框把整个笼子都框进去或者只框了老鼠身体没框尾巴模型学到的边界就是模糊的。解决办法是抽 20 张验证集图像用下面脚本把预测框和标注框画在一起对比。from ultralytics import YOLO import cv2 model YOLO(runs/mouse/exp1/weights/best.pt) results model.predict(mouse_dataset/images/val, saveTrue, conf0.25) # 预测结果保存在 runs/detect/predict 下和原图对比看框的松紧如果预测框明显比标注框大一圈说明标注偏紧模型在猜如果预测框只框住老鼠头部说明标注里可能混了只标头部的样本。这种情况要么重新标注要么在训练时把box损失权重调高。4.3 显存溢出batch 和 imgsz 的取舍报错CUDA out of memory时优先降batch从 16 降到 8 再到 4。如果降到 4 还爆再降imgsz从 640 降到 512 或 416。不要同时降两个否则你分不清是哪个参数起的作用。另外workers过高也会占用显存Windows 下设 0Linux 下设 4 或 8 即可。如果显存实在紧张可以用yolov8n.pt换成更小的yolov8n并开启ampTrue混合精度但 AMP 在部分老显卡上会不稳定报错就关掉。5. 推理与部署从 best.pt 到实际可用的老鼠检测5.1 单张图和视频流的推理命令训练完成后权重在runs/mouse/exp1/weights/best.pt。单张图推理yolo detect predict \ modelruns/mouse/exp1/weights/best.pt \ sourcemouse_dataset/images/val \ conf0.25 \ saveTrue视频流推理把source改成0摄像头或视频文件路径。conf0.25是置信度阈值老鼠数据集如果漏检多就降到 0.1误检多就提到 0.4。saveTrue会把画框后的结果保存到runs/detect/predict。5.2 导出 ONNX 和 TensorRT什么时候值得做如果你只是做原型验证best.pt直接推理就够了。如果要部署到边缘设备或追求帧率导出 ONNX 或 TensorRT。yolo export modelruns/mouse/exp1/weights/best.pt formatonnx opset12 yolo export modelruns/mouse/exp1/weights/best.pt formatengine halfTrue device0ONNX 通用性好TensorRT 在 N 卡上最快但绑定设备。halfTrue是 FP16 量化精度损失通常很小速度提升明显。注意导出 TensorRT 需要本机装好 TensorRT 和 CUDA版本不匹配会报错。2295 张图训出来的模型参数量小导出后推理延迟很低适合做实时监控。5.3 用验证集做一次量化评估mAP50、召回率和误检率不要只看训练日志里的 mAP自己跑一次验证yolo detect val \ modelruns/mouse/exp1/weights/best.pt \ datamouse_dataset/data.yaml \ imgsz640 \ batch16输出里重点看mAP50、mAP50-95、precision、recall。老鼠检测场景下召回率比精确率重要漏检一只老鼠比多框一个影子代价大。如果 recall 低于 0.8回去检查验证集里有没有老鼠被遮挡或只露出部分身体的样本这些样本需要单独增强。6. 小样本老鼠检测的进阶技巧从 2295 张里榨出更多价值2295 张图像在目标检测里算小样本但用对方法仍然能训出可用的模型。我自己的习惯是先把基线跑通再按下面三个方向逐个优化。第一个方向是难例挖掘。第一轮训练后用best.pt在训练集上推理把置信度低于 0.3 但标注框存在的图像挑出来这些就是模型没学好的难例。把难例复制一份在下一轮训练时重复采样或者单独微调。这个操作对老鼠被遮挡、夜间红外图像特别有效。第二个方向是背景图利用。如果数据集里有一些没有老鼠的笼子空景图不要删掉。YOLO 训练时把这些图作为负样本加入标签文件留空能显著降低误检率。常见做法是负样本占比控制在 10% 左右。第三个方向是模型集成。用 yolov8n 和 yolov8s 各训一个模型推理时把两个模型的框做 NMS 融合。小数据集上单模型容易过拟合两个不同容量的模型集成后 mAP 通常能涨 2~5 个点。代价是推理速度减半看你的场景能不能接受。验证方法上我一般会留一个「黄金测试集」——从原始数据里单独切出 100 张不参与任何训练和调参只在最后评估时用。如果黄金测试集上的 recall 和验证集差距超过 10 个点说明验证集过拟合了需要重新划分。最后说一个血泪教训不要在这个数据集上追求 0.9 以上的 mAP。2295 张图的体量决定了它的上限与其反复调参不如去补数据。我见过太多人卡在 0.7 的 mAP 上调了两周最后发现只是验证集里有一批标注错了。先把数据质量守住再谈模型。希望帮到你。本文还有配套的精品资源点击获取