简介本资源为面向皮肤疾病检测的YOLO系列目标检测数据集适用于白癜风、皮炎、黄褐斑三类皮肤病灶的识别任务可服务于医学图像分析方向的算法学习与模型验证。压缩包共334个文件包含111张jpg图像、111个txt标签、111个xml标签及1个data.yaml配置文件整体约4MB体积轻便便于快速加载。标签同时提供YOLO格式与VOC格式YOLO格式采用归一化中心点与宽高比例可直接适配yolov5、yolov8、yolov9、yolov7、yolov10及yolo11等主流算法数据集已划分完毕开箱即可投入训练与测试。目前已有160人学习下载适合希望快速验证皮肤病灶检测方案、对比不同YOLO版本性能或开展小样本医学图像实验的开发者与研究人员能有效节省数据标注与格式转换的时间成本。1. 111张皮肤镜图像跑YOLO小样本医学检测到底能不能落地手里只有111张带标签的皮肤镜图像要分白癜风、皮炎、黄褐斑三类还想用YOLO做检测——这事听起来像拿玩具枪上战场。但我在实际项目里反复验证过一个结论小样本医学图像做YOLO关键不在数据量绝对值而在标签质量、类别平衡和增强策略的组合。111张图如果每张都标得准、三类分布不畸形配合合理的迁移学习和强增强完全能跑出一个可用的基线模型至少能验证技术路线是否值得继续投入。这个数据集的核心价值在于它覆盖了三种在临床上容易混淆的色素性/炎症性皮肤问题白癜风是色素脱失、边界清晰皮炎是红斑鳞屑、边界模糊黄褐斑是色素沉着、对称分布。用YOLO做检测目标不是替代医生诊断而是帮基层筛查场景做初步定位和分类提示。适合谁适合手里有少量标注数据、想快速验证YOLO在细粒度医学图像上可行性的算法工程师和医学AI方向的研究生。下面我从数据检查、格式转换、训练配置到避坑把整条链路拆开讲。2. 111张图先别急着训数据体检与标签清洗2.1 三类皮肤病的视觉特征与标注边界拿到压缩包解压后第一件事不是写训练脚本而是把111张图全部过一遍。我一般会按类别建三个文件夹每类放一个子集然后用图片查看器快速翻一遍。这一步的目的是建立对数据分布的直觉白癜风的白斑在伍德灯下可能呈亮蓝白色普通皮肤镜下边界锐利皮炎的红斑往往伴随脱屑标注框容易画大黄褐斑的色素沉着区域边界渐变标注框容易画小。标注边界不一致是小样本医学数据集的头号杀手。同一个皮损不同标注者可能给出相差20%面积的框。YOLO的损失函数对框的回归很敏感如果同类目标的框尺度方差过大模型会学到一个“平均框”导致定位精度上不去。我的做法是对每一类先随机抽10张图用同一套标准重新检查框的左上角和右下角是否紧贴皮损边缘发现偏差超过15%的就修正。这一步花不了两小时但能省掉后面反复调参的玄学时间。2.2 用脚本做标签分布统计与异常框剔除人工翻完之后用脚本做量化体检。下面这段代码读取YOLO格式的标签文件统计每类的框数量、宽高比和面积占比帮你发现异常样本。import os import numpy as np from pathlib import Path from collections import defaultdict # 假设标签目录结构labels/train/ 下是 .txt 文件 label_dir Path(labels/train) img_dir Path(images/train) # 类别映射0-白癜风 1-皮炎 2-黄褐斑 class_names {0: vitiligo, 1: dermatitis, 2: melasma} stats defaultdict(list) for txt_file in label_dir.glob(*.txt): img_file img_dir / (txt_file.stem .jpg) if not img_file.exists(): print(f[警告] 标签无对应图像: {txt_file.name}) continue with open(txt_file, r) as f: lines f.readlines() for line in lines: parts line.strip().split() if len(parts) ! 5: print(f[异常] {txt_file.name} 行格式错误: {line.strip()}) continue cls_id, cx, cy, w, h int(parts[0]), *map(float, parts[1:]) # 检查归一化坐标是否越界 if not (0 cx 1 and 0 cy 1 and 0 w 1 and 0 h 1): print(f[越界] {txt_file.name} 类别{cls_id} 框: {cx:.3f},{cy:.3f},{w:.3f},{h:.3f}) stats[cls_id].append((w, h, w * h)) # 输出每类统计 for cls_id in sorted(stats.keys()): arr np.array(stats[cls_id]) print(f\n类别 {class_names[cls_id]} (id{cls_id}):) print(f 框数量: {len(arr)}) print(f 平均宽高: {arr[:,0].mean():.3f} x {arr[:,1].mean():.3f}) print(f 平均面积占比: {arr[:,2].mean():.4f}) print(f 面积占比范围: {arr[:,2].min():.4f} ~ {arr[:,2].max():.4f}) # 面积占比超过0.8的框很可能是标注错误 large arr[arr[:,2] 0.8] if len(large) 0: print(f [注意] 有 {len(large)} 个框面积占比超过80%建议复查)这段代码的逻辑很直接遍历标签文件检查每行格式是否为5个值验证归一化坐标是否在0到1之间然后按类别汇总宽高和面积。参数方面面积占比超过0.8的框意味着目标几乎占满整张图在皮肤镜图像里这通常是把整个视野当成了皮损需要人工确认。如果某类框数量明显少于其他类比如白癜风只有15个框而皮炎有80个那就要考虑是否对少数类做过采样或调整损失权重。2.3 类别不平衡的处理优先级111张图里三类分布大概率不均匀。假设白癜风40张、皮炎50张、黄褐斑21张框数量可能更悬殊。处理类别不平衡有几种常见做法按我的经验排序第一优先是数据层面对少数类做旋转、翻转、色彩抖动增强把有效样本量拉到接近多数类第二优先是损失层面在YOLO的分类损失里给少数类更高权重第三才是采样层面用WeightedRandomSampler调整DataLoader。不要一上来就改损失函数先把增强做扎实因为医学图像的语义信息对几何变换不敏感旋转90度后的黄褐斑还是黄褐斑。3. 从VOC到YOLO格式转换脚本与四个边界坑3.1 标注格式识别与转换脚本皮肤疾病数据集常见的标注格式有三种VOC XML、COCO JSON、以及已经转好的YOLO TXT。压缩包里如果是VOC格式每个图对应一个XML里面记录了bounding box的xmin、ymin、xmax、ymax。YOLO需要的是归一化的中心点坐标和宽高转换公式是cx (xmin xmax) / 2 / img_wcy (ymin ymax) / 2 / img_hw (xmax - xmin) / img_wh (ymax - ymin) / img_h。import xml.etree.ElementTree as ET from pathlib import Path from PIL import Image def voc_to_yolo(xml_path, img_path, class_map, output_txt): 将VOC XML转为YOLO TXT格式 class_map: 类别名到id的映射如 {vitiligo:0, dermatitis:1, melasma:2} tree ET.parse(xml_path) root tree.getroot() # 获取图像尺寸 img Image.open(img_path) img_w, img_h img.size lines [] for obj in root.findall(object): cls_name obj.find(name).text.strip() if cls_name not in class_map: print(f[跳过] 未知类别 {cls_name} in {xml_path.name}) continue cls_id class_map[cls_name] bbox obj.find(bndbox) xmin float(bbox.find(xmin).text) ymin float(bbox.find(ymin).text) xmax float(bbox.find(xmax).text) ymax float(bbox.find(ymax).text) # 边界裁剪防止坐标超出图像范围 xmin max(0, min(xmin, img_w)) ymin max(0, min(ymin, img_h)) xmax max(0, min(xmax, img_w)) ymax max(0, min(ymax, img_h)) # 跳过无效框 if xmax xmin or ymax ymin: print(f[无效框] {xml_path.name} 类别{cls_name}) continue cx (xmin xmax) / 2.0 / img_w cy (ymin ymax) / 2.0 / img_h w (xmax - xmin) / img_w h (ymax - ymin) / img_h lines.append(f{cls_id} {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}) with open(output_txt, w) as f: f.write(\n.join(lines)) return len(lines) # 批量转换 class_map {vitiligo: 0, dermatitis: 1, melasma: 2} xml_dir Path(annotations) img_dir Path(images) out_dir Path(labels) out_dir.mkdir(exist_okTrue) for xml_file in xml_dir.glob(*.xml): img_file img_dir / (xml_file.stem .jpg) if not img_file.exists(): print(f[缺失图像] {xml_file.stem}) continue out_file out_dir / (xml_file.stem .txt) n voc_to_yolo(xml_file, img_file, class_map, out_file) print(f{xml_file.name} - {n} 个框)这段脚本的关键在于边界裁剪和无效框过滤。医学图像标注时标注者可能把框拉到图像边缘外或者因为皮损在图像角落导致xmax小于xmin。不做裁剪的话归一化坐标会出现负数或大于1的值YOLO训练时虽然不会报错但模型会学到错误的定位信号。参数上class_map必须和你的实际类别名完全一致大小写敏感建议先用grep -r name annotations/ | sort -u看一下所有类别名。3.2 四个容易翻车的边界情况第一个坑是图像尺寸不一致。皮肤镜图像可能来自不同设备有的1024x1024有的800x600。转换时每张图都要用PIL读取实际尺寸不能假设统一大小。第二个坑是类别名有空格或大小写混用比如Vitiligo和vitiligo会被当成两个类转换前统一转小写并去空格。第三个坑是一张图有多个同类目标YOLO格式允许同一张图有多行相同cls_id但要注意如果两个框高度重叠IoU0.7可能是重复标注建议用NMS预处理一下。第四个坑是标签文件编码Windows下标注工具可能存成GBK用Python读取时加encodingutf-8否则中文类别名会乱码。转换完成后用2.2节的统计脚本再跑一遍确认每类框数量合理、没有越界坐标。这一步做完数据才算真正准备好。4. YOLOv8小样本训练配置参数怎么设才不浪费111张图4.1 模型选型与迁移学习策略111张图用YOLOv8n或YOLOv8s就够了不要上m或l参数量大了直接过拟合。我的选择逻辑是如果GPU显存只有8G选yolov8n.pt预训练权重如果显存16G以上可以试yolov8s.pt。预训练权重是在COCO上训的虽然COCO没有皮肤镜图像但底层边缘、纹理特征是可迁移的。冻结主干网络前几层只训检测头是小样本场景的常规操作。训练配置用YAML文件管理下面是一个针对111张图调过的配置# skin_yolo.yaml path: ./skin_dataset train: images/train val: images/val names: 0: vitiligo 1: dermatitis 2: melasma # 训练超参 epochs: 200 batch: 8 imgsz: 640 workers: 4 device: 0 optimizer: AdamW lr0: 0.001 lrf: 0.01 momentum: 0.937 weight_decay: 0.0005 warmup_epochs: 5 warmup_momentum: 0.8 # 增强参数小样本关键 hsv_h: 0.015 hsv_s: 0.7 hsv_v: 0.4 degrees: 15.0 translate: 0.1 scale: 0.5 shear: 5.0 perspective: 0.0 flipud: 0.5 fliplr: 0.5 mosaic: 1.0 mixup: 0.1 copy_paste: 0.1 # 验证与保存 val: true save_period: 20 patience: 50参数说明lr00.001比默认的0.01小一个量级因为小样本容易震荡warmup_epochs5让学习率从低到高预热避免初期梯度爆炸mosaic1.0和mixup0.1是强增强组合能显著提升小样本泛化但注意mosaic在最后10个epoch要关掉否则模型学到的目标尺度分布和真实场景偏差太大。patience50表示50个epoch验证指标不提升就早停111张图通常100个epoch内就能看到收敛趋势。4.2 训练命令与关键日志解读用Ultralytics的YOLOv8命令行启动训练yolo detect train \ dataskin_yolo.yaml \ modelyolov8n.pt \ epochs200 \ batch8 \ imgsz640 \ projectskin_runs \ nameexp1 \ exist_okTrue \ pretrainedTrue \ optimizerAdamW \ lr00.001 \ patience50启动后重点看三个指标box_loss、cls_loss和mAP50。小样本场景下box_loss在前20个epoch应该快速下降如果震荡剧烈把lr0再降到0.0005。cls_loss如果一直不降检查类别标签是否从0开始连续编号YOLO要求类别id从0开始且不能跳号。mAP50在验证集上能到0.5以上就算这个数据集有信号到0.7以上说明标注质量不错。如果mAP50在0.2附近徘徊大概率是标注框问题回到第2章重新体检。4.3 验证集划分与交叉验证的取舍111张图怎么划分训练验证常见做法是8:2即89张训练、22张验证。但小样本下单次划分的方差很大可能恰好验证集里都是难样本。我的建议是做5折交叉验证每折用不同的22张做验证最后取平均mAP。虽然训练时间乘以5但111张图的训练很快单折200epoch在单卡上也就十几分钟。交叉验证的结果更能反映模型的真实泛化能力也方便你判断哪些样本是“顽固错误”后续针对性补标。5. 避坑与排查小样本YOLO训练中最容易翻车的五件事5.1 现象训练loss正常下降但验证mAP始终为0原因通常是验证集的标签路径配置错误。YOLO在验证时会去val指定的目录下找同名的.txt标签文件如果标签文件名和图像文件名不一致比如图像是img_001.jpg标签是img_001_voc.txt验证时找不到标签mAP自然为0。解决方法是检查labels/val/下的文件名是否和images/val/一一对应用ls images/val | sed s/.jpg/.txt/和ls labels/val对比一下。5.2 现象模型只预测某一类其他类完全漏检这是类别不平衡的典型表现。假设皮炎样本占70%模型会倾向于把所有框都预测成皮炎因为这样分类损失最小。解决分两步先在数据增强里对少数类做copy_paste把少数类目标复制到其他图像上再在训练配置里加cls_pw参数YOLOv8支持通过class_weights传权重给少数类2到3倍的分类损失权重。如果还不行考虑用focal loss替换默认的BCE loss但YOLOv8改损失需要动源码新手不建议。5.3 现象验证集mAP波动很大每次训练结果差10个点以上小样本训练本身方差就大但如果波动超过10个点通常是验证集太小或样本分布不均。22张验证图里如果只有3张黄褐斑模型在这3张上的表现随机性极强。解决办法是增大验证集比例到30%或者做交叉验证取平均。另外检查seed参数YOLO默认随机种子不固定每次划分和增强的随机性不同固定seed42能让结果可复现。5.4 现象推理时框的位置偏移明显分类正确但定位不准这通常是标注框的宽高比和实际目标不匹配。皮肤镜图像里皮损往往是不规则形状标注者可能画了正方形框但实际皮损是细长条。YOLO的回归损失对宽高比敏感如果训练集里同类目标的宽高比方差大模型学到的框会偏向平均值。解决方法是回到标注环节对宽高比异常的框比如w/h3或h/w3重新检查必要时用分割掩码代替检测框但那就变成YOLOv8-seg的任务了。5.5 现象训练到后期mAP突然掉点如果mAP在150epoch左右突然下降大概率是过拟合。111张图训200epoch模型可能开始记忆训练样本的噪声。解决方法是早停patience设30到50或者在最后50个epoch关闭mosaic增强让模型在真实分布上微调。另外检查weight_decay小样本下可以适当增大到0.001抑制权重过大。6. 小样本医学检测的进阶技巧从111张到可用模型的最后一公里6.1 用测试时增强TTA榨干模型性能训练完之后推理阶段还能再挤一点性能出来。测试时增强的做法是对同一张测试图做多次变换水平翻转、多尺度缩放分别推理后把结果做NMS融合。YOLOv8内置了TTA参数在predict时加augmentTrue即可yolo detect predict \ modelskin_runs/exp1/weights/best.pt \ sourcetest_images/ \ augmentTrue \ conf0.25 \ iou0.45 \ saveTrue \ save_txtTrueaugmentTrue会启用TTAconf0.25是置信度阈值小样本模型建议设低一点宁可多检一些再人工过滤。iou0.45是NMS的IoU阈值皮肤镜图像里皮损之间重叠少可以设到0.5。TTA通常能带来1到3个点的mAP提升代价是推理时间乘以3到5倍看你的场景是否接受。6.2 错误样本分析与主动学习闭环跑完验证后把预测错误的样本挑出来按错误类型分类漏检、误检、分类错误、定位偏差。漏检的样本往往是皮损面积小或对比度低这类样本优先补充标注误检的样本可能是正常皮肤纹理被误判需要增加负样本。主动学习的思路是每轮训练后挑出模型最不确定的样本置信度在0.3到0.6之间的人工复核后加入训练集。111张图经过3到5轮主动学习通常能扩充到200张左右的有效训练集mAP能有明显提升。6.3 一个我踩过的坑别在验证集上调参最后说一个血泪教训。我刚开始做小样本医学检测时习惯在验证集上反复调学习率、增强参数看到mAP涨了就保留。结果模型在验证集上表现很好但换一批新数据就崩了。后来才明白验证集被我用成了测试集模型间接过拟合了验证集。正确做法是训练集调参验证集选模型另外留一个独立的测试集做最终评估。111张图如果实在不够分至少用交叉验证的折外预测来做模型选择不要盯着单一验证集的数字调参。希望帮到你。本文还有配套的精品资源点击获取 111张皮肤镜图像跑YOLO：小样本医学检测的落地实践与避坑指南
简介本资源为面向皮肤疾病检测的YOLO系列目标检测数据集适用于白癜风、皮炎、黄褐斑三类皮肤病灶的识别任务可服务于医学图像分析方向的算法学习与模型验证。压缩包共334个文件包含111张jpg图像、111个txt标签、111个xml标签及1个data.yaml配置文件整体约4MB体积轻便便于快速加载。标签同时提供YOLO格式与VOC格式YOLO格式采用归一化中心点与宽高比例可直接适配yolov5、yolov8、yolov9、yolov7、yolov10及yolo11等主流算法数据集已划分完毕开箱即可投入训练与测试。目前已有160人学习下载适合希望快速验证皮肤病灶检测方案、对比不同YOLO版本性能或开展小样本医学图像实验的开发者与研究人员能有效节省数据标注与格式转换的时间成本。1. 111张皮肤镜图像跑YOLO小样本医学检测到底能不能落地手里只有111张带标签的皮肤镜图像要分白癜风、皮炎、黄褐斑三类还想用YOLO做检测——这事听起来像拿玩具枪上战场。但我在实际项目里反复验证过一个结论小样本医学图像做YOLO关键不在数据量绝对值而在标签质量、类别平衡和增强策略的组合。111张图如果每张都标得准、三类分布不畸形配合合理的迁移学习和强增强完全能跑出一个可用的基线模型至少能验证技术路线是否值得继续投入。这个数据集的核心价值在于它覆盖了三种在临床上容易混淆的色素性/炎症性皮肤问题白癜风是色素脱失、边界清晰皮炎是红斑鳞屑、边界模糊黄褐斑是色素沉着、对称分布。用YOLO做检测目标不是替代医生诊断而是帮基层筛查场景做初步定位和分类提示。适合谁适合手里有少量标注数据、想快速验证YOLO在细粒度医学图像上可行性的算法工程师和医学AI方向的研究生。下面我从数据检查、格式转换、训练配置到避坑把整条链路拆开讲。2. 111张图先别急着训数据体检与标签清洗2.1 三类皮肤病的视觉特征与标注边界拿到压缩包解压后第一件事不是写训练脚本而是把111张图全部过一遍。我一般会按类别建三个文件夹每类放一个子集然后用图片查看器快速翻一遍。这一步的目的是建立对数据分布的直觉白癜风的白斑在伍德灯下可能呈亮蓝白色普通皮肤镜下边界锐利皮炎的红斑往往伴随脱屑标注框容易画大黄褐斑的色素沉着区域边界渐变标注框容易画小。标注边界不一致是小样本医学数据集的头号杀手。同一个皮损不同标注者可能给出相差20%面积的框。YOLO的损失函数对框的回归很敏感如果同类目标的框尺度方差过大模型会学到一个“平均框”导致定位精度上不去。我的做法是对每一类先随机抽10张图用同一套标准重新检查框的左上角和右下角是否紧贴皮损边缘发现偏差超过15%的就修正。这一步花不了两小时但能省掉后面反复调参的玄学时间。2.2 用脚本做标签分布统计与异常框剔除人工翻完之后用脚本做量化体检。下面这段代码读取YOLO格式的标签文件统计每类的框数量、宽高比和面积占比帮你发现异常样本。import os import numpy as np from pathlib import Path from collections import defaultdict # 假设标签目录结构labels/train/ 下是 .txt 文件 label_dir Path(labels/train) img_dir Path(images/train) # 类别映射0-白癜风 1-皮炎 2-黄褐斑 class_names {0: vitiligo, 1: dermatitis, 2: melasma} stats defaultdict(list) for txt_file in label_dir.glob(*.txt): img_file img_dir / (txt_file.stem .jpg) if not img_file.exists(): print(f[警告] 标签无对应图像: {txt_file.name}) continue with open(txt_file, r) as f: lines f.readlines() for line in lines: parts line.strip().split() if len(parts) ! 5: print(f[异常] {txt_file.name} 行格式错误: {line.strip()}) continue cls_id, cx, cy, w, h int(parts[0]), *map(float, parts[1:]) # 检查归一化坐标是否越界 if not (0 cx 1 and 0 cy 1 and 0 w 1 and 0 h 1): print(f[越界] {txt_file.name} 类别{cls_id} 框: {cx:.3f},{cy:.3f},{w:.3f},{h:.3f}) stats[cls_id].append((w, h, w * h)) # 输出每类统计 for cls_id in sorted(stats.keys()): arr np.array(stats[cls_id]) print(f\n类别 {class_names[cls_id]} (id{cls_id}):) print(f 框数量: {len(arr)}) print(f 平均宽高: {arr[:,0].mean():.3f} x {arr[:,1].mean():.3f}) print(f 平均面积占比: {arr[:,2].mean():.4f}) print(f 面积占比范围: {arr[:,2].min():.4f} ~ {arr[:,2].max():.4f}) # 面积占比超过0.8的框很可能是标注错误 large arr[arr[:,2] 0.8] if len(large) 0: print(f [注意] 有 {len(large)} 个框面积占比超过80%建议复查)这段代码的逻辑很直接遍历标签文件检查每行格式是否为5个值验证归一化坐标是否在0到1之间然后按类别汇总宽高和面积。参数方面面积占比超过0.8的框意味着目标几乎占满整张图在皮肤镜图像里这通常是把整个视野当成了皮损需要人工确认。如果某类框数量明显少于其他类比如白癜风只有15个框而皮炎有80个那就要考虑是否对少数类做过采样或调整损失权重。2.3 类别不平衡的处理优先级111张图里三类分布大概率不均匀。假设白癜风40张、皮炎50张、黄褐斑21张框数量可能更悬殊。处理类别不平衡有几种常见做法按我的经验排序第一优先是数据层面对少数类做旋转、翻转、色彩抖动增强把有效样本量拉到接近多数类第二优先是损失层面在YOLO的分类损失里给少数类更高权重第三才是采样层面用WeightedRandomSampler调整DataLoader。不要一上来就改损失函数先把增强做扎实因为医学图像的语义信息对几何变换不敏感旋转90度后的黄褐斑还是黄褐斑。3. 从VOC到YOLO格式转换脚本与四个边界坑3.1 标注格式识别与转换脚本皮肤疾病数据集常见的标注格式有三种VOC XML、COCO JSON、以及已经转好的YOLO TXT。压缩包里如果是VOC格式每个图对应一个XML里面记录了bounding box的xmin、ymin、xmax、ymax。YOLO需要的是归一化的中心点坐标和宽高转换公式是cx (xmin xmax) / 2 / img_wcy (ymin ymax) / 2 / img_hw (xmax - xmin) / img_wh (ymax - ymin) / img_h。import xml.etree.ElementTree as ET from pathlib import Path from PIL import Image def voc_to_yolo(xml_path, img_path, class_map, output_txt): 将VOC XML转为YOLO TXT格式 class_map: 类别名到id的映射如 {vitiligo:0, dermatitis:1, melasma:2} tree ET.parse(xml_path) root tree.getroot() # 获取图像尺寸 img Image.open(img_path) img_w, img_h img.size lines [] for obj in root.findall(object): cls_name obj.find(name).text.strip() if cls_name not in class_map: print(f[跳过] 未知类别 {cls_name} in {xml_path.name}) continue cls_id class_map[cls_name] bbox obj.find(bndbox) xmin float(bbox.find(xmin).text) ymin float(bbox.find(ymin).text) xmax float(bbox.find(xmax).text) ymax float(bbox.find(ymax).text) # 边界裁剪防止坐标超出图像范围 xmin max(0, min(xmin, img_w)) ymin max(0, min(ymin, img_h)) xmax max(0, min(xmax, img_w)) ymax max(0, min(ymax, img_h)) # 跳过无效框 if xmax xmin or ymax ymin: print(f[无效框] {xml_path.name} 类别{cls_name}) continue cx (xmin xmax) / 2.0 / img_w cy (ymin ymax) / 2.0 / img_h w (xmax - xmin) / img_w h (ymax - ymin) / img_h lines.append(f{cls_id} {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}) with open(output_txt, w) as f: f.write(\n.join(lines)) return len(lines) # 批量转换 class_map {vitiligo: 0, dermatitis: 1, melasma: 2} xml_dir Path(annotations) img_dir Path(images) out_dir Path(labels) out_dir.mkdir(exist_okTrue) for xml_file in xml_dir.glob(*.xml): img_file img_dir / (xml_file.stem .jpg) if not img_file.exists(): print(f[缺失图像] {xml_file.stem}) continue out_file out_dir / (xml_file.stem .txt) n voc_to_yolo(xml_file, img_file, class_map, out_file) print(f{xml_file.name} - {n} 个框)这段脚本的关键在于边界裁剪和无效框过滤。医学图像标注时标注者可能把框拉到图像边缘外或者因为皮损在图像角落导致xmax小于xmin。不做裁剪的话归一化坐标会出现负数或大于1的值YOLO训练时虽然不会报错但模型会学到错误的定位信号。参数上class_map必须和你的实际类别名完全一致大小写敏感建议先用grep -r name annotations/ | sort -u看一下所有类别名。3.2 四个容易翻车的边界情况第一个坑是图像尺寸不一致。皮肤镜图像可能来自不同设备有的1024x1024有的800x600。转换时每张图都要用PIL读取实际尺寸不能假设统一大小。第二个坑是类别名有空格或大小写混用比如Vitiligo和vitiligo会被当成两个类转换前统一转小写并去空格。第三个坑是一张图有多个同类目标YOLO格式允许同一张图有多行相同cls_id但要注意如果两个框高度重叠IoU0.7可能是重复标注建议用NMS预处理一下。第四个坑是标签文件编码Windows下标注工具可能存成GBK用Python读取时加encodingutf-8否则中文类别名会乱码。转换完成后用2.2节的统计脚本再跑一遍确认每类框数量合理、没有越界坐标。这一步做完数据才算真正准备好。4. YOLOv8小样本训练配置参数怎么设才不浪费111张图4.1 模型选型与迁移学习策略111张图用YOLOv8n或YOLOv8s就够了不要上m或l参数量大了直接过拟合。我的选择逻辑是如果GPU显存只有8G选yolov8n.pt预训练权重如果显存16G以上可以试yolov8s.pt。预训练权重是在COCO上训的虽然COCO没有皮肤镜图像但底层边缘、纹理特征是可迁移的。冻结主干网络前几层只训检测头是小样本场景的常规操作。训练配置用YAML文件管理下面是一个针对111张图调过的配置# skin_yolo.yaml path: ./skin_dataset train: images/train val: images/val names: 0: vitiligo 1: dermatitis 2: melasma # 训练超参 epochs: 200 batch: 8 imgsz: 640 workers: 4 device: 0 optimizer: AdamW lr0: 0.001 lrf: 0.01 momentum: 0.937 weight_decay: 0.0005 warmup_epochs: 5 warmup_momentum: 0.8 # 增强参数小样本关键 hsv_h: 0.015 hsv_s: 0.7 hsv_v: 0.4 degrees: 15.0 translate: 0.1 scale: 0.5 shear: 5.0 perspective: 0.0 flipud: 0.5 fliplr: 0.5 mosaic: 1.0 mixup: 0.1 copy_paste: 0.1 # 验证与保存 val: true save_period: 20 patience: 50参数说明lr00.001比默认的0.01小一个量级因为小样本容易震荡warmup_epochs5让学习率从低到高预热避免初期梯度爆炸mosaic1.0和mixup0.1是强增强组合能显著提升小样本泛化但注意mosaic在最后10个epoch要关掉否则模型学到的目标尺度分布和真实场景偏差太大。patience50表示50个epoch验证指标不提升就早停111张图通常100个epoch内就能看到收敛趋势。4.2 训练命令与关键日志解读用Ultralytics的YOLOv8命令行启动训练yolo detect train \ dataskin_yolo.yaml \ modelyolov8n.pt \ epochs200 \ batch8 \ imgsz640 \ projectskin_runs \ nameexp1 \ exist_okTrue \ pretrainedTrue \ optimizerAdamW \ lr00.001 \ patience50启动后重点看三个指标box_loss、cls_loss和mAP50。小样本场景下box_loss在前20个epoch应该快速下降如果震荡剧烈把lr0再降到0.0005。cls_loss如果一直不降检查类别标签是否从0开始连续编号YOLO要求类别id从0开始且不能跳号。mAP50在验证集上能到0.5以上就算这个数据集有信号到0.7以上说明标注质量不错。如果mAP50在0.2附近徘徊大概率是标注框问题回到第2章重新体检。4.3 验证集划分与交叉验证的取舍111张图怎么划分训练验证常见做法是8:2即89张训练、22张验证。但小样本下单次划分的方差很大可能恰好验证集里都是难样本。我的建议是做5折交叉验证每折用不同的22张做验证最后取平均mAP。虽然训练时间乘以5但111张图的训练很快单折200epoch在单卡上也就十几分钟。交叉验证的结果更能反映模型的真实泛化能力也方便你判断哪些样本是“顽固错误”后续针对性补标。5. 避坑与排查小样本YOLO训练中最容易翻车的五件事5.1 现象训练loss正常下降但验证mAP始终为0原因通常是验证集的标签路径配置错误。YOLO在验证时会去val指定的目录下找同名的.txt标签文件如果标签文件名和图像文件名不一致比如图像是img_001.jpg标签是img_001_voc.txt验证时找不到标签mAP自然为0。解决方法是检查labels/val/下的文件名是否和images/val/一一对应用ls images/val | sed s/.jpg/.txt/和ls labels/val对比一下。5.2 现象模型只预测某一类其他类完全漏检这是类别不平衡的典型表现。假设皮炎样本占70%模型会倾向于把所有框都预测成皮炎因为这样分类损失最小。解决分两步先在数据增强里对少数类做copy_paste把少数类目标复制到其他图像上再在训练配置里加cls_pw参数YOLOv8支持通过class_weights传权重给少数类2到3倍的分类损失权重。如果还不行考虑用focal loss替换默认的BCE loss但YOLOv8改损失需要动源码新手不建议。5.3 现象验证集mAP波动很大每次训练结果差10个点以上小样本训练本身方差就大但如果波动超过10个点通常是验证集太小或样本分布不均。22张验证图里如果只有3张黄褐斑模型在这3张上的表现随机性极强。解决办法是增大验证集比例到30%或者做交叉验证取平均。另外检查seed参数YOLO默认随机种子不固定每次划分和增强的随机性不同固定seed42能让结果可复现。5.4 现象推理时框的位置偏移明显分类正确但定位不准这通常是标注框的宽高比和实际目标不匹配。皮肤镜图像里皮损往往是不规则形状标注者可能画了正方形框但实际皮损是细长条。YOLO的回归损失对宽高比敏感如果训练集里同类目标的宽高比方差大模型学到的框会偏向平均值。解决方法是回到标注环节对宽高比异常的框比如w/h3或h/w3重新检查必要时用分割掩码代替检测框但那就变成YOLOv8-seg的任务了。5.5 现象训练到后期mAP突然掉点如果mAP在150epoch左右突然下降大概率是过拟合。111张图训200epoch模型可能开始记忆训练样本的噪声。解决方法是早停patience设30到50或者在最后50个epoch关闭mosaic增强让模型在真实分布上微调。另外检查weight_decay小样本下可以适当增大到0.001抑制权重过大。6. 小样本医学检测的进阶技巧从111张到可用模型的最后一公里6.1 用测试时增强TTA榨干模型性能训练完之后推理阶段还能再挤一点性能出来。测试时增强的做法是对同一张测试图做多次变换水平翻转、多尺度缩放分别推理后把结果做NMS融合。YOLOv8内置了TTA参数在predict时加augmentTrue即可yolo detect predict \ modelskin_runs/exp1/weights/best.pt \ sourcetest_images/ \ augmentTrue \ conf0.25 \ iou0.45 \ saveTrue \ save_txtTrueaugmentTrue会启用TTAconf0.25是置信度阈值小样本模型建议设低一点宁可多检一些再人工过滤。iou0.45是NMS的IoU阈值皮肤镜图像里皮损之间重叠少可以设到0.5。TTA通常能带来1到3个点的mAP提升代价是推理时间乘以3到5倍看你的场景是否接受。6.2 错误样本分析与主动学习闭环跑完验证后把预测错误的样本挑出来按错误类型分类漏检、误检、分类错误、定位偏差。漏检的样本往往是皮损面积小或对比度低这类样本优先补充标注误检的样本可能是正常皮肤纹理被误判需要增加负样本。主动学习的思路是每轮训练后挑出模型最不确定的样本置信度在0.3到0.6之间的人工复核后加入训练集。111张图经过3到5轮主动学习通常能扩充到200张左右的有效训练集mAP能有明显提升。6.3 一个我踩过的坑别在验证集上调参最后说一个血泪教训。我刚开始做小样本医学检测时习惯在验证集上反复调学习率、增强参数看到mAP涨了就保留。结果模型在验证集上表现很好但换一批新数据就崩了。后来才明白验证集被我用成了测试集模型间接过拟合了验证集。正确做法是训练集调参验证集选模型另外留一个独立的测试集做最终评估。111张图如果实在不够分至少用交叉验证的折外预测来做模型选择不要盯着单一验证集的数字调参。希望帮到你。本文还有配套的精品资源点击获取