简介本资源为面向YOLO系列目标检测算法的深色皮肤病变图像数据集适用于医学图像识别、皮肤病辅助诊断等方向的算法训练与验证适合具备一定深度学习基础的目标检测学习者与研究人员使用。压缩包共703个文件包含234张jpg图像、234个txt标签、234个xml标签及1个data.yaml配置文件整体约9.16MB已按训练与测试需求划分完毕可直接投入模型训练。标签覆盖白糠疹、炎症后色素沉着过度、特发性黑色素沉着症、汇流和网状、白癜风等类别同时提供YOLO格式与VOC格式两套标注兼容yolov5、yolov8、yolov9、yolov7、yolov10及yolo11等主流版本。YOLO格式采用归一化中心点与宽高坐标便于直接读取VOC格式则方便与其他框架对接。目前已有60人学习下载可作为深色皮肤病变检测的基线数据帮助读者快速搭建训练流程、验证模型效果并开展类别对比实验。1. 深色皮肤病变检测234 张图像的数据集到底能不能撑起一个 YOLO 模型深色皮肤上的色素性病变长期是皮肤影像 AI 里被忽视的一块。白糠疹、炎症后色素沉着过度、特发性黑色素沉着症、汇流和网状型色素沉着、白癜风这几类在 Fitzpatrick IV–VI 型皮肤上表现出的颜色对比度低、边界模糊、与正常皮肤色差小用常规皮肤数据集训出来的 YOLO 模型往往直接翻车。这个标题指向的就是一个专门针对深色皮肤、234 张图像带标签、覆盖上述五类病变的目标检测数据集配合 YOLO 算法做检测与分类。它解决的核心问题是在公开皮肤数据集几乎全是浅色皮肤样本的现状下给深色皮肤病变检测提供一个可用的起点。适合谁做医学影像目标检测的算法工程师、皮肤科 AI 辅助诊断方向的研究生、以及想用 YOLO 在垂直小数据集上跑通全流程的从业者。234 张不算多但足够把数据管线、标注格式、训练策略和评估方法完整走一遍。2. 从压缩包到 YOLO 可训练格式数据管线的搭建与验证2.1 先搞清楚压缩包里有什么再决定怎么拆拿到一个带标签的图像数据集压缩包第一件事不是急着解压跑训练而是把目录结构和标注格式摸清楚。皮肤病变数据集常见的标注格式有三种PASCAL VOC 的 XML、COCO 的 JSON、以及 YOLO 的 TXT。标题里写的是「带标签」但没说是哪种所以需要先做格式探测。解压后先看目录树# 查看压缩包内容不急着全解 unzip -l skin_lesion_234.zip | head -50 # 解压到工作目录 mkdir -p ~/datasets/skin_lesion unzip skin_lesion_234.zip -d ~/datasets/skin_lesion # 看目录结构 find ~/datasets/skin_lesion -maxdepth 3 -type d如果看到Annotations/和JPEGImages/两个目录基本可以判定是 VOC 格式如果看到labels/和images/且 labels 里是.txt那就是 YOLO 格式如果只有一个annotations.json那是 COCO。# 统计图像数量和标注文件数量 find ~/datasets/skin_lesion -name *.jpg -o -name *.png | wc -l find ~/datasets/skin_lesion -name *.xml -o -name *.txt -o -name *.json | wc -l # 看一个标注文件长什么样 head -30 ~/datasets/skin_lesion/Annotations/$(ls ~/datasets/skin_lesion/Annotations | head -1)这一步的逻辑说明图像数量和标注文件数量必须对得上234 张图像就应该有 234 个标注文件。如果对不上说明有图像没标或者标注文件命名和图像不对应这是小数据集最常见的坑。参数上-maxdepth 3是为了避免目录太深刷屏head -50是先看个大概。2.2 VOC 转 YOLO转换脚本与四个边界坑如果标注是 VOC XML 格式需要转成 YOLO 的归一化 TXT。YOLO 格式每行是class_id x_center y_center width height全部归一化到 0–1。转换脚本如下import os import xml.etree.ElementTree as ET from pathlib import Path # 类别映射按你的数据集实际类别顺序改 CLASS_MAP { pityriasis_alba: 0, # 白糠疹 postinflammatory_hyperpigmentation: 1, # 炎症后色素沉着过度 idiopathic_guttate_hypomelanosis: 2, # 特发性黑色素沉着症 confluent_reticulate_papillomatosis: 3, # 汇流和网状 vitiligo: 4 # 白癜风 } def voc_to_yolo(xml_path, img_w, img_h, out_path): tree ET.parse(xml_path) root tree.getroot() lines [] for obj in root.findall(object): cls_name obj.find(name).text.strip() if cls_name not in CLASS_MAP: 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) # 边界裁剪防止标注越界导致归一化后为负或大于1 xmin max(0, min(xmin, img_w)) xmax max(0, min(xmax, img_w)) ymin max(0, min(ymin, img_h)) ymax max(0, min(ymax, img_h)) if xmax xmin or ymax ymin: continue # 跳过无效框 x_center (xmin xmax) / 2.0 / img_w y_center (ymin ymax) / 2.0 / img_h w (xmax - xmin) / img_w h (ymax - ymin) / img_h lines.append(f{cls_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}) with open(out_path, w) as f: f.write(\n.join(lines))逻辑说明这个脚本做了三件关键事。第一类别映射用字典硬编码避免顺序错乱第二边界裁剪把标注框限制在图像范围内因为小数据集手工标注经常出现框超出图像边界的情况第三跳过无效框防止宽高为负或零。参数上img_w和img_h需要从图像实际尺寸读取不能硬编码因为皮肤图像可能来自不同设备分辨率不统一。四个边界坑一是标注框坐标是浮点数但 XML 里可能写成整数float()转换不能省二是类别名大小写和空格strip()必须加三是有些 XML 里object节点可能没有bndbox需要 try-except 包住四是归一化后坐标必须保留足够小数位.6f是经验值太少会导致小目标框精度丢失。2.3 划分训练集验证集234 张怎么分才不浪费234 张图像按 8:2 分是 187 训练、47 验证。但皮肤病变类别不平衡如果随机分可能出现某个类别在验证集里一张都没有。正确做法是按类别分层抽样import random from collections import defaultdict from pathlib import Path def stratified_split(label_dir, img_dir, val_ratio0.2, seed42): random.seed(seed) # 按主类别分组 cls_to_files defaultdict(list) for lbl in Path(label_dir).glob(*.txt): with open(lbl) as f: lines f.readlines() if not lines: continue # 取第一个框的类别作为该图主类别 main_cls lines[0].split()[0] cls_to_files[main_cls].append(lbl.stem) train, val [], [] for cls, files in cls_to_files.items(): random.shuffle(files) n_val max(1, int(len(files) * val_ratio)) # 每类至少1张进验证 val.extend(files[:n_val]) train.extend(files[n_val:]) return train, val逻辑说明按主类别分组后每个类别至少抽 1 张进验证集保证验证集覆盖所有类别。seed42是为了可复现。参数上val_ratio0.2是 234 张这种量级的常用值如果类别特别少可以调到 0.15。提示划分完之后一定要打印每个类别的训练/验证数量分布确认没有类别在验证集里为零。3. YOLO 训练配置小数据集上的参数怎么调才不玄学3.1 选 YOLOv8 还是 YOLOv5小数据集的选型理由234 张图像属于典型的小数据集。YOLOv8 和 YOLOv5 都能跑但选型要看几个实际因素。YOLOv8 的 anchor-free 设计在小数据集上收敛更快因为不需要聚类 anchor 框YOLOv5 的 anchor-based 设计在标注框尺寸分布集中时表现更稳。皮肤病变的标注框通常比较集中病变区域占图像比例中等两者差距不大。我一般会选 YOLOv8n 或 YOLOv8s原因是第一n 和 s 的参数量小234 张图像用大模型必然过拟合第二YOLOv8 的 CLI 和 Python API 更统一调试方便第三预训练权重在 COCO 上训过迁移到皮肤图像虽然域差异大但底层纹理特征仍有复用价值。# 安装 ultralytics pip install ultralytics # 验证安装 yolo checks3.2 data.yaml 的写法与三个必调参数YOLO 训练需要一个data.yaml描述数据集路径和类别path: /home/user/datasets/skin_lesion_yolo train: images/train val: images/val nc: 5 names: 0: pityriasis_alba 1: postinflammatory_hyperpigmentation 2: idiopathic_guttate_hypomelanosis 3: confluent_reticulate_papillomatosis 4: vitiligo三个必调参数参数推荐值理由imgsz640皮肤图像分辨率通常够再大显存吃不消batch8 或 16234 张图batch 太大一个 epoch 只有十几步epochs100–150小数据集需要多轮但必须配合早停训练命令yolo detect train \ data/home/user/datasets/skin_lesion_yolo/data.yaml \ modelyolov8n.pt \ imgsz640 \ batch8 \ epochs150 \ patience30 \ lr00.001 \ lrf0.01 \ warmup_epochs5 \ augmentTrue \ mosaic0.5 \ mixup0.1 \ projectruns/skin_lesion \ nameexp1逻辑说明patience30是早停验证集 loss 30 轮不降就停防止过拟合。lr00.001比默认的 0.01 小因为小数据集梯度噪声大。mosaic0.5降低默认的 1.0因为皮肤病变图像拼接后可能产生不真实的病变组合。mixup0.1轻微混合增加泛化。3.3 数据增强在皮肤图像上的边界哪些能用哪些会翻车皮肤病变检测的数据增强有特殊性。颜色抖动hsv_h、hsv_s、hsv_v要慎用因为深色皮肤和浅色皮肤的色差本身就是分类依据过度抖动会让模型学到错误的颜色关联。翻转flipud、fliplr可以用皮肤病变没有方向性。旋转degrees可以用小角度大角度旋转会产生不真实的病变形态。# 保守增强配置 hsv_h0.01 hsv_s0.3 hsv_v0.3 \ degrees10.0 translate0.1 scale0.3 \ shear2.0 perspective0.0 \ flipud0.5 fliplr0.5逻辑说明hsv_h0.01几乎不动色调因为色调变化会改变病变颜色。hsv_s0.3和hsv_v0.3适度调整饱和度和亮度模拟不同光照。degrees10.0小角度旋转。perspective0.0关闭透视变换因为皮肤是平面拍摄透视变换不真实。注意如果验证集 mAP 在训练前期就很高但后期下降大概率是增强过强导致模型学到了增强后的伪特征先把 mosaic 和 mixup 关掉再试。4. 训练过程排查loss 不降、mAP 不动、过拟合怎么定位4.1 loss 曲线读法box_loss、cls_loss、dfl_loss 分别说明什么YOLOv8 训练输出三个 lossbox_loss边界框回归、cls_loss分类、dfl_loss分布焦点损失。正常情况三者都下降。如果 box_loss 降但 cls_loss 不降说明模型能定位但分不清类别通常是类别不平衡或标注类别错误。如果 cls_loss 降但 box_loss 不降说明分类对了但框不准通常是标注框质量差。# 训练完看结果 cat runs/skin_lesion/exp1/results.csv | head -5 # 用 tensorboard 看曲线 tensorboard --logdir runs/skin_lesion4.2 验证集 mAP 卡在 0.3 上不去五个排查方向234 张图像训 YOLOmAP0.5 能到 0.5–0.7 就算不错。如果卡在 0.3 以下按顺序排查第一标注质量。打开几张验证集图像把预测框和标注框叠在一起看如果标注框本身就不准模型学不到正确边界。第二类别定义。白糠疹和白癜风在深色皮肤上视觉相似如果标注时混淆模型必然分不清。第三图像分辨率。如果原图是 2000×3000 但训练时缩到 640小病变可能只剩几十个像素。第四预训练权重。试试从 COCO 预训练换成在更大皮肤数据集上预训练的权重。第五学习率。lr0 太大导致震荡太小导致收敛慢用 lr finder 找一下。# 用 YOLO 自带的 lr finder yolo detect train datadata.yaml modelyolov8n.pt epochs10 lr00.01 lrf0.01 warmup_epochs0 # 看 runs/.../lr_finder.png4.3 过拟合的早期信号与三种正则化手段234 张图像训 150 轮过拟合几乎必然。早期信号训练 loss 持续降但验证 loss 开始升或者验证 mAP 在某个 epoch 后不再涨。三种手段第一早停 patience 设小一点20–30 轮第二weight_decay 从默认 0.0005 加到 0.001第三dropout 在 YOLOv8 里通过dropout参数控制但 YOLOv8n 本身没有 dropout 层需要用 YOLOv8s 并手动改模型配置。# 加 weight_decay 和 label_smoothing yolo detect train ... weight_decay0.001 label_smoothing0.1逻辑说明label_smoothing0.1让分类标签不再是硬 0/1而是 0.1/0.9防止模型对训练样本过度自信。weight_decay0.001增大 L2 正则化强度。5. 避坑与常见问题小数据集训 YOLO 的血泪经验5.1 现象训练时 mAP 很高推理时框全错原因验证集和训练集划分时没有按类别分层验证集里某个类别只有一两张模型在这两张上过拟合mAP 虚高。解决用 2.3 节的分层抽样重新划分确保每个类别在验证集里至少有 3–5 张。5.2 现象模型把白糠疹和白癜风混为一谈原因这两类在深色皮肤上都是色素减退视觉特征高度重叠234 张图像里如果两类样本数量差异大模型会偏向多数类。解决检查两类样本数量如果差异超过 3:1对少数类做过采样或加 class_weight。YOLOv8 不直接支持 class_weight但可以通过复制少数类图像到训练集实现。5.3 现象训练到 50 轮后验证 loss 突然飙升原因学习率在训练后期没有正确衰减或者 mosaic 增强在后期产生了不真实的图像组合。解决确认lrf0.01让学习率从 lr0 线性降到 lr0×0.01同时在最后 20 轮关闭 mosaicclose_mosaic20。5.4 现象推理时同一张图每次框的位置都不一样原因YOLO 推理时有 NMS非极大值抑制如果conf阈值设得太低大量低置信度框参与 NMS结果不稳定。解决推理时conf0.25起步根据验证集 PR 曲线调整。另外确认augmentFalse推理时不要开 TTA。yolo detect predict modelruns/skin_lesion/exp1/weights/best.pt \ sourcetest_images/ conf0.25 iou0.45 augmentFalse5.5 现象换一台机器训练结果完全不一样原因随机种子没固定或者 CUDA 版本和 cuDNN 版本不同导致浮点运算差异。解决训练时加seed42 deterministicTrue但注意 deterministic 会降低训练速度。跨机器复现时记录 CUDA、cuDNN、PyTorch 版本尽量保持一致。6. 小数据集的进阶技巧用 234 张图像榨出可用模型234 张图像训 YOLO如果只跑一遍就结束大概率得到一个过拟合的模型。进阶做法是第一用交叉验证代替单次划分5 折交叉验证能更可靠地评估模型真实性能第二用伪标签pseudo-labeling先用训练好的模型在未标注皮肤图像上推理把高置信度预测作为伪标签加入训练集第三用 CutMix 和 CopyPaste 增强把病变区域复制粘贴到正常皮肤区域生成更多训练样本。# 5 折交叉验证的划分逻辑 from sklearn.model_selection import KFold import numpy as np all_files list(range(234)) kf KFold(n_splits5, shuffleTrue, random_state42) for fold, (train_idx, val_idx) in enumerate(kf.split(all_files)): print(fFold {fold}: train{len(train_idx)}, val{len(val_idx)}) # 按索引生成对应的 data.yaml 并训练逻辑说明5 折交叉验证把 234 张分成 5 份每次用 4 份训练 1 份验证最终报告 5 次验证 mAP 的均值和标准差。标准差大说明模型对数据划分敏感需要更多数据或更强正则化。验证方法上除了 mAP还要看每个类别的 AP。如果某个类别 AP 特别低单独把该类别的验证图像拿出来看预测结果判断是标注问题还是模型问题。我一般会做一个混淆矩阵看类别之间的误判方向。# YOLOv8 自带混淆矩阵输出 yolo detect val modelbest.pt datadata.yaml plotsTrue # 结果在 runs/.../confusion_matrix.png一个具体技巧如果白癜风和白糠疹混淆严重可以在推理后加一个后处理规则根据病变区域的色素脱失程度用图像灰度直方图判断做二次分类。这个规则不需要训练纯图像处理就能实现能显著降低这两类的误判率。我自己做小数据集检测的习惯是先跑一个 baseline不管效果多差把完整管线跑通然后花 70% 的时间在数据清洗和标注校验上而不是调参最后用交叉验证确认模型不是靠运气。234 张图像不多但足够验证一个方向值不值得投入更多数据。希望帮到你。本文还有配套的精品资源点击获取 深色皮肤病变检测：234张图像YOLO训练全流程与避坑指南
简介本资源为面向YOLO系列目标检测算法的深色皮肤病变图像数据集适用于医学图像识别、皮肤病辅助诊断等方向的算法训练与验证适合具备一定深度学习基础的目标检测学习者与研究人员使用。压缩包共703个文件包含234张jpg图像、234个txt标签、234个xml标签及1个data.yaml配置文件整体约9.16MB已按训练与测试需求划分完毕可直接投入模型训练。标签覆盖白糠疹、炎症后色素沉着过度、特发性黑色素沉着症、汇流和网状、白癜风等类别同时提供YOLO格式与VOC格式两套标注兼容yolov5、yolov8、yolov9、yolov7、yolov10及yolo11等主流版本。YOLO格式采用归一化中心点与宽高坐标便于直接读取VOC格式则方便与其他框架对接。目前已有60人学习下载可作为深色皮肤病变检测的基线数据帮助读者快速搭建训练流程、验证模型效果并开展类别对比实验。1. 深色皮肤病变检测234 张图像的数据集到底能不能撑起一个 YOLO 模型深色皮肤上的色素性病变长期是皮肤影像 AI 里被忽视的一块。白糠疹、炎症后色素沉着过度、特发性黑色素沉着症、汇流和网状型色素沉着、白癜风这几类在 Fitzpatrick IV–VI 型皮肤上表现出的颜色对比度低、边界模糊、与正常皮肤色差小用常规皮肤数据集训出来的 YOLO 模型往往直接翻车。这个标题指向的就是一个专门针对深色皮肤、234 张图像带标签、覆盖上述五类病变的目标检测数据集配合 YOLO 算法做检测与分类。它解决的核心问题是在公开皮肤数据集几乎全是浅色皮肤样本的现状下给深色皮肤病变检测提供一个可用的起点。适合谁做医学影像目标检测的算法工程师、皮肤科 AI 辅助诊断方向的研究生、以及想用 YOLO 在垂直小数据集上跑通全流程的从业者。234 张不算多但足够把数据管线、标注格式、训练策略和评估方法完整走一遍。2. 从压缩包到 YOLO 可训练格式数据管线的搭建与验证2.1 先搞清楚压缩包里有什么再决定怎么拆拿到一个带标签的图像数据集压缩包第一件事不是急着解压跑训练而是把目录结构和标注格式摸清楚。皮肤病变数据集常见的标注格式有三种PASCAL VOC 的 XML、COCO 的 JSON、以及 YOLO 的 TXT。标题里写的是「带标签」但没说是哪种所以需要先做格式探测。解压后先看目录树# 查看压缩包内容不急着全解 unzip -l skin_lesion_234.zip | head -50 # 解压到工作目录 mkdir -p ~/datasets/skin_lesion unzip skin_lesion_234.zip -d ~/datasets/skin_lesion # 看目录结构 find ~/datasets/skin_lesion -maxdepth 3 -type d如果看到Annotations/和JPEGImages/两个目录基本可以判定是 VOC 格式如果看到labels/和images/且 labels 里是.txt那就是 YOLO 格式如果只有一个annotations.json那是 COCO。# 统计图像数量和标注文件数量 find ~/datasets/skin_lesion -name *.jpg -o -name *.png | wc -l find ~/datasets/skin_lesion -name *.xml -o -name *.txt -o -name *.json | wc -l # 看一个标注文件长什么样 head -30 ~/datasets/skin_lesion/Annotations/$(ls ~/datasets/skin_lesion/Annotations | head -1)这一步的逻辑说明图像数量和标注文件数量必须对得上234 张图像就应该有 234 个标注文件。如果对不上说明有图像没标或者标注文件命名和图像不对应这是小数据集最常见的坑。参数上-maxdepth 3是为了避免目录太深刷屏head -50是先看个大概。2.2 VOC 转 YOLO转换脚本与四个边界坑如果标注是 VOC XML 格式需要转成 YOLO 的归一化 TXT。YOLO 格式每行是class_id x_center y_center width height全部归一化到 0–1。转换脚本如下import os import xml.etree.ElementTree as ET from pathlib import Path # 类别映射按你的数据集实际类别顺序改 CLASS_MAP { pityriasis_alba: 0, # 白糠疹 postinflammatory_hyperpigmentation: 1, # 炎症后色素沉着过度 idiopathic_guttate_hypomelanosis: 2, # 特发性黑色素沉着症 confluent_reticulate_papillomatosis: 3, # 汇流和网状 vitiligo: 4 # 白癜风 } def voc_to_yolo(xml_path, img_w, img_h, out_path): tree ET.parse(xml_path) root tree.getroot() lines [] for obj in root.findall(object): cls_name obj.find(name).text.strip() if cls_name not in CLASS_MAP: 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) # 边界裁剪防止标注越界导致归一化后为负或大于1 xmin max(0, min(xmin, img_w)) xmax max(0, min(xmax, img_w)) ymin max(0, min(ymin, img_h)) ymax max(0, min(ymax, img_h)) if xmax xmin or ymax ymin: continue # 跳过无效框 x_center (xmin xmax) / 2.0 / img_w y_center (ymin ymax) / 2.0 / img_h w (xmax - xmin) / img_w h (ymax - ymin) / img_h lines.append(f{cls_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}) with open(out_path, w) as f: f.write(\n.join(lines))逻辑说明这个脚本做了三件关键事。第一类别映射用字典硬编码避免顺序错乱第二边界裁剪把标注框限制在图像范围内因为小数据集手工标注经常出现框超出图像边界的情况第三跳过无效框防止宽高为负或零。参数上img_w和img_h需要从图像实际尺寸读取不能硬编码因为皮肤图像可能来自不同设备分辨率不统一。四个边界坑一是标注框坐标是浮点数但 XML 里可能写成整数float()转换不能省二是类别名大小写和空格strip()必须加三是有些 XML 里object节点可能没有bndbox需要 try-except 包住四是归一化后坐标必须保留足够小数位.6f是经验值太少会导致小目标框精度丢失。2.3 划分训练集验证集234 张怎么分才不浪费234 张图像按 8:2 分是 187 训练、47 验证。但皮肤病变类别不平衡如果随机分可能出现某个类别在验证集里一张都没有。正确做法是按类别分层抽样import random from collections import defaultdict from pathlib import Path def stratified_split(label_dir, img_dir, val_ratio0.2, seed42): random.seed(seed) # 按主类别分组 cls_to_files defaultdict(list) for lbl in Path(label_dir).glob(*.txt): with open(lbl) as f: lines f.readlines() if not lines: continue # 取第一个框的类别作为该图主类别 main_cls lines[0].split()[0] cls_to_files[main_cls].append(lbl.stem) train, val [], [] for cls, files in cls_to_files.items(): random.shuffle(files) n_val max(1, int(len(files) * val_ratio)) # 每类至少1张进验证 val.extend(files[:n_val]) train.extend(files[n_val:]) return train, val逻辑说明按主类别分组后每个类别至少抽 1 张进验证集保证验证集覆盖所有类别。seed42是为了可复现。参数上val_ratio0.2是 234 张这种量级的常用值如果类别特别少可以调到 0.15。提示划分完之后一定要打印每个类别的训练/验证数量分布确认没有类别在验证集里为零。3. YOLO 训练配置小数据集上的参数怎么调才不玄学3.1 选 YOLOv8 还是 YOLOv5小数据集的选型理由234 张图像属于典型的小数据集。YOLOv8 和 YOLOv5 都能跑但选型要看几个实际因素。YOLOv8 的 anchor-free 设计在小数据集上收敛更快因为不需要聚类 anchor 框YOLOv5 的 anchor-based 设计在标注框尺寸分布集中时表现更稳。皮肤病变的标注框通常比较集中病变区域占图像比例中等两者差距不大。我一般会选 YOLOv8n 或 YOLOv8s原因是第一n 和 s 的参数量小234 张图像用大模型必然过拟合第二YOLOv8 的 CLI 和 Python API 更统一调试方便第三预训练权重在 COCO 上训过迁移到皮肤图像虽然域差异大但底层纹理特征仍有复用价值。# 安装 ultralytics pip install ultralytics # 验证安装 yolo checks3.2 data.yaml 的写法与三个必调参数YOLO 训练需要一个data.yaml描述数据集路径和类别path: /home/user/datasets/skin_lesion_yolo train: images/train val: images/val nc: 5 names: 0: pityriasis_alba 1: postinflammatory_hyperpigmentation 2: idiopathic_guttate_hypomelanosis 3: confluent_reticulate_papillomatosis 4: vitiligo三个必调参数参数推荐值理由imgsz640皮肤图像分辨率通常够再大显存吃不消batch8 或 16234 张图batch 太大一个 epoch 只有十几步epochs100–150小数据集需要多轮但必须配合早停训练命令yolo detect train \ data/home/user/datasets/skin_lesion_yolo/data.yaml \ modelyolov8n.pt \ imgsz640 \ batch8 \ epochs150 \ patience30 \ lr00.001 \ lrf0.01 \ warmup_epochs5 \ augmentTrue \ mosaic0.5 \ mixup0.1 \ projectruns/skin_lesion \ nameexp1逻辑说明patience30是早停验证集 loss 30 轮不降就停防止过拟合。lr00.001比默认的 0.01 小因为小数据集梯度噪声大。mosaic0.5降低默认的 1.0因为皮肤病变图像拼接后可能产生不真实的病变组合。mixup0.1轻微混合增加泛化。3.3 数据增强在皮肤图像上的边界哪些能用哪些会翻车皮肤病变检测的数据增强有特殊性。颜色抖动hsv_h、hsv_s、hsv_v要慎用因为深色皮肤和浅色皮肤的色差本身就是分类依据过度抖动会让模型学到错误的颜色关联。翻转flipud、fliplr可以用皮肤病变没有方向性。旋转degrees可以用小角度大角度旋转会产生不真实的病变形态。# 保守增强配置 hsv_h0.01 hsv_s0.3 hsv_v0.3 \ degrees10.0 translate0.1 scale0.3 \ shear2.0 perspective0.0 \ flipud0.5 fliplr0.5逻辑说明hsv_h0.01几乎不动色调因为色调变化会改变病变颜色。hsv_s0.3和hsv_v0.3适度调整饱和度和亮度模拟不同光照。degrees10.0小角度旋转。perspective0.0关闭透视变换因为皮肤是平面拍摄透视变换不真实。注意如果验证集 mAP 在训练前期就很高但后期下降大概率是增强过强导致模型学到了增强后的伪特征先把 mosaic 和 mixup 关掉再试。4. 训练过程排查loss 不降、mAP 不动、过拟合怎么定位4.1 loss 曲线读法box_loss、cls_loss、dfl_loss 分别说明什么YOLOv8 训练输出三个 lossbox_loss边界框回归、cls_loss分类、dfl_loss分布焦点损失。正常情况三者都下降。如果 box_loss 降但 cls_loss 不降说明模型能定位但分不清类别通常是类别不平衡或标注类别错误。如果 cls_loss 降但 box_loss 不降说明分类对了但框不准通常是标注框质量差。# 训练完看结果 cat runs/skin_lesion/exp1/results.csv | head -5 # 用 tensorboard 看曲线 tensorboard --logdir runs/skin_lesion4.2 验证集 mAP 卡在 0.3 上不去五个排查方向234 张图像训 YOLOmAP0.5 能到 0.5–0.7 就算不错。如果卡在 0.3 以下按顺序排查第一标注质量。打开几张验证集图像把预测框和标注框叠在一起看如果标注框本身就不准模型学不到正确边界。第二类别定义。白糠疹和白癜风在深色皮肤上视觉相似如果标注时混淆模型必然分不清。第三图像分辨率。如果原图是 2000×3000 但训练时缩到 640小病变可能只剩几十个像素。第四预训练权重。试试从 COCO 预训练换成在更大皮肤数据集上预训练的权重。第五学习率。lr0 太大导致震荡太小导致收敛慢用 lr finder 找一下。# 用 YOLO 自带的 lr finder yolo detect train datadata.yaml modelyolov8n.pt epochs10 lr00.01 lrf0.01 warmup_epochs0 # 看 runs/.../lr_finder.png4.3 过拟合的早期信号与三种正则化手段234 张图像训 150 轮过拟合几乎必然。早期信号训练 loss 持续降但验证 loss 开始升或者验证 mAP 在某个 epoch 后不再涨。三种手段第一早停 patience 设小一点20–30 轮第二weight_decay 从默认 0.0005 加到 0.001第三dropout 在 YOLOv8 里通过dropout参数控制但 YOLOv8n 本身没有 dropout 层需要用 YOLOv8s 并手动改模型配置。# 加 weight_decay 和 label_smoothing yolo detect train ... weight_decay0.001 label_smoothing0.1逻辑说明label_smoothing0.1让分类标签不再是硬 0/1而是 0.1/0.9防止模型对训练样本过度自信。weight_decay0.001增大 L2 正则化强度。5. 避坑与常见问题小数据集训 YOLO 的血泪经验5.1 现象训练时 mAP 很高推理时框全错原因验证集和训练集划分时没有按类别分层验证集里某个类别只有一两张模型在这两张上过拟合mAP 虚高。解决用 2.3 节的分层抽样重新划分确保每个类别在验证集里至少有 3–5 张。5.2 现象模型把白糠疹和白癜风混为一谈原因这两类在深色皮肤上都是色素减退视觉特征高度重叠234 张图像里如果两类样本数量差异大模型会偏向多数类。解决检查两类样本数量如果差异超过 3:1对少数类做过采样或加 class_weight。YOLOv8 不直接支持 class_weight但可以通过复制少数类图像到训练集实现。5.3 现象训练到 50 轮后验证 loss 突然飙升原因学习率在训练后期没有正确衰减或者 mosaic 增强在后期产生了不真实的图像组合。解决确认lrf0.01让学习率从 lr0 线性降到 lr0×0.01同时在最后 20 轮关闭 mosaicclose_mosaic20。5.4 现象推理时同一张图每次框的位置都不一样原因YOLO 推理时有 NMS非极大值抑制如果conf阈值设得太低大量低置信度框参与 NMS结果不稳定。解决推理时conf0.25起步根据验证集 PR 曲线调整。另外确认augmentFalse推理时不要开 TTA。yolo detect predict modelruns/skin_lesion/exp1/weights/best.pt \ sourcetest_images/ conf0.25 iou0.45 augmentFalse5.5 现象换一台机器训练结果完全不一样原因随机种子没固定或者 CUDA 版本和 cuDNN 版本不同导致浮点运算差异。解决训练时加seed42 deterministicTrue但注意 deterministic 会降低训练速度。跨机器复现时记录 CUDA、cuDNN、PyTorch 版本尽量保持一致。6. 小数据集的进阶技巧用 234 张图像榨出可用模型234 张图像训 YOLO如果只跑一遍就结束大概率得到一个过拟合的模型。进阶做法是第一用交叉验证代替单次划分5 折交叉验证能更可靠地评估模型真实性能第二用伪标签pseudo-labeling先用训练好的模型在未标注皮肤图像上推理把高置信度预测作为伪标签加入训练集第三用 CutMix 和 CopyPaste 增强把病变区域复制粘贴到正常皮肤区域生成更多训练样本。# 5 折交叉验证的划分逻辑 from sklearn.model_selection import KFold import numpy as np all_files list(range(234)) kf KFold(n_splits5, shuffleTrue, random_state42) for fold, (train_idx, val_idx) in enumerate(kf.split(all_files)): print(fFold {fold}: train{len(train_idx)}, val{len(val_idx)}) # 按索引生成对应的 data.yaml 并训练逻辑说明5 折交叉验证把 234 张分成 5 份每次用 4 份训练 1 份验证最终报告 5 次验证 mAP 的均值和标准差。标准差大说明模型对数据划分敏感需要更多数据或更强正则化。验证方法上除了 mAP还要看每个类别的 AP。如果某个类别 AP 特别低单独把该类别的验证图像拿出来看预测结果判断是标注问题还是模型问题。我一般会做一个混淆矩阵看类别之间的误判方向。# YOLOv8 自带混淆矩阵输出 yolo detect val modelbest.pt datadata.yaml plotsTrue # 结果在 runs/.../confusion_matrix.png一个具体技巧如果白癜风和白糠疹混淆严重可以在推理后加一个后处理规则根据病变区域的色素脱失程度用图像灰度直方图判断做二次分类。这个规则不需要训练纯图像处理就能实现能显著降低这两类的误判率。我自己做小数据集检测的习惯是先跑一个 baseline不管效果多差把完整管线跑通然后花 70% 的时间在数据清洗和标注校验上而不是调参最后用交叉验证确认模型不是靠运气。234 张图像不多但足够验证一个方向值不值得投入更多数据。希望帮到你。本文还有配套的精品资源点击获取