简介这是一份面向目标检测入门与医疗影像实战的肺炎图像数据集采用YOLO格式组织包含超过6k张图片及对应标签并已划分训练集与验证集。资源压缩包共2000个文件以1999个txt格式标签文件为主另含1个show.py可视化脚本整体大小约367.77MB。标签遵循单类别规范class文本文件明确标注肺炎可直接用于YOLO各系列网络模型的训练与验证。附带的show.py脚本能把边界框绘制到原图上便于直观检查标注质量、定位标注错误也能辅助调试模型输出。数据在原始影像基础上进行了增广处理缓解了医疗样本量少、类别单一带来的训练瓶颈适合计算机视觉学习者、算法工程师以及医学影像AI研究人员快速搭建检测流程。目前已有312人学习下载可用于模型效果对比与算法迭代的基准数据集。1. 肺炎图像目标检测数据集超过6k张带标签图像先别急着训练拿到一个肺炎图像目标检测数据集第一反应当然是直接丢进目标检测模型里跑。但 6k 张图片和标签这个体量和纯分类任务那种「整图给一个类别」完全不同——目标检测要的是病灶在哪里框坐标、类别、置信度标签质量直接决定模型能不能在胸片里找到实变区域。我处理过类似的医学影像数据最大的感受是6k 张听起来不少真用起来一多半时间花在清洗、格式转换和验证集划分上真正按训练按钮反而最轻松。这篇笔记把这套流程拆开讲。从目录结构、标签格式开始到 VOC 转 YOLO、yaml 配置、训练参数最后落到验证和翻车排障。适合准备用肺炎图像做检测实验的开发者、研究生和算法工程师也适合第一次接触带框标注数据集的新手照着复现。2. 打开数据集前先读懂目录与标签从 JPEGImages 到 Annotations 的格式盘点2.1 一张肺炎图像背后的标注格式VOC XML 里到底写了什么常见肺炎图像目标检测数据集尤其是这批超过 6k 张带标签的公开资源目录结构一般沿用 PASCAL VOC 的约定。你至少会看到三个目录JPEGImages 放原图Annotations 放每张图对应的 XML 标注ImageSets/Main 放划分好的训练、验证、测试文件名列表。有些版本还会多一个 SegmentationClass 之类的目录跟检测无关直接忽略。先别急着把 XML 转成 YOLO 的 txt第一步应该是打开一个 XML 看看结构。VOC 格式的检测标注核心是 object 节点每个 object 里包含 name、pose、truncated、difficult 和 bndbox。bndbox 里是 xmin、ymin、xmax、ymax 四个整数表示左上角和右下角坐标。name 一般是 pneumonia也可能细分成 bacterial、viral 这类二级类别具体看数据集的标注规范。import xml.etree.ElementTree as ET def inspect_voc_label(xml_path): tree ET.parse(xml_path) root tree.getroot() filename root.findtext(filename) size root.find(size) objects root.findall(object) print(f图像: {filename}, 尺寸: {size.findtext(width)}x{size.findtext(height)}) for obj in objects: name obj.findtext(name) difficult obj.findtext(difficult, 0) bbox obj.find(bndbox) coords {k: int(bbox.findtext(k)) for k in (xmin, ymin, xmax, ymax)} print(f 类别: {name}, difficult: {difficult}, 框: {coords})这段代码的作用是把单个 XML 展示成可读的文本用来确认三件事类别名是否统一、坐标是否都是整数且没有负值、difficult 标记是否被大量使用。difficult 在 VOC 语义里表示「这张图里的这个目标难以辨认评估时不计入」但很多数据集构建者并不严格遵守可能把难例也标成 difficult1。我一般建议训练前把 difficult 目标过滤掉除非你的目标是做难例挖掘。2.2 用脚本盘点图像尺寸与框分布6k 张图的数据画像只看一两张图没用6k 张图里可能混着不同来源。常见情况是一部分来自公开的 ChestX-ray 系列一部分来自某医院回顾性数据图像尺寸、亮度、压缩质量都不一致。这时候需要做一次全量盘点拿到图像尺寸分布、每张图的框数量分布、框面积的相对分布。import os import xml.etree.ElementTree as ET from PIL import Image def scan_dataset(img_dir, ann_dir): ann_files [f for f in os.listdir(ann_dir) if f.endswith(.xml)] size_counter {} box_count [] box_area_ratio [] for ann in ann_files: img_name ann[:-4] .jpg img_path os.path.join(img_dir, img_name) try: with Image.open(img_path) as im: w, h im.size except FileNotFoundError: print(标注无对应图片:, img_name) continue size_counter[(w, h)] size_counter.get((w, h), 0) 1 tree ET.parse(os.path.join(ann_dir, ann)) objs tree.findall(object) box_count.append(len(objs)) for obj in objs: bb obj.find(bndbox) x1, y1, x2, y2 (int(bb.findtext(k)) for k in (xmin, ymin, xmax, ymax)) area_ratio max(0, (x2 - x1) * (y2 - y1)) / (w * h) box_area_ratio.append(area_ratio) # 输出几个关键统计 print(图像尺寸分布:, size_counter) print(每张图目标框数量 均值%.2f 最大值%d % (sum(box_count) / len(box_count), max(box_count))) print(框面积占比 中位数%.4f 最小值%.6f % ( sorted(box_area_ratio)[len(box_area_ratio) // 2], min(box_area_ratio)))这段统计脚本能帮你提前知道数据集是不是偏「小目标」。我见过一份肺炎检测数据框面积占比中位数只有 0.003也就是病灶只占整张胸片的 0.3%。这种数据直接丢进 YOLO 默认配置小目标分支会非常吃力。参数上你需要关注的是area_ratio的中位数和最小值以及每张图目标框数量的分布。如果大部分图只有 1 个框那这个数据集属于典型的稀疏标注场景模型很容易在背景区域产生大量误检。2.3 标签里的「正常图像」怎么处理负样本缺失是个隐形问题很多肺炎检测数据集只收录了阳性病例也就是每张图至少有一个标注框。表面上看这很省事但目标检测模型需要见过「没有目标」的负样本才能学会抑制误检。如果 6k 张全部是阳性图训练出来的模型会把胸片中所有高密度区域都当成病灶尤其是心影、纵隔、肋骨重叠区域。处理方案有两种。第一种是额外收集一批正常胸片作为负样本配上空的标注文件一起参与训练。第二种是如果数据集里本身包含少量 normal 类别的标签文件只是框是空的那一定要把这些文件纳入训练不要因为「没框」就跳过。判断方法很简单统计 Annotations 目录下 XML 的 object 节点数量把 object 数量为 0 的文件单独列出来。# 在 Annotations 目录下统计每个 XML 的 object 数量找出空标注 for f in Annotations/*.xml; do count$(grep -c object $f) if [ $count -eq 0 ]; then echo $f; fi done | head -50这条 bash 命令用 grep 统计每个 XML 里object标签出现次数。注意grep -c 统计的是行数如果一行内有多个 object 节点会漏数但 VOC XML 默认每个 object 换行所以这个简单方法足够做初步筛查。我一般会用 Python 方式精确统计bash 快速过一眼就好。如果发现空标注文件很少甚至没有就得考虑补充负样本否则后续在验证集上会出现一堆假阳性。3. 把 VOC 格式转成 YOLO 训练格式转换脚本与数据集校验的边界3.1 训练前先做完整性校验坏图、漏标、坐标越界从 6k 张图片和标签这个规模看手工检查不现实但直接转换又容易把脏数据带进训练集。最让我头疼的是三类问题图片本身损坏、XML 里坐标超出图像尺寸、标注文件名与图片名不一致。分别对应三个原因数据打包传输时丢帧、标注工具导出时没做边界检查、多源数据合并时命名规则没统一。import os import xml.etree.ElementTree as ET from PIL import Image def validate_dataset(img_dir, ann_dir): ann_files os.listdir(ann_dir) errors [] for ann in ann_files: if not ann.endswith(.xml): continue img_name ann[:-4] .jpg img_path os.path.join(img_dir, img_name) if not os.path.exists(img_path): errors.append(f缺图片: {img_name}) continue try: with Image.open(img_path) as im: im.verify() w, h im.size except Exception: errors.append(f坏图: {img_name}) continue tree ET.parse(os.path.join(ann_dir, ann)) root tree.getroot() width int(root.findtext(size/width)) height int(root.findtext(size/height)) if (width, height) ! (w, h): errors.append(f尺寸不一致: {img_name} XML{width}x{height} 实际{w}x{h}) for obj in root.findall(object): bb obj.find(bndbox) x1 int(bb.findtext(xmin)) y1 int(bb.findtext(ymin)) x2 int(bb.findtext(xmax)) y2 int(bb.findtext(ymax)) if x2 w or y2 h or x1 0 or y1 0 or x2 x1 or y2 y1: errors.append(f坐标异常: {img_name} bbox({x1},{y1},{x2},{y2})) print(f共检查 {len(ann_files)} 个标注发现 {len(errors)} 个问题) for e in errors[:30]: print(e)这段校验代码在转换之前执行一次能拦住绝大多数脏数据。im.verify()只检查文件是否为合法图片不加载像素速度快。尺寸一致性检查很关键因为 VOC XML 里的 size 字段来自标注时读取的图像一旦图像被压缩或重采样size 就会和实际不一致转 YOLO 归一化坐标时就会产生系统性偏移。坐标越界里最隐蔽的是 x2 x1 这种退化框通常是标注工具误操作产生的转换时如果不过滤训练 loss 会直接 NaN。3.2 VOC 转 YOLO 的归一化脚本0 到 1 的换算与边界坑YOLO 系列从 v5 到 v8使用的标签格式是归一化后的中心点坐标和宽高每行五个数class x_center y_center width height。转换公式是中心的像素坐标除以图像尺寸。看公式很简单但边界情况不少。import os import xml.etree.ElementTree as ET def voc2yolo_one(ann_path, out_path, class_names): tree ET.parse(ann_path) root tree.getroot() w int(root.findtext(size/width)) h int(root.findtext(size/height)) lines [] for obj in root.findall(object): name obj.findtext(name) if name not in class_names: continue cls_id class_names.index(name) bb obj.find(bndbox) x1 int(bb.findtext(xmin)) y1 int(bb.findtext(ymin)) x2 int(bb.findtext(xmax)) y2 int(bb.findtext(ymax)) # 防止尺寸为 0 的退化框 if x2 x1 or y2 y1: continue x_center (x1 x2) / 2.0 / w y_center (y1 y2) / 2.0 / h box_w (x2 - x1) / w box_h (y2 - y1) / h # 夹紧到 [0, 1]避免浮点误差越界 x_center min(max(x_center, 0.0), 1.0) y_center min(max(y_center, 0.0), 1.0) box_w min(max(box_w, 0.0), 1.0) box_h min(max(box_h, 0.0), 1.0) lines.append(f{cls_id} {x_center:.6f} {y_center:.6f} {box_w:.6f} {box_h:.6f}) with open(out_path, w) as f: f.write(\n.join(lines) \n)这个脚本有几个关键点。class_names列表的顺序必须和训练时的模型类别定义一致肺炎数据集只有 pneumonia 一个类的话列表就是[pneumonia]。我把x_center用min(max(...))夹紧到 0 和 1 之间是因为浮点除法在极端坐标下可能产生 1.0000001 这种值YOLO 读取标签时会警告甚至报错。另一个容易被忽略的是空标注文件的处理如果一张图没有任何目标框转换后的 txt 应该是空文件不能删除否则训练时图像会被跳过导致训练和验证集的图数对不上。3.3 验证集划分按文件随机切分还是按患者切分数据划分看起来简单但肺炎图像数据集有一个特殊性同一患者可能有多张不同时间的胸片而且这些图往往在文件名里带患者 ID。如果直接随机切分同一患者的片子可能一部分进训练集、一部分进验证集模型相当于「见过」这个人验证指标会虚高。# 用文件名前缀作为患者标识按患者划分 python - EOF import os import random img_files os.listdir(JPEGImages) patient_map {} for f in img_files: if f.endswith(.jpg): pid f.split(_)[0] # 假设文件名是 patientID_xxx.jpg patient_map.setdefault(pid, []).append(f) patients list(patient_map.keys()) random.seed(42) random.shuffle(patients) split int(len(patients) * 0.85) train_patients set(patients[:split]) val_patients set(patients[split:]) train_files [f for pid in train_patients for f in patient_map[pid]] val_files [f for pid in val_patients for f in patient_map[pid]] print(f患者数: 训练 {len(train_patients)} 验证 {len(val_patients)}) print(f图像数: 训练 {len(train_files)} 验证 {len(val_files)}) EOF这个脚本按患者 ID 划分能避免数据泄漏。但要先确认文件名里是否真的包含患者 ID常见命名方式有patient001_view1.jpg、0001_01.png等。如果文件名没有任何患者标识就只能按文件随机切这时候要在结论里注明验证指标可能偏高。我遇到的坑是某数据集的同一患者序列图在文件系统里按时间排序随机切分后模型在验证集上的 AP 比按患者切分高了 10 个点这就是典型的泄漏。4. 用 6k 张肺炎图像微调 YOLOv8模型选型、配置与参数设置4.1 为什么先选 YOLOv8 而不是 Faster R-CNN6k 张数据的现实约束肺炎病灶检测可以用两阶段检测器比如 Faster R-CNN也可以用单阶段的 YOLO 系列。我的选择是 YOLOv8理由不是精度上限更高而是 6k 张图像这个规模下单阶段模型更容易把训练稳定跑完。Faster R-CNN 的 RPN 在医学小目标上其实有优势但训练时间更长、超参数更敏感且医学影像对比度低两阶段模型的候选框质量依赖初始 anchor 设置调起来费时。YOLOv8 在目标检测任务里提供了从 n 到 x 的规模选择。肺炎图像分辨率通常较高1000px 以上但病灶区域占比很小所以我一般用 yolo8m 或 yolo8l而不是最小的 yolo8n。yolo8n 参数少、速度快但小目标特征提取能力弱yolo8x 在 6k 张图上容易过拟合。如果你的机器显存只有 8G 左右yolo8m 是折中选择。4.2 数据组织与 yaml 配置目录结构决定后续调试效率YOLOv8 训练时通过 data 参数指定的 yaml 文件来定位数据集。目录组织建议在数据集根目录下分成 images/train、images/val、labels/train、labels/val 四类文件夹。labels 里放的是刚才 VOC 转出来的 txt 文件文件名必须与图像名完全一致。path: ./pneumonia_dataset train: images/train val: images/val names: 0: pneumonia这个 yaml 文件放到任何位置都可以path 可以写绝对路径也可以写相对路径相对路径是从运行训练命令的工作目录出发的。names 必须和训练时用的类别顺序一致。names字典的 0 对应标签文件里每行开头的 class id。只有一个类别时索引始终是 0不需要额外配nc字段YOLOv8 会根据 names 数量自动推断。4.3 复现基线训练命令与关键参数yolo detect train \ modelyolo8m.pt \ datapneumonia.yaml \ imgsz640 \ epochs100 \ batch8 \ lr00.01 \ augmentFalse \ cacheFalse \ project./runs \ nameexp_pneumonia这条命令是典型的基于预训练权重的微调。modelyolo8m.pt加载 COCO 预训练权重而不是从头训练。imgsz640把输入分辨率设为 640如果你的图像尺寸超过 2000px直接缩到 640 会丢失小病灶的细节可以提高到 960 或 1280但显存占用会显著上升。batch8在 24G 显存下较稳8G 显存建议改成 4。augmentFalse先关闭数据增强目的是快速验证数据和标签的正确性跑通后再开增强。参数调整的优先级是 imgsz 大于 batch 大于 lr0。6k 张图不算多epochs100已经够模型收敛通常到 80 个 epoch 后 mAP 增长就会停滞。如果训练 loss 曲线持续下降但验证集的 mAP 波动大优先检查验证集是不是太小或者训练和验证的图像分布差异过大。4.4 训练中断恢复与欠拟合的判断训练到一半可能因为显存溢出或机器重启而中断。YOLOv8 会在 project/name 目录下保存 last.pt用 resume 参数可以继续yolo detect train resume model./runs/exp_pneumonia/weights/last.pt不要重新从头训练6k 张图上每跑一轮都要十几分钟重头再来成本高。恢复训练时要确认数据集路径没变过否则失败了找不到 images 目录。判断欠拟合有个简单方法看训练集 loss 曲线是否还在下降如果验证集 loss 已经不再下降、训练 loss 还在降那就是过拟合了应该在 yaml 里加入早停或者加大数据增强。如果训练和验证 loss 都还在降说明是欠拟合可以加 epoch 或调大模型。# 读取训练日志输出每隔 10 轮的 mAP import re log_path ./runs/exp_pneumonia/results.csv with open(log_path) as f: header f.readline().strip().split(,) for line in f: vals line.strip().split(,) if vals and int(vals[0]) % 10 0: name_map dict(zip(header, vals)) print(fepoch {vals[0]:3} fbox_loss{float(name_map[train/box_loss]):.3f} fmAP50{float(name_map[metrics/mAP50(B)]):.4f})这段代码读取 YOLOv8 输出的 results.csv只打印每 10 轮的 box loss 和 mAP50。results.csv 文件里每列是浮点数但第一行表头可能带空格或引号所以用 strip 做了清理。这个脚本的目的不是替代 TensorBoard而是让你快速从命令行看到训练是否正常mAP50 是否在逐步上升。5. 肺炎检测数据集实战避坑从漏标到指标虚高的四类翻车记录5.1 病灶框只有几个像素小目标导致 mAP 虚低现象训练正常收敛但验证集 mAP50 一直在 0.1 以下随机抽检预测结果发现模型框出了大片区域但标注框非常小。原因数据集中一部分病灶在胸片上只占十几个像素YOLOv8 在 640 输入分辨率下这些小目标经过 8 倍下采样后只剩 1-2 个特征像素几乎不可能被正确定位。标注规范有问题标注员把微小模糊影也框了出来。解决先按 2.2 的脚本统计框面积占比把面积占比小于 0.001 的框过滤掉。计算面积占比时要用原始图像尺寸而不是缩放后的尺寸。过滤后再重新转换标签、重训。如果过滤后剩余样本太少考虑把图像切块训练把单张胸片切成多个 640x640 的 patch病灶占比就变大了。但要确保训练和验证都用同样的切块策略否则验证时没有对应的标签文件。5.2 正常胸片没有 XML负样本缺失导致假阳性爆炸现象训练集 loss 很低但验证时模型在正常胸片上疯狂输出框尤其是心脏边缘和肺门区域。原因数据集只给了阳性图像和对应标签正常图像要么不存在要么在 Annotations 里没有对应的 XML。模型从未见过「没有目标」的样本学不到抑制机制。解决最有效的办法是引入负样本。找一批正常胸片每张生成一个空标签文件放进 labels/val 或 labels/train。在 YOLOv8 中空 txt 文件代表该图像没有目标训练时会被随机采样参与背景 loss 计算。如果你不想引入外部数据也可以把部分阳性图像随机裁剪到病灶区域外的 patch 作为负样本但这样构造的数据分布有偏差不推荐。5.3 同一患者的图像泄漏进验证集指标虚高和「涨点幻觉」现象按文件随机切分后验证集 mAP50 高达 0.8但在独立采集的数据上掉到 0.4落差极大。原因同一患者不同时间点的胸片在内容上高度相似被随机切分进训练和验证集后模型等于在「记忆」这个患者的胸部结构而不是学习肺炎病灶的通用特征。这类数据集的图像文件名通常有患者标识只是你没注意到。解决严格按患者 ID 划分具体方法用 3.3 的脚本。注意如果一张图像属于同一患者但文件名完全看不出关联就要检查元数据字段。有些多模态数据集会在 CSV 里提供 patient_id 列扩展名不同而已先读 CSV 再分组。划分完成后记录患者数和图像数验证结果要附上划分方式否则别人复现不出来。5.4 数据增强过猛水平翻转把心影位置翻转成病灶现象开了 YOLOv8 的默认增强后训练 loss 正常下降但预测时对正常胸片的左肺区域频繁误检。原因胸部 X 光片有解剖学上的左右不对称性心脏偏左横膈膜高度也分左右。水平翻转增强会制造出心影在右侧的「假胸片」模型学到了这种不存在的模式在真实数据上自然产生误检。YOLOv8 默认 augment 对自然图像友好但对医学影像不一定适用。解决训练参数里把flip_lr0.0明确关掉同时酌情关闭mosaic。mosaic 增强把四张图拼在一起会强制医学图像中的器官边缘发生断裂对病灶检测没有帮助反而有害。建议保留hsv_h/ hsv_s/ hsv_v参数因为不同设备拍摄的胸片亮度和对比度差异很大颜色增强可以提高鲁棒性。yolo detect train ... scale0.3 translate0.1 hsv_h0.02 hsv_s0.5 hsv_v0.4这条命令列出了我常用的医学影像数据增强参数。scale0.3允许图像缩放到 70% 到 130%提升对不同胸片尺寸的鲁棒性。translate0.1允许图像平移 10%超出边界的部分用灰边填充。关键是没写flip_lr默认值是 0.5我建议显式手动添加flip_lr0.0来覆盖默认值。注意 hsv 参数看起来很小但胸片本来就是灰度图hsv_s 颜色饱和度增强对灰度图像影响较小。6. 把 mAP 读透置信度阈值调整与 PR 曲线上的决策6.1 用置信度阈值把 F1 调到临床应用可接受的水平训练结束后默认模型输出的置信度大于 0.25 的框都会被保留。但在肺炎检测里假阳性会直接造成过度诊断所以不能只看 mAP要结合实际场景选阈值。我用验证集跑一遍推理计算不同置信度下的 F1 值找一个均衡点。from ultralytics import YOLO import glob model YOLO(./runs/exp_pneumonia/weights/best.pt) results model.predict(source./pneumonia_dataset/images/val, save_jsonFalse, conf0.001, verboseFalse) for conf_thres in [0.1, 0.2, 0.3, 0.4, 0.5]: tp fp fn 0 for r in results: gt_boxes r.boxes.cls # 此处仅示意实际需要读标签文件 pred r.boxes.conf conf_thres # 根据 IoU 判定 TP/FP 略这里只展示结构 print(fconf{conf_thres:.1f} precision{tp/(tpfp):.3f} frecall{tp/(tpfn):.3f} f1{2*tp/(2*tpfpfn):.3f})这段代码把置信度阈值从 0.1 扫到 0.5每个阈值下用验证集计算 precision、recall 和 F1。实际代码里 IoU 判定需要用框坐标与真值做匹配这里省略了细节核心思想是置信度阈值越高precision 越高recall 越低。如果目标是筛查选 recall 高的低阈值如果目标是确诊辅助选 precision 高的高阈值。6.2 从 PR 曲线看数据集的短板曲线左移说明什么PR 曲线是验证集上 precision 和 recall 的关系曲线YOLOv8 训练结束会生成 PR_curve.png。曲线越靠近右上角越好但肺炎数据集的 PR 曲线往往在中段有个明显下降对应的是难例样本。如果曲线在 recall 大于 0.8 时 precision 掉到 0.3 以下说明数据集中有大量难检出的微小病灶。这时候该做的不是继续堆 epoch而是回到数据清洗看这些難例是不是标注框本身就不准。我习惯在训练完成后把 PR 曲线和按置信度整理的预测样例图一起存档。团队评审时PR 曲线的形状比单个 mAP 数字更能说明模型的应用边界——mAP 是个均值掩盖了难例的分布。如果 PR 曲线右下角区域面积很大就是漏检严重需要补充小病灶样本或调整输入分辨率如果曲线左下角平稳、右上角骤降则说明框架质量好但置信度校准偏差大可以调阈值解决。希望这些方法对你处理类似的目标检测数据集有实际帮助。肺炎图像标注数据的价值不在数量本身而在清洗和验证划分是否严谨——这也是最花时间、最值得花时间的一环。本文还有配套的精品资源点击获取