简介面向医学影像与深度学习研究者的X光片肺病数据集包含800张原始胸部X光图片并基于YOLOv8完成标注覆盖细菌性肺炎、新冠病毒、正常肺、结核、病毒性肺炎五类典型检测场景可用于疾病自动筛查、模型训练与多标签分类研究。压缩包共1601个文件包括800个jpg原图、800个txt标注文件和1个yaml数据集配置整体仅25.51MB轻量便于分享与快速部署。其中txt文件采用YOLO格式保存目标边界框坐标yaml文件包含类别名称等配置信息配合YOLOv8框架可直接运行训练脚本。该数据集尤其适合医学影像入门者、算法开发者和高校师生作为基准数据检验模型在肺炎、新冠等呼吸系统疾病上的识别效果。目前已有419人学习或下载资源附带的原图与标注一一对应省去人工标注成本是快速上手医学目标检测任务的实用资料。1. 医疗影像检测为什么值得自己训练一个 YOLOv8 标注的肺部 X 光数据集肺病 X 光片检测方向大部分人第一步就卡在数据上。公开数据集要么只做了图像分类级别的标注要么格式混乱没法直接喂给 YOLOv8 训练。这份数据集一共 800 张原始胸片已经用 YOLOv8 标注好了五个类别细菌性肺炎、新冠病毒、正常肺、结核和病毒性肺炎是直接从 Roboflow 生态导出的标准格式解压后整理一下目录结构就能跑yolo detect train。它特别适合两类人一是做毕业设计需要真实医疗影像数据、但没法从医院拿到脱敏片子的学生二是想用 YOLOv8 训练自己的数据集、又不想从零开始标数据的工程师。下面从数据集格式拆解开始一路讲到训练参数、排查方法和部署导出按这个流程走一遍你手里的就是这个文件的完整落地路径。2. 拆解数据集结构800 张 X 光片、五个类别以及 Roboflow 导出格式里的隐藏信息拿到压缩包先别急着解压跑训练花五分钟把文件结构看清楚后面能少踩好几个坑。这一章我们从文件名反推数据血缘再剖析 YOLOv8 标签文件的内容最后写一个数据体检脚本确认这份数据集能不能直接用。2.1 文件名里的信息量Roboflow 血缘与数据集切分解压后随便打开一个文件看名字比如1_coronavirus-420-_jpg.rf.9a9483366b10e7935eac8e4bd2b7a0ab.jpg。最后的.rf.加上一串十六进制哈希是 Roboflow 平台导出时留下的标记说明这份数据经历过平台上的预处理、去重和格式转换。420是原始图片在某个上游数据集里的编号而_jpg则提示这张图在导出时才被统一转成了 JPG 格式——原始文件可能是 PNG 或者其他格式像素尺寸也可能不一样。同一批文件里你会发现Normal_test-3-_jpeg.rf.xxx.jpg、Normal_val-1-_jpeg.rf.xxx.jpg这样的命名混合出现。test和val这两个词直接嵌在文件名里说明 Roboflow 在导出时已经按比例切分过数据集。解压后大概率会看到train、valid、test三个目录也可能是一个扁平的目录但文件名里带着切分标记。前者直接能用后者需要你手动把文件挪到对应的子目录里去。另外注意扩展名的不统一部分文件名里写的是_jpg.rf.部分写的是_jpeg.rf.但最终落地都是.jpg。这意味着原图经历了从jpeg到jpg的格式归一化部分图像的元数据比如 DPI 信息已经丢失不影响目标检测但如果你后期想做像素级别的分类任务比如分割需要重新确认图像分辨率是否一致。# 解压后先看一级目录结构 tree -L 2 lung_dataset如果输出结果是扁平的没有train、valid、test子目录那就需要自己按文件名里的关键字归位。常见做法是写一个简单的 Shell 脚本把含_test_的文件挪到test/images含_val_挪到valid/images其余放train/images。文件名里的血缘信息在这一步帮你省了手工分类的工作量。2.2 YOLOv8 标签文件五个类别 ID 与归一化坐标每一张.jpg图片都有一个同名的.txt文件作为标签放在对应的labels目录下。YOLOv8 的标签格式是每行一个目标框五个字段分别是类别ID 归一化中心点x 归一化中心点y 归一化框宽 归一化框高比如一个标签文件的内容是0 0.4281 0.3571 0.0934 0.1128 2 0.7135 0.6832 0.0877 0.0945第一行的0代表细菌性肺炎第二行的2代表正常肺。坐标值全部做了归一化范围在 0 到 1 之间直接除以了图像宽高所以无论原图是 512×512 还是 1024×1024标签都能复用。这就是 YOLO 格式的核心优势——不依赖绝对像素值换分辨率不用重新标。实际打开几个标签文件你会发现大部分文件只有一行少数文件有两行甚至三行。一张胸片里同时出现多个异常区域是正常的比如结核病灶和胸腔积液可能同时存在。但这里有一个医疗影像特有的现象标注框通常比肉眼看到的病灶范围大一圈。原因是肺病病灶边界模糊标注者倾向于把不确定的区域也包进来确保不漏检。这会直接导致训练出来的模型预测框偏大和自然场景目标检测里那种严丝合缝的框有明显区别。如果你拿 COCO 数据集上训练出来的心理预期来评估这个模型会觉得框得不精确但在医疗影像场景里这恰恰是合理行为。2.3 先做一次数据体检类别分布、空标签和异常尺寸正式训练之前我建议先跑一遍数据体检脚本花两分钟把家底盘清楚。下面是基于统计脚本import os from collections import Counter label_dir lung_dataset/train/labels image_dir lung_dataset/train/images label_count 0 empty_labels [] box_counter Counter() for fname in os.listdir(label_dir): if not fname.endswith(.txt): continue label_count 1 fpath os.path.join(label_dir, fname) with open(fpath, r) as f: lines [line.strip() for line in f.readlines() if line.strip()] if not lines: empty_labels.append(fname) continue for line in lines: cls_id line.split()[0] box_counter[cls_id] 1 print(f总标签文件数: {label_count}) print(f空标签文件数: {len(empty_labels)}) print(各类别目标框数量:) for cls_id, cnt in box_counter.most_common(): print(f 类别 {cls_id}: {cnt} 个框) class_names { 0: bacterial-pneumonia, 1: covid, 2: normal, 3: tuberculosis, 4: viral-pneumonia, } print(\n类别ID对照:) for cls_id in sorted(class_names.keys()): print(f {cls_id}: {class_names[cls_id]})这个脚本做了什么遍历train/labels目录下所有.txt文件统计标签文件数量检查空标签没有任何目标框的样本再按类别 ID 统计目标框总数。跑完你会对数据集有一个量化认知——比如正常肺样本是不是远多于结核样本哪一类目标框特别少。跑出来的分布通常不会均匀。医疗影像数据集天然存在类别不均衡结核和细菌性肺炎的样本量往往只有正常肺的一半甚至更少。这不一定是坏事但你要在训练阶段提前知道然后用class_weights或数据增强去平衡。空标签文件如果数量多说明部分正常胸片没有标注任何区域这类样本在训练时只贡献背景损失会让模型倾向于输出更少的框。如果空标签超过 5%建议剔除。最后补充一个容易忽略的检查点验证图片和标签文件是否一一对应。YOLOv8 遇到缺标签的图片不会报错只会默默忽略导致实际参与训练的图片数比你预想的少。常见做法是用下面这段代码快速核对for f in lung_dataset/train/images/*.jpg; do base$(basename $f .jpg) if [ ! -f lung_dataset/train/labels/$base.txt ]; then echo 缺少标签: $base fi done把三处路径替换成你自己的目录跑一遍没输出就说明配对完整。这一步做完数据集侧的工作才算真正结束。3. 搭建 YOLOv8 并训练从 CPU 跑通的 Ubuntu 环境到一套可复现的训练参数环境搭建和训练是整个流程里最繁琐但最不容易出错的环节。这章我会一边讲环境一边讲参数照着抄基本能跑通。重点会放在 YOLOv8 的配置上因为医学影像数据集的训练参数和自然场景差别很大照抄 COCO 的标准配置会后果惨淡。3.1 环境准备Python 虚拟环境、torch 与 ultralytics 的版本搭配YOLOv8 的安装非常透明核心就是ultralytics这个 Python 包。但强烈建议不要直接装到系统 Python 里因为后续训练过程中你可能需要切换 CUDA 版本、重装 torch没有虚拟环境的话这一通操作会搞乱系统依赖。# 以 Ubuntu 20.04 为例先装虚拟环境 sudo apt update sudo apt install python3-venv python3-pip -y python3 -m venv ~/yolo_env source ~/yolo_env/bin/activate pip install --upgrade pip # 没有 NVIDIA GPU 的情况下安装 CPU 版 torch pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu # 安装 YOLOv8 本体 pip install ultralyticsCPU 版 torch 的体积比 CUDA 版小不少安装速度快且不影响后续代码逻辑。如果你的机器有 NVIDIA 显卡把--index-url那一行去掉即可默认装的就是 CUDA 版。安装完验证一下python -c import ultralytics; print(ultralytics.__version__)能输出版本号就说明环境没问题。CPU 训练 800 张图YOLOv8n 大约需要 2 到 4 小时跑完 100 个 epoch属于可以接受的范畴。有 GPU 的话时间直接降到几分钟。3.2 编写 data.yaml路径、类别名与 train / val / test 的对照关系训练前需要一份data.yaml告诉 YOLOv8 数据在哪里、有几个类别。这份文件是整个流程里最容易出错的地方——路径写错、类别对不上训练时不会报错只会默默用错数据。# lung_dataset.yaml path: /home/user/lung_dataset # 数据集的绝对路径不要用相对路径 train: train/images # 相对于 path 的训练图片目录 val: valid/images # 验证集目录注意是 valid 不是 val按实际目录名来 test: test/images # 测试集目录可选 nc: 5 names: 0: bacterial-pneumonia 1: covid 2: normal 3: tuberculosis 4: viral-pneumonia几处定义需要特别注意。path建议写绝对路径。YOLOv8 虽然支持相对路径但如果你在不同目录下启动训练相对路径解析会乱掉直接导致找不到图片然后报错。val这一行要看解压出来的目录名是valid还是valRoboflow 导出时默认叫valid但有些人会手动改成val不对应就直接翻车。names的 ID 顺序要和标签文件里的数字严格对应。如果标签文件中类别 ID 3实际是结核但names里第 4 个写成了 viral-pneumonia模型不会报错但你的混淆矩阵和预测结果全会错位。最稳妥的方式是打开几个标签文件对照实际类别名人工确认一遍别只看下载页面提供的说明。3.3 第一次训练跑通模型选择、epoch、batch 和 freeze 参数说明环境就绪、data.yaml写好后训练命令比想象中简单。核心就一行yolo detect train \ data/home/user/lung_dataset.yaml \ modelyolov8n.pt \ epochs150 \ imgsz640 \ batch16 \ patience40 \ lr00.001 \ freeze10我来逐项拆解这些参数的实际意义。modelyolov8n.pt用的是 COCO 预训练权重。有人会觉得医学影像和 COCO 场景差距太大预训练权重没用实际不然——底层边缘、纹理、对比度这些基础特征在两个领域是通用的迁移学习依然能显著加速收敛特别是在只有 800 张图这种小数据量场景下从零训练几乎必挂。freeze10冻结主干网络前 10 层。YOLOv8n 的总层数大约 60 多层前 10 层学到的是最通用的底层特征冻结它们可以大幅减少可训练参数量防止在小数据集上过拟合。这个参数在数据量不足 2000 张时强烈建议开启。batch16是显存不足时的最常用值。imgsz640是默认输入分辨率如果你的胸片原始分辨率是 1024×1024可以试imgsz1024小病灶检测效果会有可见提升但显存占用和训练时长会翻好几倍。CPU 环境下建议保持 640 不变。patience40表示连续 40 个 epoch 没有提升就早停。800 张图训练 150 个 epoch 通常在第 80 到 100 个 epoch 之间达到最优早停机制帮你省掉后面的无效计算。训练启动后终端会实时打印box_loss、cls_loss、dfl_loss和mAP50等指标。医学影像数据要重点关注cls_loss因为 COVID 和病毒性肺炎在 X 光片上的视觉表现极其相似类别预测难度远高于普通目标检测。如果看到cls_loss一直降不下来标注质量的怀疑优先级要大过模型结构的怀疑。训练正常完成后最优权重在runs/detect/train/weights/best.pt。下一步就是进到排查环节——拿到一份看起来不错、实际用起来到处漏检的模型可能比训练失败更让人头疼。4. 训练医学影像的避坑排查五个最容易翻车的点与对应解决方案数据和环境就绪后训练过程本身并不复杂复杂的是模型效果不符合预期时你不知道该改哪里。这一章是我实际跑这个数据集时遇到的五个最典型的坑从现象、原因和解决三个层面展开照着排查能省下大量重试时间。4.1 现象loss 不断下降但 mAP 纹丝不动训练日志里box_loss和cls_loss都在稳步下降看着很健康但输出到终端的mAP50一直在 0.2 附近徘徊怎么都上不去。这种现象通常有两个原因。第一个原因是数据泄露train和valid目录里混入了来自同一患者的图片验证集不再独立模型在验证集上的表现就没有代表性。Roboflow 导出时通常会做去重但如果你自己补充过数据这一步很容易漏。第二个原因是学习率过高导致损失函数在局部震荡。cls_loss降但 mAP 不涨往往就是优化过程出了问题。解决步骤是先把data.yaml里path逐级检查确认 train 和 valid 图片没有重复文件名然后把学习率调低一档再跑一次比如从lr00.001降到lr00.0005同时把batch减半以稳定梯度。医疗影像的标注噪声比自然场景大学习率稍微低一点能显著提升稳定收敛的概率。4.2 现象某一个类别的精确率或召回率直接是 0验证结果里显示细菌性肺炎的recall0或者结核这个类别的框一个都没预测出来。真实原因通常是两个一是这个类别的样本数太少比如只有 20 张图模型把它当成了背景二是标签文件里这个类别的 ID 写错导致类别名匹配不上。解决办法是看数据体检脚本的输出——我在第 2 章提过事先统计类别分布省事多了。如果样本数确实太少优先做针对性的数据增强旋转 30 度、水平翻转、随机缩放 0.8 到 1.2 倍让这个小类别的样本量翻三到五倍再训练。另外在训练命令里加class_weights参数YOLOv8 支持为少数类分配更高的损失权重这比重复复制样本更干净。4.3 现象验证集 mAP 0.85但真实图片漏检严重模型在验证集上的指标非常漂亮你拿几张没用过的胸片去测却出现了整块病灶区域完全漏检。这个坑的根源是数据分布不一致。验证集和训练集来自同一个 Roboflow 导出流程成像风格、拍摄设备、体位朝向都高度一致模型只需要记住这种特定风格就能考高分。但真实世界的胸片可能来自不同医院的不同设备灰度范围、对比度、正位侧位都不同模型没见过这种分布掉链子完全正常。解决思路不是盲目加数据而是结构化地收集目标场景的图片按一定比例补充进训练集。如果你拿到的数据是正位胸片但实际部署场景有侧位片一定要单独收集一批侧位片加进去否则再怎么调参数也补不上这个分布差异。4.4 现象显存不够batch 只能开到 2训练时报CUDA out of memory把batch降到 2 才能跑但 batch 太小导致梯度噪声大loss 收敛得很慢。如果机器只有 4GB 或 6GB 显存这种问题是必然的。这时的应对顺序是先用混合精度训练把ampTrue打开这是最无损的优化然后把imgsz从 640 降到 512显存占用大约降一半代价是 mAP 掉 1 到 3 个百分点最后换yolov8n——它是 YOLOv8 系列里显存占用最低的模型适合在低显存环境挖出可用的基线结果。如果以上还扛不住最后一个兜底方案是cacheFalse。默认 YOLOv8 会把图片缓存进显存加速训练关掉后每轮从磁盘读图训练时间变长但显存占用大幅下降。4.5 现象训练中段 loss 变成 NaN训练到第 30 个 epochloss 突然打印成nan然后整个训练直接终止。最常见的原因是学习率过大导致梯度爆炸其次是标签文件里有异常数据比如框的坐标超出 0 到 1 范围或者标注框宽高为负数。排查方法很直接第一步检查所有标签文件把坐标不在[0,1]区间的行挑出来删掉第二步换优化器YOLOv8 默认是AdamW换成SGD配合lr00.001通常能解决不稳定的梯度问题。医学影像数据里偶尔混入一个带 NaN 坐标的标签文件并不罕见这五个坑几乎覆盖了训练阶段的大部分翻车场景。5. 评估与调优用 mAP 和混淆矩阵判断模型是否真的能用训练出的模型到底能不能用光看训练日志里的数字不算数。这一章讲如何用验证集和测试集做系统性评估以及在医疗影像场景里怎么调优才有意义。5.1 跑一遍 val混淆矩阵和每个类别的 PR 值训练完成后第一件事是跑验证集评估YOLOv8 提供了一行命令yolo detect val \ modelruns/detect/train/weights/best.pt \ data/home/user/lung_dataset.yaml执行完会生成一组结果文件放在runs/detect/val/下包括confusion_matrix.png、PR_curve.png、labels.jpg等。混淆矩阵是评估医疗影像模型最重要的图。上面除了五个类别外还会出现background一列。看的时候重点关注意外混淆COVID 和病毒性肺炎在 X 光片上视觉特征高度接近模型把 COVID 错分成 viral-pneumonia 的比例高不高结核有没有被当成正常肺。这些错误类别的倾向性比整体 mAP 数值更能反映模型在真实场景里的可靠性。另外要留意labels.jpg它展示的是训练数据的目标框分布情况。看框的尺寸分布是否符合直觉医疗影像里的病灶框通常占整图的 5% 到 20%如果存在大量明显小于这个比例的标注框检查是不是误标了微小噪点。5.2 医疗场景里Recall 优先于 Precision 的参数取舍自然场景目标检测追求 precision 和 recall 的平衡医疗筛查场景则不同——漏诊一个阳性病例的代价远高于误报一个正常样本。所以评估模型时优先级应该是 recall 高于 precision。YOLOv8 在推理阶段提供两个核心控制参数conf置信度阈值和iou非极大值抑制的 IoU 阈值。提高 recall 的常规做法是降低conffrom ultralytics import YOLO model YOLO(runs/detect/train/weights/best.pt) results model.predict( sourcetest_images/, conf0.15, # 默认是 0.25医疗场景可降到 0.1~0.15 iou0.5, # NMS 的 IoU 阈值低于此值的重叠框会被合并 saveTrue, )conf0.15会让模型输出更多的低置信度预测框recall 提升但 precision 下降。实际使用时可以把推理结果全部导出逐张看被误报的样本是哪些借此摸清模型的真实能力边界。调阈值没有标准答案完全取决于你的业务对误报和漏诊的容忍度。5.3 调优的三个方向增强策略、模型大小和类别权重在排除了数据问题之后提升模型效果通常从三个方向下手。方向一是调整增强策略。YOLOv8 默认开启mosaic10这个增强会把四张图拼成一张新的训练图对小目标检测提升明显但用在医学影像上反而可能有害——拼接产生的图像边界会干扰病灶区域的上下文语义模型学到的是拼贴结构而不是病灶特征。我的建议是调低mosaic的启用概率或者先用默认策略跑一版再关掉对比效果。方向二是换更大的模型。yolov8n是最小的版本参数量约 320 万换成yolov8s约 1100 万参数或yolov8m约 2500 万参数对微小病灶的敏感度通常会有可见提升。800 张图用yolov8m偏大存在过拟合风险但在freeze10和早停的配合下仍值得一试。方向三是用类别权重。如果体检脚本发现某个类别框数明显少于平均值可以在训练命令里加上样本权重让模型对少数类投入更多注意力。YOLOv8 的训练参数class_weights接收一个字典或列表按五类数据分布按比例给权重即可。6. 让模型走出笔记本ONNX 导出、CPU 推理和数据集迭代方向训练评估完成模型能用了之后下一个需求往往是从笔记本走到真实环境里。YOLOv8 支持导出多种推理格式ONNX 是跨平台迁移最省事的选择。6.1 导出 ONNX 并用 onnxruntime 做 CPU 推理导出命令一行yolo export modelruns/detect/train/weights/best.pt formatonnx imgsz640 opset12生成的best.onnx文件不依赖 PyTorch可以在纯 CPU 环境用onnxruntime跑推理import onnxruntime as ort import cv2 import numpy as np session ort.InferenceSession(best.onnx) input_name session.get_inputs()[0].name image cv2.imread(test_images/covid_sample.jpg) image_rgb cv2.cvtColor(image, cv2.COLOR_BGR2RGB) resized cv2.resize(image_rgb, (640, 640)) input_tensor resized.astype(np.float32) / 255.0 input_tensor np.transpose(input_tensor, (2, 0, 1))[None] outputs session.run(None, {input_name: input_tensor}) # outputs[0] 的 shape 是 (1, 84, 8400)前 4 个值是中心点坐标和宽高后 80 个是对应类别的置信度输出格式需要解释一下YOLOv8 的 ONNX 输出是一个(1, 84, 8400)的张量其中8400是不同尺度特征图上的候选框总数84由 4 个边框坐标加 80 个 COCO 类别置信度组成。因为你用的是自己的五类数据集最后一个维度实际是4 5 9这里需要按自己的类别数调整后续解析逻辑不能照抄 COCO 的 80 类解析代码。如果你的部署目标是边缘设备比如 RK3588 这类开发板ONNX 模型还需要进一步转换。各家的转换工具链不同但核心路径一致先将 PyTorch 权重导出为 ONNX再用设备厂商提供的工具优化为板端推理格式。这一步踩坑率高建议先在 CPU 上用 ONNX Runtime 跑通推理确认精度损失可接受再进入板端适配。6.2 下一轮数据集怎么补优先补充混淆严重的类别和目标形态模型第一版落地后如果效果不达预期最有效的提升方式永远是有针对性地补数据。优先补两类一类是混淆矩阵里互相误判严重的类别比如 covid 和 viral-pneumonia 之间的错分样本另一类是当前模型漏检的目标形态比如小尺寸病灶、低对比度区域、被肋骨遮挡的阴影。从那以后我每拿到一批医疗影像数据都会在训练之前强制自己走一遍完整流程先统计类别分布再检查空标签和文件配对最后确认混淆矩阵再决定下一步怎么做。这个流程耗时不到 20 分钟但能省下后面至少一整天的无效调参时间。希望这次的拆解能帮到你。本文还有配套的精品资源点击获取