简介辣椒缺陷检测数据集面向目标检测任务可用于农业质检、食品分拣等场景中的辣椒外观缺陷识别与分级研究。每张图片均拍摄单个辣椒涵盖Defect、Fly-bites、Grade-A、Grade-B、striped共5个类别全部标注产生1219个边界框等级标签与缺陷标签组合便于训练分类、检测及评估模型。包内共2000个文件核心为jpg原图及对应的Pascal VOC格式xml文件、YOLO格式txt文件适配主流检测框架压缩包仅11.74MB下载和部署都很轻量。目前已有253人学习浏览适合作为目标检测入门数据或农产品品质分选项目的初期样本。该数据集解压后可直接用于YOLO、Faster R-CNN等常见模型训练标注文件由labelImg生成结构统一便于二次核验与扩充配套博文另提供样本预览帮助确认数据是否符合需求对需要快速积累训练样本的开发者尤为实用。1. 695张5类别的辣椒缺陷检测为什么小数据集要按YOLO格式重做一遍辣椒分拣线上的质检员一天要对几万颗辣椒做外观判定裂口、病斑、果柄脱落、畸形、机械损伤全靠肉眼。只要连续盯两小时漏检率就会肉眼可见地上涨。想让这套流程自动化第一步不是买硬件而是拿到一份能直接喂给YOLO系模型的标注数据。标题这份「辣椒缺陷检测数据集VOCYOLO格式695张5类别.7z」就是一个典型的起步盘695张图、5个缺陷类别同时给了VOC的XML标注和YOLO的TXT标注压缩成7z包分发。别觉得695张太少做产线验证、跑通训练链路、给老板看效果这个量级撑得起真正要做的是把它用对。这篇文章不打算复述数据集介绍而是按「拿到压缩包 → 解压核验 → 格式转换 → 训练调参 → 排错 → 部署验证」的顺序把每个环节里容易翻车的地方都过一遍。内容面向两类人刚把YOLOv8环境搭起来的新手按步骤能跑通已经在做工业质检的老手可以直接看参数边界和踩坑清单。2. 先认清VOC和YOLO两种格式目录结构、文件规范与7z解压2.1 VOC和YOLO的存储思路差异VOC格式脱胎于PASCAL VOC竞赛它的核心是一张图片配一个同名的XML文件XML里记录图片尺寸、目标类别和每个目标的bbox坐标。目录结构通常是这样的VOCdevkit/ ├── VOC2007/ │ ├── Annotations/ # 存放 XML 文件 │ ├── JPEGImages/ # 存放原始图片 │ └── ImageSets/Main/ # 训练/验证的图片列表YOLO格式则更激进把标注收敛成一行一行的纯文本。每张图片对应一个TXT文件每行四个数字加一个类别IDclass_id x_center y_center width height这里的四个坐标全部是归一化后的相对值范围在0到1之间基准是图片的宽和高。这种格式没有XML那么直观但模型训练时不用每次解析XML数据加载路径短对大规模训练和边缘端部署都更友好。标题说这份数据集同时给了VOC和YOLO两种格式意味着拿到手应该是两套标注目录并存。我建议直接用YOLO格式做训练VOC保留作为标注审计和二次转出的中间层。很多标注工具导出时只认VOC后续想加类别、改标注回VOC改完再统一转YOLO比直接改TXT稳妥。2.2 拿到7z包后第一步解压与文件计数7z压缩格式比zip更常见于数据集分发原因很实际压缩率高对图片这种高冗余文件尤其明显。缺点是解压工具不通用不少人在这一步就卡住了。Windows下直接装7-Zip右键解压即可。Linux服务器上做训练就得用命令行# 安装 p7zip sudo apt-get install p7zip-full # 解压到指定目录-o 后面不要留空格 7z x pepper_dataset.7z -o/path/to/dataset代码说明7z x是解压到当前目录并保持目录结构-o指定输出路径。Linux上如果只装了unzip是无法解压7z的需要 p7zip 系列。解压后先在JPEGImages和labels目录里分别数一下文件数量。find . -name *.jpg | wc -l find . -name *.txt | wc -l常见做法的预期是图片数和TXT数对得上各695。如果TXT数量比图片少说明有漏标多了说明有重复标注文件。这一步只花半分钟但能拦下一大半后续训练报错的隐患。2.3 用脚本检查标注文件完整性文件数量对上之后还要检查标注内容本身。YOLO训练时最常见的错误是TXT里写了不存在的类别ID或者坐标越界模型训练时直接报assertion failed之类的错。import os def inspect_labels(label_dir, expected_classes5): bad_files [] for root, _, files in os.walk(label_dir): for f in files: path os.path.join(root, f) with open(path) as fp: for line in fp: parts line.strip().split() if len(parts) ! 5: bad_files.append((path, 字段数不为5)) continue cls_id int(parts[0]) if cls_id 0 or cls_id expected_classes: bad_files.append((path, f类别ID越界: {cls_id})) coords [float(x) for x in parts[1:]] if any(x 0 or x 1.000001 for x in coords): bad_files.append((path, f坐标超出[0,1]: {coords})) return bad_files bad inspect_labels(path/to/labels) print(bad if bad else 标签全部正常classes5)代码说明expected_classes传5对应标题里说的5类别。检查逻辑是逐行解析TXT确认每行5个字段、类别ID落在0~4之间、坐标在0~1范围内。有任何一项不满足先修数据不要带着坏标注进训练。提示如果TXT里出现「负数坐标」或者「宽度/高度为0」换算之后往往是标注框退化成了线或点。这种标注在训练中不会直接报错但会让loss异常波动排查起来很费劲。3. 把VOC转成YOLO标签转换脚本、类别映射与bbox边界3.1 为什么要转换以及双格式带来的陷阱有些用户拿到数据后直接拿VOC的XML去训练TPH-YOLO或者自己写的检测器走了弯路。YOLO系算法的数据加载器原生吃TXT格式虽然Ultralytics框架提供了yolov8的数据适配可以读ImageSets/Main自动生成训练集但底层训练时还是会把XML转成TXT操作。与其让框架反复转换不如一次性转完转完还能人工复检。双格式数据集还有一个隐蔽陷阱VOC和YOLO两种标注可能不完全同步。数据集作者导出VOC后又改了几个标注忘了重新导出YOLO或者反过来。我一般会把解压后的两套标注都检查一遍以YOLO为准做训练发现不一致时先核对XML里的filename字段和图片实际文件名的对应关系。3.2 从VOC XML转YOLO TXT一个能直接跑的脚本转换的核心是解析XML取bndbox里的xmin, ymin, xmax, ymax再除以图片宽高做归一化。注意YOLO需要的是中心点坐标和宽高不是角点坐标很多第一版脚本都会在这里搞混。import xml.etree.ElementTree as ET import os # 类别名称必须和 data.yaml 里的顺序完全一致 class_map { stem_defect: 0, # 果柄损伤 rot_spot: 1, # 病斑 crack: 2, # 裂口 deformity: 3, # 畸形 mechanical_damage: 4 # 机械损伤 } def convert_xml_to_yolo(xml_path, out_path): tree ET.parse(xml_path) root tree.getroot() img_w int(root.find(size/width).text) img_h int(root.find(size/height).text) lines [] for obj in root.findall(object): name obj.find(name).text if name not in class_map: continue # 不在映射表里的类别直接跳过 cls_id class_map[name] box obj.find(bndbox) xmin float(box.find(xmin).text) ymin float(box.find(ymin).text) xmax float(box.find(xmax).text) ymax float(box.find(ymax).text) # 中心点与宽高归一化 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(out_path, w) as fp: fp.write(\n.join(lines)) def batch_convert(xml_root, label_root): os.makedirs(label_root, exist_okTrue) for xml_file in os.listdir(xml_root): if not xml_file.endswith(.xml): continue xml_path os.path.join(xml_root, xml_file) txt_name xml_file.replace(.xml, .txt) convert_xml_to_yolo(xml_path, os.path.join(label_root, txt_name)) # 使用示例 batch_convert(VOCdevkit/Annotations, VOCdevkit/labels)逻辑说明class_map里的键名必须是XML里name的实际值值对应最终训练的类别ID从0开始连续编号。转换公式先求角点的中心点再分别除以图片宽高结果保留6位小数足够训练精度要求。输出TXT与XML同名不同后缀放在YOLO模型默认读取的labels目录。参数说明如果发现某类缺陷的标注框特别小比如病斑只占图片的1%建议转换后在YOLO训练里开启scale和mosaic增强单靠原始尺寸很难学出稳定特征。不要用fliplr对辣椒做水平翻转辣椒的弯曲方向是有物理意义的翻转会制造错误样本。3.3 转换后必须检查的四项边界第一class_map的类别顺序必须和后续data.yaml文件里的names一致顺序错了模型不会报错但指标全乱。第二有些标注工具导出的bbox里xmax/ymax用的是1.0到w1的索引制转换后会出现0.98以上的异常坐标需要用上一章的检查脚本再跑一遍。第三图片的宽和高如果被标注工具记反了转换出来的框全部错位——最典型的是方图看不出问题一旦到64:1的彩色图像上错得离谱。第四XML里可能混着difficult1的对象训练时应按数据集标注说明过滤否则会把模糊目标当正样本喂进去。4. 用YOLOv8训练辣椒缺陷模型参数选择与时间预算4.1 为什么选YOLOv8而不是自己写检测网络495或695这个量级自己从头训练一个检测器效果基本靠运气。工业界在这个量级下的常规做法是加载预训练权重做迁移学习。YOLOv8的neck和head设计得比较稳对中小目标检测相对友好而辣椒缺陷里的病斑和裂口恰恰属于小目标。另一个实际因素是生态网上找资料、换设备部署、找人接手YOLO的路径最短踩坑也能更快被搜索引擎捞出来。版本上YOLOv8仍然是最稳的选择。可以一行命令装好pip install ultralytics4.2 训练前的最后一步写对data.yaml并划分数据集我收到过不少人的报错截图训练命令本身没写错错在data.yaml里把路径写成了绝对路径换台机器就跑不了。建议全部用相对路径并让YAML与数据集目录保持固定关系。文件内容如下# pepper.yaml path: datasets/pepper # 数据集根目录 train: images/train val: images/val nc: 5 names: 0: stem_defect 1: rot_spot 2: crack 3: deformity 4: mechanical_damage训练集与验证集划分建议按8:2先洗牌再划分。这点在695张的规模下尤其重要如果某类缺陷恰好集中出现在前几十张图里按顺序划分会让验证集缺失整类目标出来的mAP会虚高或暴跌。import os, random from shutil import copy2 img_root datasets/pepper/images train_dir datasets/pepper/images/train val_dir datasets/pepper/images/val os.makedirs(train_dir, exist_okTrue) os.makedirs(val_dir, exist_okTrue) imgs [f for f in os.listdir(img_root) if f.endswith(.jpg)] random.seed(42) random.shuffle(imgs) split int(len(imgs) * 0.8) for f in imgs[:split]: copy2(os.path.join(img_root, f), train_dir) for f in imgs[split:]: copy2(os.path.join(img_root, f), val_dir)代码说明random.seed(42)固定随机种子保证每次划分结果相同。TXT标签不需要复制YOLO读取时会按图片同名自动在labels/目录下寻找。仅复制图片、不复制标签的做法省事但要求标签目录结构必须按YOLO的默认约定组织好。4.3 小数据集下最有价值的5个训练参数695张图的训练调参重点和几千张的通用数据集不一样。以下是这个项目我建议手工指定的参数不要全部用默认值参数推荐值理由epochs200小数据集需要更多轮次收敛配合早停机制防过拟合patience3030轮指标不更新就停节省时间batch16太小容易让BN层抖动16是显存和稳定性之间的平衡点imgsz640太小的图会丢失裂口这类细节特征optimizerSGD小数据集上SGD比AdamW更容易收敛到稳定区间mosaic0.5~1.0小目标增强利器但最后10轮建议关掉close_mosaic10最后10轮关闭mosaic让模型适应真实尺度的分布训练命令按下面的写法执行yolo detect train \ datapepper.yaml \ modelyolov8n.pt \ epochs200 patience30 batch16 imgsz640 \ optimizerSGD lr00.01 \ mosaic1.0 close_mosaic10 \ projectruns/pepper命令说明yolov8n.pt是预训练权重会从Ultralytics官方源自动下载网络环境受限时提前手动下载放到项目目录里。lr0初始学习率用了0.01而不是默认的0.02因为数据量小、过拟合风险高学习率保守一点更稳。project参数指定输出目录训练过程中的权重、PR曲线、混淆矩阵都会写到里面。时间预算上695张图、640分辨率、batch16在单张V100上跑到200轮大约半小时以内换成云上的T4大约一小时左右。如果等不了可以先用yolov8n.pt的nano版本跑通链路再换s或m版本提精度。5. 小数据集上YOLO训练避坑5个高频问题与排查顺序5.1 7z密码正确但解压一直报错现象用7-Zip图形界面输入密码直接解压提示密码错误或文件损坏在命令行里复制粘贴同一串密码又能解压成功。原因图形界面输入时密码首尾可能被误加空格更常见的是Windows中文环境下的编码差异压缩时用了UTF-8密码本地解压工具按ANSI解析导致密码明明正确却报错。另一个坑是压缩包本身是分卷文件只下载了第一卷就解压当然会一直失败。解决优先用命令行解压。Windows下进入目录执行7z x pepper_dataset.7z -p你的密码Linux同理。如果命令行能解、图形界面不能解不用怀疑密码直接用命令行即可。分卷包则把.7z.001, .7z.002全部下载到同一目录再对第一份执行解压。5.2 bbox全部错位但训练不报错现象训练loss正常下降验证集mAP却极低画出来的预测框全部偏在目标旁边。把标注可视化之后发现GT框整体往一个方向偏移。原因这种几乎都是VOC转换脚本里的坐标取值问题和图片缩放历史有关。比如XML里的width/height写得是原始尺寸但实际图片被人用脚本统一缩放过转换时没有同步改归一化分母。另一种可能是xmin/xmax取反导致宽度是负数YOLO训练时强制取绝对值框就歪了。解决转完立刻做可视化。用ultralytics内置的yolo detect train前先挑两张图跑一段代码把TXT画回图片上确认框与缺陷位置对齐再训练。可视化脚本半小时内必写能省下整晚的排错时间。5.3 训练中Loss变成nan或标签越界现象训练跑到第几十轮loss突然从1左右跳到nan之后权重文件出现.nan后缀。原因最常见的是labels里存在坐标为0或超过1的坏行模型前向计算时bbox宽高为0导致损失函数对0取对数。其次是学习率过高小数据集在200轮之内容易出现。解决先跑一遍标签检查脚本把坐标越界和标签ID越界的文件全部清出来然后降低初始学习率到0.005左右最后在训练命令中加上weight_decay0.0005。这三步按顺序来其中标签检查能解决八成问题。5.4 BN层崩溃与梯度爆炸现象训练前几十轮loss正常下降某轮之后验证集mAP跌回0.1以下训练集loss却正常权重里BN层的均值方差出现异常波动。原因小数据集加上batch8这种过小的batchBN层在批次间统计量剧烈抖动。数据增强强度过高也会放大这个问题mosaic在缺失样本类别的情况下会让BN梯度方向来回拉扯。解决把batch提到16以上如果显存不够就降低imgsz不要用更小batch硬撑。优化器切到SGD配合适当降低l0。BN不稳定的问题在迁移学习冷启动阶段尤其明显。5.5 混淆矩阵各行之和不为1类别读取不对现象训练结束后模型把缺陷类判成背景混淆矩阵中某个类别的行或者列始终为零或者最终指标里all和empty分类错误。原因YOLO的data.yaml中names列表和TXT标签中的class_id顺序不一致。这种情况在双格式数据里最常见原来VOC标注的作者用了A顺序转换脚本用了B顺序训练时模型读到的ID映射全错位。解决不用猜直接检查。训练完后查看runs/pepper/confusion_matrix.png如果某一行对应了错误的类别名说明映射顺序错了回去改class_map重新转换而不是改训练参数。记住一个原则标签自检的时间一定短于返工训练的时间。6. 模型验证与产线落地混淆矩阵、切片测试与部署前检查训练结束后先别急着看mAP。695张的小样本mAP容易被少数难样本带偏。我自己的验证顺序是先看混淆矩阵是否对角线占优再看PR曲线在Recall0.8附近的形态最后挑几张最难分的切片图做单张预测。单张预测命令yolo predict modelruns/pepper/weights/best.pt sourcehard_case.jpg conf0.45 iou0.5参数说明conf置信度阈值在产线场景通常设0.45~0.55低于自己可视化的0.25是两码事产线漏检成本高推荐偏高。iou是NMS的IoU阈值病斑密集粘连时降到0.4能保住相邻目标但也会让同一目标被预测两次需要微调。部署前检查清单一般就三件事导出ONNX并核对输入尺寸与训练一致、确认NMS后输出的类别ID仍与data.yaml对齐、在边缘设备上实测一帧推理耗时。导出命令yolo export modelruns/pepper/weights/best.pt formatonnx imgsz640到这里这条链路就完整了。我第一次做类似的辣椒缺陷项目时吃过「标签自检不全 → 训练返工三小时」的亏从那以后给自己定了条规矩任何数据集到手先花半小时做标签完整性检查再花半小时做可视化确认之后才允许轮到训练。这个习惯让我后来的项目几乎没再因为数据翻过车。数据量越小这条规矩越值钱。希望帮到你。本文还有配套的精品资源点击获取