簡介竹簽數(shù)據(jù)集是一份經(jīng)過完整標(biāo)注的圖像數(shù)據(jù)集共包含210張JPEG圖片及對(duì)應(yīng)的210個(gè)XML標(biāo)注文件適用于計(jì)算機(jī)視覺、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方向的目標(biāo)檢測、圖像識(shí)別與圖像分割算法訓(xùn)練與評(píng)估。壓縮包總大小約441.21MB圖片覆蓋不同拍攝角度、背景和光照條件XML標(biāo)注中詳細(xì)記錄了目標(biāo)邊界框坐標(biāo)可直接用于YOLO、Faster R-CNN、SSD等常見目標(biāo)檢測框架的數(shù)據(jù)加載與預(yù)處理流程。數(shù)據(jù)集面向計(jì)算機(jī)視覺初學(xué)者、算法工程師及科研人員既可作為入門目標(biāo)檢測的練習(xí)數(shù)據(jù)也能用于驗(yàn)證檢測算法或搭建自動(dòng)化竹簽檢測原型配合數(shù)據(jù)歸一化、隨機(jī)裁剪、翻轉(zhuǎn)、顏色抖動(dòng)等增強(qiáng)操作以及平均精度、交并比等評(píng)估指標(biāo)可幫助使用者系統(tǒng)熟悉從標(biāo)注解析、模型訓(xùn)練到模型驗(yàn)證的完整流程。目前已有921人學(xué)習(xí)下載資源以zip壓縮包形式提供內(nèi)部文件結(jié)構(gòu)清晰便于直接解壓使用。 很多做檢測的朋友應(yīng)該都有這種感覺跑公開數(shù)據(jù)集COCO、VOC這些練手時(shí)一切順利一換到自己的實(shí)際場景模型就各種“水土不服”。我自己接過幾個(gè)需要識(shí)別細(xì)長物體的項(xiàng)目比如燒烤店的自動(dòng)盤點(diǎn)、竹簽加工廠的殘次品分揀發(fā)現(xiàn)一個(gè)很現(xiàn)實(shí)的問題——這類專用數(shù)據(jù)集市面上幾乎沒有想復(fù)現(xiàn)別人的方案都找不到合適的起點(diǎn)。最近整理資料時(shí)翻到一份“竹簽數(shù)據(jù)集已標(biāo)注xml格式內(nèi)含有210張圖片”正好借著這個(gè)由頭把從數(shù)據(jù)集解析到模型訓(xùn)練的全流程寫清楚。這份數(shù)據(jù)集的價(jià)值在于兩個(gè)點(diǎn)一是目標(biāo)物體非常聚焦竹簽這種細(xì)長、小尺寸、密集排列的物體檢測難度其實(shí)不低拿來練手比“貓狗分類”這類入門數(shù)據(jù)有意義得多二是XML標(biāo)注格式也就是Pascal VOC格式是目標(biāo)檢測領(lǐng)域最通用的標(biāo)注形態(tài)之一學(xué)會(huì)處理它你就能自由地在VOC、YOLO、COCO之間做數(shù)據(jù)轉(zhuǎn)換以后自己標(biāo)數(shù)據(jù)、改數(shù)據(jù)、造數(shù)據(jù)都不慌。無論你是剛學(xué)YOLOv8怎么訓(xùn)練自定義數(shù)據(jù)集還是已經(jīng)在做工業(yè)檢測項(xiàng)目但卡在數(shù)據(jù)預(yù)處理環(huán)節(jié)這篇文章都能給你一套能直接落地的參考方案。1. 數(shù)據(jù)集整體設(shè)計(jì)與核心思路1.1 210張圖片的規(guī)模到底夠不夠用先說結(jié)論210張圖片對(duì)于目標(biāo)檢測訓(xùn)練來說屬于“小樣本但可啟動(dòng)”的規(guī)模關(guān)鍵看你怎么用它。如果直接從零訓(xùn)練一個(gè)網(wǎng)絡(luò)210張圖連“塞牙縫”都不夠但如果你用遷移學(xué)習(xí)的方式在YOLOv8或YOLOv5的預(yù)訓(xùn)練權(quán)重基礎(chǔ)上微調(diào)這個(gè)數(shù)據(jù)量足以讓模型學(xué)會(huì)“竹簽”這個(gè)新類別。我的實(shí)際體感是單類別檢測任務(wù)200到300張經(jīng)過質(zhì)量把控的圖片配合適當(dāng)?shù)臄?shù)據(jù)增強(qiáng)往往比盲目湊到1000張但標(biāo)注混亂的數(shù)據(jù)集效果更好。因?yàn)樾?shù)據(jù)集意味著你能逐張檢查標(biāo)注質(zhì)量而標(biāo)注質(zhì)量對(duì)模型上限的影響比數(shù)量更大。此前做過一個(gè)類似的小型物體計(jì)數(shù)項(xiàng)目180張圖起步最終模型的mAP50做到了0.92左右說明這條路是可行的。1.2 為什么選XML格式作為標(biāo)注載體XML格式本質(zhì)上是Pascal VOC的標(biāo)注標(biāo)準(zhǔn)每個(gè)XML文件對(duì)應(yīng)一張圖片里面用bndbox標(biāo)簽記錄目標(biāo)的邊界框坐標(biāo)。選擇這種格式有很實(shí)際的原因工具兼容性好LabelImg、Label Studio等主流標(biāo)注工具默認(rèn)支持導(dǎo)出XML格式不需要額外寫轉(zhuǎn)換腳本。信息密度高除了邊界框XML還能存儲(chǔ)目標(biāo)的名稱、姿態(tài)、截?cái)嗲闆r、困難樣本標(biāo)記等額外屬性方便后期篩選。遷移成本低幾乎所有檢測框架都提供從VOC格式讀取數(shù)據(jù)的官方腳本或社區(qū)方案轉(zhuǎn)YOLO格式、轉(zhuǎn)COCO格式都是一行命令或者一個(gè)腳本的事。如果你手頭的數(shù)據(jù)是JSONLabelMe格式、TXTYOLO格式或者其他自定義格式也建議統(tǒng)一把中間態(tài)轉(zhuǎn)成XML做數(shù)據(jù)質(zhì)檢理由很簡單XML是“給人看的”結(jié)構(gòu)清晰標(biāo)注錯(cuò)誤肉眼就能發(fā)現(xiàn)。2. 核心細(xì)節(jié)解析XML標(biāo)注到底寫了什么2.1 一個(gè)標(biāo)準(zhǔn)XML標(biāo)注的結(jié)構(gòu)速覽用VOC格式標(biāo)注一張包含兩個(gè)竹簽的圖片生成的XML文件長這樣annotation folderimages/folder filenameskewer_001.jpg/filename path/data/skewer_001.jpg/path source databaseUnknown/database /source size width1280/width height720/height depth3/depth /size segmented0/segmented object nameskewer/name poseUnspecified/pose truncated0/truncated difficult0/difficult bndbox xmin356/xmin ymin189/ymin xmax891/xmax ymax214/ymax /bndbox /object /annotation這里面有幾個(gè)容易忽略但很重要的點(diǎn)。size里的width和height必須和圖片實(shí)際分辨率一致如果不一致后續(xù)做坐標(biāo)歸一化時(shí)所有邊界框都會(huì)偏移。truncated標(biāo)記目標(biāo)是否超出圖像邊界difficult標(biāo)記目標(biāo)是否難以辨認(rèn)這兩項(xiàng)在訓(xùn)練時(shí)通常都會(huì)忽略但如果你用的是官方VOC評(píng)估腳本difficult目標(biāo)默認(rèn)不參與計(jì)算。bndbox中的四個(gè)坐標(biāo)值xmin和ymin是左上角xmax和ymax是右下角全部基于像素坐標(biāo)系。2.2 坐標(biāo)系統(tǒng)與YOLO格式的本質(zhì)區(qū)別訓(xùn)練YOLO系列模型時(shí)標(biāo)準(zhǔn)做法是把XML轉(zhuǎn)成TXT格式核心就是坐標(biāo)系的轉(zhuǎn)換。VOC存的是“絕對(duì)像素坐標(biāo)”YOLO存的是“相對(duì)歸一化坐標(biāo)”公式如下x_center ((xmin xmax) / 2) / width y_center ((ymin ymax) / 2) / height box_width (xmax - xmin) / width box_height (ymax - ymin) / height舉個(gè)例子上面的竹簽坐標(biāo)代入公式后得到的一行訓(xùn)練標(biāo)簽就是0 0.487109 0.279861 0.417969 0.034722第一個(gè)數(shù)字是類別ID0代表skewer后面四個(gè)數(shù)分別是中心點(diǎn)x、中心點(diǎn)y、寬度、高度取值都在0到1之間。這個(gè)轉(zhuǎn)換的意義在于無論圖片尺寸是1280x720還是640x480標(biāo)簽都能直接用于訓(xùn)練模型不需要感知絕對(duì)尺寸。實(shí)操提醒竹簽這種細(xì)長物體邊界框通常是極端的長寬比寬度很小、高度很大或者反過來。如果你用默認(rèn)的錨框anchor box設(shè)置去訓(xùn)可能會(huì)出現(xiàn)收斂慢、召回率低的問題。后面我會(huì)講怎么在YOLOv8里自動(dòng)適配錨框。3. 實(shí)操過程從XML到Y(jié)OLOv8訓(xùn)練全流程3.1 數(shù)據(jù)集的命名與目錄組織拿到210張圖片和對(duì)應(yīng)的XML之后第一步不是急著訓(xùn)練而是把目錄結(jié)構(gòu)理順。我的推薦布局是dataset/ ├── images/ │ ├── skewer_001.jpg │ ├── skewer_002.jpg │ └── ... ├── annotations/ │ ├── skewer_001.xml │ ├── skewer_002.xml │ └── ...圖片名與XML文件名必須一一對(duì)應(yīng)最好完全同名。如果你懶得自己寫腳本檢查可以用下面這條命令快速找出“有圖無標(biāo)注”或“有標(biāo)注無圖”的文件for file in images/*.jpg; do base$(basename $file .jpg) if [ ! -f annotations/$base.xml ]; then echo Missing annotation for $file fi done這一步能省掉后面很多“莫名的訓(xùn)練報(bào)錯(cuò)”因?yàn)楹芏嗫蚣茉谧x取數(shù)據(jù)時(shí)如果圖片對(duì)應(yīng)的標(biāo)簽文件缺失會(huì)直接報(bào)錯(cuò)中斷訓(xùn)練或者靜默跳過導(dǎo)致數(shù)據(jù)量“縮水”。3.2 劃分訓(xùn)練集、驗(yàn)證集和測試集210張圖片不能全扔去訓(xùn)練至少需要留出一部分作為驗(yàn)證集用來監(jiān)控模型是否過擬合。通常的建議比例是7:2:1或8:2:0分別對(duì)應(yīng)訓(xùn)練集、驗(yàn)證集和測試集。小數(shù)據(jù)集下我推薦8:2:0把測試集先不做因?yàn)闇y試集的意義在于最終評(píng)估泛化能力但210張圖分出去20張做測試留給訓(xùn)練的就更少了。先復(fù)制一份images目錄為images_all然后運(yùn)行這個(gè)Python腳本做隨機(jī)劃分import os import random import shutil random.seed(42) image_dir dataset/images_all train_dir dataset/images/train val_dir dataset/images/val os.makedirs(train_dir, exist_okTrue) os.makedirs(val_dir, exist_okTrue) images [f for f in os.listdir(image_dir) if f.endswith(.jpg)] random.shuffle(images) val_count int(len(images) * 0.2) val_images images[:val_count] train_images images[val_count:] for img in train_images: shutil.copy(os.path.join(image_dir, img), os.path.join(train_dir, img)) for img in val_images: shutil.copy(os.path.join(image_dir, img), os.path.join(val_dir, img)) print(fTrain: {len(train_images)}, Val: {len(val_images)})把random.seed(42)固定住這樣每次運(yùn)行劃分結(jié)果一致排障時(shí)可以復(fù)現(xiàn)。驗(yàn)證集里每一張圖都要檢查一下如果竹簽的姿態(tài)、光線、背景明顯和訓(xùn)練集分布不一致建議手動(dòng)互換幾張保證驗(yàn)證集有代表性。3.3 分組標(biāo)簽XML轉(zhuǎn)YOLO格式Y(jié)OLO訓(xùn)練需要的標(biāo)簽是TXT文件而且每個(gè)TXT文件和圖片同名放在同目錄下或者放在框架指定的標(biāo)簽?zāi)夸?。我自己更?xí)慣在圖片同目錄下建一個(gè)labels子目錄結(jié)構(gòu)如下dataset/ ├── images/ │ ├── train/ │ │ ├── skewer_001.jpg │ │ └── skewer_001.txt │ └── val/ │ ├── skewer_002.jpg │ └── skewer_002.txt轉(zhuǎn)換腳本用Python的xml.etree.ElementTree解析XML然后按上面的公式生成TXT內(nèi)容import os import xml.etree.ElementTree as ET def convert_xml_to_yolo(xml_file, txt_file, class_names): tree ET.parse(xml_file) root tree.getroot() size root.find(size) img_w int(size.find(width).text) img_h int(size.find(height).text) lines [] for obj in root.findall(object): name obj.find(name).text if name not in class_names: continue class_id class_names.index(name) bndbox obj.find(bndbox) xmin float(bndbox.find(xmin).text) ymin float(bndbox.find(ymin).text) xmax float(bndbox.find(xmax).text) ymax float(bndbox.find(ymax).text) x_center (xmin xmax) / 2.0 / img_w y_center (ymin ymax) / 2.0 / img_h box_w (xmax - xmin) / img_w box_h (ymax - ymin) / img_h lines.append(f{class_id} {x_center:.6f} {y_center:.6f} {box_w:.6f} {box_h:.6f}) with open(txt_file, w) as f: f.write(\n.join(lines)) class_names [skewer] # 按項(xiàng)目實(shí)際類別修改 for subset in [train, val]: xml_dir fdataset/annotations_{subset} txt_dir fdataset/images/{subset} os.makedirs(txt_dir, exist_okTrue) for xml_name in os.listdir(xml_dir): if not xml_name.endswith(.xml): continue xml_path os.path.join(xml_dir, xml_name) txt_path os.path.join(txt_dir, xml_name.replace(.xml, .txt)) convert_xml_to_yolo(xml_path, txt_path, class_names)代碼里我加了一個(gè)class_names列表若你的XML里包含多個(gè)類別把所有類名按固定順序?qū)戇M(jìn)去就行。這里有個(gè)容易踩的坑類別的ID順序必須全局一致訓(xùn)練集和驗(yàn)證集不能各用各的順序否則模型學(xué)到的類別對(duì)應(yīng)關(guān)系就亂了。3.4 編寫數(shù)據(jù)集配置文件并啟動(dòng)訓(xùn)練在YOLOv8里自定義數(shù)據(jù)集需要一個(gè)YAML配置文件指定數(shù)據(jù)集路徑、類別數(shù)量和類別名稱。新建一個(gè)skewer.yamlpath: /absolute/path/to/dataset train: images/train val: images/val nc: 1 names: [skewer]然后啟動(dòng)訓(xùn)練的命令如下yolo detect train dataskewer.yaml modelyolov8n.pt epochs100 imgsz640 batch16這幾行參數(shù)解釋一下modelyolov8n.pt是加載YOLOv8的nano版本預(yù)訓(xùn)練權(quán)重小模型在數(shù)據(jù)量有限時(shí)更不容易過擬合imgsz640是輸入分辨率如果原圖是1280x720縮放到640x360輸入竹簽這種細(xì)線條還能保持可辨識(shí)度batch16取決于顯存大小如果訓(xùn)練時(shí)顯存溢出CUDA OOM先降到8或4。4. 小樣本檢測的訓(xùn)練策略與避坑指南4.1 用數(shù)據(jù)增強(qiáng)彌補(bǔ)數(shù)量不足210張圖模型翻來覆去就“看”這210張非常容易把背景紋理也當(dāng)成竹簽特征。解決思路是開啟和加強(qiáng)數(shù)據(jù)增強(qiáng)。YOLOv8默認(rèn)帶了一部分增強(qiáng)Mosaic、HSV擾動(dòng)、隨機(jī)翻轉(zhuǎn)等對(duì)于小數(shù)據(jù)集我建議把增強(qiáng)參數(shù)調(diào)得更激進(jìn)一些yolo detect train dataskewer.yaml modelyolov8n.pt epochs150 imgsz640 batch16 \ hsv_h0.015 hsv_s0.7 hsv_v0.4 \ degrees10 translate0.1 scale0.5 fliplr0.5 \ mosaic1.0 mixup0.2mosaic1.0會(huì)把4張圖拼成一張訓(xùn)練這個(gè)增強(qiáng)對(duì)小目標(biāo)檢測特別有效讓模型學(xué)會(huì)在小尺寸下識(shí)別物體degrees10是隨機(jī)旋轉(zhuǎn)正負(fù)10度因?yàn)橹窈灁[放不可能是絕對(duì)水平的旋轉(zhuǎn)增強(qiáng)能模擬實(shí)際情況scale0.5是縮放擾動(dòng)模擬竹簽離相機(jī)遠(yuǎn)近不同的情況。這些增強(qiáng)手段合在一起相當(dāng)于把210張圖“變”成了幾千張不同形態(tài)的訓(xùn)練樣本。4.2 自動(dòng)錨框的計(jì)算邏輯YOLO系列有個(gè)“自動(dòng)錨框”機(jī)制訓(xùn)練時(shí)會(huì)根據(jù)你數(shù)據(jù)集中所有標(biāo)注框的寬高聚類重新計(jì)算最適合這批數(shù)據(jù)的錨框尺寸。細(xì)長物體用默認(rèn)錨框效果不好所以訓(xùn)練時(shí)不需要手動(dòng)指定但要確保開啟這個(gè)機(jī)制。從輸出日志里看到AutoAnchor相關(guān)提示時(shí)留意一下它最終選擇的錨框值如果發(fā)現(xiàn)錨框?qū)捀弑群湍愕闹窈為L寬比明顯不匹配比如竹簽是長條形的錨框卻是接近正方形的就要檢查標(biāo)注的坐標(biāo)是否規(guī)范。有個(gè)快速驗(yàn)證方法訓(xùn)練前用下面這段代碼統(tǒng)計(jì)所有標(biāo)注框的長寬比分布import os import numpy as np ratios [] for subset in [train, val]: label_dir fdataset/images/{subset} for txt_name in os.listdir(label_dir): if not txt_name.endswith(.txt): continue with open(os.path.join(label_dir, txt_name)) as f: for line in f: parts line.strip().split() w float(parts[3]) h float(parts[4]) if h 0 and w 0: ratios.append(w / h) ratios np.array(ratios) print(fMean ratio: {ratios.mean():.3f}, Median ratio: {np.median(ratios):.3f})這個(gè)統(tǒng)計(jì)可以幫助你判斷標(biāo)注框的質(zhì)量如果同一個(gè)物體在不同圖片中的長寬比波動(dòng)極大很可能是標(biāo)注時(shí)框選范圍忽大忽小需要回頭修正。4.3 過擬合監(jiān)控與早停策略小數(shù)據(jù)集訓(xùn)練最典型的癥狀就是過擬合訓(xùn)練集loss一路下將驗(yàn)證集mAP反而掉頭向下。這個(gè)數(shù)據(jù)量級(jí)別我建議開啟早停patience參數(shù)來防止浪費(fèi)時(shí)間和算力yolo detect train dataskewer.yaml modelyolov8n.pt epochs300 imgsz640 \ patience30 save_period10patience30表示如果驗(yàn)證集指標(biāo)連續(xù)30個(gè)epoch沒有提升就提前終止save_period10每10個(gè)epoch保存一次權(quán)重這樣即使最后過擬合了也能回退到中間最優(yōu)的權(quán)重。訓(xùn)練結(jié)束后用yolo detect val單獨(dú)驗(yàn)證最優(yōu)權(quán)重yolo detect val modelruns/detect/train/weights/best.pt dataskewer.yaml重點(diǎn)關(guān)注mAP50和mAP50-95這兩個(gè)指標(biāo)。mAP50IoU閾值0.5下的平均精度反映基礎(chǔ)檢測能力mAP50-95從0.5到0.95多個(gè)閾值下的平均值對(duì)邊界框的精細(xì)程度更敏感。對(duì)于竹簽這種細(xì)長物體mAP50-95會(huì)比mAP50低不少這正常但不代表不能用。5. 常見問題與排查技巧實(shí)錄5.1 訓(xùn)練不收斂的常規(guī)體檢表訓(xùn)練過程如果出現(xiàn)指標(biāo)異常不必急著調(diào)模型先按下面這張表排查數(shù)據(jù)鏈路的問題因?yàn)閿?shù)據(jù)問題占了這類故障的大多數(shù)現(xiàn)象可能原因排查方法Loss不下降標(biāo)簽全部無效全零或全越界寫腳本打印每個(gè)TXT首行檢查坐標(biāo)是否在0~1之間驗(yàn)證集mAP為0類別ID和names順序不對(duì)應(yīng)用yolo detect predict跑一張圖看輸出label名稱訓(xùn)練集loss驟降為0大量圖片沒對(duì)應(yīng)TXT標(biāo)簽對(duì)比images/train和labels目錄文件數(shù)量推理結(jié)果框和物體錯(cuò)位圖片尺寸和XML的size不一致用Python逐個(gè)讀取圖片寬高和XML比對(duì)模型只能檢出大目標(biāo)小目標(biāo)像素占比太少調(diào)大imgsz到960或1280或使用SAHI切片推理排查時(shí)最忌諱“病急亂投醫(yī)”改模型結(jié)構(gòu)先確認(rèn)“喂進(jìn)去的數(shù)據(jù)是對(duì)的”所有坑都排除一遍訓(xùn)練效果往往自己就正常了。5.2 竹簽類細(xì)長目標(biāo)的兩個(gè)特有陷阱第一邊界框的框選習(xí)慣會(huì)直接影響模型輸出。標(biāo)注竹簽時(shí)有些標(biāo)注員習(xí)慣把竹簽兩端的尖角露在框內(nèi)留出很多空白有些則把框貼得很緊。這兩種風(fēng)格混在一起模型很難學(xué)到穩(wěn)定特征。建議在標(biāo)注準(zhǔn)則里明確規(guī)定框必須緊貼竹簽可見部分的最外緣被遮擋的部分不算。第二背景中的“干擾物”問題。如果210張圖里有大量圖片的桌面紋理、容器邊緣和竹簽顏色接近模型很容易把這些背景特征學(xué)進(jìn)去。處理辦法是數(shù)據(jù)可視化檢查隨機(jī)抽樣訓(xùn)練集中20張圖把標(biāo)注框和預(yù)測框同時(shí)畫出來看。如果發(fā)現(xiàn)驗(yàn)證集里出現(xiàn)大量誤檢在桌面紋理處就要回訓(xùn)練集里檢查是否有類似的“虛假正樣本”——比如把背景紋路誤標(biāo)成了竹簽。5.3 算力不足時(shí)的降級(jí)方案如果你只有一張老顯卡比如6GB顯存batch16和imgsz640很可能跑不起來。兩個(gè)降級(jí)方案一是縮小imgsz到416或320配合yolov8n.ptnano版本顯存占用基本能控制在2GB以內(nèi)。代價(jià)是檢測小目標(biāo)的能力變?nèi)醯鳛榫毷趾土鞒舔?yàn)證完全夠用。二是使用Ultralytics官方支持的內(nèi)存管理參數(shù)yolo detect train dataskewer.yaml modelyolov8n.pt epochs100 imgsz640 \ batch8 device0 workers1workers1可以降低數(shù)據(jù)加載時(shí)的內(nèi)存和CPU開銷有時(shí)候卡頓不是顯存不夠而是數(shù)據(jù)加載線程太多把內(nèi)存吃滿了。還有確認(rèn)訓(xùn)練時(shí)沒有別的程序搶占GPU顯存nvidia-smi看一眼。6. 數(shù)據(jù)集的擴(kuò)展思路與個(gè)人經(jīng)驗(yàn)210張只是一個(gè)起點(diǎn)。如果后續(xù)你想提升模型魯棒性有幾個(gè)低成本的擴(kuò)展方向。一是“自制數(shù)據(jù)增強(qiáng)”把現(xiàn)有的210張圖做亮度、對(duì)比度、模糊的批量處理生成一份圖片副本加入訓(xùn)練集這個(gè)過程不需要重新標(biāo)注因?yàn)樽鴺?biāo)不變只是像素變了。二是“困難樣本挖掘”用訓(xùn)練好的模型去跑一些沒有標(biāo)注的實(shí)拍照片把置信度低的檢測結(jié)果抽出來手動(dòng)修正后追加進(jìn)數(shù)據(jù)集這樣擴(kuò)充出來的數(shù)據(jù)比隨機(jī)找圖標(biāo)注更有效。我個(gè)人在做過幾個(gè)類似的目標(biāo)檢測數(shù)據(jù)集項(xiàng)目之后最大的體會(huì)是小數(shù)據(jù)集本身不是問題問題是標(biāo)注是否嚴(yán)格一致、數(shù)據(jù)鏈路是否順暢。210張圖片針對(duì)一個(gè)專門類別配合遷移學(xué)習(xí)和數(shù)據(jù)增強(qiáng)完全能訓(xùn)出一個(gè)實(shí)用水平的檢測器。這份竹簽數(shù)據(jù)集無論是用來學(xué)習(xí)處理VOC和XML格式還是直接作為訓(xùn)練起點(diǎn)跑通檢測流程都是不錯(cuò)的切入素材。如果你手頭也有標(biāo)注好的專用數(shù)據(jù)不妨按照這篇文章的流程跑一遍把數(shù)據(jù)鏈路理順了后續(xù)換再大的數(shù)據(jù)集也只是“換湯不換藥”。最后再分享一個(gè)小技巧不管數(shù)據(jù)集是210張還是2000張養(yǎng)成“數(shù)據(jù)處理步驟留痕”的習(xí)慣。每步操作寫一個(gè)簡短的腳本放在項(xiàng)目根目錄命名清晰如01_split.py、02_convert.py。下次你回頭調(diào)整數(shù)據(jù)、復(fù)盤效果或者換框架復(fù)現(xiàn)時(shí)省下的時(shí)間會(huì)超出你的想象。本文還有配套的精品資源點(diǎn)擊獲取