简介这套西瓜目标检测数据集采用Pascal VOC格式组织共包含一千七百零二张西瓜图片和对应的一千七百零二个XML标注文件标注类别只有watermelon一种累计矩形框两千八百一十二个均由labelImg人工绘制边界框定位准确。资源包内另有1个txt文件文件总数三千四百零五个压缩后大小约167.78MB整体结构清晰可直接用于目标检测模型的训练与验证。已有488人学习下载。该数据集面向计算机视觉初学者、算法工程师以及需要西瓜检测样本的科研人员可作为YOLO、SSD、Faster R-CNN等模型的数据输入适合课程设计、毕业设计或农业视觉应用原型验证。由于每张图片都配有对应的XML标注信息无需额外清洗即可使用可显著节省数据采集和人工标注的时间同时数据集只提供准确合理的标注不附带训练权重便于使用者独立搭建和评估完整的检测流程。1. 为什么是西瓜数据集、VOC格式这是目标检测入门最值得先跑通的一条线很多人的目标检测入门停在装了环境之后教程用官方示例能跑通换成自己的数据集就哪哪不对。VOC格式目标检测数据集西瓜数据集-1702张这类数据正好用来逼着你走完“图片→标注→划分→转格式→训练→评估”的全流程。1702张图规模中等偏小训练一轮不至于等到天荒地老VOC结构又足够暴露出路径、坐标、划分这些常见坑适合刚跑通官方示例、想换成自己数据集的从业者。本文按我自己的落地习惯把这个数据集从VOC格式拆开写出转换脚本、训练配置再交代我实际踩过的坑。2. 把VOC格式先拆清楚目录结构、XML标注和1702张图对应的规模2.1 目录结构与XML标注字段的含义标准Pascal VOC的数据集目录长成这样VOCdevkit/ └── VOC2007/ ├── JPEGImages/ # 原图jpg或png ├── Annotations/ # 每张图对应一个xml标注文件 └── ImageSets/ └── Main/ # train.txt / val.txt / test.txt 划分文件为什么VOC要拆成三个目录而不是一个目录加一个info文件因为Pascal VOC把“原图、标注、划分”三个生命周期彻底分开。新增图片时不用动已有XML切换训练集和验证集时只改ImageSets/Main里的txt内容不复制图片做数据清洗时也只改标注文件。这套设计到今天看依然顺手所以LabelImg这类标注工具默认导出的就是VOC格式后续要转成COCO、YOLO或其它格式都有成熟脚本。Annoations里的XML是VOC格式的核心字段长这样annotation folderJPEGImages/folder filenamewatermelon_0001.jpg/filename size width1920/width height1080/height depth3/depth /size object namewatermelon/name truncated0/truncated difficult0/difficult bndbox xmin348/xmin ymin220/ymin xmax762/xmax ymax590/ymax /bndbox /object /annotation每个字段都有用途filename决定它和哪张原图对应实际解析时建议优先用XML文件名而不是filename字段因为有人改过图名却忘了同步XMLsize里的width和height既是训练时resize的参考也是后续VOC转YOLO做坐标归一化的分母这里写错整张图都会出问题object节点下的name是类别名bndbox里是目标左上角和右下角的绝对像素坐标。还有一个容易被忽略的difficult字段difficult1表示难例计算mAP时默认会被跳过清洗数据时最好先处理这类样本否则转换脚本里容易把难例也带进训练干扰损失曲线。XML相比txt的优点是可读性强、自解释但也带来一个明显问题单个文件解析慢、文件数量多。1702张图对应1702个XML手动翻不现实所以下一步先花两分钟写脚本把整体质量检查一遍而不是直接转格式去训练。2.2 标注质量检查坐标、类别与图片对应关系我处理任何VOC数据集的第一件事不是转YOLO而是统计XML数量和类别分布。脚本如下import os import xml.etree.ElementTree as ET from collections import Counter ANN_DIR Annotations IMG_DIR JPEGImages xml_names [f for f in os.listdir(ANN_DIR) if f.endswith(.xml)] img_names set(os.listdir(IMG_DIR)) print(XML总数, len(xml_names)) missing_img [] bad_box [] cls_counter Counter() for xml_name in xml_names: tree ET.parse(os.path.join(ANN_DIR, xml_name)) root tree.getroot() filename root.findtext(filename) if filename not in img_names: missing_img.append(xml_name) width int(root.findtext(size/width)) height int(root.findtext(size/height)) if width 0 or height 0: print(尺寸非法, xml_name) continue for obj in root.findall(object): name obj.findtext(name) cls_counter[name] 1 bnd obj.find(bndbox) xmin float(bnd.findtext(xmin)) ymin float(bnd.findtext(ymin)) xmax float(bnd.findtext(xmax)) ymax float(bnd.findtext(ymax)) if xmin xmax or ymin ymax: bad_box.append(xml_name) if xmax width or ymax height: bad_box.append(xml_name) print(缺失图片的XML, missing_img) print(非法坐标的XML, bad_box) print(类别分布, dict(cls_counter))逻辑说明脚本分三条线检查。第一XML里filename指向的图是否真的在JPEGImages里缺了就直接列出来。第二XML里size是否合法避免后面的归一化除数为零。第三逐框检查坐标是否自洽、是否超出图片边界。超出边界的情况在VOC里不算少见尤其用某些标注工具时框拖着拖着就越界了。参数说明要按实际调整如果JPEGImages里既有jpg也有png脚本里的img_names检查不会出问题但后面转YOLO时就要同时兼容两种后缀。类别分布这一步尤其重要如果只想做单一watermelon类别但XML里出现了Watermelon、water-melon这类变体就会变成多类任务。我一般建议先统计一遍确认类别后把名字统一好再往下走。这一步翻车是最不值当的因为它明明可以在一分钟内发现。3. 拆训练、验证、测试集1702张图怎么分最稳3.1 划分脚本与固定随机种子目标检测数据集的常规划分比例是8:1:1。1702张图我预估的规模是训练约1361张、验证约170张、测试约171张。保留独立的test集而不是只留train和val是因为最终要验证模型在完全没参与训练和调参的数据上的表现只看val容易过度自信。划分脚本要固定随机种子否则每次运行结果都不一样后续复现和排查都会变成玄学import os import random random.seed(42) ids [os.path.splitext(f)[0] for f in os.listdir(Annotations) if f.endswith(.xml)] random.shuffle(ids) n len(ids) n_train int(n * 0.8) n_val int(n * 0.1) train_ids ids[:n_train] val_ids ids[n_train:n_train n_val] test_ids ids[n_train n_val:] os.makedirs(ImageSets/Main, exist_okTrue) def write_list(path, id_list): with open(path, w) as fp: for idx in id_list: fp.write(idx \n) write_list(ImageSets/Main/train.txt, train_ids) write_list(ImageSets/Main/val.txt, val_ids) write_list(ImageSets/Main/test.txt, test_ids) print(train:, len(train_ids), val:, len(val_ids), test:, len(test_ids))逻辑说明先从Annotations目录拿到所有XML文件名取不含后缀的id作为划分单位。random.shuffle打乱顺序后按比例切片写进ImageSets/Main下的三个txt文件。这样做的价值在于后续YOLO训练时可以用这三个txt快速重组图片和标签而不用改任何标注文件。参数说明random.seed固定为42只是为了让划分结果可复现换成任何整数都行但必须固定。0.8和0.1的分配不是死的如果1702张图里某一类目标特别少可以考虑提高train比例到0.85同时把val压缩到0.1test保持0.05。但8:1:1在绝大多数中小型数据集上够用先按这个跑通不要一上来就搞复杂。3.2 划分后的核验与类别统计划分文件写完之后还要做一个容易偷懒但必须做的核验确认train.txt里每个id都能找到图片和XML否则训练时YOLO会疯狂报错或静默跳过样本。核验脚本如下import os for split in [train, val, test]: with open(fImageSets/Main/{split}.txt) as fp: ids [line.strip() for line in fp if line.strip()] missing [] for idx in ids: xml_path fAnnotations/{idx}.xml img_candidates [fJPEGImages/{idx}.jpg, fJPEGImages/{idx}.png] if not os.path.exists(xml_path): missing.append(xml_path) if not any(os.path.exists(p) for p in img_candidates): missing.append(idx) print(split, 总数:, len(ids), 缺失项:, missing)逻辑说明脚本逐行读划分txt去掉空行后检查对应的XML和图片是否存在。缺失项为空才可以继续。这里的空行坑特别常见Windows下编辑txt容易留空行或换行符异常YOLO读划分文件时会把空行当成一个id去查找报错信息又长又难懂。类别统计在划分后也要再做一次因为我们要确认train、val、test三个集合里的类别分布相近。如果西瓜图片里训练集几乎全是完整西瓜验证集却出现大量切开挖瓤的西瓜模型评估结果会严重失真。判断方法很简单对三个集合分别跑一遍2.2节的类别统计代码对比比例。差值超过10个百分点就要考虑按类别分层抽样而不是纯随机划分。这一步做完数据集才算是真的可用而不是“看起来能用”。4. VOC转YOLO转换脚本、目录重组与训练参数4.1 VOC转YOLO的转换脚本与归一化逻辑Ultralytics YOLO用的标注格式和VOC完全不一样每张图对应一个同名txt文件每一行是一个目标格式为“类别id x_center y_center width height”并且这四个坐标值都必须归一化到0到1之间。转换脚本的核心步骤如下import os import xml.etree.ElementTree as ET IMG_DIR JPEGImages ANN_DIR Annotations LABEL_DIR labels os.makedirs(LABEL_DIR, exist_okTrue) # 第一遍扫描所有XML建立类别名到id的映射 class2id {} for xml_name in sorted(os.listdir(ANN_DIR)): if not xml_name.endswith(.xml): continue root ET.parse(os.path.join(ANN_DIR, xml_name)).getroot() for obj in root.findall(object): name obj.findtext(name) if name not in class2id: class2id[name] len(class2id) print(类别映射, class2id) # 第二遍逐XML生成YOLO格式的label文件 for xml_name in sorted(os.listdir(ANN_DIR)): if not xml_name.endswith(.xml): continue xml_path os.path.join(ANN_DIR, xml_name) root ET.parse(xml_path).getroot() filename root.findtext(filename) img_path os.path.join(IMG_DIR, filename) if not os.path.exists(img_path): print(缺少图片跳过, img_path) continue img_id os.path.splitext(xml_name)[0] width int(root.findtext(size/width)) height int(root.findtext(size/height)) lines [] for obj in root.findall(object): if int(obj.findtext(difficult, 0)) 1: continue name obj.findtext(name) if name not in class2id: continue bnd obj.find(bndbox) xmin float(bnd.findtext(xmin)) ymin float(bnd.findtext(ymin)) xmax float(bnd.findtext(xmax)) ymax float(bnd.findtext(ymax)) if xmin xmax or ymin ymax: print(非法框跳过, xml_path) continue x_center (xmin xmax) / 2 / width y_center (ymin ymax) / 2 / height w (xmax - xmin) / width h (ymax - ymin) / height lines.append(f{class2id[name]} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}) out_path os.path.join(LABEL_DIR, img_id .txt) with open(out_path, w) as fp: fp.write(\n.join(lines))逻辑说明脚本分两遍处理。第一遍建立类别字典目的是保证类别id的分配顺序和后续配置文件一致如果第一遍不扫直接在转换时边遇到边分配id两个XML里同一个类名顺序错乱整个训练就废了。第二遍才是真正的坐标转换把VOC的绝对像素坐标转成中心点加宽高的归一化坐标。参数说明有四个容易踩的点。第一尺寸优先取XML里的size字段而不是去读图片。读图片更准但1702张图要全部解码一遍慢且没必要只要XML标注本身没问题size字段就可靠。第二difficult1的样本我默认过滤掉避免难例干扰早期训练等模型基础能力上来后再考虑要不要加回来。第三xmin、xmax、width这些值全部转成float再运算避免整数除法带来的精度丢失。第四输出格式里保留6位小数归一化坐标损失精度虽然不大但在小目标检测场景下会影响边界框回归6位是实践里比较稳的折中。4.2 目录重组、data.yaml与Ultralytics训练命令Ultralytics YOLO的数据集目录要求按images和labels分开放而且train和val要分开目录。前面VOC结构里的JPEGImages是散装图片annotations是散装XML现在要按3.1生成的划分txt重新组织mkdir -p datasets/watermelon/{images,labels}/{train,val,test} while read id; do cp JPEGImages/${id}.jpg datasets/watermelon/images/train/${id}.jpg 2/dev/null || \ cp JPEGImages/${id}.png datasets/watermelon/images/train/${id}.png cp labels/${id}.txt datasets/watermelon/labels/train/${id}.txt done ImageSets/Main/train.txt对val.txt和test.txt重复上面命令把目录名替换成val和test即可。逻辑说明这个循环会遍历划分文件里的每个id把对应的图片和label复制到新的数据集目录。cp先尝试jpg存在与否失败再用png兜底也就是那条2/dev/null或语法的作用。1702张图的量级用cp完全没有问题不需要写多线程。然后写data.yaml配置path: /你的绝对路径/datasets/watermelon train: images/train val: images/val test: images/test nc: 1 names: 0: watermelon参数说明path一定要写绝对路径相对路径在切换工作目录后经常找不到数据这是Ultralytics系列最常见的报错来源之一。train和val填相对于path的路径。nc是类别数量names的0号必须和前面转换脚本输出的class2id字典对应顺序错一个训练就全乱了。训练命令我用的是Ultralytics统一接口yolo detect train modelyolov8n.pt datawatermelon.yaml epochs120 imgsz640 batch16 workers4 device0参数说明model用yolov8n.pt起步n是nano参数最少、训练最快适合先验证代码流程确认没问题后再换yolov8s或更大模型。epochs设为120对1702张图偏多但配合早停策略问题不大稳妥做法是先跑50轮看损失曲线是否收敛。imgsz640是YOLO常见默认输入尺寸如果西瓜在画面里占比较大可以尝试512提速如果目标偏小可以上768或1024。batch16需要看显存显存紧张就降到8。workers4在Windows上比较稳Linux可以提到8。device0表示用第一张GPU没有GPU就写cpu。网上搜“yolov8训练自己的数据集”出来的流程绝大多数就是这三步整理目录、写data.yaml、跑train命令。如果你用的是更新的Ultralytics版本训练命令结构基本不变只是模型权重名换一下核心流程仍然适用。5. 避坑记录VOC转YOLO训练时最容易翻车的四个地方5.1 图片找不到训练一启动就报FileNotFoundError或大量样本被静默跳过现象训练启动后日志里出现大量image not found之类的警告训练能跑但实际参与训练的图片数量远小于预期整个模型训练完才发现数据不完整。原因最常见的两个第一个是划分txt里写了带后缀的文件名而VOC的划分习惯是不带后缀第二个是JPEGImages里图片是JPG大写后缀、划分文件里写的是jpg小写后缀Linux对大小写敏感直接找不到。还有一种隐蔽情况是文件名里有空格或中文Ultralytics的dataloader处理这类路径容易出问题。解决把图片文件名统一改成小写、去掉空格划分txt只写不带后缀的id。改完后重新跑一遍3.2的核验脚本确保缺失项为空再开始训练。5.2 坐标与图片尺寸不一致导致训练出来的框偏大、中心点跑偏现象损失值正常下降验证集mAP看起来也不差但把模型拿到真实图片上推理检测框总是比目标大一圈或者中心点明显偏离目标中心。原因XML里的size字段和实际图片分辨率不一致。例如标注工具把图片缩放后标注但XML里的size仍写着原图尺寸或者某张图被旋转、裁切过XML坐标没有同步更新。转换脚本以size为准做归一化size错了归一化坐标就和真实像素位置错位。解决在检查脚本中增加越界检测坐标超出图片范围就打印XML路径人工修正。这里有一个值得注意的细节允许5像素的容差因为浮点转换和resize过程有少量误差超过5像素就必须改XML不能只过滤跳过否则模型学到的目标位置是偏移的。5.3 val集mAP虚高但实际新场景识别率崩了图片划分“串数据”现象验证集mAP能到0.9以上放几张完全没见过的现场照片漏检严重。原因1702张图如果来自连拍视频帧或同一场景的多角度拍摄纯随机划分会把同一个西瓜、同一个光照环境的近似画面同时分到训练集和验证集。模型在训练阶段已经“背过”这些画面的特征验证集分数自然虚高一到真实场景就打回原形。解决按场景分组划分而不是按单张图片划分。判断场景分组的常见做法是看文件名前缀比如日期、相机编号、拍摄批次。import os import random groups {} for f in os.listdir(Annotations): if f.endswith(.xml): prefix f.split(_)[0] groups.setdefault(prefix, []).append(os.path.splitext(f)[0]) random.seed(42) group_ids list(groups.keys()) random.shuffle(group_ids) n_groups len(group_ids) n_train int(n_groups * 0.8) n_val int(n_groups * 0.1) train_ids [idx for g in group_ids[:n_train] for idx in groups[g]] val_ids [idx for g in group_ids[n_train:n_train n_val] for idx in groups[g]] test_ids [idx for g in group_ids[n_train n_val:] for idx in groups[g]]逻辑说明把同一前缀的图片当成一个组按组划分保证同一个场景不会同时出现在训练集和验证集。这样val的mAP才代表真实泛化能力。参数说明前缀取几位要根据实际文件名定可以先打印文件名分布再决定如果你发现前缀粒度太粗或太细就调整split(_)[0]的取值。5.4 batch、workers和resume使用不当造成显存溢出或训练震荡现象一训练就报CUDA out of memory或者中断后续训loss却比中断前更高。原因batch设得过大超出显存workers设得过大在Windows小数据集上频繁卡顿甚至崩溃中断后续训不传resumeTrue优化器状态没恢复学习率也从初始值重新开始导致损失曲线震荡。解决batch从8开始试显存占用稳定后再往上加workers在Windows下用4Linux小数据集用4或8。中断后一定要用yolo detect train resumeTrue续训。这个坑看上去很基础但连做过多轮数据集训练的人也会偶尔犯。6. 训练完先别急着部署用混淆矩阵、置信度和resize验证模型真实水平6.1 用官方验证接口看mAP之外的指标训练结束后Ultralytics会在runs/detect/train目录下生成混淆矩阵、P-R曲线、验证集预测图等文件。但很多人只看mAP数字就结束了。我的习惯是再跑一遍验证接口手动打印更多指标from ultralytics import YOLO model YOLO(runs/detect/train/weights/best.pt) metrics model.val(datawatermelon.yaml, splitval) print(mAP50:, metrics.box.map50) print(mAP50-95:, metrics.box.map)逻辑说明这段代码会重新对val集做一次完整评估。对单类别数据集来说混淆矩阵会退化成二分类问题mAP的参考价值反而有限更关键的是看precision和recall分别掉在哪一侧。如果precision低说明误检多推理时把conf调高如果recall低说明漏检多要么降低conf要么把imgsz调大以增强对小目标的感知。6.2 对我的意义第一遍永远跑小模型小轮次我处理这类中小型VOC数据集有个固定习惯拿到手先不直接上大模型而是用yolov8n、只跑50轮把从数据到评估的整条流水线完整跑一遍。确认没有路径问题、没有标注错位、没有划分串数据之后再加大模型、加轮次、调增强参数。这个方法帮我挡住了至少一半的翻车事故。批量调参前先手动跑几张现场图改一次conf只看一次效果才能知道模型真正的边界在哪里。希望这些经验对你有帮助。本文还有配套的精品资源点击获取
