最近在整理宠物识别相关的项目，手上这份4300张的猫狗检测数据集是从原始素材里一点点筛出来的，配合YOLO训练之后效果比较稳，所以想把整个流程完整记录下来。这篇文章不是单纯发一个数据集下载链接，而是把“数据从哪里来、标签怎么定、怎么用YOLO训练、训练完怎么评估和部署”这一整条链路讲透。如果你正准备用YOLO训练自己的数据集，不管是猫狗、车辆还是农作物，里面的思路基本都能平移过去。
很多人第一反应是：公开数据集不是一抓一大把吗，为什么还要自己整理？真正动手做一遍才知道，模型效果的上限一半取决于数据质量，另一半取决于你对数据分布的理解。4300张不算大，但足够验证YOLO的完整流程，也能用来练手数据清洗和标注规范。下面开始正题。
1. 数据准备：4300张图的来源、筛选条件与标注口径
1.1 数据来源与版权处理
我这份数据集主要来自三个部分：开放许可的图库素材、公开宠物摄影社区的授权图，还有自己和朋友拍摄的真实场景照片，比例大概是七成、两成、一成。所有来源我都做了记录，方便以后如果要商用，可以逐张确认授权。
这里必须提醒一句：如果你打算发布数据集或者用于商业项目，尽量不要去搜索引擎直接抓图，那里面版权状态不明，图像里的品牌、人脸、水印也都是麻烦事。我的原则是宁缺毋滥，与其后面引发纠纷，不如一开始就把来源不明的图删掉。数据处理这行，版权问题不是小概率事件，而是迟早会踩的坑。
1.2 从原始图到可用样本：清洗不是简单删模糊图
原始素材我收集了差不多6000张，最终只保留了4300张。清洗流程拆成四步。
第一步，分辨率过滤。低于320×320的图片直接不要，因为这类图放大到训练输入尺寸之后全是马赛克，模型学不到有效纹理。
第二步，清晰度过滤。我用OpenCV的Laplacian算子求方差，低于40的直接剔除，40到100之间的做人工抽检。这里有个特别容易犯的错：阈值不能设太高。我最初设成60，结果把大量浅景深的大光圈照片误判成模糊图删掉了，这些特写图其实非常有价值。后来改成40加人工复核，情况就好了很多。
第三步，去水印、贴纸和文字遮挡严重的图。水印会干扰模型学到不该学的特征，尤其是当某些水印位置恰好和猫狗身体重叠时，模型可能把水印区域也当成目标的一部分。
第四步，用感知哈希做相似去重。因为素材里有一部分是从视频里抽帧来的，同一个场景的连续帧非常相似，如果不做去重，训练集和验证集里会出现大量近似重复图，指标虚高得厉害。4300张最终图就是从这一步筛出来的。
1.3 标注规范：什么框该标、什么框不该标
标注工具我用的是labelImg，先标成Pascal VOC格式，再转成YOLO格式。你也可以直接用X-AnyLabeling或CVAT，不过最终都要转成YOLO要求的txt。
标注时我定了三条硬规则：
- 目标在画面中占比小于3%或大于95%的不标。过小的目标学了没用，过大的纯特写又会让模型对尺度产生偏见。
- 遮挡超过30%的个体不标。多只动物重叠时分别标注可见部分，完全重叠时只标最前面的一只。
- 边界框贴近身体主体，不需要包含尾巴尖、耳朵尖这些边缘，但也不能卡得太死，留出3%左右的边距。
全部标完第一遍之后，第二个人按20%比例抽检，框与真实物体IoU小于0.7的打回重标。4300张图最终得到约5200个实例，其中约300张图同时出现了猫和狗。
YOLO格式的txt每行代表一个目标：class x_center y_center width height。注意这里不是左上角和右下角，而是归一化后的中心点坐标和宽高，数值都在0到1之间。我第一次写转换脚本时就在这里栽过跟头，忘了把所有坐标除以图片宽高，结果训练时所有框都堆在图片左上角。
# 一张同时包含猫和狗的图，labels/xxx.txt内容示例 0 0.513281 0.487500 0.265625 0.737500 1 0.223047 0.367188 0.175781 0.425000第一行是cat，第二行是dog，类别索引后面每一项都是归一化坐标，训练前最好自己写个小脚本读几个txt抽查一下，不要直接扔给训练器。
2. 数据集内部结构：目录划分、类别分布与YAML配置
2.1 目录结构
这份数据的目录结构如下：
cats_dogs_dataset/ ├── images/ │ ├── train/ # 3420 张 │ ├── val/ # 440 张 │ └── test/ # 440 张 ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ ├── dataset.yaml └── README.mdimages和labels下的train/val/test必须一一对应。图片是.jpg，标签是相同文件名的.txt。YOLO训练时不会帮你检查标签缺失，标签缺失的图会被当成背景图训练，这个很容易让你以为自己数据很多，实际有效样本在缩水。目录路径里不要出现中文和空格，Windows下还要注意盘符和反斜杠的问题，尽量统一用绝对路径。
2.2 类别与尺寸统计
下面是这份数据集的基本统计：
| 项目 | 数值 |
|---|---|
| 总图片数 | 4300 |
| 总实例数 | 约5200 |
| cat实例 | 约2450 |
| dog实例 | 约2750 |
| 同时包含猫狗 | 约300张 |
| 分辨率范围 | 320×320 ~ 4000×3000 |
| 数据划分 | train 3420 / val 440 / test 440 |
类别比例大约是1:1.12，轻微的狗多猫少。这种程度不需要做类别重采样，YOLO自带的损失函数已经能处理。比较需要留心的是分辨率跨度大，有大量1080p的照片，也有少量4000×3000的高清图，在640训练分辨率下，小尺寸目标容易被压缩。第一版模型里离镜头远的猫漏检率明显偏高，后来我在清洗阶段专门保留了一些小目标样本，情况才有改善。
2.3 dataset.yaml的写法
YOLOv8训练需要的dataset.yaml内容如下：
path: /your/path/cats_dogs_dataset train: images/train val: images/val test: images/test names: 0: cat 1: dognames必须从0开始且连续，不能写1: cat、2: dog，否则类别索引会错乱。path建议写绝对路径，避免相对路径在不同机器上训练时找不到数据目录。如果你要把这份数据集发给别人，记得把path改成对方机器上的实际路径，这是最常见的“我明明配置对了为什么训练报错”的原因之一。
关于划分逻辑，val和test不是简单随机打乱，而是按拍摄来源分割。同一个来源的连拍图只允许出现在一个集合里，否则验证集和训练集有大量近似重复帧，评测出来的mAP会虚高，部署到真实场景立刻现原形。这个坑在你以后自己扩充数据时也会遇到，提前规划比事后补救省事得多。
3. 环境安装与首轮YOLOv8训练：参数怎么配更合理
3.1 环境组合
我的训练环境是Python 3.9、PyTorch 2.0.1、CUDA 11.8，ultralytics 8.0.x版本。安装很简单，一条命令：
pip install -U ultralytics依赖会自动装好。GPU建议6G以上显存，如果没有GPU，CPU也能跑，但这4300张图100轮可能要跑到怀疑人生。显存只有6G左右时，训练命令记得调低batch。
训练命令我用的这套：
yolo detect train \ data=dataset.yaml \ model=yolov8s.pt \ epochs=100 \ batch=32 \ imgsz=640 \ patience=20 \ device=0 \ project=runs \ name=catdogmodel=yolov8s.pt表示从预训练权重开始微调。epochs=100不是每次都一定训满，patience=20会在验证集连续20轮不提升时自动早停，我这次实际在第78轮就停了。batch=32在12G显存的RTX 3060上能跑，如果你是8G卡，改成16，再不行就8。首次运行会自动下载预训练权重，如果网络不太方便，也可以先从官方渠道把权重文件下载到本地，再把model参数改成权重文件的本地路径。
3.2 模型规格怎么选
YOLOv8的n/s/m/l/x五档，我最后选了s。理由很简单：猫狗检测任务单场景、类别少、目标尺寸相对固定，n的速度虽快但特征提取能力弱，在这份数据上mAP会比s低三到四个点；m比s精度提升有限，推理速度却慢一截；x在这种数据量下非常容易过拟合，除非你后续把数据扩到两三万张。
我的建议是：跑训练之前把n和s各跑一版，用测试集对比一下，再决定最终用哪一个，不要凭感觉选。如果你做边缘设备实时检测，选n更合适；做服务器端离线分析，可以尝试l。数据量就4300张时，盲目追求大模型是亏本买卖。
3.3 训练前的数据自检脚本
正式训练之前，我强烈建议先跑一遍数据完整性检查，这是低成本高收益的操作：
import cv2 from pathlib import Path for phase in ["train", "val", "test"]: img_dir = Path(f"images/{phase}") for img_path in img_dir.glob("*.jpg"): img = cv2.imread(str(img_path)) if img is None: print("损坏图片:", img_path) img_path.unlink()这段脚本会把无法解码的图片删掉并打印文件名。我第一次训练的时候没做这个检查，结果中途loss变成NaN，排查了半天，最后发现就是有张损坏的webp图片被改成jpg后缀混了进来。现在我把这个检查固定成了训练前的一个步骤，再也没在数据解码上踩过坑。
4. 训练过程观察：损失曲线、BN崩溃和不可忽视的数据增强
4.1 YOLO三项损失各管什么
训练日志里常见的有box_loss、cls_loss、dfl_loss三项。box_loss是回归损失，管预测框和真实框的位置偏差；cls_loss是分类损失，管目标属于猫还是狗；dfl_loss是Distribution Focal Loss，管边界框的分布估计，主要影响框的精细程度。
对猫狗检测来说，用户最直观的感受不是类别判断错，而是框框得准不准。所以我会优先看box_loss和dfl_loss是否持续下降。分类错的情况其实很少见，猫和狗的外形差异足够大，真正难的是把框精确贴合到动物的身体上，尤其是猫这种可以随时把自己扭成各种形状的生物。
我这次训练的指标变化大致如下：
| 指标 | 第30轮 | 第60轮 | 最终(约78轮) |
|---|---|---|---|
| box_loss | 1.12 | 0.96 | 0.91 |
| cls_loss | 0.68 | 0.55 | 0.50 |
| dfl_loss | 1.18 | 1.05 | 1.01 |
| mAP@50 | 0.86 | 0.92 | 0.94 |
| mAP@50:95 | 0.64 | 0.73 | 0.77 |
如果看到train loss持续下降但val loss回升，就是过拟合信号，需要加大数据增强、减小模型规模或提前早停。如果mAP@50很高但mAP@50:95始终上不去，多半是框的回归精度不够，可以试试把imgsz从640提到960，代价是训练时间和显存都会涨。这份数据集原始图很多是1080p，640缩放下小目标信息丢失严重，提高分辨率往往比改网络结构更直接。
4.2 训练中BN崩溃的一次处理
我在第一次完整训练时，跑到第17轮loss突然变NaN，日志里全是nan。当时以为是学习率问题，调低了之后重跑，还是在差不多的轮次炸掉。后来把数据翻了一遍，才发现是images/train里混进了一张损坏的图片，OpenCV解码出来是空矩阵，BN统计量直接在那一批里崩了。
处理办法分两步：第一步，写脚本遍历所有图片，解码失败的直接删除；第二步，把batch从8提高到16，因为batch太小会让BN的统计量波动变大，更容易触发数值不稳定。之后重新训练就完全正常了。
这里有个经验：看到NaN先查数据，再查学习率，最后查网络结构。数据问题是最常见也最容易忽略的，特别是你从各种渠道收集图片的时候。
4.3 内置增强已经够用，别急着魔改
YOLOv8默认开启了Mosaic、MixUp、HSV扰动、随机翻转等增强。Mosaic会把四张图拼在一起训练，对小目标学习和泛化都有帮助，但它在训练后期可能会让BN统计不稳定，ultralytics默认最后10轮会自动关掉close_mosaic，这个不需要手动干预。
我见过不少人一上来就给猫狗数据加旋转、裁剪、灰度化，结果训练集和测试集分布差异拉大，验证集指标反而掉了。对自然图像目标检测来说，默认增强通常已经足够，真正的短板往往在数据分布本身，而不是增强策略不够花哨。如果你真想加自定义增强，先跑一版默认配置拿到baseline，再一版一版对比，别一次性全堆上去。
5. 测试集评估与Badcase复盘：猫狗检测真正难在哪
5.1 测试集指标怎么看
训练完用测试集跑一轮，我得到的结果如下：
| 类别 | 实例数 | Precision | Recall | mAP@50 | mAP@50:95 |
|---|---|---|---|---|---|
| cat | 240 | 0.913 | 0.887 | 0.929 | 0.744 |
| dog | 280 | 0.928 | 0.906 | 0.953 | 0.785 |
| all | 520 | 0.921 | 0.897 | 0.942 | 0.768 |
mAP@50是IoU阈值0.5下的平均精度，mAP@50:95是不同IoU阈值取平均，后者更严格。从结果看，dog的recall比cat高，主要原因是测试集里远距离的猫、被遮挡的猫更多，这是数据本身带来的难例差异，不是模型对狗有偏爱。
测试集440张图约520个实例，一张图里多只动物的情况非常多，所以不要把实例数和图片数搞混。我之前就有朋友看完日志问我，为什么混淆矩阵每行加起来不等于图片总数，因为他漏掉了“一张图可以有多个目标”这个前提。
训练完可以在验证集上生成混淆矩阵，我这次的结构大致如下：
| 真实类别 | 预测为cat | 预测为dog | 漏检 |
|---|---|---|---|
| cat | 221 | 11 | 8 |
| dog | 12 | 260 | 8 |
“漏检”列表示模型没有输出任何框，这一列往往被很多人忽略。猫狗之间互相误检的比例其实很低，真正的错误大头是漏检。优化顺序应该是先补难例数据，再考虑调模型结构，不要一上来就换网络。
5.2 三个典型Badcase复盘
第一个典型错误是白狗贴白墙。白色贵宾犬在白色墙壁前，框只框到身体的一半，因为目标边缘和背景颜色融为一体。这种问题靠调阈值解决不了，我后来补充了浅色背景、低对比度的样本，训练后这类漏检明显减少。
第二个是沙发缝里的猫。猫只露出半张脸，模型直接漏掉。处理方式是训练时保留更多局部遮挡样本，并且承认一个事实：对极度遮挡的目标，漏检是合理结果，任何检测器都无法从半张脸里还原一只完整的猫。
第三个是人抱狗的大框。模型把人手里抱的狗框出来了，但框把人的手臂也包进去，IoU能过0.5但mAP被拉低。这类错误说明模型对“完整目标”边界的理解还不够，需要在标注阶段更严格地把手臂区域切掉。
Badcase复盘我推荐一套流程：把测试集预测结果按confidence从低到高排序，先看低置信度漏检，再看高置信度误检，最后才看边界框偏移。不要随机抽100张图看，那样大概率看到一堆顺利检测的图，覆盖不到边缘问题。
6. 部署导出与进一步扩展：从检测宠物到真实场景落地
6.1 导出ONNX与TensorRT
训练完成后，导出到部署格式的命令如下：
yolo export model=runs/detect/catdog/weights/best.pt format=onnx imgsz=640 opset=12导出后可以用onnxruntime推理，部署机上就不用装整套PyTorch了。一个最简推理示例：
import cv2 import numpy as np import onnxruntime as ort sess = ort.InferenceSession("best.onnx") input_name = sess.get_inputs()[0].name image = cv2.imread("test.jpg") image = cv2.resize(image, (640, 640)) blob = image[..., ::-1].transpose(2, 0, 1)[None].astype(np.float32) / 255.0 outputs = sess.run(None, {input_name: blob})导出时的imgsz一定要和训练时保持一致，否则精度会掉。如果部署到NVIDIA显卡，可以进一步转TensorRT engine，Intel平台可以转OpenVINO。CPU实时推理时把imgsz降到416是常用的提速手段，但降完要重新验证mAP，不能想当然。
6.2 视频流检测框抖动的处理
摄像头和RTSP视频流最常遇到的问题是框抖动。单帧检测看起来都准，放到视频里就是框忽大忽小、位置来回跳。最简单的解决办法是EMA平滑，对每一帧新框的坐标和置信度，按0.7的权重和上一帧的平滑结果做加权平均，类别置信度也做同样处理。连续几帧置信度都很低的框直接不显示，避免闪烁。
另外，视频流推理不要逐帧做全分辨率检测。可以每隔一帧检测一次，中间帧用简单跟踪来补，边缘设备也能跑实时。这个方案比硬上TensorRT更轻量，也更容易在代码里落地。
6.3 数据集后续扩展与结构改进思路
这套4300张数据可以往几个方向继续扩。一是补夜间红外、逆光、雨雪天气的场景，让模型在安防场景更稳；二是用初版模型的预测结果对未标注图片做伪标注，人工修正后加入训练集，这是成本很低的扩数据方式；三是把类别从cat/dog细分到品种，不过品种特征对遮挡和小目标非常敏感，至少每个品种要准备几百张图才有效。
社区最近有不少YOLO结合Transformer、各种注意力模块的改进结构，这些工作在COCO上确实有提升，但在这类单一宠物场景里，我的实测感觉不如把分辨率提高、把难例数据补齐收益大。所以如果训练效果不满意，先看数据，再看结构，最后才轮得到调参。
做完这一轮，我自己最大的体会是：数据清洗和标注一致性的收益，远大于换模型、调学习率带来的提升。4300张不算多，但每一张都是人工筛过、按同一套标准标出来的，这也是为什么小规模数据集能直接训练出一个可用检测器的原因。后面你如果只是跑demo，可以直接沿用这套划分和yaml配置；如果要做严肃项目，我建议从清洗这一步重新过一遍自己的数据，标准比数量更重要。
