舌头舌像检测数据集双格式800张，YOLOv8训练全流程实战

简介：面向中医舌诊、医学影像分析与目标检测研发，提供八百张舌头照片及一一对应的标注文件，覆盖bobai、fenhong、houbai、houhuang、huihei五个类别，每张图像均同时给出Pascal VOC格式的XML与YOLO格式的TXT两套标注，无需手动转换即可直接接入常见检测框架。压缩包共两千个文件，其中包含八百零二个标签文件、八百个XML标注文件以及三百九十八张JPG图片，总大小约二十九点八四兆字节，文件夹按图像、标注、类别说明分层存放，并附有类别与框数统计信息，便于批量读取、划分训练集以及快速掌握标注分布。目前该数据集已有一千二百四十四人学习浏览，可作为舌象识别或医学目标检测任务的训练集、验证集或测试集，也可用于对比不同标注格式对模型效果的影响。全部矩形框均由标注工具人工绘制，总计八百个标注框，五个类别框数从一百四十七到一百七十四不等，分布较为均衡；双格式文件设计能帮助初学者省去格式转换步骤，也让有经验的开发者可以更灵活地选择输入方式，整体实用性强。

1. 舌头舌像检测数据集：800张五类双格式，先对齐标注再谈训练

中医舌诊的客观化，第一步通常是让模型稳定地找到舌头在哪里。真做过这个方向的人，多半会先卡在数据上：通用检测数据集里没有舌头场景，自己标又太费时间，最需要的其实是那种解压就能直接进训练的格式包。这份“舌头舌像检测数据集VOC+YOLO格式800张5类别”恰好就是这种形态：800张舌像图片，五个检测类别，同时交付VOC XML和YOLO txt两套标注组织方式，图片与标注文件名一一对应。解压之后用YOLOv5或v8都能直接消费，训练出问题又能回头查XML原始坐标，不用跟黑匣子死磕。

适用对象有两类：一类是把目标检测接进中医望诊项目的开发者，另一类是刚上手YOLO、想拿着带标注数据跑通完整流程的入门者。800张对深度学习不算大，但胜在标注齐、双格式、类别语义集中，做预训练微调和流程验证非常合适。下面按拆包、格式对照、YOLOv8训练、踩坑、进阶验证的顺序，把这份数据完整过一遍。

2. 双格式包为什么容易用错：VOC XML 与 YOLO txt 的字段映射和转换实战

拿到压缩包的第一件事，不是把图片丢进训练脚本，而是先打开几个标注文件做对照。VOC XML是树形结构、存像素绝对坐标；YOLO txt是纯文本、存归一化中心坐标。两者转换本身不复杂，但翻车往往集中在文件名映射和 size 字段上。先把这一层搞清楚，后面训练才稳。

2.1 解包后的第一件事：核对类别清单和文件名映射

我一般用 7z 命令行解压，不用图形工具，方便直接看目录结构。

7z x 舌头舌像检测数据集VOC+YOLO格式800张5类别.7z -o./tongue_data find ./tongue_data -type d | head -20

7z x会保留压缩包内的完整目录层次，-o指定解压目标目录。head -20只是先看前 20 个目录，确认是不是预期的 images / labels 或 JPEGImages / Annotations 布局，不需要一次把全部文件列出来刷屏。

目录确认后，还要做一件很多人跳过的事：统计 XML 里到底出现了哪些类别名，以及每个类别出现多少次。

grep -o "<name>.*</name>" ./tongue_data/Annotations/*.xml | sort | uniq -c

这条命令把所有 XML 里的<name>标签内容提取出来，sort | uniq -c计数。输出结果就是整个数据集的类别清单和数量分布。这一步之所以重要，是因为 YOLO 训练时类别编号严格依赖names列表的顺序，比如classes.txt里第一行对应编号 0，第二行对应编号 1。如果数据集的五个类别是胖大舌、齿痕舌、裂纹舌、红舌、白苔，那你的data.yaml就必须按这个顺序写，不能自己重新排，更不能按拼音排。排序错了，训练不报错，但预测结果全部错位，这是最隐蔽的坑之一。

2.2 VOC XML 与 YOLO txt 的字段逐项对应

两份标注格式的核心差异，先看一张对照表。

换算关系就是下面四个式子：

• x_center = ((xmin + xmax) / 2) / image_width
• y_center = ((ymin + ymax) / 2) / image_height
• w = (xmax - xmin) / image_width
• h = (ymax - ymin) / image_height

注意分母用的是图片真实宽高，不是 XML 里 size 节点写的值。大部分情况两者一致，但偶尔会出现 XML 的 size 与 JPEG 实际尺寸不一致，尤其是从不同标注工具导出、经过裁剪或二次压缩后。这种不一致造成的偏移肉眼很难发现，只有可视化时才会显现，所以转换脚本里我习惯直接用 OpenCV 读图片尺寸，而不是信 size 节点。

2.3 一个可以抄走的 VOC 转 YOLO 脚本

以下是我日常处理这类舌头舌像数据集的转换脚本，不依赖任何标注工具，Python 标准库加 OpenCV 就够。

import os import cv2 import xml.etree.ElementTree as ET # class_names 必须与最终 data.yaml 里的 names 顺序严格一致 class_names = ["胖大舌", "齿痕舌", "裂纹舌", "红舌", "白苔"] def voc_to_yolo(xml_path, out_dir): tree = ET.parse(xml_path) root = tree.getroot() # 用 OpenCV 读实际图片尺寸，避免 XML size 字段不准确 img_path = os.path.splitext(xml_path)[0] + ".jpg" if not os.path.exists(img_path): img_path = img_path.replace(".jpg", ".png") img = cv2.imread(img_path) if img is None: print(f"WARN: cannot read {img_path}, skip {xml_path}") return img_h, img_w = img.shape[:2] lines = [] for obj in root.findall("object"): name = obj.find("name").text if name not in class_names: print(f"WARN: unknown class {name} in {xml_path}") continue cls_id = class_names.index(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) # 如果出现出界坐标，做一次裁剪，避免归一化后数值超出 0~1 xmin = max(xmin, 0) ymin = max(ymin, 0) xmax = min(xmax, img_w) ymax = min(ymax, img_h) x_center = ((xmin + xmax) / 2) / img_w y_center = ((ymin + ymax) / 2) / img_h w = (xmax - xmin) / img_w h = (ymax - ymin) / img_h lines.append(f"{cls_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}") if not lines: print(f"WARN: no valid box in {xml_path}, do NOT write empty txt") return out_path = os.path.join(out_dir, os.path.splitext(os.path.basename(xml_path))[0] + ".txt") with open(out_path, "w") as f: f.write("\n".join(lines))

代码逻辑不复杂，但有三个细节值得说明。第一，类别名不在class_names里时直接跳过而不是报错，这样能容忍数据集里混入个别脏标注。第二，坐标做了上下限裁剪，xmax大于图宽时压回图宽，防止归一化后出现大于 1 的数值，YOLO 对这类越界框处理并不友好。第三，没有有效框的 XML 不生成空 txt 文件，因为空 txt 在训练阶段会被当成“无标签图片”，导致大量报错日志刷屏。

这个脚本我一般会配合一个简单的目录扫描循环使用，把Annotations/下的所有 XML 逐一遍历，输出到labels/对应目录。如果你拿到的数据已经是 YOLO txt 版本，那这一步可以跳过，但建议抽几个文件手动算一遍坐标是否符合上面公式，确认没有转换端引入的脏数据。

3. 处理数据集用于 YOLOv8 训练：800 张五类舌像的目录拆分与完整跑通

格式确认完，就可以正式进入训练环节。这一章围绕 YOLOv8 展开，步骤拆得比较细，新手可以完全照做，熟手可以直接跳去看参数选择逻辑。

3.1 目录结构设计与预训练权重选择

YOLOv8 对数据目录有约定但不强制，最省心的方式是直接用 images / labels 两级结构。

mkdir -p tongue_data/{images/{train,val},labels/{train,val}}

把数据集里的图片和标注分别放进images/train、images/val、labels/train、labels/val四个目录。图片和标注文件名必须完全一致，只是扩展名不同，a01.jpg对a01.txt。train与val的划分建议按 7:3 或 8:2，但这个数据集本身可能已经划分好，解压后先确认有没有现成的 train / val 子目录，如果有就别再自己切一遍。

预训练权重方面，我一般会用yolov8n.pt而不是更大的yolov8s.pt或yolov8l.pt。原因是 800 张图的数据量撑不起大模型，n 版本参数量小，收敛快，在 GTX 1660 这类 6GB 显存卡上也能跑，而且用大模型在这个规模下不一定能带来 mAP 提升，反而更容易过拟合。ultralytics 库会在第一次执行时自动拉取对应权重文件，你也可以手动把权重放到当前目录，指定model=yolov8n.pt即可。

3.2 数据 yaml 与训练超参数设置

数据描述文件是 YOLOv8 训练的关键，一个典型的舌像数据 yaml 长这样。

path: ./tongue_data train: images/train val: images/val names: 0: 胖大舌 1: 齿痕舌 2: 裂纹舌 3: 红舌 4: 白苔

path是数据集根目录，train和val是相对path的图片目录。names的顺序必须和 2.3 节class_names列表完全一致，这是整个流程里最容易出错的一环，前面错一步，后面全乱。

训练命令我常用下面这一组参数。

yolo detect train \ model=yolov8n.pt \ data=tongue.yaml \ epochs=120 \ batch=16 \ imgsz=640 \ workers=4 \ patience=20 \ cache=True

参数含义逐个说明。epochs=120是针对 800 张图的经验值，太短模型没收敛，太长浪费时间，反正有早停机制兜底。batch=16需要看显存，6GB 卡跑 640 分辨率时 16 是安全的，如果显存只有 4GB，降到 8。imgsz=640是 YOLOv8 默认训练尺寸，舌像数据里舌头通常占据画面主体，不太需要切成 1280 大图去抠小目标，640 性价比最高。patience=20表示连续 20 个 epoch 验证集指标不提升就自动停止。cache=True把图片缓存到内存，800 张图完全放得下，能明显加快训练迭代速度。

3.3 训练日志里的关键指标怎么看

训练过程中，终端会实时输出 box_loss、cls_loss 和各类 mAP 指标。对舌像检测来说，我一般重点关注三处。

第一是 box_loss 和 cls_loss 的下降曲线。正常情况两者在前 30 个 epoch 快速下降，之后平稳波动。如果 box_loss 在某一步突然反弹并持续走高，说明学习率可能偏大，或者数据里存在标注坐标严重错误的框。

第二是 mAP50 的收敛值。舌头检测框本身的形状主观性较强，不同标注者对“舌头边界”的理解会有差异，mAP50 达到 0.90 以上而 mAP50-95 只有 0.6 左右，在舌象场景里是正常的，不必强求高 IoU 下的指标。mAP50-95 计算的是从 0.5 到 0.95 多个 IoU 阈值的平均，舌头边缘的框难以做到像素级精确，所以这个值天然会被拉低。

第三是 train 和 val 的 loss 差值。如果 train loss 一路下降但 val loss 在某个 epoch 后开始回升，就是过拟合信号，这时候可以提前终止训练，增加数据增强强度，或者换更小的模型。800 张图训练 120 轮，过拟合风险真实存在，我会结合 4.4 节的做法提前做干预。

3.4 用最佳权重做推理验证

训练结束后，runs/detect/train/weights/下会有best.pt和last.pt。前者是验证集指标最好的权重，后者是最后一个 epoch 的权重。部署和后续实验都用best.pt。

from ultralytics import YOLO model = YOLO("runs/detect/train/weights/best.pt") results = model.predict( source="tongue_data/images/val", conf=0.25, iou=0.5, save=True, save_txt=True )

conf是置信度阈值，低于这个值的目标会被丢弃。舌像场景我建议先用 0.25 跑一遍，看输出图里是不是漏掉了边缘较暗的舌头，如果漏了再降到 0.15。iou=0.5是 NMS 的 IoU 阈值，两个重叠框的交并比超过 0.5 时只保留高置信度的那个。save_txt=True会把检测结果同时存成 txt 文件，方便和标注文件做对比，看模型倾向在哪一类上误检。

这里的核心技巧是：每跑一个新数据集，不要只盯着终端里那个 mAP 数字，必须抽至少 20 张验证集图片看可视化结果。因为舌像的检测框和自然物体不一样，模型可能在指标上表现很好，但框的位置整体偏左或偏右，这种系统性偏差在 mAP 里不容易暴露，眼睛一扫就能看出来。

4. 跑舌像检测最容易翻车的五个问题：现象、原因与排查方法

800 张数据集的规模不大，训练本身不会太慢，但真正消耗时间的经常是各种奇怪的报错和指标异常。这一章整理五条高频踩坑记录，每一条都是按“现象 → 原因 → 解决”的顺序来写。

4.1 训练开始就提示 labels 找不到或验证集 mAP 恒为 0

现象：训练刚启动，终端大量输出类似image 001.jpg: found no labels的警告，跑完 120 个 epoch，验证集 mAP 始终是 0。

原因：最常见的有三种。一是labels/目录下缺少与图片同名的 txt 文件；二是 txt 第一列的类别编号超过了names里定义的类别数量，比如names写了 5 类，但有 txt 文件里出现了编号 6；三是 txt 文件本身是空文件，或某一行只有一个数字没有完整的五个字段。

解决：先扫空白文件，再检查编号越界。

find labels -name "*.txt" -size 0 -print

这条命令把所有 0 字节的 txt 文件列出来，空标签文件直接删掉，或对应到 XML 重新生成。编号越界和字段缺失用下面的 Python 片段检查。

with open("labels/train/001.txt", "r") as f: for i, line in enumerate(f): parts = line.strip().split() if len(parts) != 5: print(f"bad line {i+1}: {line}")

养成习惯很重要：在训练前先跑这两段检查，能省掉一整轮调试时间。

4.2 从 VOC 转 YOLO 后所有框偏移到图像角落

现象：用 2.3 节脚本转换后，挑了几张图可视化，发现检测框全部跑到图像边缘，或者框的长宽比例明显不对，像是被压缩过。

原因：最常见的是 XML 的size节点和图片实际尺寸不一致。很多标注工具在导出时会写一个固定的宽高，比如统一写 640×640，但实际图片可能是 960×540。如果转换脚本用size做分母，归一化坐标就会整体错位。

解决：这也是我在脚本里坚持用 OpenCV 读真实尺寸的原因。遇到这种情况，先取一张图片，用下面命令确认实际尺寸。

import cv2 img = cv2.imread("a01.jpg") print(img.shape) # 输出 (height, width, channels)

对比 XML 里的size/width和size/height，不一致就统一以实际尺寸为准重新转换。另外，如果图片的拍摄设备存在 EXIF 旋转信息，也可能出现宽高互换的问题，这时候要在读取时先按cv2.ORIENTATION校正方向，再做尺寸判断。

4.3 少数类别总是检不出或 mAP 为 0

现象：五个类别里三个正常，两个的精确率和召回率始终很低，甚至 mAP 为 0，单独看这两个类别的图片，模型完全没有输出框。

原因：类别分布不均衡。舌像数据集中类别框数量差异较大，比如“白苔”只有几十个样本，“胖大舌”有两百多个，模型天然会更倾向于学习样本量大的类别。YOLOv8 的损失函数虽然有类别权重，但默认配置不会单独偏向少数类。

解决：我一般先做一次类别统计，确认差异幅度。模型层面可以给少数类别提高存在感，常见做法是用图像过采样复制，也就是把包含少数类的图片在训练集里多放几份。但注意不要简单把同一张图片复制多遍，最好配合 5.2 节的增强一起做，否则容易导致模型对这几张图过拟合。另外，训练时可以把cls损失权重从 0.5 调到 0.7，让模型更重视分类分支。这里的血泪经验是：不要一上来就调 loss，先看清楚少数类到底是“质量差”还是“数量少”，如果是质量差，过采样只会放大错误标注的影响。

4.4 训练中 BN 崩溃导致 loss 跳成 NaN

现象：训练到某个 epoch，box_loss 突然变成nan，后续所有指标都跟着变成nan，重启训练又可能在更早或更晚的 epoch 复现。

原因：这是 YOLO 训练中 BN 崩溃的典型表现。常见诱发条件是学习率过大加上 batch size 过小，batch normalization 的统计量在梯度更新幅度过大时失去稳定性，数值溢出。在自定义数据集上，如果使用了预训练权重但没冻结骨干网络，初始学习率还保持 ultralytics 默认的 0.01，遇到小 batch 时更容易触发。

解决：先确认是不是学习率问题，把初始学习率降到 0.001 试一轮，再看 batch size 是否小于 8。ultralytics 官方建议 batch size 不低于 16 时 BN 才稳定，如果显存不够，可以先降 imgsz 到 480 而不是降 batch。还有一个更直接的做法是换用yolov8n.yaml从零训练，不加载预训练权重，虽然收敛慢一些，但能跳过预训练权重 BN 统计量与当前数据分布冲突的环节。这条问题是我自己被坑过两次之后才总结出来的，最初一直怀疑是数据集标注有问题，其实问题在优化器。

4.5 验证集效果不错，但换到现场拍摄的照片整体拉胯

现象：训练时 val 指标看着正常，把模型换到手机或现场摄像头拍摄的新照片上，检测框要么漏掉，要么置信度极低，看起来模型像是白训了。

原因：领域偏移。数据集的 800 张图可能来自特定拍摄设备、固定光照和固定姿势，现场照片的色温、亮度、舌体占比都有差异。中医舌象尤其敏感，白平衡不同会让同一舌头的颜色在 RGB 空间里差别很大，而颜色正是模型区分类别的重要依据。

解决：部署侧尽量把输入图像的采集条件统一。第一步是定义统一的前处理：无论原图多大，先等比缩放后填充到 640×640，不要直接拉伸。第二步是加白平衡归一化，用灰度世界算法把RGB 三个通道的均值拉平，这在舌象场景里比任何深度学习颜色校正都稳定。第三步，关闭手机的自动美颜和锐化滤镜，这类处理会改变舌体边缘纹理，对检测框精度影响很大。

这套做法不改变模型本身，但能明显改善跨设备的泛化，属于投入产出比非常高的部署工程处理。

5. 800 张数据也能继续压出价值：类别分布统计与舌像专属增强

数据量固定在 800 张，不太可能靠堆数据提升效果，但有两件事能把数据集的利用效率拉高一截：训练前做数据体检，训练中用适合舌象语义的增强方式。

5.1 先统计类别框分布，拒绝盲训

import os from collections import Counter class_names = ["胖大舌", "齿痕舌", "裂纹舌", "红舌", "白苔"] box_counts = Counter() for root, _, files in os.walk("labels"): for f in files: if not f.endswith(".txt"): continue path = os.path.join(root, f) if os.path.getsize(path) == 0: print(f"empty label: {path}") continue with open(path) as fp: for line in fp: parts = line.strip().split() if len(parts) != 5: print(f"bad line in {path}: {line}") continue box_counts[int(parts[0])] += 1 for cls_id in range(len(class_names)): print(f"{class_names[cls_id]}: {box_counts[cls_id]}")

这段脚本把每个类别的框总数统计出来，同时标记空标签和格式异常行。看输出时重点关注两点：最低频类别与最高频类别的比例，如果是 1:10 以上，就需要考虑过采样；另外，空标签数量如果超过 20 个，说明标注过程存在漏标，最好是回原图检查而不是直接删掉。

5.2 舌象增强要保护颜色语义

通用目标检测的随机增强套件在舌象上不能直接用，尤其是 HSV 扰动，幅度大了会把“红舌”变成“淡红舌”，“白苔”变成“黄苔”，把训练数据的语义直接改歪。我常用的增强组合是这样的。

import albumentations as A transform = A.Compose([ A.HueSaturationValue( hue_shift_limit=5, sat_shift_limit=10, val_shift_limit=20, p=0.5 ), A.RandomBrightnessContrast( brightness_limit=0.1, contrast_limit=0.1, p=0.5 ), A.RandomSizedBBoxSafeCrop( width=512, height=512, erosion_rate=0.2, p=0.3 ), ], bbox_params=A.BboxParams(format="yolo", label_fields=["class_labels"]))

HueSaturationValue的hue_shift_limit控制在 5 而不是通用增强里常见的 30，因为色相直接对应舌象类别，小幅扰动可以让模型对光照色温更鲁棒，大幅扰动则会摧毁类别边界。RandomSizedBBoxSafeCrop做的是带框安全裁剪，裁剪过程保证所有已有的标注框不被切坏，这比普通的随机裁剪对检测任务友好得多。

5.3 用置信度扫描确定部署阈值，而不是一直用默认值

很多人在部署时直接用训练时的 conf=0.25，但验证集最优阈值和实际部署最优阈值往往不是同一个值。我习惯在验证集上做一个简单的阈值扫描。

from ultralytics import YOLO model = YOLO("runs/detect/train/weights/best.pt") for conf in [0.15, 0.25, 0.35, 0.5]: metrics = model.val(conf=conf, iou=0.5) print(f"conf={conf} mAP50={metrics.box.map:.4f}")

输出后对比不同置信度下的 mAP50，选择一个在保持召回率的前提下让误检最少的阈值。同时配合查看验证生成的混淆矩阵，确认错检主要发生在哪些类别对之间，比如白苔被误判成红舌，就说明颜色特征在训练集里区分度不够，这时优先检查 5.2 节的色相增强幅度是否仍然偏大，或者是否需要增加对应类别的样本。

从那以后，我每次拆开一份新的舌像数据集，都会先强制走一遍“类别统计 → 空标签扫描 → 置信度扫描”这套流程，再决定怎么训练，而不是拿到手就全量跑。800 张图看起来不多，但只要格式对齐、训练参数合理、增强方式符合舌象语义，训练出来的模型在目标场景里完全够用。希望帮到你。

本文还有配套的精品资源，点击获取