简介：这份资源面向计算机视觉入门与进阶学习者，提供一套可直接用于YOLO系列目标检测训练的猫狗数据集，帮助解决自建数据集标注耗时、格式转换繁琐、训练集划分混乱等常见问题。压缩包共2000个文件，约23.05MB，包含1000张真实场景图片及对应标注，其中xml为VOC格式、txt为YOLO格式，另有json形式的COCO标签与yaml数据配置文件，并附带多个Python划分脚本，可一键生成训练集、验证集、测试集及ImageSets索引文件。资源还配套Windows与Linux双平台的YOLO环境搭建、训练教程及案例修改说明，方便读者按自身系统快速跑通流程。目前已有1355人学习下载，适合课程设计、毕业项目或算法验证场景，拿到后即可直接投入模型训练与效果对比。
1. 从一堆散装图片到可训练数据集：YOLO猫狗检测到底要过几道手
你手里如果有一批猫狗照片，想直接丢进 YOLO 训练，大概率第一步就卡住——图片是散的，标签没有，格式不对，划分脚本还得自己写。这个标题说的就是这件事：1000 张猫狗图片，配上 VOC、COCO、YOLO 三种格式的标签，再加一个划分脚本和训练教程。听起来像是一个打包好的资源，但真正值钱的地方不在图片本身，而在于三种标签格式之间的转换逻辑和划分策略。
猫狗检测是目标检测里最经典的二分类场景，类别少、目标大、背景相对干净，适合用来跑通全流程。但很多人拿到数据集之后，直接train一跑，要么路径报错，要么标签对不上，要么验证集 mAP 死活上不去。问题往往不出在模型上，而是数据格式和划分方式埋了雷。这篇内容面向的是想用猫狗数据快速验证 YOLO 训练链路的人，不管你是刚接触目标检测，还是已经跑过几个项目但总在数据环节翻车，下面的步骤和参数都能直接抄。
2. 三种标签格式到底怎么选：VOC、COCO、YOLO 的适用边界
2.1 为什么同一个数据集要存三份标签
VOC 格式是 XML，每个图片对应一个 XML 文件，里面用<bndbox>存xmin、ymin、xmax、ymax。它的好处是可读性强，标注工具支持广，很多老牌检测框架和评测脚本默认吃 VOC。缺点是文件数量翻倍，1000 张图就是 1000 个 XML，磁盘上碎文件多，批量处理时 I/O 压力明显。
COCO 格式是一个大的 JSON 文件，所有图片、标注、类别都塞在一起。它的优势是结构紧凑，适合做数据集的统一管理和跨框架迁移，比如你后面想换 Detectron2 或者 MMDetection，COCO JSON 基本是通用货币。但 JSON 文件一旦大了，手动改一个标注就得写脚本，没法像 XML 那样直接文本编辑器打开改。
YOLO 格式最轻，每张图对应一个.txt，每行是class_id x_center y_center width height，全部归一化到 0~1。YOLO 训练时直接读这个格式，速度快，解析简单。但它的缺点也明显：没有图片尺寸信息，没有难例标记，类别靠classes.txt的索引顺序，一旦索引错位，模型学到的就是“猫=狗”。
我一般会这样处理：原始标注先存 VOC，因为标注工具导出方便；然后用脚本转一份 COCO JSON 做备份和跨框架用；最后转 YOLO txt 用于实际训练。三份标签同源，但用途不同，不是重复劳动。
2.2 格式转换的核心参数与坐标换算
从 VOC 转 YOLO 的坐标换算公式是固定的，但有几个参数必须盯死：
x_center = (xmin + xmax) / 2 / img_widthy_center = (ymin + ymax) / 2 / img_heightwidth = (xmax - xmin) / img_widthheight = (ymax - ymin) / img_height
这里最容易翻车的是img_width和img_height的来源。VOC XML 里虽然有<size>节点，但有些标注工具导出的宽高和实际图片不一致，尤其是图片被裁剪过但 XML 没更新。稳妥做法是用 PIL 或 OpenCV 重新读一遍图片尺寸，不要信 XML 里的<size>。
下面是一个 VOC 转 YOLO 的 Python 脚本片段，我平时会直接拿来用：
import os import xml.etree.ElementTree as ET from PIL import Image # 类别映射，顺序必须和训练时的 classes.txt 一致 class_map = {"cat": 0, "dog": 1} def voc_to_yolo(xml_path, img_path, out_txt_path): # 用实际图片尺寸，不用 XML 里的 size with Image.open(img_path) as im: img_w, img_h = im.size tree = ET.parse(xml_path) root = tree.getroot() lines = [] for obj in root.findall("object"): cls_name = obj.find("name").text.strip() if cls_name not in class_map: continue # 忽略未定义类别，避免索引错位 cls_id = class_map[cls_name] bbox = obj.find("bndbox") xmin = float(bbox.find("xmin").text) ymin = float(bbox.find("ymin").text) xmax = float(bbox.find("xmax").text) ymax = float(bbox.find("ymax").text) # 边界裁剪，防止标注超出图片范围 xmin = max(0, min(xmin, img_w)) xmax = max(0, min(xmax, img_w)) ymin = max(0, min(ymin, img_h)) ymax = max(0, min(ymax, img_h)) x_center = (xmin + xmax) / 2.0 / img_w y_center = (ymin + ymax) / 2.0 / 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}") with open(out_txt_path, "w") as f: f.write("\n".join(lines))这段代码里class_map的顺序就是最终 YOLO 训练时的类别索引，cat必须是 0，dog必须是 1，不能反。Image.open读实际尺寸这一步不能省，我见过太多因为 XML 里宽高写错导致框全偏的案例。边界裁剪是后悔药，防止标注员手抖把xmax写到图片外面去，YOLO 虽然能容忍轻微越界，但归一化后出现负数或大于 1 的值，训练时 loss 会异常。
2.3 COCO JSON 的生成要点
COCO 格式的结构比 VOC 复杂，核心字段包括images、annotations、categories。images里每张图要有id、file_name、width、height；annotations里每条要有id、image_id、category_id、bbox、area、iscrowd。其中bbox是[x, y, width, height]，注意这里是左上角坐标加宽高，不是中心点。
生成 COCO JSON 时，image_id和annotation_id必须唯一，通常用递增整数。category_id建议从 1 开始，因为 COCO 官方把 0 留给背景。area就是width * height，iscrowd一般填 0。这些字段缺一个，后面用 pycocotools 评估时就会报错。
3. 1000 张猫狗图片怎么划分：训练集、验证集、测试集的比例与脚本
3.1 划分比例不是拍脑袋，要看数据量和类别分布
1000 张图不算多，如果按 8:1:1 分，训练集 800、验证集 100、测试集 100。但猫狗检测里，如果猫和狗的数量不均衡，比如猫 700 狗 300，直接随机划分可能导致验证集里狗太少，mAP 波动大。我一般会先统计每个类别的图片数，然后按类别分层抽样。
分层抽样的逻辑是：对每个类别，分别按比例抽取训练、验证、测试。这样能保证验证集和测试集里猫狗比例与整体一致。如果某个类别图片特别少，比如只有 50 张，那验证集和测试集各留 5 张就够了，剩下的全给训练。
3.2 划分脚本怎么写才可复现
划分脚本必须固定随机种子，否则每次跑出来的划分结果不一样，实验没法对比。下面是一个按类别分层划分的脚本：
import os import random import shutil from collections import defaultdict random.seed(42) # 固定种子，保证可复现 img_dir = "images" txt_dir = "labels_yolo" out_dir = "dataset_split" # 收集每个类别的图片列表 cls_to_imgs = defaultdict(list) for txt_file in os.listdir(txt_dir): if not txt_file.endswith(".txt"): continue img_name = txt_file.replace(".txt", ".jpg") with open(os.path.join(txt_dir, txt_file)) as f: classes = set(line.split()[0] for line in f if line.strip()) for c in classes: cls_to_imgs[c].append(img_name) # 按类别分层划分 split_ratio = {"train": 0.8, "val": 0.1, "test": 0.1} for cls, imgs in cls_to_imgs.items(): random.shuffle(imgs) n = len(imgs) n_train = int(n * split_ratio["train"]) n_val = int(n * split_ratio["val"]) splits = { "train": imgs[:n_train], "val": imgs[n_train:n_train + n_val], "test": imgs[n_train + n_val:] } for split_name, split_imgs in splits.items(): for img in split_imgs: # 复制图片和对应标签到目标目录 src_img = os.path.join(img_dir, img) src_txt = os.path.join(txt_dir, img.replace(".jpg", ".txt")) dst_img_dir = os.path.join(out_dir, split_name, "images") dst_txt_dir = os.path.join(out_dir, split_name, "labels") os.makedirs(dst_img_dir, exist_ok=True) os.makedirs(dst_txt_dir, exist_ok=True) shutil.copy(src_img, dst_img_dir) shutil.copy(src_txt, dst_txt_dir)random.seed(42)是必须的，42 只是习惯，换成任何固定值都行，关键是别每次变。cls_to_imgs用defaultdict(list)收集每个类别出现的图片，一张图里同时有猫和狗就会同时进两个列表，划分时可能被分到不同集合，这会导致同一张图在训练集和验证集里都出现。解决办法是划分前先按图片维度去重，或者以图片为单位划分，再检查类别分布。我一般会先按图片划分，然后统计每个集合的类别数，如果偏差太大就调整种子重跑。
3.3 划分后的目录结构
划分完的目录建议长这样：
dataset_split/ ├── train/ │ ├── images/ │ └── labels/ ├── val/ │ ├── images/ │ └── labels/ └── test/ ├── images/ └── labels/YOLO 训练时，data.yaml里直接指向这三个目录的images路径，YOLO 会自动去找同级的labels。注意images和labels必须同级，且文件名除了后缀外完全一致，cat_001.jpg对应cat_001.txt，差一个字符都找不到。
4. 训练教程里的参数怎么设：从 data.yaml 到超参数
4.1 data.yaml 的四个必填项
YOLO 训练的第一步是写data.yaml，里面至少要有train、val、nc、names四个字段：
train: dataset_split/train/images val: dataset_split/val/images nc: 2 names: ["cat", "dog"]nc是类别数，猫狗就是 2。names的顺序必须和class_map一致，cat在前dog在后，不能反。train和val可以用绝对路径，也可以用相对路径，相对路径是相对于你执行训练命令时的工作目录，不是相对于data.yaml文件位置。这一点很多人搞混，导致路径报错。
4.2 训练命令与关键超参数
用 YOLOv8 训练的话，命令大概是这样：
yolo detect train \ data=data.yaml \ model=yolov8n.pt \ epochs=100 \ imgsz=640 \ batch=16 \ lr0=0.01 \ patience=20 \ project=runs/cat_dog \ name=exp1model=yolov8n.pt是加载预训练权重，猫狗检测数据量不大，从预训练模型微调比从头训练收敛快得多。imgsz=640是输入分辨率，1000 张图用 640 足够，再大显存吃不消。batch=16是常见起点，显存不够就降到 8 或 4。lr0=0.01是初始学习率，微调时如果 loss 震荡厉害，可以降到 0.001。patience=20是早停耐心值，验证集 mAP 连续 20 轮不提升就停，防止过拟合。
4.3 训练过程中看什么指标
训练日志里重点看三个：box_loss、cls_loss、mAP50。box_loss是边界框回归损失，cls_loss是分类损失，两个都应该稳步下降。如果box_loss下降但cls_loss不降，可能是类别不平衡或者标签有错。mAP50是 IoU 阈值 0.5 时的平均精度，猫狗检测正常能到 0.9 以上，如果卡在 0.5 左右，先回去查标签格式。
混淆矩阵也是重要参考，YOLO 训练完会自动生成。如果猫被大量预测成狗，说明类别索引可能反了，或者names顺序和训练时不一致。这个坑我踩过，训练完发现猫狗全反，回头查data.yaml发现names写成了["dog", "cat"]，但标签里cat是 0，模型学到的就是反的。
5. 避坑与排查：猫狗数据集训练中最容易翻车的五个点
5.1 现象：训练 loss 正常下降，但验证集 mAP 始终为 0
原因：验证集路径下没有标签文件，或者标签文件名和图片名不匹配。YOLO 在验证时找不到对应labels，会当作背景处理，mAP 自然为 0。
解决：检查val/images和val/labels是否同级，文件名是否一一对应。可以用ls val/images | wc -l和ls val/labels | wc -l对比数量，数量不一致就说明有遗漏。
5.2 现象：训练报错AssertionError: train: No labels found
原因：data.yaml里train路径指向了images目录，但 YOLO 期望的是包含images和labels的父目录，或者路径写成了绝对路径但实际不存在。
解决：确认train路径是dataset_split/train/images这种形式，YOLO 会自动把images替换成labels去找标签。如果路径里有中文或空格，尽量改成英文和下划线。
5.3 现象：训练出来的模型把猫狗都框成同一个类别
原因：class_map和data.yaml的names顺序不一致，或者 VOC 转 YOLO 时类别索引写错。比如class_map里cat:0, dog:1，但names写成了["dog", "cat"]，模型学到的索引和实际类别对不上。
解决：统一用一份classes.txt，里面按行写cat、dog，转换脚本和data.yaml都从这个文件读，不要手写两遍。
5.4 现象：训练到一半 loss 突然变成 NaN
原因：学习率太大，或者标注框归一化后出现负值/大于 1 的值。猫狗检测里如果标注框超出图片边界，归一化后x_center可能小于 0 或大于 1，YOLO 计算 loss 时会产生异常梯度。
解决：在转换脚本里加边界裁剪，确保xmin >= 0、xmax <= img_w、ymin >= 0、ymax <= img_h。学习率从 0.01 降到 0.001 再试。
5.5 现象：验证集 mAP 波动很大，每次跑结果都不一样
原因：划分脚本没有固定随机种子，或者训练时shuffle没固定。数据量小的时候，划分方式对结果影响很大。
解决：划分脚本里加random.seed(42)，训练命令里加seed=42。如果还是波动，考虑用 K 折交叉验证，但 1000 张图做 5 折，每折训练集只有 800 张，可能欠拟合，量力而行。
6. 进阶技巧：用混淆矩阵和 PR 曲线反查标签质量
训练完之后，runs/cat_dog/exp1目录下会生成confusion_matrix.png和PR_curve.png。这两个图不只是给别人看的，自己用来反查标签质量非常有效。
混淆矩阵的横轴是预测类别，纵轴是真实类别。如果cat那一行有大量被预测成dog，说明模型分不清猫狗，可能是图片里猫狗同时出现且标注框重叠，或者标注时把猫标成了狗。这时候不要急着调模型，先抽几十张被分错的图，打开对应的.txt看类别索引，大概率是标注错误。
PR 曲线看的是每个类别的精度和召回率。如果cat的 AP 很高但dog的 AP 很低，说明狗的正样本太少或者标注质量差。1000 张图里如果狗只有 200 张，可以考虑对狗做数据增强，比如随机裁剪、颜色抖动，但不要用翻转，猫狗翻转后还是猫狗，但左右翻转对检测本身没坏处，可以用。
还有一个技巧是看val_batch0_pred.jpg和val_batch0_labels.jpg，前者是模型预测结果，后者是真实标签。两张图对比着看，一眼就能发现漏检和误检。我习惯训练完先看这两张图，比看 mAP 数字直观得多。
最后说一个我自己的习惯：每次拿到新数据集，先花 10 分钟写个脚本统计类别分布、图片尺寸分布、标注框宽高比分布。这三个分布一出来，基本就能判断这个数据集能不能直接训，还是需要先清洗。猫狗检测看起来简单，但标注框宽高比如果集中在极端值，比如全是细长条，那可能是标注员把猫尾巴单独框出来了，这种标签训出来的模型只会检测尾巴。希望帮到你。
本文还有配套的精品资源，点击获取
