火星月球陨石坑检测数据集：VOC与YOLO双格式目标检测实战指南

简介：面向目标检测与行星遥感研究的一份小型数据集，包含132张火星、月球表面陨石坑jpg图片，配套VOC格式xml与YOLO格式txt标注文件，共标注1044个'keng'类矩形框。使用labelImg工具按统一规则画框标注，类别一致、坐标信息完整，可直接用于YOLO系列、Faster R-CNN等模型训练与算法验证，适合刚接触目标检测的开发者练习标注格式转换、训练流程搭建，也便于科研人员快速评估陨石坑识别模型。压缩包共398个文件，核心由132张jpg原图、132个xml标注和134个txt标注组成，其中xml便于使用VOC工具链读取，txt则记录归一化坐标、可直接供YOLO训练使用；整体仅10.27MB，轻量易下载，适合在个人电脑上快速迭代实验。数据集不包含分割掩码，仅面向检测任务，每张图片均有对应标注，类别单一、框数充足，可显著降低数据预处理工作量，让使用者更聚焦模型本身。目前已有244人学习参考，适合作为目标检测入门实践或陨石坑识别方向的基础训练数据。

1. 火星月球陨石坑检测数据集：VCO+YOLO双格式，132张图够跑通检测闭环

第一次拿到这个火星月球陨石坑检测数据集时，我盯着目录列表看了半天：132张jpg，xml和txt各132个，标注类别只有一个keng，总框数1044。直觉告诉我，这份资源不是为了给你刷点，而是为了让你少踩“从零开始标数据”的坑。标题里写的VCO其实是VOC的常见笔误，内容严格按Pascal VOC标准组织。每张图同时携带VOC和YOLO两种标注文件，省掉最繁琐的格式转换环节，特别适合想用YOLO跑一遍真实目标检测流程、又不想花几个晚上手工整理标签的人。它也适合目标检测入门者拿来做迁移学习实验，先理解数据格式和训练闭环，再换大数据集。

2. VOC与YOLO两种标注格式：为什么要同时给xml和txt

这个数据集最直接的价值，是同一份标注给你两种表达方式。VOC格式文件结构完整、可读性强，适合人工核对和二次编辑；YOLO格式一行一个框，训练时加载效率高。很多目标检测资源只给其中一种，训练前你还得满世界找转换脚本。这套数据把两条路都铺好了，但你先得搞懂两种格式各自的脾气，后面补数据、改标签时才不会翻车。

2.1 VOC的xml结构：一个矩形框在文件里长什么样

打开firc_yunshi_109.xml，你能看到类似下面的结构：

<annotation> <folder>firc</folder> <filename>firc_yunshi_109.jpg</filename> <size> <width>800</width> <height>600</height> <depth>3</depth> </size> <object> <name>keng</name> <pose>Unspecified</pose> <truncated>0</truncated> <difficult>0</difficult> <bndbox> <xmin>102</xmin> <ymin>88</ymin> <xmax>216</xmax> <ymax>165</ymax> </bndbox> </object> </annotation>

<name>keng</name>是类别名，所有xml里都只有这一个值。<bndbox>里的四个值是像素绝对坐标，即左上角(xmin, ymin)和右下角(xmax, ymax)。这个坐标可以直接在图片上画框，所以人工检查时我一般用OpenCV把框画出来看一遍，比盯着数字猜可靠得多。

<size>节点决定了VOC坐标是否有效。如果xml里记录的宽高和实际jpg尺寸不一致，后面做resize、归一化时所有框都会偏。拿到这份数据集后，我做的第一件事就是写脚本把每个xml的<width>和<height>与图片真实尺寸做比对，这一步花不了一分钟，却能拦下至少一半后续训练报错。

<truncated>和<difficult>在训练时通常不起作用，YOLO的Dataloader不读这两个字段。但对数据质量有要求的人，可以用它们标记“框截断”和“难例”。比如有些坑被图片边缘截断，你仍然框出来了，就可以把truncated置1，下次平衡数据分布时单独处理。

2.2 YOLO的txt格式：归一化坐标与类别索引

YOLO的txt文件每行一个目标，格式是“类别索引 中心点x 中心点y 宽 高”。这套数据集只有一个类别，所以txt第一列全是0。打开firc_yunshi_109.txt，内容类似：

0 0.198750 0.210833 0.142500 0.128333 0 0.605000 0.482500 0.131250 0.135000

四个小数都经过归一化，除以图片宽高，所以取值范围是0到1。它们的计算规则和VOC坐标的对应关系如下：

x_center = (xmin + xmax) / 2.0 / width y_center = (ymin + ymax) / 2.0 / height w = (xmax - xmin) / width h = (ymax - ymin) / height

这段换算看起来简单，但自己动手时很容易疏忽两点。一是忘记除以宽度和高度，导致中心点成了几百起步的大数，训练时边界框优化直接发散。二是小数点精度，建议输出时固定保留6位小数，像这份数据集一样。只保留两位小数时，640分辨率的图每个框会偏移几十个像素，小坑目标尤其敏感。

txt的命名必须和jpg完全一致，firc_yunshi_109.jpg对应firc_yunshi_109.txt。训练时Dataloader通过图片路径推断标签文件路径，如果文件名大小写、特殊符号不一致，该图会被当作无标注样本跳过，而训练日志里往往只有一条不显眼的警告。

2.3 两个格式配合使用：训练脚本的读取路径

训练阶段用的是txt，不是xml。Ultralytics YOLOv8、YOLOv5、YOLOX这些框架都只解析labels目录下的txt。xml更多用在可视化检查、转COCO格式、以及部分基于VOC接口的检测库中。这份数据集虽然给了两套文件，但你不能把xml和txt混着用，得在配置阶段明确“谁是输入”。

还要注意，摘要里特意说了“不包含分割路径的txt文件”，意思是这套数据只有检测矩形框，没有目标轮廓多边形。你不能直接拿去做实例分割训练，只能用目标检测模型。想做分割，得先从矩形框出发人工补轮廓，这部分工作量和检测标注完全不是一个量级。

3. 用labelImg标注陨石坑：从打开图片到导出txt的完整流程

这套数据集的标注工具是labelImg，标注规则是“对类别画矩形框”，这也是目标检测数据标注最常见的方式。理解它的操作流程，你才能知道现有标签是怎么来的，也才能在需要补数据时保持同样的标注尺度。

3.1 环境准备与预标注

labelImg依赖PyQt5，建议在独立的Python虚拟环境里安装，避免PyQt5和本机其他GUI库打架。安装命令很简单：

conda create -n labelimg python=3.8 -y pip install labelImg labelImg

启动后界面左侧是文件列表，右侧是标注区。Windows下如果安装的是pyqt5的旧版，可能在高分屏上显示模糊，这是环境问题，不影响标注效果。在PyCharm里跑YOLO训练的人，一般也会顺手装一个labelImg，两条工具链互不干扰。

如果要从零标注火星月球影像，建议先做预标注。比如用已经训练好的YOLOv8权重对图片做推理，把高置信度结果导成初步矩形框，再人工确认。陨石坑在灰度影像上边缘模糊，预标注能把时间压缩一半以上。不过预标注只负责“先画出来”，最终框是否贴合坑边缘，还得人眼判断。低置信度框不要直接删掉，那些往往就是小型撞击坑，人工补框后能显著提升小目标召回。

3.2 标注操作与快捷键

labelImg的操作核心是几个快捷键，我习惯把常用动作固定下来。按W进入画框模式，鼠标左键从坑的一角拖到对角，松手后弹窗输入类别名keng。按D切换到下一张图，按A回到上一张。如果需要微调，用Ctrl+鼠标滚轮放大图片后再调框，比直接拖更精确。

陨石坑这类目标有几个标注原则值得坚持。第一，只框完整的坑，边缘被图片边界截断的坑也照框，但要在truncated字段里标记。第二，两个紧挨着的坑必须分开画，不要为省事合并成一个框。第三，对半影区域模糊的坑，框宁可稍微大一点，也别漏掉；因为检测器学习时，略大的框比漏检更好修正。

每标完一张图，马上按Ctrl+S保存。labelImg没有自动保存机制，一旦误关窗口，当前图片的所有框就全丢了。我见过有人一次性标了20多张没保存，程序崩溃后整个上午白干。标注过程中还要定期检查右上角当前保存的是PascalVOC还是YOLO格式，默认是PascalVOC，切换成YOLO后才会同步写出txt。

3.3 导出与验证

如果标注时一直使用PascalVOC模式，目录下只生成xml，YOLO训练还缺txt。这时可以用下面的脚本批量转换，避免重新打开labelImg一张张过：

import xml.etree.ElementTree as ET from pathlib import Path xml_paths = list(Path('annotations').glob('*.xml')) for xml_f in xml_paths: root = ET.parse(xml_f).getroot() filename = root.find('filename').text size = root.find('size') width = int(size.find('width').text) height = int(size.find('height').text) lines = [] for obj in root.findall('object'): name = obj.find('name').text cls_id = 0 if name == 'keng' else -1 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) x_center = (xmin + xmax) / 2.0 / width y_center = (ymin + ymax) / 2.0 / height w = (xmax - xmin) / width h = (ymax - ymin) / height lines.append(f'{cls_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}') out_path = Path('labels') / (Path(filename).stem + '.txt') out_path.write_text('\n'.join(lines) + '\n')

width和height从xml读取，确保和图片尺寸一致。cls_id按类别名映射，这里只有keng一类，所以固定为0。输出用:.6f格式化，保证坐标精度。转换完成后，用第4章的校验脚本检查txt行数和xml object数量是否一致，一致再进训练流程。

4. 数据集检查与划分：训练/验证集拆分脚本

标注数据不管来自哪个工具，训练前都要做一遍体检。132张图规模小，人工看着检查一遍也来得及，但用脚本能从文件名匹配、坐标范围、框数量三个维度同时兜底。这套数据虽然工具生成，我仍然坚持走完整检查流程，因为它能暴露文件拷贝、压缩、上传过程中引入的隐性损坏。

4.1 用Python校验xml和txt是否匹配

下面的脚本会遍历所有图片，检查对应xml和txt是否存在，并对比两边标注框数量：

from pathlib import Path import xml.etree.ElementTree as ET img_dir = Path('images') xml_dir = Path('xml') txt_dir = Path('txt') for img in sorted(img_dir.glob('*.jpg')): xml_f = xml_dir / (img.stem + '.xml') txt_f = txt_dir / (img.stem + '.txt') if not xml_f.exists(): print(f'缺少xml文件: {img.name}') continue if not txt_f.exists(): print(f'缺少txt文件: {img.name}') continue root = ET.parse(xml_f).getroot() xml_count = len(root.findall('object')) txt_count = 0 with open(txt_f, 'r') as f: for line in f.read().splitlines(): if line.strip(): txt_count += 1 if xml_count != txt_count: print(f'框数不一致: {img.name}, xml={xml_count}, txt={txt_count}')

我一般还会在循环里检查txt每行是否恰好5个字段、坐标是否都在[0,1]区间。YOLO训练遇到非法坐标时经常静默跳过该图，校验脚本能把这些隐患一次性报出来。对这份数据集，正常结果是没有任何输出，全部匹配。如果有不匹配的图，就需要重新标注或从数据集中剔除，千万别抱着侥幸心理硬训。

4.2 按比例划分数据集

训练前要把图片分成训练集和验证集，我习惯用8:2划分并固定随机种子，保证每次实验的可比性。脚本如下：

from pathlib import Path import random random.seed(42) all_stems = [p.stem for p in Path('images').glob('*.jpg')] random.shuffle(all_stems) split = int(len(all_stems) * 0.8) train_stems = all_stems[:split] val_stems = all_stems[split:] with open('train.txt', 'w') as f: for s in train_stems: f.write(f'images/{s}.jpg\n') with open('val.txt', 'w') as f: for s in val_stems: f.write(f'images/{s}.jpg\n') print(f'train: {len(train_stems)} images') print(f'val: {len(val_stems)} images')

random.seed(42)这行看着不起眼，但少了它，你每次运行脚本都会得到不同的划分结果，模型A和模型B就失去了可比性。split是训练集和验证集的切分点，132张图按80%切分后得到105张训练、27张验证。因为数据只有一个类别，不需要按类别做分层采样；如果类别数多了，还得用StratifiedShuffleSplit保证每类比例一致。

train.txt里写的是图片路径，YOLO训练时用image_path找到对应txt。这套数据集的路径可以写成images/firc_yunshi_109.jpg这种相对形式，只要data.yaml里的path指向数据集根目录，相对路径就能正确解析。最好不要在train.txt里写Windows反斜杠路径，跨平台训练时Windows路径分隔符是经典翻车点。

4.3 生成YOLO训练用的data.yaml

data.yaml是训练配置文件，告诉模型去哪找数据、有多少类别。这份数据集的完整写法如下：

path: /your/abs/path/to/dataset train: train.txt val: val.txt nc: 1 names: 0: keng

path填数据集根目录的绝对路径，train和val填之前生成的txt文件名。nc填1，names列表只有keng一个。这里有个容易被忽略的点：names的索引必须和txt第一列对应，txt里是0，names列表第0个就必须是keng。如果改成其他名字，虽然训练不报错，但验证集输出的类别名会变成你改后的名字，容易和xml原始标注混淆。

写好data.yaml后，还要确保labels目录存在。Ultralytics YOLO在读取图片时，会默认找图片目录同级的labels目录；如果txt文件和jpg放在同一个目录，要先把所有txt复制到labels目录。另一种做法是保持原目录结构不动，写一个软链接，把labels指向txt所在目录。我建议直接用脚本复制一份，干净利落，排查问题时少一层间接关系。

5. 常见问题与避坑：标注框丢失、类别名对不上、路径编码翻车

这类数据集的坑不在标注本身，而在“喂给训练器”的过程。下面几条都是我实际处理时踩过的，按现象、原因、解决的顺序写出来。

5.1 训练时报“no labels found”

现象：训练启动后日志很快出现类似found no valid labels for train.txt的警告，loss不下降或直接为0。

原因：YOLO默认从labels目录读取txt，而这份数据集给的是jxeg和txt同目录，你没建labels目录或者没改路径，Dataloader找不到标签文件。

解决：在数据集根目录下建立labels目录，把所有txt复制进去，保持文件名和jpg一致。同时检查data.yaml里path字段是否指向正确的根目录。如果图片存在images、txt存在labels，目录结构符合框架预期，这个警告基本不会再出现。

5.2 类别名和xml写的不一致

现象：训练能跑，但验证结果里所有类别AP都是0，或者推理输出的类别名是数字而不是keng。

原因：xml里类别名是keng，data.yaml的names里却写了crater。YOLO训练只读txt，不读xml，所以模型本身在训练；但推理时把所有框都归类到你写的crater，和原标注的语义脱节。

解决：尽量保持xml、txt、data.yaml三处名字统一。真想改名，就用脚本同时替换xml里的<name>和data.yaml的names，txt第一列索引不变，三处同步。单独改一处，后面Debug时一定后悔。

5.3 归一化坐标被截断，小目标跑偏

现象：训练收敛后，预测框位置整体偏左上角，小坑目标尤其明显，IoU怎么都提不上去。

原因：转换脚本里用了round(x, 2)之类的低精度格式。对640分辨率图片，两位小数带来的误差约6像素，对小型陨石坑是致命偏移。labelImg默认保留的小数位数够用，但如果你自己补数据，很容易随手写成简化版格式。

解决：坐标统一输出6位小数，类似f'{x:.6f}'。不要用round，直接format固定长度。这样文件可读性不受影响，精度损失可以忽略。

5.4 路径分隔符和中文目录导致的读取失败

现象：本地Windows环境一切正常，代码传到Linux服务器后，一批图片的标签匹配失败。

原因：Windows路径反斜杠在Linux下成了转义符或无效字符，train.txt里的C:\data\images完全无法解析。路径中带中文或空格，解析器兼容性又会再打折扣。

解决：所有路径统一用pathlib.Path生成，写train.txt时用as_posix()转成正斜杠。数据集根目录避免中文和空格。这个坑隐蔽在“本地能跑”，只有上服务器复现时才爆出来，让人特别难受。

5.5 图片尺寸和xml尺寸不一致

现象：写脚本可视化标注框时，某些框直接画到图片范围外，或者坐标算出来为负。

原因：图片后来被压缩、裁剪过，xml里的<size>没有同步更新。labelImg保存时记录的尺寸是第一手数据，图片经过处理后就可能失真。

解决：训练前用PIL读取每张jpg的尺寸，和xml的<width>、<height>比对，不一致的先重写尺寸或删除对应样本。这份数据集由同一工具同一批生成，基本不会出问题，但补标数据时就保不准了，所以这个检查要写进固定流程。

6. 用验证集可视化与小目标补标：让数据集真正转起来

训练一轮后，别只盯着mAP数字，把验证集的预测框画出来更直观。Ultralytics YOLOv8跑完验证会自动生成val_batch_pred.jpg，里面是图片和预测框的叠合图。我建议再打开原xml画一遍人工标注框，两者叠加对比，你很快能看出模型在哪类目标上漏检——这套数据集里，漏检最严重的就是直径几十像素的小坑。验证集27张图，人工过一遍也不费劲，但换回来的判断比任何单个指标都真实。

小目标补标是提升数据可用性的关键一步。我的扩展方案是先训练一个临时模型，再对新图做预标注，人工修正后并入数据集：

from ultralytics import YOLO model = YOLO('runs/detect/train/weights/best.pt') results = model.predict('new_image.jpg', conf=0.35, iou=0.5) boxes = results[0].boxes.xyxy.cpu().numpy() ids = results[0].boxes.cls.cpu().numpy() h, w = results[0].orig_shape with open('new_image.txt', 'w') as f: for box, cls_id in zip(boxes, ids): x1, y1, x2, y2 = box xc = (x1 + x2) / 2 / w yc = (y1 + y2) / 2 / h bw = (x2 - x1) / w bh = (y2 - y1) / h f.write(f'{int(cls_id)} {xc:.6f} {yc:.6f} {bw:.6f} {bh:.6f}\n')

conf=0.35是我在这种灰度影像上常用的经验值，火星表面纹理复杂时调到0.5压误检，月球暗区目标模糊时调到0.25保召回。iou=0.5是NMS阈值，两个紧挨着的坑如果框重叠区域大，保留置信度更高的那个；阈值太低会把邻近坑合并，太高又会让同一目标出多个框。生成txt后，用labelImg打开图片，把自动框当初始标注，删除误检、补上漏检，才算完成一次合格的数据扩充。

从那以后我每次拿到新数据集，都强制走一遍第4章的校验脚本再开训练，万无一失。这份火星月球陨石坑数据集的规模不大，但VOC和YOLO双格式齐全，类别定义清晰，能让你用最少的时间把目标检测链路完整跑起来，后续再接更大规模数据就有底气了。希望帮到你。

本文还有配套的精品资源，点击获取