目标检测数据集标注校验与类别不平衡处理：从VOC/YOLO格式到训练避坑

简介：面向目标检测任务的专业工具数据集，包含钳子、剪刀、螺丝刀三类目标，共3668张真实场景图片，并已匹配Pascal VOC与YOLO两种标注格式，可直接用于YOLO系列、Faster R-CNN等模型训练与评估。压缩包共2000个文件，以VOC格式XML标注文件为主（1999个），另附说明文档，整体约83.44MB，目录结构清晰，便于导入训练脚本和格式转换。数据集标注总量3686个边界框，其中螺丝刀1712框、钳子1568框、剪刀406框，各类别分布较均衡，适合工业工具检测、智能仓储或安防场景的算法验证。目前已有413人学习下载，既适合目标检测初学者理解VOC/YOLO标注规范，也能为有经验的开发者提供现成的模型调优与性能对比样本。

1. 3668张钳子剪刀螺丝刀目标检测数据集：先看框数分布再决定怎么训练

目标检测里，工具类数据集的坑往往不在算法，而在类别分布上。这份3668张图片的钳子、剪刀、螺丝刀检测数据集覆盖pliers、scissors、screwdrivers三类手持工具，VOC与YOLO格式一次配齐，解压就能进训练管线。我先翻了一遍框数台账：screwdrivers有1712个框，pliers有1568个框，scissors只有406个框，比例接近4比4比1，剪刀类别明显偏少。做工地工具清点、维修工位漏检或相关教学实验的人，拿到数据第一件事不该是调学习率，而是正视样本不平衡：直接训练，很容易在剪刀那一类掉点。数据里没有额外的路径清单文件，主体就是jpg、xml、yolo的txt，结构干净，既适合拿来练手VOC与YOLO格式转换，也适合当迁移学习和数据增强的实验基底。

2. 解压后的两份标注：VOC的xml与YOLO的txt，逐字段拆开看

先把解压后的目录看明白。压缩包打开以后，主体是一批jpg、一批xml、一批txt。这三个后缀对应同一批图片：jpg是原始画面，xml是labelImg保存的VOC标注，txt是YOLO训练时吃的归一化标签。很多第一次用这类数据集的人会误以为txt是路径清单，打开一看是坐标行，然后愣住。这里把预期校正过来：三个后缀各3668个，按同名文件一一对应，txt里是YOLO格式的框坐标。

还需要注意，这个数据集没有额外提供train.txt、val.txt这类路径划分文件，也没有帮你按比例分好训练集和验证集。动手训练之前，要自己写个划分脚本，按7比2比1或8比2切。这个步骤不算难，但如果从解压到训练之间只做了数据复制、没做划分，整个训练过程都是在“全量数据”上自娱自乐，val指标会好看到失真。

2.1 文件构成与命名规律：jpg、xml、txt一一对应

文件命名沿用了同一套前缀规律，比如压缩包里可以看到xyxr_tools_617.xml、xyxr_tools_455.xml这样的文件，对应同目录下的xyxr_tools_617.jpg和xyxr_tools_617.txt。编号不连续，中间有跳号，这是采集和筛选过程中常见的结果，不影响使用；真正影响使用的是文件名对不上。

我把文件清单整理成一张表：

校验文件完整性时，不要只看总数相等。我在交付检查里一般会写一段脚本，把三个后缀的基准名取出来求差集；如果出现xxx.jpg存在但xxx.xml缺失的情况，这张图会在训练时被静默跳过，导致你统计的样本数和实际参与训练的数不一致。这类问题用眼睛翻目录很难发现，脚本跑一遍最稳。

这份数据的类别一共三个，名字是pliers、scissors、screwdrivers。总框数为3686，图片总数是3668，两者只差18，说明大部分图片里只有一个目标。这个判断对后续策略影响很大：它意味着数据结构偏“单目标检测”，如果实际部署场景是工具箱内多件工具互相叠放，你的增强策略和anchor设计都要单独调整，而不能拿一套通用配置硬套。

训练目录的整理方式，我一般会这样建：在数据根目录下创建images/train、images/val、labels/train、labels/val四个子目录，jpg放进images下对应目录，txt放进labels下对应目录，xml作为原始标注归档单独存放。后续不管用哪个YOLO系列框架，目录结构基本都是这个套路。

2.2 xml字段拆解：folder、size、object、bndbox都是什么

VOC格式的标注，标准结构并不复杂。labelImg保存出来的xml大体长这样：

<annotation> <folder>xyxr_tools</folder> <filename>xyxr_tools_617.jpg</filename> <size> <width>1280</width> <height>720</height> <depth>3</depth> </size> <object> <name>pliers</name> <bndbox> <xmin>120</xmin> <ymin>180</ymin> <xmax>912</xmax> <ymax>648</ymax> </bndbox> </object> </annotation>

注意这里只是结构示意，某张图的真实坐标和尺寸以文件里的实际值为准。把这套字段读熟，后面对接任何VOC转YOLO脚本都不虚。

逐个字段说：folder是labelImg保存时所在的文件夹名，不可靠，因为压缩包解压后目录名可能变了；filename是图片文件名，重命名图片时必须同步修改；size里的宽度、高度、通道数最关键，YOLO坐标归一化必须知道原图宽高；object可能有多段，代表一张图多个目标；name是类别字符串；bndbox里的xmin、ymin、xmax、ymax，是矩形左上角和右下角的像素坐标。

这里有个容易被忽略的细节：xml里的坐标是整数。labelImg标注时记录到像素级，看起来精确实在，但如果你后续对图像做过缩放或裁切，整数坐标不会自动跟着变。另一个细节是xmax、ymax到底包不包含边界像素，多数开源转换脚本直接拿(xmax-xmin)除以宽得到w，边界差1像素在训练里影响很小，不值得纠结。真正需要纠结的是xmin大于xmax这类明显错误，后面章节的检查脚本会专门拦。

2.3 yolo txt拆解：类别ID、中心坐标和归一化换算

YOLO格式的txt比xml更简练，每一行代表一个目标，固定5个数：

0 0.4750 0.5000 0.1400 0.2400

从左到右依次是类别ID、归一化中心点x、中心点y、归一化宽度w、归一化高度h。所有坐标都用原图宽高做了除法，所以数值都在0到1之间，跟你最终输入给网络的图片尺寸没有直接关系。上面这行可以理解为：类别0，中心点在图的47.5%宽度、50%高度处，目标宽占整张图的14%，高占24%。

从xml到yolo的换算是固定的公式，我习惯这样记：

• cx = (xmin + xmax) / 2 / width
• cy = (ymin + ymax) / 2 / height
• w = (xmax - xmin) / width
• h = (ymax - ymin) / height

类别ID则按类别表顺序来。这份数据的三类名称是pliers、scissors、screwdrivers，所以txt里的0、1、2对应这三个名字。实际配置yaml文件时，names顺序一定要和txt里的ID保持一致。只要这里错一位，训练出来的结果就是类别标签错乱，这种错误比不收敛还难排查，因为loss照样下降，推理时钳子会被标成螺丝刀，你还在那儿反复调学习率。

3. 写个Python体检脚本：把3668张图的标注全面查一遍

在把数据交给训练脚本之前，我会先做一次标注体检。这个习惯是从一次翻车经历里养出来的：某次我拿一套类似数据直接训练，跑了100轮才发现有几十张图的yolo txt坐标是负数，模型在那里埋头收敛，val指标却一直乱跳。后来把标注全量检查一遍，问题一目了然。这里给出三个脚本，分别对付xml、txt和可视化。

3.1 读xml清点账目：类别框数、图片尺寸、异常框一起输出

第一段脚本只依赖Python标准库，不需要额外安装依赖：

import os import glob import xml.etree.ElementTree as ET xml_dir = "/path/to/xyxr_tools" # 改成你解压后的xml所在目录 stats = {} size_list = [] bad_boxes = [] for xml_path in glob.glob(os.path.join(xml_dir, "*.xml")): tree = ET.parse(xml_path) root = tree.getroot() w_img = int(root.findtext("size/width")) h_img = int(root.findtext("size/height")) size_list.append((w_img, h_img)) for obj in root.iter("object"): name = obj.findtext("name") box = obj.find("bndbox") xmin = int(box.findtext("xmin")) ymin = int(box.findtext("ymin")) xmax = int(box.findtext("xmax")) ymax = int(box.findtext("ymax")) stats[name] = stats.get(name, 0) + 1 if xmax <= xmin or ymax <= ymin: bad_boxes.append((os.path.basename(xml_path), name, "宽或高为0/负值")) if xmin < 0 or ymin < 0 or xmax > w_img or ymax > h_img: bad_boxes.append((os.path.basename(xml_path), name, "坐标越出图像边界")) print("各类别框数：", stats) print("图片总数：", len(size_list)) print("图片最大宽度/高度：", max(s[0] for s in size_list), max(s[1] for s in size_list)) print("异常框数量：", len(bad_boxes)) for item in bad_boxes[:50]: print(item)

脚本逻辑是遍历所有xml，取出尺寸和每个object的坐标，再分两类做异常判断。这里重点说两个参数：root.findtext用的xpath路径在标准VOC结构里都能命中，比一层层find再find利索很多；异常判断条件把“宽或高为0/负值”和“坐标越出图像边界”分开记录，是因为前者往往来自人工标注手滑，后者往往来自图像在标注后被无脑压缩或裁切。执行完要看两类输出：类别框数台账和异常框列表。如果bad_boxes超过几十条，先修这批再说训练的事。

3.2 读txt查格式：越界坐标、空文件、多余字段拦在训练之前

第二段脚本检查YOLO格式，代码也很短：

import os import glob label_dir = "/path/to/xyxr_tools_txt" # 改成你的yolo标签目录 issues = [] for txt_path in glob.glob(os.path.join(label_dir, "*.txt")): with open(txt_path, "r", encoding="utf-8") as f: lines = f.read().strip().splitlines() if not lines: issues.append((os.path.basename(txt_path), "空文件，无标注")) continue for line_no, line in enumerate(lines, 1): parts = line.split() if len(parts) != 5: issues.append((os.path.basename(txt_path), line_no, f"字段数={len(parts)}")) continue cls_id, cx, cy, w, h = parts[0], float(parts[1]), float(parts[2]), float(parts[3]), float(parts[4]) if cls_id not in ("0", "1", "2"): issues.append((os.path.basename(txt_path), line_no, f"非法类别ID={cls_id}")) if not (0.0 <= cx <= 1.0 and 0.0 <= cy <= 1.0): issues.append((os.path.basename(txt_path), line_no, f"中心坐标越界{cx:.4f},{cy:.4f}")) if w <= 0.0 or h <= 0.0 or w > 1.0 or h > 1.0: issues.append((os.path.basename(txt_path), line_no, f"宽高异常w={w:.4f},h={h:.4f}")) print("发现问题条数：", len(issues)) for item in issues[:100]: print(item)

这段脚本的关键参数是类别ID白名单0、1、2，以及坐标有效区间0到1闭区间。实际转换时偶尔会有某行用逗号分隔坐标，split()默认按空白切分，逗号会让字段数变成1，同样能拦下来。空文件在这里单独报一条，是因为多数检测框架会把空txt当作背景图片处理，并不报错，容易漏。所有坐标是否越界，是YOLO训练前最该查的一项，回归头遇到越界标注轻则loss波动，重则一整轮训练白干。

3.3 可视化抽查：把框画回图片，看标注是否贴合工具轮廓

数值检查只能发现坐标层面的硬错误，标注是否贴合还得靠眼睛看。这段脚本抽取一小部分图片，把xml里的矩形框画回去：

import os import glob import random import cv2 import xml.etree.ElementTree as ET img_dir = "/path/to/xyxr_tools_jpg" # 图片目录 xml_dir = "/path/to/xyxr_tools_xml" # xml目录 out_dir = "./check_vis" os.makedirs(out_dir, exist_ok=True) color_map = { "pliers": (0, 0, 255), "scissors": (0, 255, 0), "screwdrivers": (255, 0, 0), } xml_list = glob.glob(os.path.join(xml_dir, "*.xml")) sample = random.sample(xml_list, min(30, len(xml_list))) for xml_path in sample: base = os.path.basename(xml_path).replace(".xml", "") img = cv2.imread(os.path.join(img_dir, base + ".jpg")) if img is None: print("图片缺失：", base) continue root = ET.parse(xml_path).getroot() for obj in root.iter("object"): name = obj.findtext("name") box = obj.find("bndbox") x1 = int(box.findtext("xmin")); y1 = int(box.findtext("ymin")) x2 = int(box.findtext("xmax")); y2 = int(box.findtext("ymax")) color = color_map.get(name, (0, 255, 255)) cv2.rectangle(img, (x1, y1), (x2, y2), color, 2) cv2.putText(img, name, (x1, max(0, y1 - 5)), cv2.FONT_HERSHEY_SIMPLEX, 0.5, color, 1) cv2.imwrite(os.path.join(out_dir, base + "_check.jpg"), img) print("输出目录：", out_dir)

这里用random.sample从全部xml里抽30张，避免只看到前几张相似场景。OpenCV画框和写文字都很直白，参数里值得一提的只有max(0, y1-5)：当矩形框贴着图像顶部时，文字不会跑到画面外面被截断。如果抽查发现多张图的框明显松松垮垮，把一大片背景包进目标里，就要考虑是标注时把工具连同远处的余料一起框了；这类数据喂给模型，学出来的边界会跟着歪，之后部署时框的位置会飘。

4. 避坑：从解压到训练之前最容易翻车的5个点

这部分把我在类似工具检测数据上踩过的坑直接列出来，每条按现象、原因、解决展开。读的时候可以对照自己手上的场景，命中哪条就优先处理哪条。

4.1 剪刀只有406框：类别不平衡直接拉低AP

现象：训练中期开始，pliers和screwdrivers的AP稳步上升，scissors的AP卡在低位，甚至随epoch增加出现轻微下降。

原因：数据里scissors框数只有406，占全部3686框的11%，而screwdrivers占46%、pliers占42.5%。模型每轮迭代看到的剪刀样本太少，梯度贡献被多数类淹没，等于一直在“少数服从多数”，剪刀边界始终学不扎实。

解决：先不谈换模型，最简单的做法是在loss里对三个类别按1/框数的比例做加权，让少数类的贡献不被稀释。在此基础上再做有倾向性的数据增强：把剪刀图片随机旋转、亮度抖动、镜像翻转，让同一个标注点以更多形态出现。再不够就用复制粘贴策略，把剪刀目标贴到背景或工具盒场景里，把数量补到千框量级后再看效果。

4.2 标签名里的复数：screwdrivers与screwdriver一字之差全盘错位

现象：训练时日志里显示的各类目标数量正常，loss下降也正常，但推理时螺丝刀总是被标成钳子，或者输出类别顺序全乱。

原因：类别名在原始xml里写的是screwdrivers，词尾有s。手写yaml时很容易习惯性写成screwdriver，类别表和txt里面的class id对不上。YOLO的names顺序一旦错位，class 2在模型输出里就被映射成错误的名称字符串。

解决：以数据原始xml中的name为准，不要靠记忆拼写。写个小脚本从全部xml里提取不重复的name：

import glob import xml.etree.ElementTree as ET names = set() for xml_path in glob.glob("/path/to/xyxr_tools/*.xml"): root = ET.parse(xml_path).getroot() for obj in root.iter("object"): names.add(obj.findtext("name")) print(sorted(names))

输出三个名字，直接复制粘贴到配置文件里，不手打。这个习惯能省掉大量排查时间，也顺带把单复数问题消掉。

4.3 金属反光和长柄形状：细长工具最容易漏检

现象：val集图片里，螺丝刀横放在桌面上，背景又有纹理和反光时，模型输出置信度很低，甚至完全没有框出来。

原因：这类长条形工具在图像里表现为大长宽比的矩形，背景占比高，金属反光边缘又和附近物体反光融在一起，检测头很难确定边界。矩形框本身对这种细长目标就不友好，框稍微紧一点，背景信息就压过了前景。

解决：训练时把输入分辨率提上去，从640提到1280往往有立竿见影的效果，长条目标的像素信息更完整。增强参数里把亮度、对比度抖动加大，模拟不同光源条件。推理阶段还可以做多尺度预测，对低置信度结果放宽一点NMS阈值，但先查分辨率，这个手段最直接。

4.4 钳子和螺丝刀交叉摆放：矩形框重叠之后的NMS难题

现象：一张照片里钳子和螺丝刀交叉，标注时画了两个互相重叠的大矩形，训练收敛后，后处理把两个框合并成一个，输出只剩一个目标。

原因：矩形框表达不了交叉目标的真实轮廓。重叠区域过大时，NMS按IoU阈值把另一个框当作重复框抑制掉；两个类别的回归头各自输出框，又都在同一区域激活，后处理一压就只剩一个。

解决：如果应用场景就是工具箱里的散放工具，建议把这类交叉图单独抽出来，改成旋转检测，或者先做实例分割生成mask，再转成旋转框。坚持用水平框的话，要针对这类场景扩大样本量，并使用MixUp增强，光靠通用参数是压不下去的。这份数据单目标图片占多数，交叉图不会太多，但只要有，就必须在val集里单独统计，否则漏检在评测时被平摊掉，你会误以为模型表现不错。

4.5 letterbox缩放后忘了重算坐标：检测框整体偏移

现象：训练和推理都使用640x640输入，发现预测框中心点整体向下或向右偏，图像边缘有灰边时尤其明显。

原因：letterbox缩放会先按长宽比等比缩小图像，再在较短的边上补灰条。目标在原始图片上的归一化坐标，和新画布上的坐标系已经不是一回事。如果直接从txt读原始坐标而不补偿偏移量，框在新画布上就整体错位了。

解决：不重复造轮子的做法，是使用框架内置的letterbox逻辑，它返回图像时会同时返回缩放比例和填充偏移，把标签同步平移缩放即可。自己写预处理的话，给标签也加一个同样的变换函数。检查这份数据时，可以先手工选一张宽图和一张高图，把letterbox前后的框位置对比一遍，确认脚本没有写错再喂进训练。

5. 落地上手：先算先验框，再写一份能直接跑的训练配置

数据校验通过以后，下一步不是立刻开训，而是先用标注统计结果把先验框算出来。这一步经常被跳过，尤其很多人直接沿用默认anchor，等到回归头学不动才开始怀疑数据。

5.1 从标注里统计bbox宽高，粗略估算先验框

用之前的xml体检脚本顺手把宽高收集起来，用numpy看分布：

import numpy as np import glob import xml.etree.ElementTree as ET ratios = [] for xml_path in glob.glob("/path/to/xyxr_tools/*.xml"): root = ET.parse(xml_path).getroot() w_img = int(root.findtext("size/width")) h_img = int(root.findtext("size/height")) for obj in root.iter("object"): box = obj.find("bndbox") w = (int(box.findtext("xmax")) - int(box.findtext("xmin"))) / w_img h = (int(box.findtext("ymax")) - int(box.findtext("ymin"))) / h_img ratios.append((w, h)) arr = np.array(ratios) print("框数：", len(arr)) print("宽高均值：", arr.mean(axis=0)) print("宽高中位数：", np.median(arr, axis=0)) print("宽高比均值：", (arr[:, 0] / arr[:, 1]).mean())

从工具检测的场景看，多数工具横放，框整体偏长条状。中位数和均值跑出来以后，再用YOLO系列框架内置的聚类脚本跑一遍，得到anchor会更贴合这个数据集。如果你的图片里螺丝刀立着放的比例高，宽高比均值会明显靠近1，那就以聚类结果为准，不要凭印象写死。

5.2 一份yaml参考配置与训练前检查顺序

数据切换成训练目录后，配置文件写成这样：

path: ./xyxr_tools train: images/train val: images/val nc: 3 names: 0: pliers 1: scissors 2: screwdrivers

path改成解压后的实际根目录，train和val先要把数据按比例划开。划分的时候坚持三个后缀一起移动或复制，只拷jpg不拷xml，之后再想转格式或者重新可视化就要返工。最后按固定顺序过一遍：先跑xml异常检查脚本，再跑txt校验，再做可视化抽查，最后算先验框。

从那以后，我每次拿到别人整理好的数据集，都强制先走一遍这三段体检脚本，再谈网络结构和超参。数据校验这个步骤看起来不起眼，却能省掉训练跑半天才发现标签错位、框越界的返工成本。希望帮到你。

本文还有配套的精品资源，点击获取