简介这份数据集面向医学影像与目标检测方向的开发者、研究人员及高校学生基于YOLO标注格式整理覆盖基底细胞癌、复杂痣、皮内痣、交界痣、扁平苔藓、黑色素瘤、银屑病、脂溢性角化病、日光性角化病共9类皮肤病变兼顾常见良性病灶与高恶性风险类型适用于皮肤癌自动筛查、病灶定位、多分类检测等模型的训练与效果验证。压缩包共2000个文件其中1570个txt为YOLO格式标签文件428张jpg为高分辨率皮肤镜图像另附yaml模型配置文件与docx数据集介绍文档整体大小68.16MB目录结构清晰下载解压后即可直接接入YOLO系列训练流程。目前已有141人学习下载。借助该资源可快速获得一套类别划分细致、标注完整的小规模医学目标检测数据集既能支撑算法教学、课程设计与毕业设计也可作为皮肤癌检测模型预训练或调参的基准数据省去大量医学图像采集与人工标注成本对入门医学视觉和开展相关课题研究都有实际帮助。1. 皮肤癌目标检测数据集1570 张医学图、9 个分类的 YOLO 起点做医学影像目标检测的人应该都有这种体会能公开下载的数据集绝大多数是分类格式一张图一个标签真正带目标框的检测数据集少得可怜。这份皮肤癌目标检测数据集是少见的落地资源压缩包解出来是 Roboflow 导出的标准结构训练集 1256 张、验证集 314 张共 1570 张皮肤镜高分辨率图像覆盖基底细胞癌、黑色素瘤、银屑病、脂溢性角化病等 9 个临床类别。换句话说你不用自己拿分类数据去 YOLO 里硬转解压后把 data.yaml 指对路径就能直接跑训练。适合两拨人一是想做医学图像检测但手头没干净数据的研究者二是想用 YOLOv8 验证目标检测全流程、又不想处理数据格式血泪的工程党。它的价值不在图多而在“类别全、格式干净、能直接当 baseline”。2. 解压与格式确认Roboflow 导出的目录结构、标签含义和类别顺序2.1 文件结构长什么样拿到 zip 之后先别急着扔进训练脚本。第一步是解压看目录结构。用 Linux 或 macOS 的同学直接在终端里操作Windows 上我一般用 7-Zip 右键解压到当前文件夹注意别用 Windows 自带的中文路径解压工具后续容易出编码问题。解压后的典型结构大致是这样的skin-cancer-detection/ ├── train/ │ ├── images/ │ │ ├── intradermal-nevus-INN-7-_jpg.rf.0aa3ba9e55ba2e53ba22be752483ad4b.jpg │ │ └── ... │ └── labels/ │ ├── intradermal-nevus-INN-7-_jpg.rf.0aa3ba9e55ba2e53ba22be752483ad4b.txt │ └── ... ├── valid/ │ ├── images/ │ └── labels/ ├── data.yaml └── 数据集介绍.docx先解释一下这个结构。train 和 valid 两个目录分别对应训练集与验证集图片统一在 images 子目录下对应的 YOLO 标签 txt 在 labels 子目录里文件名与图片名完全一致、后缀换成 .txt。这个对应关系丢了训练时就是“找不到标签”的报错。data.yaml 是训练入口里面有类别名和路径配置数据集介绍.docx 是说明文档训练前值得花两分钟读一遍。还有一点从文件名里的 .rf. 哈希串能看出来这批数据是从 Roboflow 平台导出的这就是为什么格式如此规整。2.2 标签 txt 在说什么YOLO 标签格式要心里有数。每一行对应图片里的一个目标框五个数字分别是类别 id、归一化后的中心点 x、中心点 y、归一化后的框宽 w、框高 h。拿一行真实标签举例2 0.50859375 0.5645833333333334 0.08671875 0.136046875这一行翻译过来就是类别 id 是 2目标框中心点在图片宽度 50.9%、高度 56.5% 的位置框本身占图片宽度的 8.7%、高度的 13.6%。全部数值都是 0 到 1 的浮点数不是像素坐标。提示任何标注工具LabelImg、X-AnyLabeling 等导出 YOLO 格式时即使框超出画面边缘也多半不会截断坐标。训练前如果发现某些框在画面外可以用脚本把坐标裁剪到 [0,1] 区间避免后期训练 loss 跳动。2.3 类别顺序为什么必须确认这是最容易翻车的地方也是整个格式确认环节里最重要的一步。data.yaml 里维护着一张“类别 id 到类别名字”的映射表。Roboflow 默认按字母序排列类别也就是说 id 0 不一定是你直觉里的“基底细胞癌”而是按字母排后的第一个。你用自己的数据集训练或者下载了别人的数据集做融合第一件事就是用编辑器把 data.yaml 打开把 names 列表完整读一遍确认 txt 里的 id 到底指向哪个类别。否则你拿着类别 id2 的标签去训练模型学到的可能是完全不同的另一个病种。检查方法很直接读数几行标签再对照 names 顺序即可。类别不代表难度代表的是你的监督信号这一步错后面所有指标都是空中楼阁。整理一个速查表会更直观类别 id类别名按字母序临床对应0Basal_cell_carcinoma基底细胞癌1Complex_moles复杂痣2Intradermal_nevus皮内痣3Junctional_nevus交界痣4Lichen_planus扁平苔藓5Melanoma黑色素瘤6Psoriasis银屑病7Seborrheic_keratosis脂溢性角化病8Solar_keratosis日光性角化病这个表在后续读混淆矩阵时非常有用建议训练时打印一份放旁边。3. 训练配置从 data.yaml 到 YOLOv8s 跑通第一个 Epoch3.1 环境准备训练环境没有玄学就是 ultralytics 一套。我习惯用 Python 3.10 和 PyTorch 2.x显卡随意实测 8G 显存跑 YOLOv8s、batch 16、640 分辨率绰绰有余。如果手头只有 CPU训练速度会非常感人建议换小模型或调低 imgsz。安装命令很简单pip install ultralytics安装完在 Python 里输入import ultralytics; print(ultralytics. __version__)确认一下版本号。不同版本之间 API 差异不大跟上文配置不会有冲突。显卡用户顺手确认 CUDA 可用python -c import torch; print(torch.cuda.is_available())输出 True 再往下走。这一条命令就是为了排查环境问题省得后面训练到一半才报 GPU 相关错误。3.2 数据 yaml 怎么写拿到数据后先改 data.yaml这是所有配置里最基础的一步。Roboflow 导出的 data.yaml 通常自带路径但那路径是别人机器上的绝对路径所以必须改成自己机器上的实际路径。我的做法是建一个干净的工作目录把 train 和 valid 整个拷进去再写相对路径避免换机器就废。修改后的 data.yaml 大概长这样train: dataset/train/images val: dataset/valid/images nc: 9 names: 0: Basal_cell_carcinoma 1: Complex_moles 2: Intradermal_nevus 3: Junctional_nevus 4: Lichen_planus 5: Melanoma 6: Psoriasis 7: Seborrheic_keratosis 8: Solar_keratosis核心就是三件事路径对不上就改成你自己的绝对路径nc 必须等于 names 的数量这里是 9names 的 id 顺序必须和标签 txt 里的 id 严格一致。你看这份 yaml 里没有 test 字段也常见验证直接走 val。如果想把一部分训练集留作测试自行切分但不建议在 1256 张训练图上再动刀。医学图本身采集成本高验证集 314 张已经是够用的评估规模。提示路径配置用相对路径时一定要把训练命令的 working directory 放到 dataset 的上一级目录。否则 ultralytics 按相对路径找不到图会直接报 FileNotFoundError。3.3 训练参数怎么设配置写好后进入训练。最简单的命令就是一行yolo detect train datadata.yaml modelyolov8s.pt epochs100 imgsz640 batch16解释每一段的含义data 指向刚才改好的 yamlmodel 用官方预训练权重 yolov8s.pt第一次运行会自动下载epochs 设 100对于 1256 张的中小规模数据集够用imgsz 设 640是 YOLOv8 的默认输入分辨率batch 16 对 8G 显存很稳妥。如果想换更轻量更快跑通流程可以把 yolov8s 换成 yolov8n训练时间大约能减一半以上。训练开始后终端会打印每轮 epoch 的 loss、精度、召回率等指标同时会在 runs/detect/train 目录下持续产出权重文件和训练曲线。第一次跑盯着前几个 epoch 的 box_loss 和 cls_loss确认它们在整体下降再离开终端。box_loss 是边界框回归损失cls_loss 是分类损失两个都在降说明模型确实在学。一个值得说的参数是 patience。默认 patience100意思是连续 100 个 epoch 指标不提升就提前停止。epochs 设 100 的话耐心值很容易让训练提前结束如果发现 early stop 出现在第 60 轮以后而 loss 还在缓慢下降就把 epochs 提到 200、patience 留默认让模型多跑一会儿。还有 workers 参数默认 8Windows 上偶尔会触发 DataLoader worker 崩溃改成 4 或 2 就好。这属于环境问题改完不影响训练结果。3.4 训练日志里怎么判断有没有问题训练日志里值得关心的有三列P精度、R召回率、mAP50-95。医学目标检测任务我一般更看重召回率。皮肤病灶漏检的成本远比误检高临床场景宁可多框几个可疑区域。如果训练到中后期发现 R 一直比 P 低一截说明模型倾向于保守很多真实病灶没框出来这时候可以考虑降低置信度阈值做推理或者在数据增强里增加样本曝光度。训练结束后真正有用的产出是 best.pt它在训练结束时会自动保存到 runs/detect/train/weights/ 下。后续验证、推理全部用 best.pt不要用 last.pt。前者是验证集上表现最好的权重后者只是最后一轮的状态两者可能差好几个点。4. 验证与指标解读mAP50、混淆矩阵和数据集的真实水准4.1 验证命令与指标清单训练结束拿到 best.pt第一件事是在验证集上跑一遍官方验证命令得到标准化指标。命令yolo detect val modelruns/detect/train/weights/best.pt datadata.yaml这行命令会返回一组指标mAP50、mAP50-95、precision、recall以及每个类别的单独 AP。这套指标的意义要搞清楚mAP50 是 IoU 阈值 0.5 时的平均精度比较宽松mAP50-95 是把 IoU 阈值从 0.5 到 0.95 逐步提高后取平均更严格。医学小目标框得稍微偏一点mAP50-95 就掉得很快。所以在这个数据集上如果 mAP50 能到 0.7 以上而 mAP50-95 只有 0.4 上下不是模型坏而是医学目标的框定天然更难。跑完验证ultralytics 会在 runs/detect/val 下生成混淆矩阵图 confusion_matrix.png。这个图建议打印出来仔细看。我按 2.3 的类别表一个一个对过去通常会发现几对容易互相混淆的类别。这个数据集里 Intradermal_nevus 和 Junctional_nevus 都是痣一个在真皮内一个在表皮真皮交界处轮廓特征相近混淆是常态Melanoma 和 Complex_moles 临床上也经常难以分辨。如果这两对的混淆数量明显高说明数据本身的类间差异小不是模型训练不到位。下一步要么增加这两类的训练样本要么考虑把临床语义相近的类合并。4.2 医学影像目标检测和通用检测的参数差异通用目标检测常用的数据增强策略在这个数据集上要收敛一点。YOLOv8 默认会启用 mosaic、旋转、平移、缩放等增强。对待皮肤病变图我的习惯是把 hsv_h、hsv_s、hsv_v 这三个颜色增强参数调低比如 hsv_v0.2。病变颜色是诊断的重要线索皮肤镜下黑色素瘤和良性痣的颜色差异往往是关键判别特征把饱和度、明度大幅随机扰动等于主动把判别信息洗掉。同理fliplr 水平翻转可以考虑关闭或保留较低概率黑色素瘤的“不对称性”是临床诊断标准之一镜像翻转会模糊这个特征。rotation 不要给太大旋转 90 度对毛发、鳞屑等方向性纹理特征会有影响。这些增强参数调整不能一概而论要看训练时验证集的指标是否持续波动如果验证集 loss 在振幅 0.3 以上来回震荡先把数据增强降档。mosaic 参数值得单独说。mosaic 增强把四张图拼在一起训练对小目标检测帮助明显但也会让模型见过多的“拼接痕迹”。医学图上我一般把 mosaic 保留在 0.5 左右而不是默认的 1.0训练后期再关掉。YOLOv8 默认在最后 10 个 epoch 会自动关闭 mosaic这是官方设计不需要你干预。如果你的医学图里病灶占比很小也就是目标框面积占整图比例低于 1%mosaic 和多尺度训练都值得开大一点。4.3 切分比例与数据分布的常见误用这个数据集按 1256/314 即 80% / 20% 切分训练验证比例上是常规做法。但有一个坑医学数据集经常存在同一患者多张相似图片的情况如果这些图同时出现在 train 和 valid 里就构成数据泄漏验证集指标会虚高部署时直接现原形。处理方式是按“患者”分组切分而不是按“图片”随机切分但这份数据集的文件名是 Roboflow 的哈希命名无法直接从文件名上看患者来源。所以我的建议是如果后续要把这个数据集用到正式研究里先根据图片内容做人工查重把明显同源的样本归组再重新切分。如果只是拿来做工程练手默认切分没有问题。数据不平衡也要同步检查。9 个类别里黑色素瘤通常样本量少银屑病和脂溢性角化病这类常见病样本量多。训练前数一下每个类别标签文件里框的数量如果某个类别只有几十个框那这个类别的 AP 基本只能靠预训练权重硬撑。解决思路有两个一是给少样本类别加 class weightsultralytics 里没有直接的类别权重参数但可以通过在 loss 层面做修改实现二是做离线过采样把少样本类别的图片复制几份进训练集。后一种做法实现简单、见效快但要注意别让完全相同的图片同时落入训练和验证。我一般复制完会做轻微增强例如小角度旋转或缩放降低过拟合风险。5. 常见问题与避坑医学影像目标检测的五个血泪教训5.1 中文路径与解压后找不到文件现象训练命令启动后报错 FileNotFoundError路径检查了无数遍都对。原因最常见的是 zip 解压到了带中文的目录下比如 C:\Users\张三\皮肤癌数据集。ultralytics 在 Windows 上对中文路径的兼容性不稳定Decoder 报错不会直接说“路径有中文”而是报一个看不懂的文件找不到。解决把整个数据集目录移到纯英文路径下比如 D:\datasets\skin-cancer然后删掉 runs 缓存重新训练。从那以后我拿到任何数据集第一步就是确认绝对路径没有中文字符。5.2 标签类别 id 与 data.yaml 错位现象训练能跑通但 val 过程某些类别 AP 常年是 0训练曲线看起来很健康结果却让你怀疑人生。原因data.yaml 里 names 顺序被改动过但 labels 里的 txt 没有同步更新。前面说过 Roboflow 按字母序排 id如果你把 yaml 重排成你想要的顺序而没改标签那模型的 id0 学的是图片里 id0 框的像素但你以为的 id0 是另一个类别。解决写一个脚本把 labels 里每个 txt 的类别 id 全部按映射表转换一次转之前打印出三类样例确认对应关系再转。一次到位不要靠人眼抽查。通常的做法是先读 data.yaml 的 names 列表确认每个 id 对应哪个临床类别然后再去 labels 目录抽查三张图片的 txt 内容两者对上了再继续。5.3 验证集 loss 大幅震荡现象训练日志里 val box_loss 曲线像锯齿忽高忽低训练 loss 正常下降。原因数据增强太猛常见的是 mosaic、旋转、hsv 扰动同时开着验证集每次看到的都是被随机增强过的验证图评估不稳定。另一种可能是验证集实在太干净或多源和增强后的训练分布错位明显。解决把增强参数调回保守值。我在这个场景下常用这样一组配置hsv_h: 0.01 hsv_s: 0.2 hsv_v: 0.2 fliplr: 0.0 mosaic: 0.0参数说明hsv_h 色调扰动压到 0.01基本不动颜色s 和 v 保留 0.2保留有限的亮度与饱和度变化fliplr 直接关闭保住病变不对称性mosaic 关掉。如果关掉增强后验证集指标明显变平稳那基本锁定是增强过猛。然后再慢慢尝试把 mosaic 开回 0.5找到一个既涨指标又不震荡的点。5.4 病灶太小导致 mAP50-95 上不去现象验证集 mAP50 尚可但 mAP50-95 明显偏低可视化预测时发现小病灶框偏移严重边界贴合度差。原因皮肤镜成像里病的病灶占整图比例普遍不高YOLO 的默认锚框和尺度分配对这种小目标不友好。模型能大概定位病灶位置但精细边界回归吃力尤其在 IoU 阈值提高后框偏几个像素 AP 就暴跌。解决把训练 imgsz 从 640 提高到 960 或 1280这是最直接有效的手段代价是显存占用增加。如果显存不够保守方案是保持 640 但开启多尺度训练ultralytics 里通过设置scale0.5这类参数控制尺度抖动范围。我一般用的组合是imgsz960 batch8 scale0.58G 显存勉强能跑推理时也用同样分辨率效果比 640 高出不少。5.5 推理阶段乱框和漏框现象模型在训练集上指标正常换到新图上一顿乱框背景区域频繁误报。原因训练医学类数据最典型的翻车点。皮肤镜图像里皮纹、毛发、碘酒痕迹等背景纹理特征显著如果训练数据里这些背景特征不够多样模型会把纹理强的背景也当成病灶边界。这种情况典型特征是误报框都集中在图像中央高纹理区域且置信度不低。解决把训练数据的负样本补上去。手工裁剪一批“正常皮肤”区域图片不要有病灶框放进训练集让模型见过足够多的背景标签为空即可。对这份数据集你可以从训练集图片里选那些病灶占图很小、大部分区域是正常皮肤的图直接作为负样本加入数量控制在总图数的 10%-20%重新训练。这招在工业缺陷检测里叫背景采样在医学影像里同样有效。我每次做数据集微调都会在上一个 5.2 和 5.4 两步之后再补一批负样本再跑一轮肉眼可见地压低误报。6. 进阶技巧训练前画框、训练后看混淆矩阵、必要时合并类别6.1 训练前验证标签是否对位画框检查训练前花十分钟画框能省下训练后的排查时间。写个小脚本从数据里抽几张图把标签框画上去人工核查。这个习惯帮我抓过两次标签和类别完全错位的问题。用 OpenCV 实现import cv2 img cv2.imread(dataset/valid/images/intradermal-nevus-INN-7-_jpg.rf.0aa3ba9e55ba2e53ba22be752483ad4b.jpg) h, w img.shape[:2] with open(dataset/valid/labels/intradermal-nevus-INN-7-_jpg.rf.0aa3ba9e55ba2e53ba22be752483ad4b.txt) as f: for line in f: cid, cx, cy, bw, bh map(float, line.split()) x1 int((cx - bw / 2) * w) y1 int((cy - bh / 2) * h) x2 int((cx bw / 2) * w) y2 int((cy bh / 2) * h) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.imwrite(check.jpg, img)这段代码读取标签文件的五个数值把归一化坐标换算成像素坐标后画框。一次多抽十张每张都确认“框的位置对不对、类别 id 和临床特征对不对”。常见做法是拿类别表和 clinical 特征对照着看比如 Melanoma 的病灶通常颜色深浅不一、边缘不规则如果这类图的框画在了一个边界光滑的痣上标签大概率有问题。6.2 训练后读混淆矩阵定位易混类别训练完成后runs/detect/val 目录下会自动保存混淆矩阵图。拿到它之后我习惯仿照 2.3 的类别速查表逐项对照找到产量最高的那对混淆类。对这份数据集Junctional_nevus 和 Intradermal_nevus、Melanoma 和 Complex_moles 是高频混淆对。如果在你的结果里这两对错位明显且补充数据成本太高下一步就该考虑合并类别。合并方式很直接把临床语义相近的类别归成一个父类比如把两个痣类合并成 Nevus把黑色素瘤和复杂痣合并成 Melanoma_like。合并脚本要同时改 txt 标签和 data.yaml注意保留原类别名到新父类的映射关系merge_map { 2: Nevus, 3: Nevus, 5: Melanoma_like, 1: Melanoma_like, }再按映射把每个 txt 里的类别 id 直接改写同时把 data.yaml 的 names 列表同步更新。这一步做完类别数量会从 9 降到 6 或 7验证集的 mAP50 通常能往上走 3 到 5 个点因为模型不再被迫区分临床本来就难分的类别。从那以后我每次拿到医学影像目标检测数据集都会强制走一遍“先画框抽查、训练后看混淆矩阵、再决定要不要合并”这个流程。医学数据的“正确”往往不是模型自己蹦出来的而是你把临床先验和模型结果对齐的结果。希望帮你把这份皮肤癌数据集用得更顺。本文还有配套的精品资源点击获取