简介面向杯子检测任务的数据集资源适合目标检测入门者熟悉VOC与YOLO标注格式也能帮助算法工程师直接开展模型训练与精度评测。压缩包以7z格式提供共计2000个文件其中xml标注文件为主体另有1个txt说明文件整体大小约676.74MB。数据内容涵盖4500张杯子场景图片的标注框标注类别仅有cup一项全部10031个矩形框均通过labelImg工具绘制位置准确、格式规范并提供VOC格式的xml与YOLO格式的txt两套标注免去格式转换工作标注文件命名规律清晰便于批量读取与筛选。标注类别单一有助于聚焦杯子这一类目标的检测效果。目前已有477人学习下载可直接用于YOLO系列、Faster R-CNN等模型训练与验证也可作为毕业设计、课程项目的数据支撑适合迁移学习、数据增强及单类目标检测对比实验。1. 杯子数据集4500张VOCYOLO格式先搞清你拿到的是什么做杯子检测这个需求十次有九次卡在数据上电商图背景太干净、工业现场杯子叠在一起、还有一批图标注格式五花八门。这份「杯子数据集4500张VOCYOLO格式」把样本量、标注格式、目标类别三件事一次给齐——4500张图同时提供VOC的XML标注和YOLO的TXT标注类别聚焦在单类杯子。它的价值在于省掉「爬图—清洗—人工框选—格式转换」整条流水线让训练从第一天就能开始。适合三类人刚学目标检测、想用真实数据跑通一遍yolov8训练流程的初学者做数据增强或迁移学习对比实验、需要一份干净基准数据的从业者以及做零售货架、工业分拣等场景验证的工程师。需要先提醒一句数据集好用不等于万事大吉你得先理解两种格式的差异再动手训练后面几章按这个顺序拆。2. VOC和YOLO两种标注格式为什么一份数据要给你双份标签很多人第一次打开这个数据集会愣一下images里有4500张图labels里一半是XML一半是TXT以为数据重复或标注没对齐。其实不是。XML对应的是VOC格式TXT对应的是YOLO格式两者描述的是同一批边界框只是坐标系、存储方式和服务的工具链完全不同。搞懂这一层你后面无论是直接训练还是把数据迁到其他框架都不会被格式卡住。2.1 VOC格式长什么样XML里的bndbox和类名VOC格式源自Pascal VOC竞赛是最早普及的检测标注规范之一很多老牌标注工具比如LabelImg默认就输出它。在这类数据集里每张图片对应一个同名XML文件结构大致是这样annotation foldercup_data/folder filenamecup_00001.jpg/filename size width1280/width height720/height depth3/depth /size object namecup/name bndbox xmin312/xmin ymin186/ymin xmax498/xmax ymax402/ymax /bndbox /object /annotation关键看这几处filename要和图片名完全一致训练时靠它配对size节点里记录了图片宽高和通道数转YOLO时要用到其中的width和heightobject节点的name是类名字符串一个XML里可以有多个object对应一张图里多个杯子。bndbox给的是绝对像素坐标xmin是框左边缘ymin是上边缘xmax、ymax分别是右边缘和下边缘没有做任何归一化。我在处理这类数据时会先把所有XML批量读一遍确认每个folder、filename、size都规范再进入转换环节。常见坑是有人手动改过XML里的filename结果和实际文件名差一个下划线配对时就会漏标。下一节要做的VOC转YOLO本质就是把bndbox的像素坐标换算成相对坐标换成另一种存放形式而不是重新标一遍。提示不要在Windows记事本里直接编辑XML再保存容易把编码改成带BOM的UTF-8解析时会报非法字符。统一用脚本处理。2.2 YOLO格式的归一化坐标从VOC转过来不是只改后缀YOLO格式的标注是纯文本一张图一个TXT文件每行描述一个目标行内用空格分隔。以这类单类杯子的数据为例一个典型的TXT内容是0 0.316406 0.408333 0.145312 0.300000这一行五个数字依次是class_id、x_center、y_center、width、height。其中class_id是类别索引从0开始这里只有一类杯子所以是0后四个数的单位是「相对图片宽高的比例」全部落在0到1之间。x_center是框中心点的横向位置width是框宽度占图片宽度的比例这和VOC里直接用左上右下像素坐标是完全不同的描述方式。如果要把VOC转成YOLO我一般直接用下面这个脚本替换路径后就能跑import xml.etree.ElementTree as ET def voc_to_yolo(xml_path, class_names): tree ET.parse(xml_path) root tree.getroot() img_w int(root.find(size/width).text) img_h int(root.find(size/height).text) lines [] for obj in root.findall(object): name obj.find(name).text if name not in class_names: continue cls_id class_names.index(name) # 必须由类名映射到索引 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 / 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}) return lines class_names [cup] # 类别名以数据集提供的声明为准这里用cup做示例 lines voc_to_yolo(/path/to/cup_00001.xml, class_names)逻辑说明先读图片宽高再遍历每个object把VOC的左上右下角点换算成中心点加宽高最后除以图片尺寸得到归一化坐标。class_id不是随便写的必须和训练配置里names的顺序对应这是后面最容易出错、也最不容易发现的一环。参数上class_names列表要和数据集的类别定义严格一致多一个少一个都会导致编号错位.6f是保留六位小数对训练精度足够。那为什么YOLO要搞一套归一化坐标因为训练时模型会把图片统一resize到640×640或1280×1280归一化后的标注和原图分辨率无关dataloader读到后直接换算就行省去「先知道原图尺寸再缩放」的步骤。而VOC保留像素坐标主要价值在于可视化、人工检查、以及和标注工具互相验证。一份数据同时给两种格式相当于提前帮你做掉了最枯燥的转换环节。2.3 给4500张图做个体检数据够不够训练先看分布我拿到任何检测数据集第一件事不是训练而是把4500张全部扫一遍做数据体检。原因是单类数据集看着简单实际分布差距很大——如果4500张全是同一角度的大杯子训练出来的模型换个场景就垮掉。体检脚本如下import os import xml.etree.ElementTree as ET xml_dir path/to/xml total_objs 0 empty_xml 0 obj_stats {} xml_count 0 for fname in os.listdir(xml_dir): if not fname.endswith(.xml): continue xml_count 1 root ET.parse(os.path.join(xml_dir, fname)).getroot() objs root.findall(object) total_objs len(objs) key len(objs) obj_stats[key] obj_stats.get(key, 0) 1 if len(objs) 0: empty_xml 1 print(fempty: {fname}) print(f总XML数: {xml_count}) print(f总目标数: {total_objs}) print(f空标注XML数: {empty_xml}) print(每图目标数分布:, dict(sorted(obj_stats.items())))这段代码统计三件事XML总数和图片数是否对得上每张图的目标数分布能看出是「一张一个大杯」还是「一张十多个小杯」有没有空标注XML。空标注图如果混进训练集会让模型把背景学成负样本影响比想象中大。看完统计再对照这份经验表决定要不要补数据数据分布特征4500张够不够单类、背景干净、杯子大小集中对yolov8n足够重点先跑通流程单类但一张图多个杯子、有遮挡够用后处理要调NMS阈值和置信度杯子尺度跨度大近景大杯加远景小杯偏紧建议补小目标样本或加copy-paste增强背景和真实部署场景差异大数量够也要补少量真实场景数据做迁移否则漏检明显4500张对这个任务是「够用但不宽裕」。真正决定成败的不是总数而是分布和你手里的yolov8基础模型能不能配合。体检完心里有底再进下一章的目录编排和训练。3. 用YOLOv8训练自己的杯子检测模型目录结构、data.yaml和最小命令数据体检完了格式也理解了接下来就是最常见的诉求把这个「杯子数据集4500张VOCYOLO格式」喂给yolov8训练出自己的杯子检测模型。这一章按我自己做项目的顺序写先摆目录再写配置文件再做划分最后跑训练。中间每一步都有对应的检查和排错点。3.1 先按Ultralytics的习惯摆目录images和labels各一份虽然数据集同时给了VOC和YOLO两种标注但yolov8训练时只读取TXT格式的labels。常见做法是把数据集整理成下面这个结构cup_data/ ├── images/ │ ├── train/ # 放训练图片 │ └── val/ # 放验证图片 ├── labels/ │ ├── train/ # 放与train图片同名的txt │ └── val/ # 放与val图片同名的txt └── voc_xml/ # 原始VOC XML单独存放备用这种结构是Ultralytics的默认约定dataloader会从images/train里找图片再把路径里的/images/替换成/labels/去读同名TXT。所以images和labels下的文件必须同名同后缀否则训练时找不到标注。创建目录用下面几条命令cd ~/datasets mkdir -p cup_data/images/train cup_data/images/val mkdir -p cup_data/labels/train cup_data/labels/val mkdir -p cup_data/voc_xmlmkdir的-p参数会一次性创建多级目录避免一层层建。建完目录后把图片按后面3.3节的划分脚本放进images/train和images/val把对应的TXT放进labels/train和labels/val。VOC的XML我建议单独放在voc_xml里不进labels目录因为yolov8不认XML放在labels里反而会被当成无效标签文件。一个容易被忽略的细节文件名里不要带空格和中文否则个别版本的dataloader在路径拼接时会报错。如果原始文件名叫「杯子_001.jpg」这种先批量改成cup_001.jpg成本很低后面省心很多。3.2 写data.yamlpath、train、val、nc、names一个都不能错yolov8靠data.yaml定位数据和声明类别内容很简单但每一项都直接决定训练是否正常。这个数据集的data.yaml我一般这样写path: /home/user/datasets/cup_data # 数据集根目录 train: images/train # train图片目录相对path val: images/val # val图片目录相对path nc: 1 # 类别数只有杯子一类 names: [cup] # 类名列表索引从0开始字段说明path是数据集根目录可以写绝对路径也可以写相对路径Windows下建议用正斜杠第4章会说原因train和val写相对path的子目录yolov8会拼接成完整路径nc是类别数量单类数据集就是1names是类名列表顺序就是TXT里class_id的顺序叫cup还是叫杯子不影响训练但会绑定到以后导出模型的输出名。写完data.yaml先用一条命令验证路径是否有效yolo detect train datapath/to/cup_data.yaml modelyolov8n.pt epochs1 imgsz640刻意只跑1个epoch不是为了看效果是为了让dataloader把全部图片路径过一遍。如果路径错、标签缺日志里会直接报错如果正常你会看到训练进度条出现这时候CtrlC停掉再进入正式训练。这一步是我每次处理数据集必做的冒烟测试比直接训100个epoch后发现路径错要划算得多。3.3 划分训练集和验证集动手前先留好后悔药4500张图不能全拿去训练至少要留出10%到20%做验证集否则mAP没法看过拟合也发现不了。划分时有一个原则图片和对应的TXT必须成对移动而且验证集里绝对不能混进训练集用过的图。划分脚本如下import os import random import shutil src_img cup_data/images_raw # 原始图片目录 src_lbl cup_data/labels_raw # 原始txt目录 dst_img_tr cup_data/images/train dst_img_va cup_data/images/val dst_lbl_tr cup_data/labels/train dst_lbl_va cup_data/labels/val names [f for f in os.listdir(src_img) if f.endswith(.jpg)] random.Random(42).shuffle(names) # 固定随机种子保证每次划分一致 val_count int(len(names) * 0.15) for i, name in enumerate(names): base os.path.splitext(name)[0] if i val_count: shutil.copy(os.path.join(src_img, name), os.path.join(dst_img_va, name)) shutil.copy(os.path.join(src_lbl, base .txt), os.path.join(dst_lbl_va, base .txt)) else: shutil.copy(os.path.join(src_img, name), os.path.join(dst_img_tr, name)) shutil.copy(os.path.join(src_lbl, base .txt), os.path.join(dst_lbl_tr, base .txt)) print(ftrain: {len(names) - val_count}, val: {val_count})逻辑说明先把所有图片名随机打乱前15%划进val其余进train同时把同名TXT拷贝过去。用random.Random(42)固定种子很关键——同样的代码跑两次划分结果一样实验可复现如果直接用random.shuffle不带种子每次划分都不同后续对比实验结果会被这个变量污染。我用copy而不是move这样原始图片和标签还在原地划分错了从头再来就是相当于吃了颗后悔药。参数上4500张数据留15%大约是675张做验证对单类检测是合适量级。如果后续要做交叉验证就把划分逻辑包进函数把seed当参数传进去换seed就能重新切分。注意脚本里假设原始TXT都躺在labels_raw里如果数据集给的是VOC格式只有XML先跑第2章的转换脚本生成TXT再做划分。3.4 跑yolov8的最小训练命令先小后大别一上来就烧显存目录和配置文件就绪训练命令本身不复杂。以yolov8n为例最小命令是yolo detect train \ data/home/user/datasets/cup_data.yaml \ modelyolov8n.pt \ epochs100 \ imgsz640 \ batch16 \ patience20 \ device0参数说明modelyolov8n.pt是纳版预训练权重首次运行Ultralytics会自动下载不放心的话可以提前把yolov8n.pt下载好放到项目根目录epochs100对4500张单类数据属于正常范围imgsz640是YOLO系列最常用的输入尺寸速度和精度平衡batch16在8GB显存的显卡上基本能跑不够就降到8patience20是早停耐心值连续20个epoch验证集指标不提升就停防止过拟合还浪费时间device0指第一块GPU没有GPU就写devicecpu但4500张训练会很慢建议至少弄一张入门卡。如果显存只有6GB我一般会先用「冒烟配置」验证完整流程能走通yolo detect train datapath/to/cup_data.yaml modelyolov8n.pt epochs5 imgsz416 batch8等这条命令正常跑完再换回imgsz640、epochs100正式训练。训练开始后日志里会打印当前epoch的box_loss、cls_loss、dfl_loss单类数据集主要看box_loss和cls_loss是不是在稳步下降。同时runs/detect目录下会出现trainN文件夹里面的weights/best.pt就是每个epoch后验证集表现最好的权重最后部署就用它。整个训练流程到这里基本闭环。但真正让这份数据发挥价值的是知道在哪些环节容易翻车下一章的避坑记录全是我在实际项目里遇到过的场景。4. 杯子数据集训练避坑记录5个让模型翻车的真实场景单类数据集看起来是目标检测里最简单的形态实际踩坑一点不少而且坑都在数据侧和配置侧不是模型结构的问题。下面5条是我处理类似的VOCYOLO双格式数据时反复遇到的按「现象、原因、解决」写清楚你照着检查能省下大半天。4.1 类别编号错位XML里是cupTXT里却写成了1现象训练能正常启动loss也在下降但验证集的mAP一直很低或者训练日志里偶尔蹦出class index超出范围的警告。用训练好的权重预测时杯子被标成一串看不懂的类别名。原因VOC格式里类别是字符串cup而YOLO的TXT里类别是整数索引。很多人在手工整理或半自动转换时从1开始编号或者直接复制了别的数据集的TXT没改。yolov8的names列表索引从0开始所以TXT里的1对应的是names[1]如果names只有一个元素cup索引1自然越界或错位。解决不要手工改编号统一从VOC重新生成TXT。第一步先检查现有TXT的最大编号awk {for(i1;iNF;i) if($i max) max$i} END {print max class_id:, max} cup_data/labels/train/*.txt如果打印出的max class_id大于等于nc说明编号有问题。第二步写一个映射脚本按数据集的names列表把name转成索引也就是第2章那个voc_to_yolo函数确保所有TXT由脚本一次生成。我一般还会在训练前加一条断言遍历所有TXT凡是class_id不在[0, nc-1]范围内的文件直接列出来而不是让训练跑到一半才暴露。4.2 图片和标注缺配对4500张里混进了「裸图」现象训练启动时报错提示找不到某些图片对应的标签文件或者训练不报错但某个epoch的loss曲线突然异常可视化时发现某张图没有框。原因数据整理阶段把没有标注的负样本图片也塞进了images目录或者图片和TXT的文件名大小写不一致图片是cup_001.JPG标签是cup_001.txt。dataloader按图片名找TXT时配对失败缺失的就跳过或报错。解决训练前跑一个配对检查脚本把每张图片的同名TXT是否存在扫一遍import os img_dir cup_data/images/train lbl_dir cup_data/labels/train for img in os.listdir(img_dir): base os.path.splitext(img)[0] if not os.path.exists(os.path.join(lbl_dir, base .txt)): print(missing label:, img)打印出来的就是问题清单。对这些图我一般做两个处理如果确实是没标注的图移到单独的negative_images目录不要混在images里——负样本有自己的用法可以在训练时用空标签目录做背景采样但不该出现在训练集的常规标注里如果是大小写或后缀问题统一批量改名把图片名全部规整成小写jpg。跑完脚本保证每张图都有同名TXT再进训练。4.3 Windows路径分隔符反斜杠让yolov8一启动就报错现象同样的data.yaml在Linux上正常在Windows上训练启动即报FileNotFoundError报错路径形如D:\datasets\cup_data\images\train...看起来路径明明存在却读不到。原因Windows的路径分隔符是反斜杠而反斜杠在很多解析器里是转义字符。data.yaml里如果写了类似path: D:\datasets\cup_data的绝对路径yaml解析时反斜杠加后面的字母可能被转义成别的字符路径自然找不到。这个问题在Ultralytics的某些版本里时有时无属于典型的换台机器就翻车。解决路径统一用正斜杠或者让yaml里的路径全是相对路径。我会把data.yaml改成path: D:/datasets/cup_data train: images/train val: images/val注意这里path里写的是正斜杠的D:/datasets/cup_dataWindows绝大多数软件都能识别正斜杠路径。更稳妥的做法是在项目根目录下启动训练data.yaml里path直接写cup_data这种相对路径彻底避开盘符和转义问题。训练命令里的data参数也写成相对路径yolo detect train datacup_data.yaml。养成这个习惯后同一份配置在Windows和Linux服务器之间拷贝基本不用改。4.4 边界框坐标越界归一化后冒出负数或大于1现象训练日志里出现坐标范围警告提示某个box的x_center或width不在0到1之间或者用模型预测时框的边缘明显超出图片边界。原因标注时框拖出了图片边缘导致VOC的bndbox里xmax大于图片宽度、xmin为负。如果转换脚本直接拿这些值除以图片尺寸归一化后自然就出现负数或大于1。还有一种情况是图片resize后没有重新clip标注旧标注和缩放后的新图对不上。解决在VOC转YOLO的脚本里先对原始坐标做clip再做归一化同时丢弃太小的框import xml.etree.ElementTree as ET root ET.parse(cup_00001.xml).getroot() img_w int(root.find(size/width).text) img_h int(root.find(size/height).text) box root.find(object/bndbox) xmin max(0.0, float(box.find(xmin).text)) ymin max(0.0, float(box.find(ymin).text)) xmax min(float(img_w), float(box.find(xmax).text)) ymax min(float(img_h), float(box.find(ymax).text)) if xmax - xmin 2 and ymax - ymin 2: # 满足最小尺寸才保留小于2像素的框没有训练意义 x_center (xmin xmax) / 2 / img_w y_center (ymin ymax) / 2 / img_h w (xmax - xmin) / img_w h (ymax - ymin) / img_h这个clip逻辑要内嵌到批量转换函数里而不是发现问题后再回头改数据。根本原则是坐标必须落在[0,1]区间宽度和高度的最小值设一个合理的像素阈值我用2像素太小的框大概率是误标注留着只会干扰损失函数。引入clip后如果一张图里几个框被裁掉太多建议重新检查原始标注而不是直接信任转换结果。4.5 马赛克增强在杯子上的特殊问题拼接边缘的「半个杯子」现象训练到后期验证集mAP不错但拿到实际场景测试时小杯子大量漏检或者框出来只有半个杯子。更迷惑的是loss曲线看起来很漂亮模型学到的特征却不对。原因yolov8默认开启mosaic数据增强把四张图随机拼接成一张图再训练。对杯子这种目标尺寸相对小的单类数据集拼图时杯子正好落在拼接缝附近就会被切成半截。模型大量看到这种「半截杯子」反而把截断边缘当成特征。单类且目标多的图这个现象更明显。解决调整增强参数给模型正常的杯子样本。第一种是把mosaic概率调低yolo detect train datacup_data.yaml modelyolov8n.pt epochs100 imgsz640 mosaic0.5 close_mosaic10mosaic0.5表示只有50%的概率触发拼接增强close_mosaic10表示最后10个epoch完全关闭mosaic让模型在接近真实分布的形状上收敛。如果换回mosaic1.0后指标掉得厉害说明拼接增强对这个数据集的价值有限就用0.3也没问题。还有种思路是保留mosaic但把训练推进到一半再让增强强度衰减Ultralytics默认的这类调度参数不需要动先把mosaic和close_mosaic这两个管住。这类问题最隐蔽的地方在于它不报错指标还好看只有拿到真实场景才会露馅。所以我一般在训练结束后不只是看mAP还会把预测结果可视化画出来盯着小目标那一列看几眼比任何指标都直观。5. 训练完先做这三件事验证指标、读混淆矩阵、导出部署训练结束不代表模型能用单类模型更要主动验证因为类少意味着「背景误检」和「杯子漏检」是唯二需要盯的错。我的习惯是拿到best.pt先跑一遍验证集yolo detect val \ datacup_data.yaml \ modelruns/detect/train/weights/best.pt \ imgsz640输出里重点看mAP50和mAP50-95两个数。对杯子这种单一目标mAP50到0.9以上说明标注质量和训练都到位mAP50-95比mAP50低很多说明框的位置质量不稳优先检查是不是有越界框或小框标注问题。第二步是看混淆矩阵yolov8训练完会自动生成。很多新手盯着「矩阵总和不是1」纠结其实官方输出的是行归一化或列归一化后的结果总和不为1是正常现象不代表计算错误。真正要看的是两个格子真实杯子被预测成背景的漏检率以及背景被预测成杯子的误检率。单类数据集最怕的是后者说明模型把某些背景纹理当成了杯子特征多半是训练集中背景太单一导致。第三步是导出onnx做部署验证yolo export modelruns/detect/train/weights/best.pt formatonnx imgsz640导出的模型可以用onnxruntime或openvino做推理。对单类杯子模型我的取舍是目标小、场景简单就上yolov8n的onnx帧率也够目标密集遮挡严重才考虑s或m模型剪枝和蒸馏在单类场景收益很有限别在这上面过度投入。最后说个习惯我拿到任何带标注的数据集第一件事永远是先验证标签再训练而不是急着看训练效果。训练跑偏了可以重来脏标签和错误编号只能靠逐张翻。这份「杯子数据集4500张VOCYOLO格式」帮你省掉了找图和转换标签的功夫但格式理解、分布体检、增强参数这三道工序永远是数据集落地前省不掉的路希望帮到你。本文还有配套的精品资源点击获取