简介这份蝴蝶目标检测数据集面向计算机视觉入门与进阶开发者适用于分类、检测模型的训练与验证场景。资源以VOC和YOLO双格式提供共1425张jpg图片每张均配有对应的xml与txt标注文件标注类别统一为butterfly使用labelImg完成遵循边界框选准确、目标不遗漏、多轮一致性检查等规范可直接接入主流检测框架。压缩包为rar格式无需解压密码内含图片、xml、txt三个文件夹解压后即可用标注软件查看核对。包内文件总数2000个其中xml文件1425个、txt文件575个整体约60.54MB图片大小在1-500KB之间轻量易传输。目前已有235人学习下载适合需要快速获取高质量蝴蝶标注数据、开展模型训练或算法对比的读者使用。1. 蝴蝶数据集 VOC 与 YOLO 双格式1425 张标注到底怎么用拿到一个标注好的蝴蝶数据集第一反应往往不是“太好了”而是“这 1425 张到底能不能直接喂进我的训练脚本”。我见过太多人卡在这一步压缩包解压出来是Annotations、JPEGImages、ImageSets三个文件夹兴冲冲写了个data.yaml指向images/train结果训练一启动就报No labels found。问题不在数据在于 VOC 和 YOLO 是两套完全不同的标注组织方式前者用 XML 描述绝对坐标后者用归一化后的 txt 描述相对坐标目录结构、坐标体系、类别映射三处全不一样。这个蝴蝶数据集同时提供 VOC 和 YOLO 两种格式本质上是把“标注结果”和“训练输入”之间的转换工作提前做掉了。VOC 格式适合做数据审查、可视化、跨框架迁移YOLO 格式适合直接进 Ultralytics 系训练管线。1425 张的体量不算大属于典型的小样本目标检测场景蝴蝶本身又存在姿态多变、翅膀纹理复杂、背景干扰强的问题所以这份数据真正的价值不在于“有多少张”而在于“标注质量是否一致、两种格式是否严格对齐”。接下来我会按“先验格式、再跑通训练、最后处理坑”的顺序把这份数据从解压到出第一版权重讲清楚适合刚拿到数据集的新手照着走也适合熟手直接跳到参数和排查部分。2. 先看清 VOC 与 YOLO 的目录和坐标差异2.1 VOC 格式的目录结构与 XML 字段含义VOC 格式的核心是Annotations目录下的 XML 文件每个 XML 对应JPEGImages里一张同名图片。一个典型的蝴蝶标注 XML 长这样annotation folderJPEGImages/folder filenamebutterfly_0001.jpg/filename size width640/width height480/height depth3/depth /size object namebutterfly/name poseUnspecified/pose truncated0/truncated difficult0/difficult bndbox xmin112/xmin ymin88/ymin xmax305/xmax ymax276/ymax /bndbox /object /annotation这里要重点看四个字段size里的宽高决定坐标是否越界name是类别名bndbox是绝对像素坐标difficult标记难样本。蝴蝶数据集如果只有butterfly一个类那name应该全一致如果出现butterfly和moth混标后面类别映射就会出问题。difficult1的框在评估时通常会被忽略但训练时是否保留要看你的策略小样本场景我一般保留因为 1425 张本来就少丢掉难样本会让模型在复杂背景上更弱。ImageSets/Main下的 txt 文件是划分清单常见有train.txt、val.txt、trainval.txt、test.txt每行一个不含扩展名的文件名。很多人忽略这个目录自己重新随机划分结果和原始标注的难易分布不一致验证指标忽高忽低。建议先读一遍这些 txt确认官方划分是否存在存在就优先用。2.2 YOLO 格式的归一化坐标与类别索引YOLO 格式每个图片对应一个同名 txt每行一个目标格式是class_id x_center y_center width height五个值全部归一化到 0~1class_id从 0 开始。同样一张图VOC 的xmin112, ymin88, xmax305, ymax276图片 640×480转成 YOLO 就是0 0.325781 0.379167 0.301563 0.391667计算方式是x_center(112305)/2/640width(305-112)/640y 方向同理。这里最容易翻车的是归一化时用了错误的宽高——有人拿size里的值有人拿 PIL 读出来的实际尺寸如果图片被预处理过比如统一 resize 到 640×640两者会不一致。我的习惯是转换前先用脚本校验一遍所有图片的实际尺寸和 XML 里的size是否一致不一致的单独列出来。YOLO 格式的目录通常是images/train、images/val、labels/train、labels/val图片和标签同名不同扩展名靠路径对应而不是靠文件名里的编号。如果标签缺失训练时不会报错只会静默跳过所以转换后必须做一次“图片数 vs 标签数”的核对。2.3 两种格式的类别映射与文件对应关系VOC 用类别名YOLO 用类别索引中间必须有一张映射表。蝴蝶数据集如果只有一个类映射就是{butterfly: 0}如果有多类顺序必须固定且要和data.yaml里的names列表严格一致。我见过最典型的错误是转换脚本里按set()去重后排序结果两次运行类别顺序不同训练出来的模型类别全乱。文件对应关系上VOC 靠filename字段YOLO 靠同名文件。转换时建议保留原始文件名不要重命名成000001.jpg这种否则一旦中间某步失败很难回溯是哪张图。1425 张的规模用文件名直接对应完全够用没必要引入额外索引。3. 把 VOC 转成 YOLO脚本、校验与划分3.1 转换脚本的完整实现与参数说明下面这个脚本我用了很多次核心逻辑是读 XML、算归一化坐标、写 txt同时做边界裁剪和尺寸校验import os import xml.etree.ElementTree as ET from PIL import Image # 类别映射必须和 data.yaml 的 names 顺序一致 CLASS_MAP {butterfly: 0} def convert_voc_to_yolo(xml_dir, img_dir, out_label_dir): os.makedirs(out_label_dir, exist_okTrue) skipped [] for xml_file in os.listdir(xml_dir): if not xml_file.endswith(.xml): continue xml_path os.path.join(xml_dir, xml_file) tree ET.parse(xml_path) root tree.getroot() filename root.find(filename).text img_path os.path.join(img_dir, filename) if not os.path.exists(img_path): skipped.append((xml_file, image missing)) continue # 用实际图片尺寸而不是 XML 里的 size with Image.open(img_path) as im: w, h im.size lines [] for obj in root.findall(object): name obj.find(name).text if name not in CLASS_MAP: skipped.append((xml_file, funknown class {name})) continue cls_id CLASS_MAP[name] bnd obj.find(bndbox) xmin float(bnd.find(xmin).text) ymin float(bnd.find(ymin).text) xmax float(bnd.find(xmax).text) ymax float(bnd.find(ymax).text) # 裁剪到图片范围内防止越界坐标 xmin max(0, min(xmin, w - 1)) xmax max(0, min(xmax, w - 1)) ymin max(0, min(ymin, h - 1)) ymax max(0, min(ymax, h - 1)) if xmax xmin or ymax ymin: skipped.append((xml_file, invalid box)) continue x_center (xmin xmax) / 2.0 / w y_center (ymin ymax) / 2.0 / h bw (xmax - xmin) / w bh (ymax - ymin) / h lines.append(f{cls_id} {x_center:.6f} {y_center:.6f} {bw:.6f} {bh:.6f}) out_name os.path.splitext(filename)[0] .txt with open(os.path.join(out_label_dir, out_name), w) as f: f.write(\n.join(lines)) print(fskipped: {len(skipped)}) for s in skipped[:20]: print(s) convert_voc_to_yolo(Annotations, JPEGImages, labels_all)几个参数要说明CLASS_MAP必须和后续data.yaml的names顺序一致这是硬约束坐标裁剪用w-1和h-1是因为像素索引从 0 开始越界框在 YOLO 里会导致 loss 异常:.6f保留六位小数足够表达 1425 张图的精度再多没必要。脚本最后打印跳过项这是排查的关键不要省。3.2 转换后的三项校验数量、坐标、可视化转换完不能直接训练先做三项校验。第一项是数量核对echo images: $(ls JPEGImages | wc -l) echo labels: $(ls labels_all | wc -l)两个数应该相等如果 labels 少说明有 XML 被跳过回去看脚本输出的 skipped 列表。第二项是坐标范围校验import os bad [] for f in os.listdir(labels_all): with open(os.path.join(labels_all, f)) as fp: for i, line in enumerate(fp): parts line.strip().split() if len(parts) ! 5: bad.append((f, i, field count)) continue vals [float(x) for x in parts[1:]] if any(v 0 or v 1 for v in vals): bad.append((f, i, out of range)) if vals[2] 0 or vals[3] 0: bad.append((f, i, zero size)) print(fbad lines: {len(bad)}) for b in bad[:20]: print(b)第三项是可视化把 YOLO 框画回图片上肉眼确认框的位置和蝴蝶对齐import cv2 import os img_dir JPEGImages label_dir labels_all out_dir vis os.makedirs(out_dir, exist_okTrue) for f in os.listdir(label_dir)[:50]: # 先看 50 张 img_name os.path.splitext(f)[0] .jpg img cv2.imread(os.path.join(img_dir, img_name)) h, w img.shape[:2] with open(os.path.join(label_dir, f)) as fp: for line in fp: c, xc, yc, bw, bh map(float, line.split()) x1 int((xc - bw / 2) * w) y1 int((yc - bh / 2) * h) x2 int((xc bw / 2) * w) y2 int((yc bh / 2) * h) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.imwrite(os.path.join(out_dir, img_name), img)这三项做完数据基本可信。可视化这一步别偷懒我遇到过 XML 里xmin和xmax写反的情况数值校验查不出来画出来一眼就能看到框是负宽度。3.3 训练集验证集划分的两种策略划分策略有两种跟随 VOC 的ImageSets/Main或者自己按比例随机划分。如果原始train.txt和val.txt存在且合理优先跟随因为官方划分通常考虑了场景分布。自己划分的话1425 张按 8:2 是 1140 训练、285 验证按 9:1 是 1282 和 143。小样本场景我倾向 8:2验证集太小指标波动大。划分脚本要保证图片和标签同步移动且用固定随机种子import os import random import shutil random.seed(42) files [os.path.splitext(f)[0] for f in os.listdir(labels_all)] random.shuffle(files) split int(len(files) * 0.8) train, val files[:split], files[split:] for subset, names in [(train, train), (val, val)]: os.makedirs(fimages/{subset}, exist_okTrue) os.makedirs(flabels/{subset}, exist_okTrue) for n in names: shutil.copy(fJPEGImages/{n}.jpg, fimages/{subset}/{n}.jpg) shutil.copy(flabels_all/{n}.txt, flabels/{subset}/{n}.txt)random.seed(42)是为了可复现换种子会得到不同划分对比实验时不要改。划分完再核对一次每个子集的图片数和标签数是否相等。4. 用这份数据跑通 YOLO 训练配置与首轮结果4.1 data.yaml 的字段与路径陷阱YOLO 训练靠data.yaml描述数据位置和类别最小配置如下path: /home/user/butterfly train: images/train val: images/val names: 0: butterfly四个字段里path是根目录train和val是相对路径names是类别索引到名称的映射。最常见的坑是path用了相对路径而训练脚本的工作目录和你以为的不一样导致找不到图片。我的习惯是写绝对路径或者训练前cd到数据集根目录。另一个坑是names写成列表[butterfly]新版本 Ultralytics 支持但老版本只认字典混用会报类别数不匹配。如果数据集有多个类names的顺序必须和转换脚本里的CLASS_MAP完全一致索引从 0 连续。蝴蝶数据集如果只有一类nc就是 1训练日志里Class那一列只会出现一个类别。4.2 训练命令与关键超参设置一条能跑通的训练命令yolo detect train \ datadata.yaml \ modelyolov8n.pt \ epochs100 \ imgsz640 \ batch16 \ lr00.01 \ patience20 \ projectruns/butterfly \ nameexp1参数逐个说modelyolov8n.pt是最小的预训练权重1425 张用 nano 足够换 s 或 m 容易过拟合imgsz640是输入尺寸蝴蝶目标通常占图比例中等640 够用显存紧张可以降到 512batch16在 8G 显存上比较稳显存小就降到 8 并配合accumulatelr00.01是初始学习率小样本可以降到 0.005 减少震荡patience20是早停验证指标 20 轮不升就停省时间。训练启动后重点看三行日志train: Scanning后面的图片数是否等于你的训练集大小val: Scanning同理以及第一个 epoch 的box_loss是否在下降。如果Scanning出来的数字是 0说明路径错了如果box_loss一直是nan多半是标签里有非法值回去跑 3.2 的坐标校验。4.3 首轮结果解读mAP、混淆矩阵与过拟合信号100 轮跑完看runs/butterfly/exp1/results.png和confusion_matrix.png。小样本蝴蝶检测mAP50 能到 0.7 以上算正常低于 0.5 要查标注质量。混淆矩阵如果出现大量背景被误判为蝴蝶说明背景干扰强可以加负样本或提高box的置信度阈值。如果训练 loss 持续下降但验证 mAP 早早停滞就是过拟合减模型容量或加数据增强。yolo detect val可以单独跑验证yolo detect val modelruns/butterfly/exp1/weights/best.pt datadata.yaml输出里mAP50和mAP50-95两个指标前者宽松后者严格小样本场景重点看前者。如果mAP50高但mAP50-95很低说明框的位置不够准可以检查标注框是否偏大或偏小。5. 蝴蝶数据集训练避坑5 个真实踩坑记录5.1 坑一图片和标签数量对不上训练静默跳过现象训练日志里Scanning出来的标签数比图片数少但训练不报错只是 mAP 偏低。原因YOLO 对缺失标签的图片不报错直接当负样本处理1425 张里少几十个标签模型就学不到那部分目标。解决训练前跑一次数量核对images/train和labels/train的文件名集合必须完全一致不一致的列出来补标或删除。5.2 坑二类别索引错位模型把蝴蝶学成背景现象训练 loss 正常下降但推理时框的位置对、类别全错或者置信度极低。原因转换脚本里CLASS_MAP和data.yaml的names顺序不一致比如脚本里butterfly:0yaml 里0: moth。解决把两处的类别映射打印出来逐行对比多类场景建议用同一份 JSON 配置驱动转换和训练避免手写两遍。5.3 坑三XML 坐标越界导致 loss 变 nan现象第一个 epoch 的box_loss直接是nan训练无法继续。原因XML 里xmax超过图片实际宽度归一化后大于 1YOLO 的 loss 计算出现非法值。解决转换脚本里做坐标裁剪3.1 脚本已包含并在转换后跑坐标范围校验把所有越界行打印出来人工确认。5.4 坑四验证集划分泄漏指标虚高现象验证 mAP 高得离谱换一批新图推理效果却很差。原因划分时用了随机划分但没固定种子或者同一张图的不同增强版本同时进了训练和验证。解决固定random.seed划分前先去重确保同一原始图片只出现在一个子集。1425 张规模不大划分后人工抽查几张验证集图片确认没在训练集里见过。5.5 坑五直接拿 VOC 的 ImageSets 当 YOLO 划分用现象按train.txt里的文件名去labels目录找标签找不到因为 VOC 的 txt 只有文件名没有路径而 YOLO 的标签在另一个目录结构下。原因VOC 和 YOLO 的划分文件格式不同不能直接复用。解决读 VOC 的 txt 拿到文件名列表再按这个列表去复制对应的图片和标签到 YOLO 的images/train和labels/train而不是直接把 txt 丢给 YOLO。6. 小样本蝴蝶检测的进阶技巧从 1425 张里再榨出几个点1425 张在目标检测里属于小样本想再提点靠的不是换更大的模型而是把数据增强和验证策略做细。我一般会先做一轮强增强实验在训练命令里加mosaic1.0、mixup0.1、degrees15、translate0.1、scale0.5蝴蝶姿态多变旋转和缩放增强收益明显。但mixup别开太大0.1 到 0.2 之间开大了小样本容易欠拟合。第二个技巧是分层验证。把验证集按背景复杂度分成“纯色背景”和“自然背景”两组分别跑yolo detect val看模型在哪一组掉点。如果自然背景组 mAP 明显低说明背景干扰是瓶颈可以针对性补充自然背景的负样本或者用copy-paste增强把蝴蝶贴到复杂背景上。这个操作不需要额外标注用现有框就能做。第三个技巧是模型集成。训练 3 个不同种子的yolov8n推理时对框做加权融合小样本场景通常能涨 1 到 2 个点。代价是推理变慢看你的部署场景是否接受。如果只想要单模型可以把yolov8n换成yolov8s但配合更强的正则比如dropout0.1和weight_decay0.001我试过在蝴蝶数据上比直接换大模型更稳。最后一个习惯每次改完增强或超参固定用同一份验证集和同一个yolo detect val命令对比不要凭训练 loss 判断好坏。我早期吃过亏训练 loss 降得很漂亮验证 mAP 反而掉了后来只认验证指标。这份 1425 张的蝴蝶数据集把格式转换、校验、训练、排查四步走完基本能拿到一个可用的基线剩下的提升就是在这个基线上做增强和集成的微调。希望帮到你。本文还有配套的精品资源点击获取