从零构建YOLO可用的脸部皮肤病检测数据集：VOC格式标注与实战指南

简介：目标检测是计算机视觉的核心任务之一，其原理是通过算法自动识别图像中特定目标的位置和类别。在医疗AI等垂直领域，高质量、针对性强的数据集是模型取得优异性能的技术基石。一个设计良好的数据集能显著提升模型的泛化能力和实用价值，尤其在皮肤病辅助诊断等应用场景中。本文聚焦于构建一个开箱即用的脸部皮肤病检测数据集，详细阐述了从数据收集、清洗、标注到格式转换的完整工程化流程。针对YOLO这一流行框架，深入解析了VOC格式与YOLO格式的差异与转换实战，并融入了针对医学图像的数据增强策略与严格的数据划分原则，旨在为CV初学者和医疗AI开发者提供一个可直接用于模型训练的、规范的解决方案。

1. 项目概述：从零构建一个可用的皮肤病检测数据集

做计算机视觉项目，尤其是目标检测，最常听到的一句话就是“数据为王”。但当你真正开始动手，特别是面对一个相对垂直的领域——比如脸部皮肤病检测时，就会发现，找到一个现成的、标注好的、格式对的数据集，比想象中难得多。网上公开的数据集要么是通用的人脸数据集，要么是医学影像但格式五花八门，直接能喂给YOLO模型训练的VOC格式皮肤病数据集，几乎是凤毛麟角。这个项目标题“脸部皮肤病检测数据集（YOLO+VOC格式）”，直指的就是这个痛点：它不是一个简单的数据搬运，而是一个从数据收集、清洗、标注到格式转换的完整解决方案，目标是为后续的YOLO模型训练提供一个“开箱即用”的基础。

这个数据集的核心价值在于其“针对性”和“可用性”。针对性，是指它聚焦于脸部的皮肤病变，如痤疮（痘痘）、色斑、痣、皮炎区域等，这与检测整张人脸或人体有本质区别，需要更精细的边界框和类别定义。可用性，则直接体现在“YOLO+VOC格式”上。YOLO是目前最流行、最易上手的目标检测算法之一，而VOC（Visual Object Classes）格式是一种广泛支持的标注格式，许多标注工具和训练框架都兼容它。将两者结合，意味着你拿到这个数据集后，几乎不需要任何预处理，就可以直接用于YOLOv5、YOLOv8等模型的训练，大大降低了入门和实验的门槛。

对于谁有用？如果你是计算机视觉的初学者，想找一个具体的项目练手，皮肤病检测是个很好的选择，它比猫狗分类更有挑战性，比工业缺陷检测更容易获取图像。如果你是医疗AI方向的研究者或开发者，这个数据集可以作为一个可靠的基准（baseline）或预训练数据来源。甚至，对于皮肤科医生或医学生，它也可以作为一个辅助教学工具，直观地展示算法如何定位皮肤病损。接下来，我将详细拆解构建这样一个数据集的全过程，包括思路、工具、实操步骤以及我踩过的那些坑。

2. 数据集构建的核心思路与设计考量

构建一个高质量的数据集，远不止是把图片和标注文件丢进一个文件夹那么简单。它需要系统的设计和前瞻性的考量，尤其是在医学相关领域，数据的质量直接决定了模型性能的天花板。

2.1 数据来源策略：公开、合规与多样性平衡

数据从哪里来？这是第一个要解决的问题。完全从零拍摄是不现实的，我们主要依赖公开资源，但必须严格遵守伦理和版权。

1. 公开医学数据集：这是质量相对最高的来源。例如，ISIC（国际皮肤影像协作组织）档案库提供了大量的皮肤镜图像，但主要是黑素瘤等，且多为特写，不一定符合“脸部”和“自然光”场景。PH²、DermNet等数据集也类似。我们的策略是从中筛选出明显位于脸部的图像，并注意其授权协议，确保允许用于研究和非商业用途。
2. 合规网络爬取：在严格遵守网站Robots协议和版权的前提下，可以从一些皮肤科科普网站、医学教育平台获取经过脱敏处理的案例图片。关键点在于：必须确保图像已去除个人身份信息（如眼睛、独特痣等），且仅用于学术研究。我会使用Python的requests和BeautifulSoup库进行定向爬取，并设置合理的请求间隔，避免对目标服务器造成压力。
3. 数据增强与模拟：为了增加数据多样性并解决某些类别样本少的问题，在已有标注数据的基础上，进行严格的数据增强。这不仅仅是简单的旋转、翻转。对于皮肤病检测，我更加注重：
   • 光度变化：模拟不同肤色、不同光照条件（强光、背光）下的表现。
   • 局部遮挡：模拟头发、眼镜、手部对病损区域的局部遮挡，提升模型鲁棒性。
   • 背景替换：将病损区域抠出，粘贴到不同的干净脸部背景上（需确保背景图像版权合规），这是一种有效的“模拟生成”手段。

注意：伦理与版权是红线。所有数据，尤其是涉及人脸的医学图像，必须确保来源合法、用途合规。在项目文档中必须明确标注数据来源和使用的许可协议（如CC BY-NC-SA 4.0）。切勿使用任何未明确授权或可能侵犯隐私的图像。

2.2 类别体系定义：精准与实用的博弈

定义“检测什么”至关重要。脸部皮肤病种类繁多，是做成一个精细的几十类分类，还是一个粗糙的几类检测？这需要权衡。

• 初版建议类别：经过调研和实用性考量，我建议初始版本定义4-5个类别，在可管理性和实用性间取得平衡：

  1. acne- 痤疮/痘痘：通常是点状或小片状隆起，最常见。
  2. spot- 色斑/斑块：如雀斑、黄褐斑、日光斑，表现为平坦的色素沉着区域。
  3. nevus- 痣：通常边界清晰、凸起或平坦的深色点状或片状。
  4. rash- 皮疹/皮炎区域：表现为片状红斑、脱屑，边界可能模糊。
  5. other- 其他/疑似病损：用于归类不明确或罕见的损伤，避免模型强行将其归入上述类别导致错误。

• 标注规范制定：每个类别都需要明确的书面标注规范。例如：

  • acne：标注单个痘痘的凸起边界。对于密集的痘痘群，是标成一个大框还是多个小框？我倾向于标注多个小框，这能让模型学习更精细的位置信息，对于计数等下游任务更有价值。
  • spot：标注整个斑块的轮廓，即使边界模糊，也需根据颜色和纹理变化进行最佳估计。
  • rash：由于边界高度模糊，标注其核心可见区域，并在规范中说明此类标注固有的不确定性。

2.3 标注格式选择：为什么是VOC？

目标检测的标注格式主要有VOC XML、COCO JSON、YOLO TXT等。选择VOC格式（即PASCAL VOC使用的XML格式）作为我们的存储格式，是基于以下考量：

1. 可读性与可编辑性强：XML是明文格式，人类可以直接阅读和修改，这对于检查标注错误、进行小规模调整非常友好。相比之下，YOLO TXT里的归一化坐标不够直观。
2. 信息承载丰富：VOC XML可以方便地存储图片尺寸、标注对象类别、边界框坐标（xmin, ymin, xmax, ymax），还可以扩展添加难度、截断、姿态等属性，虽然我们这个项目可能用不到，但格式本身支持。
3. 广泛的工具链支持：绝大多数标注工具（如LabelImg、CVAT、MakeSense.ai）都直接支持导出VOC格式。这简化了标注流程。
4. 到YOLO格式的转换成熟：YOLO训练虽然需要自己的TXT格式，但从VOC转换到YOLO有非常成熟、稳定的脚本（例如YOLO官方仓库提供的scripts/voc_label.py或自写脚本）。我们将数据存储为VOC格式，相当于保留了一份“源文件”，可以灵活地转换为YOLO格式或其他格式，适应性更强。

核心设计思路总结：我们的数据集是一个以VOC XML为“源格式”，以便于人工校验和工具处理；通过自动化脚本一键转换为YOLO格式，以供直接训练。这种两级结构兼顾了生产环节的友好性和消费环节的便捷性。

3. 数据采集、清洗与标注全流程实操

有了设计思路，接下来就是动手环节。这个过程耗时最长，也最考验耐心和细致程度。

3.1 数据采集与初步清洗

我通常使用Python脚本组织这一过程。创建一个项目目录，结构如下：

skin_dataset/ ├── raw_images/ # 存放从各处下载的原始图片 ├── cleaned_images/ # 存放经过清洗后的图片 ├── annotation_voc/ # 存放VOC格式的XML标注文件 ├── annotation_yolo/ # 存放转换后的YOLO格式TXT文件 ├── ImageSets/Main/ # 存放train.txt, val.txt等划分文件 └── scripts/ # 存放各种工具脚本

1. 批量下载与重命名：无论来自哪个源，下载的图片先全部放入raw_images。使用脚本进行批量重命名，采用有规律的命名方式，如face_skin_000001.jpg，避免中文和特殊字符。
2. 自动化初步清洗：
   • 去除非图像文件：检查文件头，确保都是有效的JPEG或PNG。
   • 去除低质量图像：使用OpenCV检查图像是否完全损坏（无法解码）。对于分辨率过低的图像（如宽度<300像素），可以考虑剔除，因为目标检测需要足够的像素信息。
   • 去重：计算图像的哈希值（如感知哈希pHash），移除重复或高度相似的图像，防止数据泄露。
3. 人工复审：自动化清洗后，必须进行人工快速浏览。剔除那些完全不相关（非脸部、非皮肤病）、图像质量极差（严重模糊、过度曝光）或包含敏感信息的图片。这一步无法省略。

3.2 使用LabelImg进行精细标注

LabelImg是开源且最常用的标注工具之一，直接支持VOC格式。

1. 环境配置与启动：通过pip安装(pip install labelImg)或下载可执行文件。启动后，将Open Dir指向cleaned_images。
2. 标注操作核心技巧：
   • 快捷键熟练使用：W（创建框）、A（上一张）、D（下一张）、Ctrl+S（保存），能极大提升效率。
   • 框体精度：对于边界清晰的病损（如痣、单个痘痘），务必让框紧贴边缘。对于边界模糊的（如色斑、皮疹），与团队其他标注者（或自己多次标注）保持一致是关键。可以定期抽取一些图片进行多人标注，计算标注者间信度，以确保标准统一。
   • 困难样本处理：对于极小目标（微小粉刺）或严重遮挡目标，在LabelImg中可以使用difficult标签进行标记。在VOC XML中，这会记录为<difficult>1</difficult>，在训练时，某些框架可以选择忽略这些困难样本。
   • 标签一致性：确保同一种病损在不同图片中的标签一致。建立并随时查阅我们之前制定的《标注规范》文档。
3. 标注文件管理：LabelImg保存的XML文件会自动与图片同名，并存储在同一个目录（或指定目录）。我会将其统一保存到annotation_voc文件夹，与图片分离，便于管理。

实操心得：标注是体力活也是技术活。不要追求一次标注完所有图片。建议采用“分批标注-抽样检查-修正规范-继续标注”的迭代方式。标注200张后，随机抽查20张，检查是否存在标签误用、框体不准等问题，及时调整规范或对已标数据进行修正。

3.3 数据集划分策略

不能把所有数据随机分成训练集和验证集就完事。对于医学图像，需要更严谨的划分，防止数据泄露（data leakage）。

1. 患者级别的划分：这是最重要的原则！如果同一个患者的多张图片（不同角度、不同时期）被分别放入训练集和验证集，模型可能会因为“记住”了患者的特定特征（如肤色、痣的独特 pattern）而在验证集上表现出虚高的性能，这称为数据泄露。因此，划分必须在“患者ID”级别进行。如果数据没有患者ID，则需要根据人脸特征（在去除病损区域后）进行粗略聚类，确保同一个人的人脸图像都在同一个集合中。
2. 比例分配：采用经典的70-15-15或80-10-10比例划分训练集（train）、验证集（val）和测试集（test）。测试集在最终模型评估前应绝对封存，不参与任何调参。
3. 类别平衡：确保每个集合中各个类别的样本数量大致平衡。如果acne图片有1000张，rash只有50张，就需要对少样本类别进行过采样（如复制、增强），或在划分时使用分层抽样（Stratified Split）。
4. 生成划分文件：编写一个Python脚本，根据上述原则，生成train.txt，val.txt，test.txt，每个文件内部是图片的文件名（不含后缀），列表如下：

   # train.txt face_skin_000001 face_skin_000003 face_skin_000005 ...

   这些文件将存放在ImageSets/Main/目录下，是VOC格式数据集的标准组成部分，也是后续格式转换脚本的输入。

4. VOC格式详解与YOLO格式转换实战

理解数据格式的细节，是进行有效处理和调试的基础。

4.1 VOC格式XML文件结构解析

一个典型的VOC标注XML文件如下所示：

<annotation> <folder>cleaned_images</folder> <filename>face_skin_000001.jpg</filename> <path>/full/path/to/face_skin_000001.jpg</path> <source> <database>Unknown</database> </source> <size> <width>800</width> <height>600</height> <depth>3</depth> </size> <segmented>0</segmented> <object> <name>acne</name> <pose>Unspecified</pose> <truncated>0</truncated> <difficult>0</difficult> <bndbox> <xmin>245</xmin> <ymin>163</ymin> <xmax>259</xmax> <ymax>178</ymax> </bndbox> </object> <object> <name>spot</name> <pose>Unspecified</pose> <truncated>1</truncated> <difficult>0</difficult> <bndbox> <xmin>420</xmin> <ymin>310</ymin> <xmax>480</xmax> <ymax>345</ymax> </bndbox> </object> </annotation>

• size: 记录了图像的宽、高和通道数，至关重要，因为坐标转换依赖于此。
• object: 每个检测目标对应一个object节点。一张图可以有多个。
  • name: 类别名称，与我们定义的acne，spot等对应。
  • bndbox: 边界框的绝对像素坐标。
  • truncated: 目标是否被截断（部分在图像外）。对于脸部边缘的病损，应标记为1。
  • difficult: 是否为难样本。

4.2 编写VOC转YOLO格式脚本

YOLO格式的标注文件是一个与图片同名的.txt文件，每行代表一个目标，格式为：<class_id> <x_center> <y_center> <width> <height>其中坐标和宽高都是相对于图片宽度和高度的归一化值（范围0-1）。

转换脚本的核心逻辑如下：

import xml.etree.ElementTree as ET import os # 类别到ID的映射字典，必须与后续YOLO训练的data.yaml文件一致 class_dict = {"acne": 0, "spot": 1, "nevus": 2, "rash": 3, "other": 4} def convert_voc_to_yolo(voc_xml_path, output_txt_path): tree = ET.parse(voc_xml_path) root = tree.getroot() size = root.find('size') img_w = int(size.find('width').text) img_h = int(size.find('height').text) with open(output_txt_path, 'w') as f: for obj in root.iter('object'): cls_name = obj.find('name').text # 如果遇到未定义的类别，可以跳过或报错 if cls_name not in class_dict: continue cls_id = class_dict[cls_name] xmlbox = obj.find('bndbox') xmin = float(xmlbox.find('xmin').text) ymin = float(xmlbox.find('ymin').text) xmax = float(xmlbox.find('xmax').text) ymax = float(xmlbox.find('ymax').text) # 计算归一化中心坐标和宽高 x_center = (xmin + xmax) / 2.0 / img_w y_center = (ymin + ymax) / 2.0 / img_h width = (xmax - xmin) / img_w height = (ymax - ymin) / img_h # 写入TXT文件 f.write(f"{cls_id} {x_center:.6f} {y_center:.6f} {width:.6f} {height:.6f}\n") # 批量转换 voc_anno_dir = 'annotation_voc' yolo_anno_dir = 'annotation_yolo' os.makedirs(yolo_anno_dir, exist_ok=True) for xml_file in os.listdir(voc_anno_dir): if xml_file.endswith('.xml'): xml_path = os.path.join(voc_anno_dir, xml_file) txt_name = os.path.splitext(xml_file)[0] + '.txt' txt_path = os.path.join(yolo_anno_dir, txt_name) convert_voc_to_yolo(xml_path, txt_path) print(f"Converted {xml_file} to {txt_name}")

关键检查点：

1. 转换后务必随机抽样检查。打开几张图片，用OpenCV或简单的绘图脚本，将YOLO格式的归一化坐标还原成绝对坐标画在图上，看框是否与目标对齐。
2. 确保class_dict的ID从0开始连续，并与后续的data.yaml配置文件完全一致。

4.3 准备YOLO训练配置文件

YOLO（以Ultralytics YOLOv8为例）需要一个数据集配置文件data.yaml，其内容如下：

# data.yaml path: /absolute/path/to/skin_dataset # 数据集根目录 train: images/train # 训练集图片相对路径，相对于path val: images/val # 验证集图片相对路径 test: images/test # 测试集图片相对路径（可选） # 类别列表，顺序必须与转换脚本中的class_dict一致 names: 0: acne 1: spot 2: nevus 3: rash 4: other # 类别数量 nc: 5

你需要根据之前生成的train.txt等文件，将对应的图片和标注文件（YOLO格式）组织到images/train/,labels/train/等目录中。通常的YOLO数据集目录结构如下：

skin_dataset_yolo/ ├── data.yaml ├── images/ │ ├── train/ │ │ ├── face_skin_000001.jpg │ │ └── ... │ ├── val/ │ └── test/ └── labels/ ├── train/ │ ├── face_skin_000001.txt │ └── ... ├── val/ └── test/

编写一个脚本，根据ImageSets/Main下的划分文件，将cleaned_images中的图片和annotation_yolo中的标注文件，分别复制到上述对应目录，即可完成最终数据集的组装。

5. 数据质量评估与常见问题排查

数据集构建完成后，在投入训练前，必须进行系统性的质量评估，否则“垃圾进，垃圾出”（Garbage In, Garbage Out）的法则会在模型性能上应验。

5.1 自动化质量检查脚本

编写检查脚本，批量发现潜在问题：

1. 标注文件与图像匹配检查：确保每个图片文件都有对应的标注文件（VOC XML或YOLO TXT），反之亦然。
2. 标注格式合法性检查：
   • 对于YOLO格式：检查每行是否有5个数值；类别ID是否为整数且在[0, nc-1]范围内；归一化坐标是否在[0, 1]区间内（允许极小的负值或略大于1的值，对应截断目标，但需审查）。
   • 对于VOC格式：检查XML语法是否良好；xmin是否小于xmax，ymin是否小于ymax；坐标是否超出图像边界。
3. 标注完整性检查：
   • 空标注文件：有些图片可能没有病损，是否需要保留为负样本？在目标检测中，通常不保留负样本图片，或者单独处理。如果一个图片对应的TXT文件为空，需要确认是否符合预期。
   • 极小目标检查：计算边界框的像素面积（width * height）。如果面积小于某个阈值（例如< 20像素），可能标注的是噪声或极难识别的目标，需要人工复核是否应该保留。
4. 类别分布统计：统计每个类别的实例数量，生成直方图。严重的类别不平衡需要在训练时通过数据增强或损失函数（如Focal Loss）进行调整。

5.2 可视化审查：发现隐藏问题

自动化检查能发现格式错误，但逻辑错误（如标错类别、框体不准）需要人眼判断。

1. 批量可视化脚本：使用OpenCV或Matplotlib编写脚本，随机抽取100-200张图片，将标注框和类别名称绘制在图像上，保存为一张大图或PDF文件，进行快速浏览。重点关注：
   • 框体是否紧密贴合目标？
   • 类别标签是否正确？（例如，把一个大色斑标成了rash）
   • 是否有漏标的目标？（特别是小目标或模糊目标）
   • 对于truncated=1的目标，框体是否合理？
2. 难点样本审查：专门审查那些被标记为difficult=1或目标极小的样本，决定是修正标注、保留还是剔除。

5.3 常见问题与解决方案实录

在构建过程中，我遇到了以下典型问题及解决方法：

一个关键的避坑技巧：在正式启动大规模训练前，先用一个极小的子集（比如50张图）跑1-2个epoch的快速训练。如果这个小实验能正常跑通，loss下降，且模型在验证子集上能给出看似合理的预测（哪怕不准），说明你的数据管道基本是通的。这能帮你提前发现大部分格式和配置问题，避免浪费几天时间训练才发现数据根本不对。

6. 数据增强策略与高级处理

一个鲁棒的模型需要见过各种情况的数据。对于皮肤病检测，有针对性的数据增强能显著提升模型泛化能力。

6.1 针对皮肤病检测的增强方法

除了通用的旋转、平移、缩放、裁剪、色彩抖动外，以下增强对皮肤病检测特别有效：

1. 光度模拟（Photometric Simulation）：
   • 肤色变化：在HSV或LAB颜色空间，对亮度（L/V）和色度（a/b通道）进行轻微扰动，模拟不同种族、不同日晒程度的肤色。
   • 光照不均：添加渐变阴影或模拟点光源效果，使模型不依赖于均匀光照。
2. 局部遮挡增强：随机在图像上放置模拟物（如头发、眼镜、手部、创可贴的贴图），遮挡部分病损区域。这能强迫模型学习通过局部特征进行识别，提升在真实遮挡场景下的表现。
3. 混合（MixUp）与马赛克（Mosaic）：
   • MixUp：将两张图像线性混合，其标注框也相应混合。能鼓励模型学习更平滑的决策边界。
   • Mosaic：将四张图像拼接为一张，同时缩放和排列它们的标注框。这是YOLOv4/v5引入的强大增强，能极大地增加batch内的上下文多样性，让小目标在更大的相对尺度下被学习。对于检测脸上多个小目标（如痘痘）非常有益。
4. 仿射变换与弹性形变：轻微的仿射变换可以模拟头部姿态变化。极轻微的弹性形变可以模拟皮肤纹理的自然波动。

6.2 实现方式与集成

不建议在数据准备阶段就生成大量增强后的静态图像，这会急剧膨胀存储空间。最佳实践是在训练时在线（on-the-fly）进行增强。

• 使用YOLO内置增强：Ultralytics YOLOv8的配置文件（default.yaml）或训练命令参数提供了丰富的增强选项，如hsv_h,hsv_s,hsv_v,translate,scale,mosaic,mixup等。你只需要在训练命令中调整这些参数即可。

  yolo train data=data.yaml model=yolov8n.pt epochs=100 imgsz=640 augment=True hsv_h=0.015 hsv_s=0.7 hsv_v=0.4 translate=0.2 scale=0.9 mosaic=1.0 mixup=0.15

• 自定义增强管道：如果内置增强不满足需求（例如想添加特定的局部遮挡），可以使用Albumentations或imgaug这样的专业增强库，自定义一个变换管道，然后集成到YOLO的数据加载器中。这需要修改源代码，门槛较高，但最灵活。

经验之谈：增强不是越多越好、强度越大越好。过强的增强可能会破坏图像中病损的语义信息（例如把痘痘的颜色变得完全不像痘痘）。建议从默认的增强强度开始，通过观察验证集精度和损失曲线来调整。如果模型在训练集上过拟合（训练损失持续下降，验证损失先降后升），则可以适当增加增强强度；如果模型学习困难（训练损失下降很慢），则可能增强太强，需要减弱。

7. 数据集维护、版本管理与分享建议

数据集不是一劳永逸的产物，需要迭代和维护。

7.1 版本控制

使用Git LFS（大文件存储）或DVC（数据版本控制）工具来管理数据集的版本。每次对数据有重大更新（如新增类别、修正大量标注、增加数据量），都打上一个版本标签（如v1.0,v1.1）。在README.md中详细记录每个版本的变更日志（Changelog）：

• v1.0：初始版本，包含5个类别，2000张图像。
• v1.1：修正了rash类别的标注规范，重新标注了500张相关图像；新增了scar（疤痕）类别，补充300张图像。

7.2 文档与元数据

一个专业的数据集必须包含完善的文档。创建一个清晰的README.md文件，内容应包括：

1. 数据集概览：名称、描述、统计信息（图像数、实例数、类别分布图）。
2. 目录结构：详细说明每个文件夹的作用。
3. 数据格式：详细说明VOC XML和YOLO TXT的具体格式，并附上示例。
4. 数据划分：说明划分原则（如患者级划分）和具体的文件列表。
5. 标注指南：提供标注规范的详细说明，最好附上带示例的图示。
6. 来源与许可：明确列出所有数据来源，并注明其使用的许可协议。声明数据集整体的许可协议（如CC BY-NC-SA 4.0）。
7. 使用方式：如何用于YOLO训练的详细步骤。
8. 联系方式：提供反馈问题的渠道。

7.3 分享与协作

如果计划开源数据集，选择合适的平台：

• GitHub + Git LFS：适合中小规模数据集，便于代码和文档协同。
• Kaggle Datasets：拥有庞大的AI社区，易于发现和引用，提供版本管理和讨论区。
• Hugging Face Datasets：新兴的AI社区平台，对数据集的支持很好，易于与模型Hub集成。
• 云存储+元数据：对于超大数据集，可以将原始数据放在稳定的云存储（如AWS S3, Google Cloud Storage），在GitHub上仅存放元数据、文档和加载脚本。

在分享时，务必提供数据加载的示例脚本（Python），降低使用者的入门门槛。例如，提供一个load_dataset.py脚本，演示如何读取图像和标注，并将其转换为PyTorch DataLoader。

构建“脸部皮肤病检测数据集”是一个融合了医学知识、数据工程和机器学习实践的综合性项目。它没有太多高深的理论，但极其考验执行者的细心、耐心和工程化能力。当你按照上述流程，一步步从零搭建起一个干净、规范、可用的数据集，并看到它成功训练出第一个能准确定位脸上痘痘的YOLO模型时，那种成就感是无可替代的。这个过程中积累的数据处理、质量控制和问题排查经验，会让你在后续的任何CV项目中都受益匪浅。

本文还有配套的精品资源，点击获取