猕猴桃检测数据集详解：VOC/YOLO格式转换与YOLOv8训练实践

简介：猕猴桃检测数据集是一份面向目标检测任务的专业标注数据，适合计算机视觉入门者与农业AI开发者用于训练猕猴桃识别模型。数据同时提供Pascal VOC格式的XML标注和YOLO格式的TXT标注，覆盖1838张猕猴桃图像，共包含2000个文件，其中1838个XML标注文件与162个TXT文件，压缩包整体约84MB，文件命名规律，便于脚本批量读取。类别仅有‘mihoutao’一种，标注框总数达19278个，全部由labelImg工具按矩形框规则勾画，标注准确且合理，适合单类目标检测场景的快速落地。已有722人学习下载，使用时可省去格式转换和手工标注时间，直接用于YOLO、SSD、Faster R-CNN等模型训练；同时规范的目录结构和统一的标注规则，也让这份数据成为学习构建检测数据集、开展数据增强或模型对比实验的实用参考，对农业采摘机器人、水果分级系统等应用开发具有直接帮助。

1. 这个单类猕猴桃检测数据集好在哪

要快速验证 yolo目标检测流程，真正卡人的不是训练命令，而是找不到标注干净、格式可对比的数据。这个猕猴桃检测数据集把“画框”做完了：1838张jpg图片配齐VOC格式xml和YOLO格式txt双套标注，单类别mihoutao，19278个矩形框，平均每张图约10.5个目标，是典型的高密度果实检测场景。做采摘机器人视觉或果园计数的工程师可以用它快速搭baseline；第一次接触目标检测的学习者，也能借这份数据把格式解析、数据划分、模型训练、指标验证整条链路走通。不管之后选YOLOv8、YOLO11还是换检测头，这个体量都足够跑出一个有参考意义的结果。

2. VOC与YOLO双格式的字段对齐与坐标换算

2.1 解压、哈希校验与文件数核对

这个数据集压成了7z包，先别急着解压，有几个动作比解压本身更重要。7z压缩文件的坑往往不是内容错，而是传输过程中文件损坏，直接解压出来的图可能缺一半。我拿到.7z文件后的习惯是先算哈希、再解压、最后对数。Linux下用7zip命令，Windows下除了7-Zip图形界面，还可以用PowerShell里的certutil -hashfile。

sha256sum firc_mihoutao.7z 7z x firc_mihoutao.7z -o/home/user/data/kiwi -y

sha256sum输出的64位十六进制字符串要和文件来源给出的哈希比对，一致后再继续，这一步可以排除“下载到一半文件已坏”这类问题。7z x表示解压，-o指定输出根目录，注意-o和目标路径之间不要留空格，-y是遇到同名文件自动覆盖，避免命令在交互提示处卡住。解压路径尽量用绝对路径，相对路径在后续切换工作目录时容易引发标签加载错误。

解压完成后先做一次文件数核对，看三套文件是否数量一致：

find . -name "*.jpg" | wc -l find . -name "*.xml" | wc -l find . -name "*.txt" | wc -l

三个数字都应该是1838，这样才能说明图片、VOC标注、YOLO标注三套文件一一对应。像firc_mihoutao_18.jpg、firc_mihoutao_18.xml、firc_mihoutao_18.txt这样的同名文件，后缀不同但主名必须一致。如果实际解压后txt数量少于jpg，说明标注过程有漏存，直接拿去训练会在数据集加载时静默丢图，训练损失曲线会莫名抖动，这种问题通常比模型结构更难排查。

2.2 VOC格式xml解析与字段语义

VOC格式的每张图对应一个xml文件，里面按object节点存放每一个标注框。labelImg画矩形框导出的VOC标注文件里，名称字段是mihoutao，框坐标由xmin、ymin、xmax、ymax四个标签给出，它们都是原图上的像素绝对值。一个典型的object节点内容大致如下：

<object> <name>mihoutao</name> <bndbox> <xmin>101</xmin> <ymin>27</ymin> <xmax>290</xmax> <ymax>222</ymax> </bndbox> </object>

这个例子里，框的像素宽是xmax - xmin，像素高是ymax - ymin，对应原始图像中的实际目标区域。用xml.etree.ElementTree解析不需要额外安装依赖，代码也比较直白：

import xml.etree.ElementTree as ET def parse_voc(xml_path): tree = ET.parse(xml_path) root = tree.getroot() boxes = [] for obj in root.iter("object"): bnd = obj.find("bndbox") boxes.append({ "name": obj.findtext("name"), "xmin": int(bnd.findtext("xmin")), "ymin": int(bnd.findtext("ymin")), "xmax": int(bnd.findtext("xmax")), "ymax": int(bnd.findtext("ymax")) }) return boxes

root.iter("object")会递归找出所有object节点，比findall更稳健，因为不同版本的labelImg生成xml时嵌套层级不完全一致。数值转int前最好确认标签里没有空字符串，否则int(None)会抛TypeError，这种脏数据在后续校验脚本里要单独归类。解析结果里保留name字段是有意的，后续校验类别名时直接比对即可。

2.3 YOLO格式txt的归一化坐标与互转

YOLO格式的标注文件和VOC最大的不同是坐标全部归一化。每个txt文件放多个框，一行一个，字段结构是类别id cx cy w h。例如0 0.4531 0.3244 0.2013 0.1598，表示目标类别索引是0，目标中心位于图片宽高的53.1%和32.4%处，框宽约20.1%，框高约16.0%。归一化的好处是标签与输入图片分辨率解耦，不管训练时把图缩放到640还是1280，标签都能直接用。

从VOC格式转换到YOLO格式时，容易写错的点是中心点公式。中心点不是直接拿(xmin+xmax)/2，还要再除以图片宽高：

def voc_to_yolo(xml_path, txt_path, img_w, img_h): boxes = parse_voc(xml_path) lines = [] for b in boxes: cx = (b["xmin"] + b["xmax"]) / 2.0 / img_w cy = (b["ymin"] + b["ymax"]) / 2.0 / img_h bw = (b["xmax"] - b["xmin"]) / img_w bh = (b["ymax"] - b["ymin"]) / img_h lines.append(f"0 {cx:.6f} {cy:.6f} {bw:.6f} {bh:.6f}") with open(txt_path, "w", encoding="utf-8") as f: f.write("\n".join(lines))

这段函数里的img_w和img_h必须是原图尺寸，不是训练时的输入尺寸。如果不确定，可以用cv2.imread读图后取shape[1]和shape[0]。类别id这里固定写0，因为这个数据集只有一个mihoutao类别；如果后续自己合并了其他种类，id要与模型yaml里的names顺序严格对应，不然模型训练出来的类别名全部错位。

VOC与YOLO两种格式的差异，我常列成一张对照表给团队里新人看：

两种格式同时存在的最大价值是互相校准：同一张图的xml和txt解析出来的框应当完全一致，这也是下一章校验脚本的核心思路。

3. 标注合规性校验、框分布统计与train/val划分脚本

3.1 为什么对“别人标好的数据”还要再校验

数据集页面写着“提供准确且合理标注”，但真实的网络下载场景里，这类描述只代表对方尽力了，不代表没有脏数据。从网上下载的数据集常见三类问题：xml和txt数量对不上、某个框坐标越界、图片本身损坏。这些问题单张很难发现，却会在训练时表现为loss不下降或验证指标异常波动，排查起来更耗时。尤其是 yolo目标检测流程 里，数据加载出错往往不会直接中断训练，而是跳过坏图，看起来只是曲线抖动。

单类别数据集的校验有一个特殊性：不用处理类间不平衡，但框的质量直接影响yolo损失函数。一个坐标越界的框在loss里会被模型当作大误差目标强行学习，造成附近位置的预测也偏移。所以训练前把每个框的坐标合理性检查一遍，比调模型参数更划算。

3.2 图片、xml、txt三套文件的一致性检查

我一般写一个脚本一次性完成检查，不引入额外依赖，opencv-python就足够。脚本逻辑分成三块：图片能否正常读、txt每行能否解析成合法的归一化坐标、xml和txt是否一一存在。校验时不需要解析完整xml，只查对应文件在不在，因为标注框数值是否合理统一看txt就够。

import cv2 from pathlib import Path img_dir = Path("images") txt_dir = Path("labels") xml_dir = Path("annotations") errors = [] for img_path in sorted(img_dir.glob("*.jpg")): img = cv2.imread(str(img_path)) if img is None: errors.append(f"broken image: {img_path.name}") continue txt_path = txt_dir / (img_path.stem + ".txt") xml_path = xml_dir / (img_path.stem + ".xml") if not txt_path.exists() or not xml_path.exists(): errors.append(f"missing label: {img_path.name}") continue for line_no, line in enumerate(txt_path.read_text(encoding="utf-8").splitlines(), 1): parts = line.strip().split() if len(parts) != 5: errors.append(f"{txt_path.name}:{line_no} col!=5") continue try: cid, cx, cy, w, h = map(float, parts) except ValueError: errors.append(f"{txt_path.name}:{line_no} not float") continue if cid != 0: errors.append(f"{txt_path.name}:{line_no} class_id={cid}") if not (0 <= cx <= 1 and 0 <= cy <= 1 and 0 < w <= 1 and 0 < h <= 1): errors.append(f"{txt_path.name}:{line_no} coord range") print("images checked:", len(list(img_dir.glob("*.jpg")))) print("error lines:", len(errors)) for e in errors[:50]: print(e)

脚本里对yolo坐标的判断比较严格：中心点cx、cy必须在0到1之间，宽w、高h必须大于0且不超过1。这里有一个容易忽略的细节：0 < w <= 1要求宽不能等于0，因为xml里xmax等于xmin时转换出的w就是0，这样的框在训练时会被当作无效框，最好是提前发现而不是让框架悄悄过滤。如果错误列表为空，三套文件1838张齐整，这份数据才能进入下一步。

3.3 框尺寸分布与密度分析

格式通过校验后，我还会做一次更精细的统计，看框的尺寸分布和图片内部的密集程度。具体做法是读取所有txt，把每一行的归一化宽高收集起来，批量计算均值和分位数：

import numpy as np all_wh = [] for txt_path in txt_dir.glob("*.txt"): for line in txt_path.read_text(encoding="utf-8").splitlines(): parts = line.strip().split() if len(parts) == 5: all_wh.append((float(parts[3]), float(parts[4]))) wh = np.array(all_wh) print("total boxes:", len(wh)) print("mean w/h:", wh[:, 0].mean(), wh[:, 1].mean()) print("median w/h:", np.median(wh[:, 0]), np.median(wh[:, 1]))

这个统计主要解决两个判断：目标尺度和目标密度。如果中位框宽在0.05以下，说明目标普遍偏小，训练时imgsz=640对每个目标的像素占比不足，可能要考虑imgsz=896或做切片推理；如果框宽度中位数在0.2以上，说明目标在画面里占比很大，网络很容易学，后处理NMS的阈值要适当调高。这份数据总框数19278、图片数1838，平均每张约10.5个框，属于密集场景，模型输出端会同时出现大量候选框，需要关注NMS的IoU阈值设置。

3.4 train/val划分脚本与随机种子

训练检测模型前要先把数据划分开。这个数据集没有附带划分用的txt文件，所以自己准备脚本是绕不开的一步。划分原则只有一条：以图像为单位分，不能把同一张图的多个框跨到训练集和验证集。一张图平均10.5个框，如果按框行数随机切分，会把同一张图的信息泄露到验证集，评估出来的mAP虚高，完全没有参考意义。

import random, shutil from pathlib import Path random.seed(42) imgs = sorted(Path("images").glob("*.jpg")) random.shuffle(imgs) val_cnt = int(len(imgs) * 0.15) val_imgs, train_imgs = imgs[:val_cnt], imgs[val_cnt:] for split, img_list in [("train", train_imgs), ("val", val_imgs)]: for img in img_list: dst_img_dir = Path(f"split/{split}/images") dst_lab_dir = Path(f"split/{split}/labels") dst_img_dir.mkdir(parents=True, exist_ok=True) dst_lab_dir.mkdir(parents=True, exist_ok=True) shutil.copy2(img, dst_img_dir / img.name) label_src = Path("labels") / (img.stem + ".txt") shutil.copy2(label_src, dst_lab_dir / label_src.name)

脚本用copy2而不是move，是为了保留原始目录在出错时可以重新切分。random.seed(42)固定随机序列，确保每次执行脚本得到的train/val组合完全一样，这对后续模型对照实验是必须的。若是复用同一个数据集调参，两次划分不同会导致训练集与验证集分别变化，最后比较模型A和模型B时，分不清差异是模型带来的还是数据划分带来的。

划分后的组成可以用一张表表达：

单类别数据集不需要按类别做分层抽样；如果后面换成一个多类别数据集，我会用sklearn的train_test_split加stratify=y保持类别比例在划分前后一致，否则少数类可能全部掉进训练集或验证集。

4. YOLOv8训练自己的数据集：猕猴桃单类检测配置与参数

4.1 写一份干净的数据集yaml

把yolo训练链路整理顺畅，第一步是准备一个最简单的yaml文件。这个数据集单类，内容非常清晰：

# mht.yaml path: /home/user/data/mihoutao/split train: images/train val: images/val nc: 1 names: 0: mihoutao

path字段指向数据集根目录，train和val是相对路径，分别指向上一章划分出来的split目录。nc是类别数，names给出类别名列表。写yaml时注意两点：冒号后面必须有空格；path建议用绝对路径，因为训练脚本如果由其他目录启动，相对路径会根据当前工作目录变化而找不到数据。

如果使用的是YOLOv8或者更新的YOLO11，这个yaml可以直接被DataLoader读取；即使是更早的YOLOv5，结构也大体一致。类别名必须和数据集中的标注对得上，这里是mihoutao，如果写成kiwi，训练不会报错但模型输出的标签名会变成kiwi，视觉上会很奇怪。

4.2 训练命令与参数选择

单类别检测的训练命令我一直用yolo CLI方式，简洁且日志输出完整。加载COCO上的预训练权重做fine-tune，比从随机初始化训快得多，这也是 yolov8训练自己的数据集 时最常用的做法：

yolo detect train \ data=mht.yaml \ model=yolov8s.pt \ epochs=120 \ imgsz=640 \ batch=16 \ device=0 \ patience=20 \ project=runs/mihoutao \ name=exp1

model=yolov8s.pt指定的预训练权重如果本地不存在，yolo会自动下载；如果环境无法访问外网，就手动下好放到当前目录。参数选择上，这个数据集的目标是中等偏大，19278个框分散在1838张图里，用yolov8s作为主干已经足够，直接上yolov8x在小数据集很容易过拟合。epochs设120，配合patience=20做早停，val指标连续20轮不升自动停止，实际训练出来的最佳轮次通常在60到100之间。

提示：显存不够时优先把batch从16改成8，不要先降imgsz。输入尺寸直接决定小目标的分辨率表达能力，batch降低只是增加训练时长，不太影响最终精度。

训练过程中常见的问题集中在路径身上，而不是模型参数。yaml里的path写错了，训练会报Dataset not found；Windows路径带反斜杠时yaml解析容易把转义符吃掉，我一般会在代码里先print(yaml.safe_load(open("mht.yaml")))检查一遍。batch大小改成8或4时，学习率不需要手动调，yolo默认会自动按batch缩放，这点和早期YOLOv5保持一致。

各参数的微调参考，总结成一张表：

4.3 单类别场景下yolo损失函数的观察重点

训练日志里会实时输出box_loss、cls_loss、dfl_loss三项损失，这是理解 yolo损失函数 最容易上手的入口。box_loss使用的是CIoU类损失，负责回归预测框与标注框的位置；cls_loss是分类损失，因为这里只有一个类别，通常前10轮就快速收敛到一个很小的值；dfl_loss全称是Distribution Focal Loss，负责边框回归的分布学习，对边界细节影响比较大。

对这个数据集来说，真正要盯的是box_loss和dfl_loss曲线的分离程度。如果train/box_loss持续下降但val/box_loss在第70轮后掉头向上，说明模型开始记住训练集里果实的角度和光照，过拟合已经发生。这时把epochs从120降下来，或者在yaml里加weight_decay=0.0005做L2约束，比继续硬跑更有效。单类场景下如果看到cls_loss迟迟不降，优先去查标注txt的类别id是不是混入了其他数字。

训练完成后在runs/mihoutao/exp1目录下会自动保存最后权重和最佳权重，一般评估和部署都用best.pt而不是last.pt。算法对比实验只要保证固定随机种子、固定预训练权重和固定数据划分，跑出来的结果才有横向可比性。

5. 验证指标解读与两个提高标注可信度的技巧

5.1 用val命令评估而不是只看训练loss

训练日志的loss只能说明模型在训练集上的拟合情况，最终可不可用要单独跑一遍验证集。常用命令是：

yolo detect val \ model=runs/mihoutao/exp1/weights/best.pt \ data=mht.yaml \ batch=16

输出会给出每个类别的precision、recall、mAP50和mAP50-95。对这个数据集，mAP50应该在0.9以上，mAP50-95相对低一些是正常的，因为它对IoU更敏感。如果mAP50低于0.85，先回去翻校验脚本，重点检查是不是有一部分标注框明显比真实果实小一圈，这种情况在手工标注矩形框时最容易发生在遮挡果实上。

5.2 用预测框与标注框叠加检查边界

验证指标正常后，我还习惯把预测结果和原始标注画在同一张图上抽查几十张。代码可以直接用ultralytics输出预测框，再解析VOC的xml把原始标注框画一遍：

import cv2 import xml.etree.ElementTree as ET from pathlib import Path from ultralytics import YOLO model = YOLO("runs/mihoutao/exp1/weights/best.pt") img_path = "split/val/images/firc_mihoutao_1513.jpg" img = cv2.imread(img_path) res = model.predict(img_path, conf=0.25)[0] for box in res.boxes: x0, y0, x1, y1 = map(int, box.xyxy[0]) cv2.rectangle(img, (x0, y0), (x1, y1), (0, 255, 0), 2) xml_path = Path("annotations") / (Path(img_path).stem + ".xml") root = ET.parse(xml_path).getroot() for obj in root.iter("object"): bnd = obj.find("bndbox") x0 = int(bnd.findtext("xmin")); y0 = int(bnd.findtext("ymin")) x1 = int(bnd.findtext("xmax")); y1 = int(bnd.findtext("ymax")) cv2.rectangle(img, (x0, y0), (x1, y1), (0, 0, 255), 2) cv2.imwrite("check_1513.jpg", img)

绿色框是模型预测，红色框是原始标注。xml_path 这里指向原始annotations目录，如果划分时把xml也复制进split/val，就换成对应路径。大量对比后如果发现预测框总比标注框大一圈，往往是标注时把果实的边界框收得过紧，模型学到的是真实边缘的保守位置。更隐蔽的问题是xml文件名不匹配，路径写错时ET.parse直接抛出FileNotFoundError，说明目录组织方式和脚本预期不一致，需要回解压目录核对实际结构。

5.3 7z归档的哈希校验与重新打包

最后分享一个和资源本身直接相关的工作习惯。7z压缩文件获取哈希值不只是解压前校验用，实验结束后回传数据时也应该归档一次，并把这个哈希写进实验记录，确保后续复现实验下载的副本和当前训练用的数据完全一致。重新打包并计算哈希一行就可以完成：

7z a mihoutao_splits.7z split/ -mx=5 sha256sum mihoutao_splits.7z

-mx=5是压缩等级参数，取值范围0到9，0是纯存储不压缩，9是极限压缩。对图片数据集没有必要用9，压缩时间和解压时间都会明显变长，-mx=5是比较平衡的选择；如果只是存档不常解压，-mx=1解压速度会更快。归档前再把jpg、xml、txt各自计数一次，和1838对上，这个副本就可以作为实验基线长期保存。

本文还有配套的精品资源，点击获取