简介：面向目标检测与YOLO系列算法开发者，这份眼镜检测数据集压缩包包含已划分好的训练、验证与测试集，配有data.yaml配置文件，适配YOLOv5、YOLOv7、YOLOv8、YOLOv9、YOLOv10及YOLO11等主流算法，下载后即可开展模型训练与效果验证。资源包大小127.93MB，共2000个文件，以xml标签文件为主，同时包含YOLO格式txt标签，两种标注格式分目录存放，使用起来较为方便。标签格式说明详细，坐标采用归一化设计，适合初学者快速上手。目前已有128人学习，适合需要做眼镜检测、佩戴状态识别或算法效果对比的开发者，可免去自行采集与标注数据的时间，从数据准备到模型评估均有现成内容可循；对于需要快速验证算法性能的团队或个人，还能缩短前期准备周期，减少因数据格式不统一带来的调试成本，整体实用价值较高。
1. YOLO眼镜检测数据集能解决什么问题
闸机要判断过闸的人有没有戴眼镜、商场大屏要统计试戴镜框的时长、安防系统要把眼镜从人脸区域单独抠出来——这类任务如果从头收图、自己标框，两三周时间就耗进去了。这个标题里最值钱的不是“2948张”这个数量，而是“带标签”这三个字：说明图像已经配好了目标检测需要的人工标注，压缩包解出来之后可以直接喂给YOLO训练，省去最枯燥的标注环节。适合两类人：一是刚接触YOLO、想用一份现成数据把训练到推理全流程跑通的学生和转岗工程师；二是要做眼镜相关业务验证、需要快速出一个baseline的算法工程师。需要提醒的是，YOLO版本迭代很快，从v5到v8到现在的v11，命令形态基本没变，这篇文章以当前最常用的YOLOv8为主线，先讲清数据格式，再给完整训练路径。
2. 解析zip内部结构：一张图如何变成一行标签
2.1 解压后先看目录布局
拿到压缩包之后第一件事不是解压后立刻训练，而是先把目录结构看清楚。这类数据集最常见的打包方式是images和labels两个文件夹平级，严格对应，每个jpg都在labels里有同名txt。执行下面的命令：
unzip "yolo算法-眼镜检测数据集-2948张图像带标签-玻璃.zip" -d ./glass_data tree -L 2 glass_data常见的输出长这样：
glass_data ├── images │ ├── 000001.jpg │ ├── 000002.jpg │ └── ... └── labels ├── 000001.txt ├── 000002.txt └── ...如果tree命令展示的目录和这个不一样，比如多了voc格式的xml文件夹，就需要先做格式转换。但标题里明确写了“带标签”且面向YOLO，所以大概率就是txt格式。解压之后我习惯顺手统计一下文件数量是否对得上：
ls glass_data/images/*.jpg | wc -l ls glass_data/labels/*.txt | wc -l两个数字应该都接近2948。如果images比labels多，说明存在没有标注的空图，这类图之后要么删掉，要么作为负样本单独处理。这一步不花时间，但能提前发现数据不齐的问题，避免训练到一半报错找不到对应标签。
2.2 标签文件里五个数字的真实含义
随便打开一个labels目录下的txt文件，内容类似这样：
0 0.482033 0.365288 0.318098 0.280191这是YOLO格式的标准标注，一行对应图像里的一个目标框，共五个字段：第一个是类别id，从0开始；后面四个依次是目标框中心点的x、中心点的y、框的宽度、框的高度，全部除以图像宽高做了归一化。归一化是YOLO格式最核心的一点，训练时无论输入图像压到640还是800，这些相对坐标都不需要重算。
提示：如果你发现某个txt里的cx或cy大于1，说明标注脚本换算出错，这个文件需要修复。YOLO训练不会因为坐标越界直接报错，但损失会异常，mAP上不去。
这个数据集的名字里带“玻璃”两个字，需要特别确认一件事：类别到底是一类还是两类。常见做法里，这类眼镜数据集的labels会区分“glasses”和“glass”两个类别，前者指完整的眼镜目标（镜框加镜片），后者单独标注镜片或透明玻璃区域。具体是不是这样，解压之后立刻执行统计：
cat glass_data/labels/*.txt | awk '{print $1}' | sort | uniq -c输出里如果有两个数字，分别对应class id 0和1，说明是双类别；如果只有0，说明“玻璃”只是压缩包命名的修饰词，实际标注只有眼镜一个类。这个结果直接决定后面的data.yaml怎么写，必须先确认。
2.3 把标签画回图像，验证明标框是否贴合
看txt数字只能确认格式，确认不了标注质量。最直观的验证方式是把每个框画回原图，肉眼扫一遍。这里给一个可以直接跑的脚本：
#!/usr/bin/env python3 import cv2 import os img_dir = "glass_data/images" label_dir = "glass_data/labels" class_names = ["glasses", "glass"] # 按2.2统计结果调整 for f in sorted(os.listdir(img_dir)): if not f.endswith(".jpg"): continue img = cv2.imread(os.path.join(img_dir, f)) h, w = img.shape[:2] txt_path = os.path.join(label_dir, os.path.splitext(f)[0] + ".txt") if not os.path.exists(txt_path): continue with open(txt_path) as fp: for line in fp: parts = line.strip().split() if len(parts) != 5: continue cid, cx, cy, bw, bh = map(float, parts) 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.putText(img, class_names[int(cid)], (x1, max(0, y1 - 5)), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 0, 255), 2) cv2.imwrite("check_" + f, img)脚本的逻辑很简单：读取图像尺寸h和w，将归一化的中心点和宽高换算回像素坐标，然后画矩形框和类别名。参数说明：(cx - bw / 2) * w是把中心点坐标转成左上角x，同理算出左上角y和右下角x、y；max(0, y1 - 5)防止文字画到图像边界外。跑完之后扫一遍check_*.jpg，重点看三类问题：框没有包住整副眼镜、一个眼镜目标被重复画了两个框、玻璃区域框到了背景上。这三类问题直接影响训练收敛速度。
2.4 标注工具的兼容性：CVAT导出的数据集怎么处理
如果你手里的zip是从CVAT这类标注平台导出的，labels目录里通常还会多一个classes.txt，里面按行写类别名。CVAT导出到YOLO格式时，会保证images、labels、classes.txt三者一致。但有些版本导出的类别顺序是按标注时的创建顺序排的，不一定和业务预期一致。拿到数据集后，把classes.txt的内容和2.2统计出来的class id顺序对照一下，确认0对应的是“眼镜”而不是“玻璃”，再写data.yaml。顺序搞反的后果是训练能跑通，但推理时显示出来的类别名全是错位的。
3. 用YOLOv8把2948张图跑起来：环境、目录与训练命令
3.1 先搭一个不折腾的Python环境
训练YOLO不需要从源码编译，直接用ultralytics包就行。我一般用conda新建独立环境，避免污染已有的Python：
conda create -n yolo python=3.10 -y conda activate yolo pip install ultralytics opencv-pythonGPU这块分情况：NVIDIA显卡正常安装CUDA版PyTorch即可，ultralytics会自动检测；AMD显卡需要先装ROCm版的PyTorch，再装ultralytics，训练命令不用改；纯CPU也能跑，但2948张图、100个epoch在CPU上可能要跑一晚上，建议先用yolov8n这种最小模型验证流程，再决定是否升级硬件。环境配置里最容易出问题的是torch和CUDA版本不匹配，如果训练时报CUDA error: no kernel image is available，大概率是torch装成了CPU版，重装GPU版即可。
3.2 重建目录并划分训练集与验证集
原始zip里的images和labels通常是整体混在一起的，没有区分train、val。YOLOv8的data.yaml需要明确指定train和val两个子目录，所以要先按比例拆分。下面的脚本按8:2划分，固定随机种子保证每次运行结果一致：
import os import random import shutil random.seed(42) src_img = "glass_data/images" src_label = "glass_data/labels" dst = "glasses_yolo" for split in ["train", "val"]: os.makedirs(f"{dst}/{split}/images", exist_ok=True) os.makedirs(f"{dst}/{split}/labels", exist_ok=True) imgs = [f for f in os.listdir(src_img) if f.endswith(".jpg")] random.shuffle(imgs) val_cnt = int(len(imgs) * 0.2) # 约590张留作验证 val_set = set(imgs[:val_cnt]) for img_name in imgs: base = os.path.splitext(img_name)[0] txt_name = base + ".txt" split = "val" if img_name in val_set else "train" shutil.copy(os.path.join(src_img, img_name), os.path.join(dst, split, "images", img_name)) if os.path.exists(os.path.join(src_label, txt_name)): shutil.copy(os.path.join(src_label, txt_name), os.path.join(dst, split, "labels", txt_name))几个关键设计：随机种子固定为42，复现结果；前20%的图像进入验证集，剩下的进训练集；复制图片时同时复制对应txt，并且用if os.path.exists做了保护——万一某张图没有标签，训练集里也不会出现孤立的无标注图片。如果没有这层保护，YOLO训练时遇到images里有图但labels里没txt，会直接跳过该图并打印警告，不报错，但会浪费数据。
提示：划分验证集时不要做按人物ID的去重。如果同一个人的多张照片横跨train和val，模型相当于“提前见过这个人”，验证指标会虚高，真实场景的泛化能力要打个折扣。这个数据集如果按人物采集，最好按人物文件夹划分，而不是按单张图片随机划分。
3.3 data.yaml的names必须和标签实测一致
在glasses_yolo同级目录下创建glasses_data.yaml：
path: /your/absolute/path/glasses_yolo train: train/images val: val/images nc: 2 names: 0: glasses 1: glasspath建议写绝对路径，避免YOLO相对路径解析的坑；nc和names必须和2.2的类别统计结果对上。如果统计出来只有一个类，就把nc改成1，names只留glasses。写完之后可以先跑一个快速的冒烟测试，确认数据和模型能正常对接：
yolo detect predict model=yolov8n.pt source=glasses_yolo/val/images/000001.jpg这个命令先用预训练权重跑一张验证图，主要验证环境和路径没问题，不代表数据集训练成功。真正训练开始前看一眼输出日志里的train和val图片数量，确认和划分结果一致。
3.4 训练命令逐参数拆解
yolo detect train \ data=glasses_data.yaml \ model=yolov8n.pt \ epochs=100 \ imgsz=640 \ batch=16 \ patience=15 \ project=runs/glasses \ name=exp1参数说明：
model=yolov8n.pt：n代表nano，最小的YOLOv8模型，权重约6MB，适合第一次跑通流程。硬件允许再换yolov8s或yolov8m，精度会提升但训练时间成倍增加。epochs=100：对2948张图来说，100轮足够让损失收敛。如果跑完发现val loss还在持续下降，可以加到150。imgsz=640：输入分辨率。眼睛在图像里占比小的话，640可能不够，后面讲如何调整。先按默认640稳住流程。batch=16：12GB显存跑yolov8n没问题，6GB显存降到8，否则会OOM。OOM报错信息里会直接提示CUDA out of memory，这时候减小batch或imgsz即可。patience=15：连续15轮验证损失没有改善就提前终止，防止空跑。project和name：输出目录，训练结束后权重在runs/glasses/exp1/weights/best.pt。
训练日志里最需要盯的是几个loss值。YOLO的损失由三部分构成：box_loss衡量预测框和真实框的位置偏差，cls_loss衡量类别预测误差，dfl_loss是分布焦点损失，负责边框回归的精细度。如果box_loss在前10轮没有明显下降，优先怀疑标注框本身不贴目标，回到2.3的可视化脚本再检查一遍。
3.5 用自己的loss曲线判断训练状态
训练结束后打开runs/glasses/exp1/results.png，这是一张综合曲线图。正常状态：train和val的box_loss、cls_loss同步下降，曲线平滑；metrics/precision和metrics/recall稳步上升后趋于平缓。如果train_loss持续下降但val_loss在某个点掉头向上，这是典型的过拟合，处理手段优先级从高到低：增大数据增强的强度、减小模型规模、提前终止。baseline阶段不需要立刻调这些，先让整个流程转起来，拿到第一版权重再说。从YOLO目标检测流程的角度讲，到这里你其实已经走完了“数据准备→模型训练→权重产出”的完整闭环，接下来才进入调优和价值验证阶段。
4. 把眼镜检测模型调到稳定：评估指标、阈值与数据深坑
4.1 用val命令拿到可信的mAP
训练完的第一件事不是急着推理图片，而是先跑验证集评估：
yolo detect val \ data=glasses_data.yaml \ model=runs/glasses/exp1/weights/best.pt输出表格里有两个关键指标：mAP50和mAP50-95。mAP50是IoU阈值取0.5时的平均精度，眼镜检测这类目标不算小、不算密的数据集，mAP50到0.9以上才算及格；mAP50-95是多个IoU阈值的平均，更严格，数值通常比mAP50低0.1到0.2。如果mAP50很高但mAP50-95明显偏低，说明框的位置精度不够，边界贴合不好，这时候优先检查标注框有没有留白太多，而不是继续加训练轮数。
4.2 Precision和Recall曲线决定conf阈值
results.png里除了loss还有PR曲线，这条曲线是调置信度阈值最重要的依据。点开PR曲线，找到precision和recall两条线交叉的位置，那个点对应的置信度就是当前模型的近似最佳阈值。比如交叉点在0.35，那么推理时conf=0.35能兼顾误检和漏检。如果应用场景是“宁可错报也不能漏”的安防场景，就把conf下调到0.15，用误检换召回；如果场景是精确统计眼镜数量，conf上调到0.5以上，减少误报。YOLO的默认conf是0.25，但这个值只是通用默认值，不同数据集的最佳值差别很大，一定要拿PR曲线说话，不要拍脑袋。
4.3 眼镜在画面里太小怎么办
这个数据集里的图如果以人脸特写为主，目标尺寸不会太小；如果包含大量全身照或多人场景，眼镜目标可能只有20到30个像素宽。YOLOv8对这类小目标比较吃力。按照成本从低到高，依次尝试三个手段：
第一，把imgsz从640提到960或1280。分辨率越高，小目标在特征图上的像素越多，显存不够就同时减小batch。
第二，开启多尺度训练。训练命令加一个参数：
yolo detect train ... imgsz=640 scale=0.9scale=0.9表示每次迭代随机缩放的程度，相当于变相做数据增强，让模型见过更多尺寸的眼镜。
第三，如果上面两个还不够，考虑切片推理。常见做法是用Slicing Aided Hyper Inference：把大图切成多个小图分别推理，再把结果拼回去。对密集小目标有效，但推理时间成倍增加，不适合实时场景。实际项目中我一般先试imgsz，效果不明显再上切片，不会一上来就全套。
4.4 标签噪声清洗：过滤掉异常框
打开任何一份真实数据集的labels都可能找到少量问题框，比如框宽高为0、坐标越界、两个框几乎完全重叠。这类噪声用脚本批量清洗比肉眼检查靠谱。下面的脚本扫描所有标签并报告异常：
import os label_dir = "glasses_yolo/train/labels" issues = [] for txt in os.listdir(label_dir): path = os.path.join(label_dir, txt) with open(path) as fp: for line in fp: parts = line.strip().split() if len(parts) != 5: issues.append((txt, "字段数不是5")) continue cid, cx, cy, bw, bh = map(float, parts) if bw <= 0 or bh <= 0: issues.append((txt, "宽高为0")) if cx < 0 or cx > 1 or cy < 0 or cy > 1: issues.append((txt, "中心点越界")) if bw > 1 or bh > 1: issues.append((txt, "宽高超过1")) for item in issues: print(item)bw > 1这种情况经常出现在标注工具误操作，说明一个框比整张图还宽，训练时会让anchor匹配失效，拉低召回。发现问题框之后，直接删除对应行，不要整图删除，除非这张图的标注全部有问题。
4.5 类别不平衡怎么处理
2.2的类别统计如果显示两个类数量悬殊，比如glasses有2800个标注，glass只有100多个，模型大概率会偏向训练样本多的类别，导致玻璃镜片经常漏检。YOLO没有直接的cls_weight参数，常用做法有两个。一是对少数类图像做重复采样，在训练集里把glass占比高的图片复制几份再训练，注意验证集不能复制，否则评估指标失真；二是干脆把两个类合并成一个“眼镜”类，在data.yaml里把glass类的标签id改成和glasses一样，牺牲类别区分度换取更稳的检测率。这两种方案选哪个，取决于业务是否需要知道“玻璃”这个独立类别。如果不需要，合并更省事。
5. 部署落地：导出ONNX、批量推理与视频流防抖
5.1 导出ONNX格式，脱离PyTorch环境运行
训练得到的best.pt是PyTorch权重，部署到生产环境时通常需要转成ONNX，这样不依赖ultralytics包也能跑推理：
yolo export model=runs/glasses/exp1/weights/best.pt format=onnx imgsz=640 opset=12导出之后，用一个轻量Python脚本确认输出张量的形状：
import onnxruntime as ort sess = ort.InferenceSession("best.onnx", providers=["CPUExecutionProvider"]) print(sess.get_outputs()[0].shape)YOLOv8默认的输出形状是[1, 84, 8400]：8400是640×640输入下三个尺度特征图拼接出的预测框总数，84 = 4（框坐标） + 1（目标置信度） + 79或2（类别数，取决于你的nc）。看到这个形状就说明导出成功，可以接推理了。
5.2 用ONNX Runtime跑通一张图的完整推理
import cv2 import numpy as np import onnxruntime as ort session = ort.InferenceSession("best.onnx", providers=["CPUExecutionProvider"]) input_name = session.get_inputs()[0].name img = cv2.imread("test.jpg") orig_h, orig_w = img.shape[:2] resized = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) resized = cv2.resize(resized, (640, 640)) / 255.0 blob = np.transpose(resized, (2, 0, 1))[None].astype(np.float32) outputs = session.run(None, {input_name: blob})[0][0] # [8400, 84] boxes = outputs[outputs[:, 4] > 0.25] for det in boxes: cx, cy, bw, bh, obj_conf = det[:5] cls_id = int(np.argmax(det[5:])) cls_conf = det[5 + cls_id] x1 = int((cx - bw / 2) * orig_w) y1 = int((cy - bh / 2) * orig_h) x2 = int((cx + bw / 2) * orig_w) y2 = int((cy + bh / 2) * orig_h) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2)逻辑说明：先按640×640做预处理，模型输出经过阈值过滤后的每个检测框；坐标还原时用orig_w和orig_h把归一化坐标映射回原图尺寸，这一步和2.3画标签的换算完全一致。注意输出里的置信度分成两部分：第4列是目标存在概率，类别列里的最大值是类别概率，实际综合置信度用obj_conf * cls_conf更合理。
5.3 视频流推理时抑制眼镜框抖动
静态图片推理没问题之后，接视频流会遇到新问题：眼镜框在连续帧之间来回跳，一会儿贴着眼眶，一会儿往外扩两三个像素。原因很简单，单帧推理没有时序概念。常见做法是对检测框做指数移动平均：
ema_boxes = {} def smooth_box(key, new_box, alpha=0.3): if key not in ema_boxes: ema_boxes[key] = new_box else: old = ema_boxes[key] ema_boxes[key] = [alpha * n + (1 - alpha) * o for n, o in zip(new_box, old)] return ema_boxes[key]alpha越大，跟踪越灵敏，但抖动越大；越小越稳定，但延迟越高。对闸机、门禁这类慢速场景，alpha取0.2左右效果比较好；如果是识别快速转头的人脸，需要把alpha提高到0.5。实际操作中还要按检测框中心点的距离做目标关联，两帧之间距离最近的框认为是同一个目标，这本质上是一个极简版的追踪器。别小看这个细节，眼镜框在视频里闪烁会让下游业务系统完全无法接受。
5.4 批量推理脚本：一次处理整个文件夹
最后给一个直接能用的批量推理脚本，把结果写成JSON，方便接业务：
import os import json import cv2 import numpy as np import onnxruntime as ort session = ort.InferenceSession("best.onnx", providers=["CPUExecutionProvider"]) inp_name = session.get_inputs()[0].name results = {} for img_name in os.listdir("test_imgs"): img = cv2.imread(os.path.join("test_imgs", img_name)) h, w = img.shape[:2] blob = cv2.dnn.blobFromImage(img, 1/255.0, (640, 640), swapRB=True) out = session.run(None, {inp_name: blob})[0][0] dets = [] for det in out[out[:, 4] > 0.25]: cx, cy, bw, bh = det[:4] cls_id = int(np.argmax(det[5:])) score = float(det[4] * det[5 + cls_id]) dets.append({ "cls": cls_id, "conf": round(score, 4), "bbox": [round((cx - bw/2)*w, 1), round((cy - bh/2)*h, 1), round((cx + bw/2)*w, 1), round((cy + bh/2)*h, 1)] }) results[img_name] = dets with open("output.json", "w") as fp: json.dump(results, fp, indent=2)脚本里的cv2.dnn.blobFromImage一行完成了缩放、归一化、通道转换的操作，比手动预处理更稳。JSON里的bbox字段是xyxy格式，方便直接对接目标跟踪或业务数据库。继续往下做，就可以把模型接到业务里了——如果对当前精度还不满意，优先回头查标注质量，而不是继续堆epoch。
本文还有配套的精品资源，点击获取
