海洋垃圾检测数据集实战：VOC/COCO/YOLO格式转换与YOLO11三平台训练脚本

简介：这份资源面向从事水下视觉与目标检测的开发者、研究生及工程团队，提供一套真实拍摄的海洋海底垃圾检测数据集，可用于海底监控场景下的垃圾识别项目，也可作为通用水下垃圾检测数据的补充。数据集共1000张高质量图像，覆盖海底塑料、铁罐、纸张、海洋生物与垃圾同框、水下探测器与垃圾同框、打光拍摄等多种场景，标注包含plastic、bio、rov、metal、paper、wood、rubber、timestamp、unknown九个类别，采用labelimg标注，质量较高。资源以PDF形式交付，文件总数1个，大小约2.77MB，内附数据集基本情况介绍与获取方式，并同步提供VOC、COCO、YOLO三种主流格式标签，可直接接入YOLO等算法训练。此外还附赠YOLO11一键训练脚本，支持GPU、CPU及Mac（M芯片）多平台方案，并给出博主训练结果日志供参考。目前已有540人学习，适合希望快速验证模型、复现训练流程并积累水下检测经验的读者。

1. 海洋垃圾检测数据集：1000 张图、三种标签格式与三平台训练脚本到底怎么用

手里有一份标注好的海洋垃圾检测数据集，1000 张图，同时给了 VOC、COCO、YOLO 三种格式标签，还配了支持 GPU、CPU、Mac 三平台的 YOLO11 一键训练脚本——这个组合对做目标检测落地的人来说，省掉的不是一点半点时间。海洋垃圾检测本身是个很实际的方向：海面漂浮物、岸边塑料瓶、渔网碎片，这些目标尺度差异大、背景杂乱、反光干扰强，用通用数据集训出来的模型往往直接翻车。1000 张图不算多，但胜在场景聚焦、标签齐全，适合做小目标检测的快速验证和迁移学习起点。这篇文章面向的是想拿这份数据直接跑通训练、又不想在格式转换和环境配置上反复踩坑的从业者，从数据长什么样、三种格式怎么选、脚本怎么改参数，一路讲到训练崩了怎么排查。

2. 三种标签格式的取舍：VOC、COCO、YOLO 各自适合什么场景

拿到一份同时带 VOC、COCO、YOLO 三种格式标签的数据集，第一反应不应该是"全都要"，而是先搞清楚每种格式在训练链路里扮演什么角色。选错了格式，轻则多写一堆转换脚本，重则标签解析出错、训练时 loss 直接不降。

2.1 VOC 格式的结构与适用边界

VOC 格式的核心是每张图对应一个 XML 文件，里面用<object>节点记录每个目标的类别名和边界框坐标，坐标是绝对像素值，原点在左上角。它的典型目录结构是Annotations/放 XML、JPEGImages/放原图、ImageSets/Main/放训练验证划分的 txt。

<annotation> <filename>ocean_0001.jpg</filename> <size> <width>1920</width> <height>1080</height> </size> <object> <name>plastic</name> <!-- 类别名，注意大小写要和类别表一致 --> <bndbox> <xmin>312</xmin> <!-- 绝对像素坐标，不是归一化值 --> <ymin>540</ymin> <xmax>398</xmax> <ymax>612</ymax> </bndbox> </object> </annotation>

VOC 的好处是可读性强，用 LabelImg 打标直接产出这个格式，人工检查标签时一眼能看出框对不对。但它的短板也明显：坐标是绝对像素，换分辨率就要重算；一个 XML 一个目标文件，1000 张图就是 1000 个文件，批量处理时 IO 开销不小。我一般把 VOC 当作"原始标注存档"，真正训练前一定转成 YOLO 格式。

2.2 COCO 格式的 JSON 组织方式

COCO 格式把所有标注塞进一个 JSON 文件，用images、annotations、categories三个数组互相通过 id 关联。边界框是[x, y, width, height]，同样是绝对像素，但原点在左上角、宽高而非右下角坐标。

{ "images": [ {"id": 1, "file_name": "ocean_0001.jpg", "width": 1920, "height": 1080} ], "annotations": [ {"id": 1, "image_id": 1, "category_id": 1, "bbox": [312, 540, 86, 72], // x, y, w, h 绝对像素 "area": 6192, "iscrowd": 0} ], "categories": [ {"id": 1, "name": "plastic"} ] }

COCO 格式的优势是生态广，很多评估脚本、可视化工具、预训练模型都吃这个格式，做 mAP 评测时尤其方便。缺点是单文件体积大，1000 张图的标注 JSON 动辄几 MB，手改容易出错，必须靠脚本生成。如果你的下游要做标准 COCO 评测，保留这份格式；如果只是训 YOLO，它更多是个"中转站"。

2.3 YOLO 格式为什么是训练首选

YOLO 格式每张图对应一个 txt，每行一个目标：类别索引 中心x 中心y 宽 高，后四个值全部归一化到 0~1。这是它和 VOC/COCO 最本质的区别——归一化坐标让模型对输入分辨率不敏感，换 640 还是 1280 训练都不用改标签。

# ocean_0001.txt 0 0.1849 0.5333 0.0448 0.0667 # 类别索引 中心x 中心y 宽 高，均为归一化值

对应的data.yaml负责把类别索引映射回名字：

path: ./ocean_dataset train: images/train val: images/val nc: 4 # 类别数，必须和实际类别数一致 names: # 索引顺序必须和 txt 里的数字对应 0: plastic 1: fishing_net 2: bottle 3: foam

注意：YOLO 格式最容易翻车的地方是类别索引和 names 顺序对不上。txt 里写 0，names 里第 0 个却是别的类，训练照样跑，但模型学到的全是错的，mAP 低到怀疑人生还找不到原因。

三种格式的定位可以这样记：VOC 是标注存档，COCO 是评测通用货币，YOLO 是训练直用格式。1000 张图的数据集，我一般保留 VOC 原始档、生成 COCO 备用、训练只用 YOLO。

3. 从 VOC 到 YOLO 的转换脚本与四个边界坑

数据集虽然号称三种格式齐全，但实际拿到手经常发现 YOLO 标签缺几张、或者类别名不统一。自己写一遍转换脚本，比盲目信任现成标签靠谱得多。这一章把 VOC 转 YOLO 的完整脚本拆开讲，顺带把四个最容易踩的边界坑说透。

3.1 转换脚本的完整实现

import os import xml.etree.ElementTree as ET from pathlib import Path # 类别名到索引的映射，顺序必须和 data.yaml 的 names 完全一致 CLASS_MAP = {"plastic": 0, "fishing_net": 1, "bottle": 2, "foam": 3} def voc_to_yolo(xml_dir, img_dir, out_dir): xml_dir, img_dir, out_dir = Path(xml_dir), Path(img_dir), Path(out_dir) out_dir.mkdir(parents=True, exist_ok=True) skipped = [] for xml_path in xml_dir.glob("*.xml"): tree = ET.parse(xml_path) root = tree.getroot() size = root.find("size") w = int(size.find("width").text) h = int(size.find("height").text) lines = [] for obj in root.findall("object"): name = obj.find("name").text.strip() if name not in CLASS_MAP: # 坑1：类别名不在映射表里 skipped.append((xml_path.name, name)) continue cls_id = CLASS_MAP[name] 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) # 坑2：坐标越界，裁剪到图像范围内 xmin, ymin = max(0, xmin), max(0, ymin) xmax, ymax = min(w, xmax), min(h, ymax) # 坑3：宽高为 0 的退化框，直接丢弃 bw, bh = xmax - xmin, ymax - ymin if bw <= 1 or bh <= 1: continue # 归一化：中心点 + 宽高，全部除以图像尺寸 cx = (xmin + xmax) / 2 / w cy = (ymin + ymax) / 2 / h lines.append(f"{cls_id} {cx:.6f} {cy:.6f} {bw/w:.6f} {bh/h:.6f}") # 坑4：没有有效目标的图，生成空 txt 还是跳过？ if not lines: continue out_file = out_dir / (xml_path.stem + ".txt") out_file.write_text("\n".join(lines)) if skipped: print(f"跳过的类别: {set(s for _, s in skipped)}") return len(list(out_dir.glob("*.txt"))) if __name__ == "__main__": n = voc_to_yolo("./Annotations", "./JPEGImages", "./labels") print(f"转换完成，共生成 {n} 个标签文件")

脚本逻辑分四步：解析 XML 拿到图像尺寸、遍历每个 object 取类别和框、裁剪越界坐标并丢弃退化框、归一化后写入 txt。CLASS_MAP是唯一需要你手动对齐的地方，类别名一个字母都不能差。

3.2 四个边界坑的具体表现

坑一：类别名大小写和空格不一致。现象是转换后某些类别的目标凭空消失，脚本打印出跳过的类别名。原因是标注时有人写Plastic、有人写plastic（带尾空格）。解决方式是在CLASS_MAP查找前先strip()并统一小写，或者干脆先跑一遍统计所有出现过的类别名。

坑二：坐标越界。现象是训练时 YOLO 报non-normalized coordinates或坐标大于 1 的警告。原因是标注框超出了图像边界，LabelImg 有时允许拖到画布外。解决方式是像脚本里那样用max(0, ...)和min(w, ...)硬裁剪。

坑三：宽高为 0 的退化框。现象是训练 loss 出现 NaN。原因是标注时误点产生了一个点状框，宽高算出来是 0，归一化后除零。解决方式是丢弃bw <= 1 or bh <= 1的框。

坑四：空标签图的处理。现象是训练时提示某张图没有标签。这其实不算错误——YOLO 允许背景图存在，但要求有对应的空 txt 文件。如果你的数据集里混了纯背景图，要么生成空 txt，要么从训练集里剔除，别让图片和标签对不上号。

3.3 转换后的自检清单

转完不要直接开训，先跑一遍自检：

# 检查图片和标签是否一一对应 python -c " from pathlib import Path imgs = {p.stem for p in Path('./images').glob('*.jpg')} lbls = {p.stem for p in Path('./labels').glob('*.txt')} print('有图无标签:', imgs - lbls) print('有标签无图:', lbls - imgs) "

再抽查几个 txt，确认类别索引在0 ~ nc-1范围内、四个数值都在 0~1 之间。这一步花两分钟，能省掉后面几小时的排查。

4. YOLO11 一键训练脚本：三平台参数怎么改

一键脚本的价值在于把环境差异封装掉，但"一键"不等于"不用改"。GPU、CPU、Mac 三种平台的差异主要体现在设备参数、批大小和精度设置上，改错一个参数，要么跑不起来，要么慢到无法接受。

4.1 脚本的核心结构与设备参数

一个典型的一键训练脚本，核心就是加载模型、指定数据配置、设置训练超参、启动训练四步：

from ultralytics import YOLO def train(device="0", batch=16, epochs=100, imgsz=640, amp=True): model = YOLO("yolo11n.pt") # 从预训练权重起步，小数据集强烈建议 results = model.train( data="./ocean_dataset/data.yaml", epochs=epochs, imgsz=imgsz, batch=batch, device=device, # "0" 表示第一块 GPU，"cpu" 表示纯 CPU，"mps" 表示 Mac amp=amp, # 混合精度，CPU 和部分 Mac 上要关掉 workers=8, # 数据加载线程数，Windows 上建议降到 4 以下 project="./runs", name="ocean_yolo11", patience=30, # 30 轮无提升就早停，小数据集防过拟合 ) return results if __name__ == "__main__": train()

device是最关键的参数：NVIDIA GPU 填"0"或多卡"0,1"；纯 CPU 填"cpu"；Apple Silicon 填"mps"。填错会直接报设备不可用。

4.2 GPU、CPU、Mac 三平台的参数对照

GPU 上amp=True能省显存、提速，但如果你用的是很新的卡或很旧的驱动，混合精度偶尔会出 NaN，这时先关掉 amp 验证是不是精度问题。CPU 上开 amp 没意义，反而可能因为算子不支持报错。Mac 的 MPS 后端对某些算子支持不全，遇到NotImplementedError就临时切回 CPU 跑通流程。

4.3 小数据集的关键超参调整

1000 张图属于小数据集，默认超参直接套容易过拟合。我一般会动这几个：

model.train( data="./ocean_dataset/data.yaml", epochs=150, # 小数据集多训几轮，配合早停 imgsz=640, # 海洋垃圾目标偏小，可试 960 提升小目标召回 batch=16, lr0=0.001, # 初始学习率，小数据集比默认 0.01 更稳 lrf=0.01, # 最终学习率系数 warmup_epochs=5, # 预热轮数，防止初期梯度爆炸 mosaic=1.0, # 马赛克增强，小数据集靠它扩样本 mixup=0.1, # 混合增强，别开太大否则小目标被淹没 degrees=10.0, # 旋转增强，海面目标方向随机，适度旋转有用 fliplr=0.5, # 水平翻转 )

imgsz从 640 提到 960 对小目标检测帮助明显，代价是显存和耗时上升，GPU 显存不够就退回 640。mosaic和mixup是小数据集扩样本的主力，但mixup开太大（比如 0.5）会让小目标在叠加图里变得模糊，反而伤召回。

提示：改超参一次只改一个，跑完对比 mAP 再决定留不留。一次改五个参数，涨了跌了都不知道是谁的功劳。

4.4 训练启动与日志观察

脚本跑起来后，重点盯三个指标：box_loss是否稳定下降、mAP50是否在涨、cls_loss有没有异常波动。前 10 轮 loss 不降，先查学习率是不是太大；mAP 一直卡在很低的值，回去查标签格式和类别映射；loss 出现 NaN，查退化框和 amp 设置。训练完的权重默认存在runs/ocean_yolo11/weights/best.pt，拿它做推理验证。

5. 训练不收敛、显存爆、mAP 上不去：排查清单

训练跑不起来或者效果差，八成不是模型的问题，而是数据或配置的锅。这一章按"现象 → 原因 → 解决"整理五条最常见的踩坑记录，都是我在实际项目里真金白银换来的。

现象一：训练一开始 loss 就是 NaN。原因通常是标签里有退化框（宽高为 0）导致归一化除零，或者学习率设得过大。解决方式是先跑第 3 章的自检脚本确认没有零宽高框，再把lr0从默认值降到 0.001 试一轮。

现象二：显存爆掉，报 CUDA out of memory。原因是 batch 太大或 imgsz 太高。解决方式是先把batch减半，还爆就把imgsz从 960 降到 640，再不行开amp=True。GPU 显存是硬约束，别硬扛。

现象三：mAP50 一直卡在 0.1 以下。这种"学了但没完全学"的情况，九成是类别索引和 names 对不上，或者标签根本没被正确读取。解决方式是随便挑一张训练图，用训练好的模型推理，看输出的类别名是不是你期望的；再打开对应的 txt 确认类别索引范围。

现象四：CPU 上训练慢到无法接受。原因是 CPU 训练本身就是慢，1000 张图 100 轮可能要跑一整天。解决方式是先用epochs=10跑通流程验证代码没问题，再决定要不要上 GPU；如果只有 CPU，把imgsz降到 416、batch降到 4，牺牲精度换速度。

现象五：Mac 上 MPS 报算子不支持。现象是训练中途抛NotImplementedError。原因是 MPS 后端对某些算子还没实现。解决方式是临时把device="cpu"跑通，或者升级 PyTorch 到较新版本，很多算子支持是逐步补上的。

注意：排查顺序永远是"先数据、后配置、最后模型"。数据错了，换多大的模型都白搭。

6. 用验证集反查标注质量：一个被低估的进阶技巧

训练跑通只是开始，真正决定模型上限的是标注质量。1000 张图的数据集，人工标注难免有漏标、错标、框不准的情况，而这些错误在 loss 曲线上往往看不出来。我习惯在训练后做一件事：用best.pt在验证集上推理，把预测框和真实标签叠在同一张图上对比，专门找"模型预测对了但标签没有"和"标签有但模型死活不预测"的图。

from ultralytics import YOLO import cv2 model = YOLO("runs/ocean_yolo11/weights/best.pt") results = model.predict("./ocean_dataset/images/val", conf=0.25, save=True) # 重点看两类图： # 1. 模型预测出目标但原标签没有 -> 可能漏标 # 2. 原标签有目标但模型置信度极低 -> 可能错标或框不准 for r in results: if len(r.boxes) == 0: print(f"无预测: {r.path}") # 这些图优先人工复查

conf=0.25是推理置信度门限，调低（如 0.1）能捞出更多疑似漏标，调高（如 0.5）只看高置信预测。这个技巧的本质是把模型当成一个"标注质检员"——模型在大量数据上学到的共性，能反过来暴露单张图上的标注异常。

我一般会挑出 20~30 张可疑图人工复查，改完标签再训一轮，mAP 往往能涨几个点。这个收益比调超参来得实在，因为超参调的是"怎么学"，标注质量决定的是"学什么"。血泪经验是：别一上来就换更大的模型，先把这 1000 张图的标签抠干净，小模型也能跑出能用的效果。数据质量这件事没有后悔药，越早查越省事。

希望帮到你。

本文还有配套的精品资源，点击获取