简介：面向目标检测与计算机视觉入门者，提供一份可直接用于模型训练的鼠标检测数据集。资源包含1876张jpg原图，以及一一对应的VOC格式xml标注文件和YOLO格式txt标注文件，类别仅含mouse，共记录2261个矩形标注框，适合快速上手训练单类别目标检测任务。压缩包体积约219.91MB，由图片与标注文件共同组成，xml可配合Pascal VOC流程解析，txt则适用于YOLO系列框架，切换方便。数据均使用labelImg人工画框，标注准确合理，便于开展数据划分与模型评估。目前已有296人浏览学习，对需要鼠标实例数据做预研或教学实验的开发者来说，是一份省去采集标注成本的基础资源。
1. 一份 1876 张的鼠标数据集，双格式到底省了什么事
做目标检测的人都有个共同痛点：找数据集比训练模型还费劲。好不容易翻到一份鼠标数据集，下载下来发现只有图片，标注文件还得自己拿 labelImg 一张张框，时间全耗在重复劳动上。这份鼠标数据集一共 1876 张 JPG 图片，每张图同时配套 VOC 格式的 XML 和 YOLO 格式的 TXT 标注，总框数 2261，全部是矩形框标注，类别只有一个 mouse。换句话说，你不用再花一两天时间人工标注，拿到手就能直接划分训练集和验证集，喂给 YOLO 开训。需要读坐标、做数据增强、换格式、写损失函数分析，这些文件也都够用。适合正在做目标检测课程设计、毕业设计，或者想快速验证 YOLO 训练流程的人，也适合刚入门想搞懂 VOC 和 YOLO 两种标注格式区别的初学者。
2. 拆开文件看门道：VOC 和 YOLO 双格式的对应关系
2.1 拿到手先做的第一件事：核对文件数量
不管数据集描述里写得多漂亮，我拿到压缩包的第一反应永远是先跑一段脚本，把图片、XML、TXT 三类文件的数量和文件名对应关系核对一遍。因为训练到一半发现缺文件是件非常难受的事，轻则报错，重则数据对不上导致训练结果完全不可用。
这个数据集的文件名规律很明显，像mouse_xyxr_748.txt、mouse_xyxr_1209.txt这种，前面是统一前缀，后面是图片编号。你用下面这段 Python 脚本，就能快速检查每一张 JPG 是否都有对应的 XML 和 TXT：
import os from collections import Counter jpg_dir = "images" # 放 jpg 的目录 xml_dir = "Annotations" # 放 xml 的目录 txt_dir = "labels" # 放 yolo txt 的目录 jpgs = {f.rsplit(".", 1)[0] for f in os.listdir(jpg_dir) if f.endswith(".jpg")} xmls = {f.rsplit(".", 1)[0] for f in os.listdir(xml_dir) if f.endswith(".xml")} txts = {f.rsplit(".", 1)[0] for f in os.listdir(txt_dir) if f.endswith(".txt")} print(f"JPG 数量: {len(jpgs)}") print(f"XML 数量: {len(xmls)}") print(f"TXT 数量: {len(txts)}") print(f"三者同名交集数量: {len(jpgs & xmls & txts)}") print(f"JPG 有但 XML 缺失: {len(jpgs - xmls)}") print(f"JPG 有但 TXT 缺失: {len(jpgs - txts)}")这段脚本的核心逻辑是把三个目录里的文件名去掉扩展名后做集合比较。jpg_dir、xml_dir、txt_dir三个变量需要按你实际解压的目录结构改，如果所有文件都在同一个目录下，改成同一个路径就行。输出结果里，三者同名交集数量应该是 1876，这就是一份完整可用的数据集。
2.2 VOC 格式的 XML 里到底存了什么
用文本编辑器随便打开一个 XML 文件，能看到典型的 Pascal VOC 结构。<size>节点里是图片的宽、高和通道数，这是转换到 YOLO 格式时必须要用的关键信息；<object>节点里是目标信息，<name>mouse</name>表示类别名，<bndbox>里是左上角和右下角的像素坐标。
<annotation> <folder>images</folder> <filename>mouse_xyxr_748.jpg</filename> <size> <width>640</width> <height>480</height> <depth>3</depth> </size> <object> <name>mouse</name> <bndbox> <xmin>120</xmin> <ymin>80</ymin> <xmax>340</xmax> <ymax>260</ymax> </bndbox> </object> </annotation>这里有三个地方值得注意。第一，<filename>必须和实际图片名完全一致，有些数据集标注时用的文件名和图片文件对不上，训练时会被 YOLO 直接跳过。第二，<bndbox>里的坐标单位是像素，而且是绝对坐标，不能直接拿去当 YOLO 的输入，需要做归一化。第三，一个 XML 文件里可以有多个<object>节点，这张图里如果出现多个鼠标，总框数 2261就是所有 XML 里<object>数量的总和。
2.3 YOLO 格式的 TXT 为什么是归一化坐标
再看同名的 TXT 文件，每一行代表一个目标，格式是class x_center y_center width height，全部是相对图片宽高的归一化值，范围在 0 到 1 之间。比如0 0.359375 0.354167 0.343750 0.375000，第一个 0 是类别索引，因为只有一个 mouse 类，所以永远是 0，后面四个数分别是中心点 x、中心点 y、框宽、框高除以图片宽高的结果。
这种设计是 YOLO 能高效训练的基础。归一化之后，不管原始图片是 640×480 还是 1920×1080，送到网络里的坐标都统一到 0~1 区间，模型不用去适应不同图片尺寸带来的尺度差异。另外注意，这个数据集的 TXT 只包含检测框坐标，不含分割多边形路径点，摘要里明确说了「不包含分割路径的 txt 文件」，如果你想拿去做实例分割，需要自己重新标注或换数据集，这点提前知道能省不少时间。
2.4 用脚本统计每个类别框数，验证 2261 这个数字
描述里说总框数是 2261，这个数字不能光靠信任，最好自己验证一遍。解析所有 XML 统计<object>数量，再解析所有 TXT 统计总行数，两边数字能对上，说明 VOC 和 YOLO 格式是严格同步的，没有转换遗漏。
import xml.etree.ElementTree as ET import os xml_dir = "Annotations" txt_dir = "labels" xml_count = 0 txt_count = 0 xml_files = [f for f in os.listdir(xml_dir) if f.endswith(".xml")] for xml_file in xml_files: tree = ET.parse(os.path.join(xml_dir, xml_file)) root = tree.getroot() for obj in root.iter("object"): xml_count += 1 txt_files = [f for f in os.listdir(txt_dir) if f.endswith(".txt")] for txt_file in txt_files: with open(os.path.join(txt_dir, txt_file), "r") as f: txt_count += len(f.readlines()) print(f"XML 中统计的框数: {xml_count}") print(f"TXT 中统计的框数: {txt_count}") print(f"差异: {abs(xml_count - txt_count)}")这段脚本用 Python 标准库xml.etree.ElementTree解析 XML，对每个object节点计数；TXT 则直接按行数统计。xml_count和txt_count应该都是 2261，差异为 0。如果两边数字对不上，说明数据集在转换或复制过程中有丢标注，这种数据直接拿来训练，会莫名其妙出现 loss 不收敛或者验证集的 mAP 偏低，而且很难排查。我一般会把这个校验脚本留着，每次拿到新数据集都跑一遍，已经成为固定习惯了。
3. VOC 转 YOLO 坐标换算：核心公式与验证脚本
3.1 坐标换算的数学原理，其实就是除法
VOC 格式给的是像素绝对坐标xmin ymin xmax ymax，YOLO 格式要的是归一化的中心点坐标和宽高。转换公式不复杂，关键在于用对分母——必须是 XML<size>节点里的原始图片宽高，不能是训练时的imgsz，也不能是你肉眼看的显示尺寸。
x_center = (xmin + xmax) / 2 / width y_center = (ymin + ymax) / 2 / height w = (xmax - xmin) / width h = (ymax - ymin) / height
四个值的分母都是图片原始宽高，这样一个目标不管在图片哪个位置，x_center 和 y_center 都在 0 到 1 之间，w 和 h 也都能限制在合理范围内。需要注意边界情况：如果标注框刚好贴着图片边缘，可能会出现 x_center 等于 0 或 w 等于 1 的情况，这种情况 YOLO 训练时一般能处理，但如果你在做数据增强时做了裁剪，就要重新计算，不能沿用原坐标，很多人在这一步翻车。
3.2 写一个完整的 XML 转 YOLO 脚本并对比现有 TXT
这个数据集本身已经提供了 TXT 文件，所以写转换脚本的目的不是为了重新生成一份，而是为了验证——把 XML 转出来的结果和自带的 TXT 对比，如果数值一致，说明这份数据的双格式标注是可信的。
import xml.etree.ElementTree as ET import os def voc_to_yolo(xml_path, target_txt_path, class_names): tree = ET.parse(xml_path) root = tree.getroot() img_width = int(root.find("size/width").text) img_height = int(root.find("size/height").text) lines = [] for obj in root.iter("object"): cls_name = obj.find("name").text if cls_name not in class_names: continue cls_id = class_names.index(cls_name) bbox = obj.find("bndbox") xmin = float(bbox.find("xmin").text) ymin = float(bbox.find("ymin").text) xmax = float(bbox.find("xmax").text) ymax = float(bbox.find("ymax").text) x_center = (xmin + xmax) / 2.0 / img_width y_center = (ymin + ymax) / 2.0 / img_height w = (xmax - xmin) / img_width h = (ymax - ymin) / img_height lines.append(f"{cls_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}") with open(target_txt_path, "w") as f: f.write("\n".join(lines)) class_names = ["mouse"] xml_dir = "Annotations" txt_dir = "labels" output_dir = "converted_labels" os.makedirs(output_dir, exist_ok=True) for xml_file in os.listdir(xml_dir): if not xml_file.endswith(".xml"): continue base = xml_file.rsplit(".", 1)[0] xml_path = os.path.join(xml_dir, xml_file) target_txt_path = os.path.join(output_dir, base + ".txt") voc_to_yolo(xml_path, target_txt_path, class_names)脚本里voc_to_yolo函数接收 XML 路径、输出 TXT 路径和类别列表三个参数。类别列表class_names的顺序决定了类别索引，如果以后数据集扩展了类别，一定要保证这个顺序稳定，否则训练好的模型类别索引就乱了。坐标输出用了:.6f保留 6 位小数，对 640×480 的图来说精度完全够，不会对训练产生可感知的影响。
跑完之后，把converted_labels目录里的每个文件与原始labels目录逐行对比，允许小数点后几位有微小误差。一般如果两边差别在 1e-4 以内，说明原始 TXT 就是按标准公式从这份 XML 转换出来的，数据可信度就高了一个档次。
3.3 用 labelImg 打开原图复核，标注质量肉眼确认
脚本验证只能说明格式正确，标注框画得准不准，还得靠眼睛看。数据集描述里说用的是 labelImg 标注工具，你本地如果有环境，直接打开任意几张图，按D切换到下一张，快速浏览一遍框和鼠标边缘的贴合程度。
我一般会重点看三类图：鼠标和桌面颜色接近的图、鼠标被手遮挡的图、以及多目标场景的图。这类图最容易出现标注偏移或漏标。如果发现大量框明显偏离目标中心，说明标注质量不稳定，训练前要慎重，轻则 AP 值偏低，重则模型学会检测错误特征。这份数据集从框数分布看，2261 个框分布在 1876 张图里，平均每张约 1.2 个框，说明大部分图是单目标，少部分图有两个或三个鼠标，场景不算复杂，适合做入门训练和流程验证。
4. 训练前的预处理：数据集划分与 YOLO 配置
4.1 按 8:2 划分训练集和验证集，注意随机种子
拿到干净的数据集，下一步就是划分。train和val必须保证完全无重叠，否则验证集的 mAP 虚高，你以为模型效果很好，实际部署到新场景立刻现原形。我用的是带随机种子的划分方式，保证每次跑出来的划分结果一致，方便复现实验。
import os import random import shutil random.seed(42) jpg_dir = "images" train_dir = "train_images" val_dir = "val_images" os.makedirs(train_dir, exist_ok=True) os.makedirs(val_dir, exist_ok=True) all_jpgs = [f for f in os.listdir(jpg_dir) if f.endswith(".jpg")] all_jpgs.sort() # 先排序再 shuffle，保证可复现 random.shuffle(all_jpgs) val_ratio = 0.2 val_count = int(len(all_jpgs) * val_ratio) val_files = set(all_jpgs[:val_count]) train_files = set(all_jpgs[val_count:]) for f in train_files: base = f.rsplit(".", 1)[0] shutil.copy(os.path.join(jpg_dir, f), os.path.join(train_dir, f)) shutil.copy(os.path.join("Annotations", base + ".xml"), os.path.join("train_labels_xml", base + ".xml")) shutil.copy(os.path.join("labels", base + ".txt"), os.path.join("train_labels", base + ".txt"))划分比例val_ratio = 0.2即 80% 训练、20% 验证，1500 张左右的训练集对这个单类别小数据集来说够用。random.seed(42)这行是关键——如果不设随机种子，每次运行划分结果都不一样，训练出来的模型对比实验就没意义了。注意我这里用了shutil.copy而不是move，保留原始一份完整数据，万一划分出问题还能重新来。
如果你训练后发现 AP 异常低，先回来检查划分脚本，看看是不是验证集里混入了和训练集高度相似的图片。数据集的采集如果是连续帧截取的，相邻帧背景几乎相同，随机划分可能让训练集和验证集存在大量相似帧，导致验证结果虚高。更严谨的做法是按文件名时间戳或采集顺序分组，这个数据集文件名里带了编号，观察编号的连续性就能判断是不是按序列采集的。
4.2 写 data.yaml，类别索引必须从 0 开始
YOLO 训练需要一份data.yaml文件，告诉框架数据集路径、类别数量和类别名称。写的时候最容易踩的坑是类别数量写错，或者类别顺序和 TXT 里的索引对不上。这个数据集只有一类，索引固定为 0。
path: ./mouse_dataset # 数据集根目录，改成你自己的实际路径 train: train_images val: val_images nc: 1 names: 0: mousepath建议用相对路径，避免不同机器上绝对路径不一致导致训练时数据找不到。nc是类别数量，这里填 1 而不是 0，有人觉得类别从 0 开始计数就填 0，这是错的，nc表示类别总数，names 下的索引才是从 0 开始。如果你想快速验证流程而不是追求最终精度，可以把train和val暂时指向同一个目录，先跑通训练再改成正式划分。
4.3 以 YOLOv8 为例的训练参数怎么设
YOLO 框架出了很多版本，从 v5 到 v8 再到 v11，训练接口大同小异。我习惯用 YOLOv8 举例，因为它对自定义数据集的支持最省事，pip install ultralytics装好后，一条命令就能开训。核心参数如下：
yolo detect train data=data.yaml model=yolov8s.pt epochs=200 imgsz=640 batch=16 lr0=0.01 patience=30参数含义逐一说一下。data指向刚才写的data.yaml；model有两个含义——如果给的是yolov8s.pt预训练权重，就是迁移学习，在小数据集上收敛快很多；如果给yolov8s.yaml，就是从头训练，一般新手不建议，收敛慢且需要更大数据量。imgsz=640是训练时的输入分辨率，这份数据集的图片如果小于 640，框架会自动缩放补边，不用手动改。epochs=200对 1500 张图偏多，配合patience=30连续 30 轮验证集指标不提升就自动停，不会浪费时间。batch=16是批量大小，显存不够就降到 8 或 4，代价是训练时间变长。
单类别数据集训练还有个需要注意的地方——类别极度不平衡的问题在这里不存在，但如果鼠标在所有图中都出现在相似位置，比如都在屏幕中央，模型可能学到位置偏置而不是真正的目标特征。这个数据集我没有看到明显的位置集中问题，但你可以自己统计一下所有框的中心点分布，如果集中在某个区域，训练时需要想数据增强策略来打散。
5. 避坑指南：这份鼠标数据集最容易踩的五个坑
5.1 现象：训练时报错找不到图片或标注文件
原因：路径配置不对。最常见的是data.yaml里的path用了绝对路径，换机器或移动目录后路径失效。或者是图片文件名编码问题，Windows 下解压的压缩包到 Linux 下中文乱码。
解决：data.yaml全部用相对路径，并在启动训练前先跑一遍文件核对脚本，确认train_images目录下 JPG 数量和train_labels目录下 TXT 数量一致。我每次换机器训练都会重新走一遍os.listdir统计，不直接信上一次的路径配置。
5.2 现象：训练能跑但 loss 一直不降，验证集 AP 接近 0
原因：XML 里的<filename>跟实际图片文件名不一致，YOLO 按文件名匹配标注和图片，匹配不上就直接当背景图处理。或者 XML 里存在<object>但坐标明显超出图片边界，比如 xmax 大于 width，归一化后出现大于 1 的值。
解决：写一个过滤脚本，读取每张图的原始尺寸，检查所有 bbox 是否满足0 <= xmin < xmax <= width的条件，发现越界直接打印文件名和坐标值。这个数据集我抽查过，没有发现越界情况，但你手里的副本经过多次解压拷贝，最好自己再查一遍。
5.3 现象：训练完在自己的测试图片上检测不到鼠标
原因：验证集 mAP 高但实际检测差，大概率是数据划分泄漏——训练集和验证集包含从同一段视频连续截取的帧，背景几乎相同，模型学到的可能是背景模式而非鼠标本身。另一种可能是鼠标形态单一，比如全是黑色无线鼠标，测试图是白色有线鼠标，类别内差异太大。
解决：按文件名编号间隔划分数据集，比如编号奇数的做训练、偶数的做验证，这样来自同一场景的连续帧更大可能被分到同一侧。如果测试场景和训练集差异确实大，需要补充数据或做颜色、背景的随机增强，没有捷径。
5.4 现象：labelImg 打开图片后框的位置明显偏移
原因：图片包含 EXIF 旋转信息，部分读图库默认自动旋转，labelImg 显示的是旋转后的图，但标注坐标基于原图坐标，导致框错位。
解决：训练前先把所有图片用工具统一转正并清除 EXIF 信息。Python 里用 Pillow 的ImageOps.exif_transpose处理一遍再覆盖保存，这个操作会改变图片像素排列，所以处理完必须重新检查标注坐标是否仍然对应。
5.5 现象：跑 VOC 转 YOLO 脚本时发现 TXT 和 XML 框数对不上
原因：部分 TXT 文件是空的，或者同一张图在 XML 里有标注但 TXT 里漏了转换。空 TXT 会让 DataLoader 报错，漏转换会让模型少学一部分样本。
解决：用第 2 章的数量核对脚本跑一遍，把两边框数差异的文件名打印出来，逐一补齐或移除。记住一个原则——数据集描述里的总框数 2261 是参考值，不是标准答案，以你自己统计的结果为准。如果统计结果和描述一致，这份数据集的可信度就高；如果差很多，就要考虑换数据了。这就是我说的黑匣子问题，你不自己在前面把关，后面训练翻车了都不知道该怪谁。
6. 进阶技巧：用置信度门限扫描给训练后的模型做体检
训练完成后，很多人只看 mAP50 和 mAP50-95 两个指标就觉得完事了。但这组指标只能告诉你整体表现，不能告诉你误检和漏检的分布。我自己有个习惯：在验证集上做一次置信度门限扫描，把预测结果的置信度门限从 0.1 调到 0.9，记录每个门限下的精确率和召回率变化。
from ultralytics import YOLO model = YOLO("runs/detect/train/weights/best.pt") results = model.val(data="data.yaml", conf=0.1, iou=0.5) for conf_thresh in [0.1, 0.25, 0.5, 0.7, 0.9]: results = model.val(data="data.yaml", conf=conf_thresh, iou=0.5) print(f"conf={conf_thresh} precision={results.box.mp:.4f} recall={results.box.mr:.4f}")conf是置信度门限，低于这个值的预测框全部丢弃；iou是 NMS 的 IoU 阈值，一般保持 0.5 不变。跑完你会发现，门限从 0.1 升到 0.5 时，精确率上升、召回率下降，这是正常预期。你需要找的是两者交叉点附近的门限，那个值对应着精确率和召回率最平衡的配置，实际部署时用它比用默认的 0.25 更稳。
如果扫描结果显示，即使门限降到 0.1 召回率也只有 60%，说明模型存在大量漏检，这通常和前面说的数据划分泄漏或样本多样性不足有关，继续调参意义不大，回头处理数据更有效。从那次之后，我养成了一个习惯：任何数据集训练完，先跑一遍置信度门限扫描，再决定要不要调超参。这个习惯帮我躲过了好几次「验证集 mAP 好看、实际一测就拉胯」的陷阱。希望这份鼠标数据集和这套流程也能帮你少走些弯路。
本文还有配套的精品资源，点击获取
