简介：本资源为面向YOLO系列目标检测算法的烟盒识别数据集，适合从事目标检测学习、模型训练与验证的开发者及研究者使用，可解决烟盒类目标识别任务中数据准备繁琐的问题。压缩包共2000个文件，约192.79MB，包含1545个xml标注文件与455个txt标注文件，分别对应VOC格式与YOLO格式，便于不同框架直接读取。数据集已划分完毕，并附带data.yaml配置文件，兼容yolov5、yolov7、yolov8、yolov9、yolov10及yolo11等主流版本，标注采用类别索引与归一化中心点、宽高比例，规范统一。目前已有176人学习下载，读者可直接用于训练、验证与测试，省去格式转换与划分步骤，快速搭建烟盒检测基线模型，并在此基础上开展调参与优化实验。
1. 烟盒数据集与 YOLO 落地：1934 张图像带标签到底能训出什么
拿到「yolo算法-烟盒数据集-1934张图像带标签.zip」这个标题，多数人第一反应是解压、改 data.yaml、开训。但真正决定成败的不是模型选型，而是这 1934 张图像背后的分布：烟盒在货架、柜台、手持、俯拍等场景下的尺度跨度、遮挡比例、类别定义是否统一。烟盒检测属于典型的小目标 + 密集堆叠场景，一包烟在 1080P 画面里可能只占 40×60 像素，且同类包装颜色高度相似，模型很容易把「中华」和「利群」混为一类。这个数据集适合做零售陈列稽核、烟草专卖巡检、自动结算台的商品识别原型，也适合作为 YOLO 微调练手数据。但 1934 张的体量决定了它只能支撑单类别或少量类别的检测任务，想直接训出几十个品牌细分类，样本量是不够的。下面按「先看清数据、再跑通基线、最后调优避坑」的顺序拆开讲。
2. 拆开压缩包先做什么：烟盒数据集的标注格式与分布核查
2.1 判断标签是 YOLO txt 还是 VOC xml
解压后第一件事不是训练，是确认标签格式。YOLO 系列要求每张图对应一个同名 .txt，每行class_id cx cy w h，坐标全部归一化到 0~1。如果压缩包里是 xml，说明是 VOC 格式，需要转换。用下面这段脚本快速统计：
import os, glob from collections import Counter img_dir = "images" lbl_dir = "labels" imgs = glob.glob(os.path.join(img_dir, "*")) lbls = glob.glob(os.path.join(lbl_dir, "*.txt")) print("图像数:", len(imgs), "标签数:", len(lbls)) cls_counter = Counter() bad_lines = 0 for f in lbls: with open(f) as fp: for line in fp: parts = line.strip().split() if len(parts) != 5: bad_lines += 1 continue cls_counter[int(parts[0])] += 1 # 检查归一化坐标是否越界 vals = list(map(float, parts[1:])) if any(v < 0 or v > 1 for v in vals): bad_lines += 1 print("类别分布:", cls_counter) print("异常行数:", bad_lines)逻辑说明：先比对图像与标签数量是否一一对应，缺失标签的图会在训练时被跳过或报错。cls_counter反映类别是否均衡，如果某一类占比超过 80%，说明数据偏斜，需要过采样或加权。坐标越界检查能提前发现标注工具导出的脏数据，这类脏样本在训练中会产生巨大 loss 波动。参数上，class_id从 0 开始，若你的 data.yaml 里 nc 写错，训练不会报错但类别全乱。
2.2 用可视化抽查 20 张图确认框贴合度
统计只能看数量，框画得准不准必须肉眼验。写一个把 YOLO txt 画回图上的脚本，随机抽 20 张：
import cv2, random, glob, os def draw_yolo(img_path, lbl_path): img = cv2.imread(img_path) h, w = img.shape[:2] with open(lbl_path) as f: for line in f: c, cx, cy, bw, bh = map(float, line.split()) 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) return img samples = random.sample(glob.glob("images/*"), 20) for p in samples: name = os.path.splitext(os.path.basename(p))[0] lp = f"labels/{name}.txt" if os.path.exists(lp): cv2.imwrite(f"vis_{name}.jpg", draw_yolo(p, lp))逻辑说明：归一化坐标乘回宽高得到像素框，画出来直接看框是否包住烟盒、有没有漏标。常见问题是框只标了正面没标侧面，或者整条烟和单包烟混标成同一类。参数上注意 cv2 读图是 BGR，不影响框位置。抽查发现超过 5% 的图有明显漏标，就要考虑重新标注或清洗，否则模型学到的就是「有时该检有时不该检」的玄学行为。
2.3 划分训练集与验证集的比例选择
1934 张的体量，建议按 8:1:1 划分 train/val/test，即约 1547/193/194。不要用随机划分，因为同一场景连拍的图如果同时进训练和验证，验证指标会虚高。更稳的做法是按场景或拍摄批次分组划分。下面用 sklearn 做一次分层抽样：
import glob, os, shutil, random from sklearn.model_selection import train_test_split files = [os.path.splitext(os.path.basename(p))[0] for p in glob.glob("images/*")] random.seed(42) train, temp = train_test_split(files, test_size=0.2, random_state=42) val, test = train_test_split(temp, test_size=0.5, random_state=42) for split, names in [("train", train), ("val", val), ("test", test)]: os.makedirs(f"dataset/{split}/images", exist_ok=True) os.makedirs(f"dataset/{split}/labels", exist_ok=True) for n in names: shutil.copy(f"images/{n}.jpg", f"dataset/{split}/images/{n}.jpg") shutil.copy(f"labels/{n}.txt", f"dataset/{split}/labels/{n}.txt") print(len(train), len(val), len(test))逻辑说明：固定随机种子保证可复现，两级 split 得到 8:1:1。参数test_size=0.2先切出 20% 作为临时集，再对半分成 val 和 test。如果数据集本身有类别字段，把stratify加上能保证各类比例一致。划分完检查三个目录的图像数之和是否等于 1934，少一张都说明有文件命名不匹配。
3. 用 YOLOv8 跑通烟盒检测基线：环境、配置与首轮训练
3.1 环境搭建与依赖版本锁定
YOLOv8 通过 ultralytics 包安装，Python 建议 3.9~3.11。CUDA 版本要和显卡驱动匹配，否则会退回 CPU 训练，1934 张在 CPU 上跑 100 epoch 可能要一整天。安装命令：
conda create -n smoke python=3.10 -y conda activate smoke pip install ultralytics==8.2.0 pip install torch==2.1.0 torchvision==0.16.0 --index-url https://download.pytorch.org/whl/cu118 python -c "import torch; print(torch.cuda.is_available())"逻辑说明：先装 ultralytics 再指定 torch 版本，避免依赖冲突。最后一行必须输出 True，输出 False 说明 CUDA 不可用，要检查驱动和 torch 的 cu 版本是否对应。参数上 cu118 对应 CUDA 11.8，如果你的驱动较新可以换 cu121。这一步翻车的典型现象是训练日志里 device 显示 cpu，速度慢十倍。
3.2 写对 data.yaml 的四个字段
data.yaml 是训练入口，字段写错直接报错或静默出错：
path: /home/user/smoke/dataset train: train/images val: val/images test: test/images nc: 1 names: ['cigarette_pack']逻辑说明：path是根目录，train/val/test是相对路径，不要写绝对路径混用。nc是类别数，烟盒单类就写 1，写多了模型会分配多余输出通道导致 mAP 异常。names顺序必须和标签里的 class_id 对应，id 0 对应列表第一个。常见错误是 nc 写 2 但标签只有 0，训练不报错但第二类永远检不出。
3.3 首轮训练命令与关键超参
基线训练不要一上来就调参，先用默认配置跑通：
yolo detect train \ data=data.yaml \ model=yolov8n.pt \ epochs=100 \ imgsz=640 \ batch=16 \ lr0=0.01 \ patience=20 \ device=0 \ project=runs/smoke \ name=baseline逻辑说明：yolov8n.pt是最小的预训练权重，1934 张数据量下 n 或 s 足够，用 l 或 x 容易过拟合。imgsz=640是默认输入尺寸，烟盒偏小可以后续提到 960。batch=16按显存调，8G 显存跑 640 大概能到 16。patience=20表示 20 轮无提升就早停，省时间。lr0=0.01是初始学习率，微调场景可以降到 0.001。训练日志重点看 box_loss 是否稳定下降、mAP50 是否在 50 轮后还在涨。
3.4 看结果：mAP、混淆矩阵与 PR 曲线怎么读
训练完在 runs/smoke/baseline 下会生成 results.png、confusion_matrix.png、PR_curve.png。mAP50 到 0.85 以上算可用，mAP50-95 到 0.6 以上算不错。混淆矩阵看的是有没有把背景误检成烟盒（假阳性），烟盒场景里货架纹理、价签容易被误检。PR 曲线看的是不同置信度下的召回和精确率权衡，如果曲线在中段塌陷，说明模型对某些尺度或遮挡样本学得不好。这些图不是装饰，是判断要不要继续调参的依据。
4. 烟盒检测的调优与避坑：小目标、密集堆叠与类别混淆
4.1 小目标检测：提升输入分辨率与锚框适配
烟盒在整图里占比小，640 输入下可能只有 30 像素宽。两个手段：一是把 imgsz 提到 960 或 1280，二是用更密集的特征层。YOLOv8 默认 P3 层 stride 8，对小目标已经比较友好，但 960 输入能显著提升召回：
yolo detect train data=data.yaml model=yolov8s.pt epochs=150 imgsz=960 batch=8 lr0=0.005 device=0逻辑说明：分辨率翻倍，显存占用约翻四倍，batch 要相应降到 8。模型从 n 换到 s 增加容量，配合更高分辨率能更好拟合小目标。参数lr0降到 0.005 是因为输入变大后梯度尺度变化，学习率太高容易震荡。代价是训练时间增加约 2~3 倍，但小目标 mAP 通常能涨 5~10 个点。
4.2 密集堆叠场景下的 NMS 与置信度阈值
货架上烟盒紧挨着，NMS 的 IoU 阈值设太高会把相邻的框合并，设太低会保留重复框。默认 NMS IoU 是 0.7，密集场景建议降到 0.5~0.6。推理时置信度阈值默认 0.25，误检多就提到 0.4，漏检多就降到 0.15。这两个参数在推理命令里调：
yolo detect predict model=runs/smoke/baseline/weights/best.pt source=test_images imgsz=960 conf=0.35 iou=0.55 save=True逻辑说明：conf控制输出框的最低置信度，iou控制 NMS 合并阈值。密集场景先固定 conf=0.35 看效果，再微调 iou。如果发现同一包烟出两个框，降 iou；如果相邻两包只出一个框，升 iou。这两个参数没有万能值，必须拿验证集的实际画面调。
4.3 数据增强：Mosaic、MixUp 在烟盒场景的取舍
YOLOv8 默认开启 Mosaic，把四张图拼成一张，对小目标和密集场景有帮助。但烟盒有固定长宽比和包装纹理，Mosaic 过度使用会让模型学到不真实的拼接边界。建议训练后期关闭 Mosaic：
# 在 data.yaml 同级建 hyp.yaml mosaic: 0.5 # 从默认 1.0 降到 0.5 mixup: 0.0 # 烟盒场景不建议开 mixup degrees: 10.0 # 旋转角度限制在 10 度内 scale: 0.5 # 缩放幅度 fliplr: 0.5 # 水平翻转 hsv_h: 0.015 # 色调抖动，模拟不同光照逻辑说明：mosaic: 0.5表示 50% 概率做拼接，保留一定增强但不过度。mixup会把两张图叠加，烟盒纹理叠加后语义混乱，关掉。degrees限制旋转，因为烟盒在货架上基本是正放或小角度倾斜，大角度旋转不符合真实分布。hsv_h模拟不同色温的灯光，零售场景常见。
4.4 类别混淆：单类还是多类，标签一致性怎么保证
如果数据集里不同品牌烟盒标成了不同类，但样本量每类只有几十张，模型会严重混淆。1934 张的体量，建议先做单类「烟盒」检测，把定位做稳，再考虑用分类模型做品牌识别。如果坚持多类，必须保证每个类至少 200 张以上，且标注时品牌边界清晰。检查标签一致性的方法是把同一类的所有框裁出来拼成一张大图，肉眼看是否混入了其他品牌。
5. 避坑与排查：烟盒数据集训练中最容易翻车的五件事
5.1 现象：训练 loss 正常下降但 mAP 一直是 0
原因：data.yaml 的names和标签 class_id 不匹配，或者 val 路径下没有标签文件。模型在学，但验证时找不到对应类别，mAP 计算为 0。解决：打印 val 目录的文件数，确认 images 和 labels 一一对应，再核对 names 列表顺序。
5.2 现象：推理时同一包烟出多个重叠框
原因：NMS 的 iou 阈值过高，或者模型对同一目标输出了多个 anchor 的正样本。解决：推理时把iou从 0.7 降到 0.5，训练时检查标签是否有重复框。如果标签里同一目标被标了两次，模型会学到重复输出。
5.3 现象：模型把货架价签、条形码误检成烟盒
原因：负样本不足，背景多样性不够。1934 张里如果全是烟盒特写，模型没见过「没有烟盒的货架」。解决：加入 10%~20% 的纯背景图（无标注），或者用难例挖掘把误检图加入训练集重新标。
5.4 现象：训练到 50 轮后 mAP 突然掉下去
原因：学习率过高导致后期震荡，或者过拟合。解决：加 cosine 学习率衰减，或者把patience调小提前停。检查训练集和验证集的 loss 曲线，如果 train loss 继续降但 val loss 上升，就是过拟合，需要加数据增强或减模型容量。
5.5 现象：GPU 显存够但训练速度极慢
原因：数据加载是瓶颈，num_workers 默认值太小，或者图像尺寸太大导致预处理耗时。解决：把workers提到 8，确认图像存在本地 SSD 而非网络盘。用nvidia-smi看 GPU 利用率，如果长期低于 50%，就是数据管道卡住了。
6. 从 1934 张到可用模型：验证策略与一个提点技巧
训练完不是看 mAP 就结束，要拿真实场景图做端到端验证。我一般会留出 50 张完全没参与训练的实拍图，覆盖不同光照、角度、遮挡，跑推理后人工数漏检和误检。如果 mAP 0.9 但实拍漏检 20%，说明验证集和真实分布有差距，得补数据。
一个提点技巧是测试时增强（TTA）：推理时对同一张图做水平翻转、多尺度缩放，把结果融合。YOLOv8 推理命令加augment=True即可开启：
yolo detect predict model=best.pt source=real_test imgsz=960 conf=0.3 iou=0.55 augment=True save=True逻辑说明：TTA 会跑多次推理再合并，速度慢 2~3 倍，但小目标和遮挡场景下召回通常能涨 2~5 个点。参数augment=True开启，适合对精度要求高、对速度不敏感的离线稽核场景。实时视频流不建议开，帧率扛不住。
另一个习惯是每次训练完把 best.pt 的推理结果和上一版做 A/B 对比，固定同一批测试图，记录漏检数和误检数，而不是只看 mAP 小数点后的变化。mAP 涨 0.01 但实拍漏检多了 3 个，这版就不能上。烟盒检测这种场景，业务方关心的是「有没有漏」，不是「平均精度多少」。我踩过最深的坑就是盯着 mAP 调了两周，上线后发现货架最底层那排烟盒因为反光全部漏检，回头补了 200 张低角度反光样本才解决。数据集的分布永远比模型结构更决定成败，1934 张够不够，取决于它覆盖了多少真实场景。希望帮到你。
本文还有配套的精品资源，点击获取
