苹果缺陷检测YOLO数据集：1000张图搞定VOC/COCO/YOLO训练

简介：面向目标检测学习者和农产品质检开发者，这套YOLO苹果缺陷目标检测数据集包含1000张真实场景苹果图像，覆盖不同光照、角度与果面状态，使用LabelImg标注且框体质量高，可直接用于YOLO系列缺陷识别模型训练，节省数据准备时间。压缩包共2000个文件、约14.2MB，主要包含xml和txt两类标签文件，以及yaml配置、py划分脚本、html环境搭建与训练教程；VOC、COCO、YOLO三种格式标签目录已预设，结构清晰，便于接入常见检测框架。目前已有869人学习下载，适合课堂实训、课程设计或缺陷检测预研。随包附赠Linux和Windows双版本YOLO环境搭建及训练案例教程，并提供训练集、验证集、测试集划分脚本，可自行划分图片与标签，快速完成从环境配置、数据预处理到模型训练的全流程。

1. 苹果缺陷检测为什么值得用YOLO数据集起步：1000张图能撑起一条分拣原型线

做过农业视觉的人都有体会：从采摘到打包，苹果表面的碰伤、腐烂、果锈全靠人工眼挑，一天下来眼睛又酸又累，漏检率还不低。把YOLO目标检测模型接到分拣线上，用摄像头实时框出缺陷位置，是中小型果厂最想落地的一步。但这类项目最缺的不是模型，是带标注的数据。这个数据包把1000张苹果缺陷图片一次性配齐了VOC、COCO和YOLO三种标签格式，还附了划分脚本和训练教程，拿到的第一反应是：终于不用自己从零画框了。适合刚接触目标检测的工程师、农业方向的开发者，以及想用最小成本验证"苹果缺陷到底能不能用视觉分拣"的人。下面我按拿到这个rar包后的实际处理顺序，把格式转换、脚本使用和训练参数全部拆开讲。

2. 数据集先验检查：1000张苹果缺陷图，先看清格式差异和标注细节

2.1 苹果缺陷检测的难点：为什么不能拿通用检测模型直接硬套

苹果缺陷检测在目标检测任务里属于"看着简单、做起来磨人"的类型。核心难点有三个：第一，缺陷与正常果皮之间是渐变的，碰伤初期只是颜色微微发暗，边缘没有明显轮廓，标注时不同的人框出来的边界可能差出十几个像素，这直接变成训练噪声。第二，苹果是高光物体，分拣线上的光源稍不均匀，高光区就会把浅层纹理整片吃掉，模型很容易把高光当成缺陷或者漏掉被高光遮挡的真缺陷。第三，缺陷形态高度不规则，腐烂斑块可能连成一片也可能碎成几块，标注规范稍微不统一，模型学到的东西就飘。

这三个难点决定了这个项目里"数据质量"的优先级高于"模型结构"。拿到数据集后不要急着训练，先做一次彻底的标注可视化检查。我一般会抽20张左右，把标注框直接画在图上，逐张看框是否贴合缺陷边界、有没有漏框、有没有把两个缺陷框成一个。这种检查在开始阶段花掉半小时，能帮后续训练省下好几轮debug时间。

2.2 VOC、COCO、YOLO三种标签格式到底差在哪

这个数据包一个比较省心的地方，是把同一批图片导出了三种主流标注格式。很多人第一次接触会误以为只是文件后缀不同，实际上三者的坐标体系、存储方式和适用生态完全不同。我整理了一张对比表：

VOC格式的好处是xml里除了框坐标还有图片尺寸、物体名称等结构化信息，人工可读性强，断点续标方便，适合作为"母版"长期维护。COCO格式的优势在于生态完整，官方的评估脚本、可视化工具都是围绕COCO JSON设计的，如果后续要跑mmdetection或者对比多种模型，COCO是通用语言。YOLO格式则最贴近训练本身，txt一行一个目标，训练时几乎零解析开销，但它有一个隐患：如果脱离目录结构和类别清单，单看一个txt文件完全看不出框画得对不对。

目标检测常用标注工具里，我最常用的组合是LabelImg标VOC做母版，再写脚本转YOLO和COCO。LabelStudio功能更全，能直接导出COCO格式，但在标注框的微调手感上不如LabelImg顺手。无论用什么工具，都建议保留一份VOC母版，后面改类别、查错、补充标注都用它。

2.3 1000张图片能做什么、不能做什么

先说实话：1000张图对于目标检测来说属于小数据集边界。单类缺陷算下来每类也就几百张，能支撑起一条原型验证线，但直接拿去部署到不同光照、不同品种的苹果分拣现场，很容易翻车。不过这个数据包的思路是"把base线先跑起来"：1000张作为底座，配合预训练权重和强的数据增强，室内稳定光照下得到可用的mAP50成绩是完全可以的；生产部署前再补采现场数据迭代到2000到3000张就稳了。

另外一个不能忽视的细节是类别设计。苹果缺陷检测里，正常苹果通常不需要单独成类，模型只需要框出"哪里有毛病"，没有框的区域就是正常。常见标注规范是缺陷类别分为碰伤、腐烂、果锈疤痕三类，正常果不画框，作为背景存在。这样做的好处是类别少、样本集中，模型把精力放在缺陷特征上，不用额外学习"什么是苹果"。

3. 把VOC标签转换成YOLO和COCO：转换脚本与划分逻辑

3.1 数据集的目录规划与划分脚本（train/val/test）

无论数据包里原来是什么结构，我拿到手第一件事是重新组织目录，统一成pytorch和ultralytics都认的标准结构。图片和YOLO标签放在同名目录下，train、val、test三个子集分别放好。这样的好处是后期换模型框架时不用再动目录。

划分训练集、验证集、测试集看似简单，实际有个容易踩的坑：很多人直接按文件顺序切前80%当train，后20%当val，结果是同一批次采集的图片大概率都堆在一起，验证集和训练集光照风格相似，mAP虚高。正确做法是先随机洗牌再按比例切分，并且固定随机种子让每次划分结果一致。下面这段脚本可以直接拿去用：

import os import glob import random import shutil SRC_IMAGES = "images" # 原图目录 SRC_LABELS = "labels" # YOLO格式txt目录 DST = "apple_defect" # 输出根目录 TRAIN, VAL = 0.8, 0.15 # test 取剩余 0.05 SEED = 42 # 固定种子才能复现划分结果 # 兼容 jpg/png，避免后缀写死导致漏图 imgs = glob.glob(os.path.join(SRC_IMAGES, "*.jpg")) + \ glob.glob(os.path.join(SRC_IMAGES, "*.png")) names = [os.path.splitext(os.path.basename(p))[0] for p in imgs] random.seed(SEED) random.shuffle(names) # 先洗牌，再按比例切分 n_train = int(len(names) * TRAIN) n_val = int(len(names) * VAL) splits = { "train": names[:n_train], "val": names[n_train:n_train + n_val], "test": names[n_train + n_val:], } for split, subset in splits.items(): img_dir = os.path.join(DST, "images", split) lbl_dir = os.path.join(DST, "labels", split) os.makedirs(img_dir, exist_ok=True) os.makedirs(lbl_dir, exist_ok=True) for name in subset: # 用 glob 匹配实际后缀，避免源文件里 jpg/png 混用时报错 src_img = glob.glob(os.path.join(SRC_IMAGES, name + ".*"))[0] src_lbl = os.path.join(SRC_LABELS, name + ".txt") shutil.copy(src_img, img_dir) shutil.copy(src_lbl, lbl_dir) print(f"train={n_train} val={n_val} test={len(names) - n_train - n_val}")

这段脚本有两个参数需要按实际情况调：TRAIN和VAL的比例。1000张小数据集我建议给test留5%到10%，50到100张图片足够评估最终模型了，留多了训练样本更紧张。SEED建议固定下来，后面每次重新划分都从同一个初始状态出发，模型训练的可复现性才有保证。

3.2 VOC转YOLO：归一化坐标转换脚本

数据包里如果给的是VOC母版xml，转了YOLO格式才能直接喂给YOLO训练。转换的核心逻辑是：从xml里读出目标的绝对像素坐标，再分别除以图片宽高做归一化。注意YOLO要求的不是左上角和右下角坐标，而是中心点x、中心点y、框宽、框高，四个值都归一化到0到1区间。

import os import glob import xml.etree.ElementTree as ET # 类别名与索引的映射，顺序必须和训练时的data.yaml保持一致 CLASS_MAP = {"bruise": 0, "rot": 1, "scar": 2} def voc_to_yolo(xml_file, out_dir): tree = ET.parse(xml_file) root = tree.getroot() size = root.find("size") img_w = int(size.find("width").text) img_h = int(size.find("height").text) txt_path = os.path.join( out_dir, os.path.basename(xml_file).replace(".xml", ".txt") ) lines = [] for obj in root.iter("object"): name = obj.find("name").text if name not in CLASS_MAP: print(f"跳过未定义类别: {name}") # 防止类别索引越界 continue bndbox = obj.find("bndbox") xmin = float(bndbox.find("xmin").text) ymin = float(bndbox.find("ymin").text) xmax = float(bndbox.find("xmax").text) ymax = float(bndbox.find("ymax").text) # 左上角+右下角 -> 中心点+宽高 -> 归一化 x_center = (xmin + xmax) / 2.0 / img_w y_center = (ymin + ymax) / 2.0 / img_h width = (xmax - xmin) / img_w height = (ymax - ymin) / img_h lines.append( f"{CLASS_MAP[name]} {x_center:.6f} {y_center:.6f} {width:.6f} {height:.6f}" ) with open(txt_path, "w") as f: f.write("\n".join(lines)) # 批量转换 for xml_file in glob.glob("voc_xmls/*.xml"): voc_to_yolo(xml_file, "yolo_labels")

为什么YOLO用中心点加宽高而不是左上右下？因为YOLO的检测头输出就是预测目标中心点相对于网格的偏移量，加上宽高相对于先验框的缩放系数，标注格式直接对齐输出头，训练时就少一步坐标变换，误差也更小。转换完成后务必抽查几个txt文件，看看归一化数值是否都在0到1内——如果出现1.05或者-0.01这种值，通常是标注框越界或者图片尺寸读错了。

3.3 把VOC汇总成单个COCO JSON文件

COCO格式的特点是把整个数据集的标注塞进一个JSON文件，用annotations数组把所有目标列出来，每一条通过image_id关联到图片。bolb框用左上角x、y、宽w、高h表示，单位是像素，不需要归一化。写转换脚本时有一件事特别容易漏：area字段。COCO的mAP评估会按目标尺寸分成small、medium、large三组，area就是分组依据，不写的话评估脚本直接报错或者结果失真。

import json import glob import os import xml.etree.ElementTree as ET from PIL import Image CLASS_MAP = {"bruise": 0, "rot": 1, "scar": 2} CATEGORIES = [ {"id": 0, "name": "bruise"}, {"id": 1, "name": "rot"}, {"id": 2, "name": "scar"}, ] def voc_folder_to_coco(xml_dir, img_dir, out_json): images, annotations = [], [] ann_id = 0 for img_id, xml_file in enumerate(sorted(glob.glob(os.path.join(xml_dir, "*.xml")))): tree = ET.parse(xml_file) root = tree.getroot() img_filename = root.find("filename").text # 用PIL直接读真实尺寸，避免xml里size字段写错 width, height = Image.open(os.path.join(img_dir, img_filename)).size images.append({ "id": img_id, "file_name": img_filename, "width": width, "height": height, }) for obj in root.iter("object"): name = obj.find("name").text if name not in CLASS_MAP: continue bndbox = obj.find("bndbox") xmin = float(bndbox.find("xmin").text) ymin = float(bndbox.find("ymin").text) xmax = float(bndbox.find("xmax").text) ymax = float(bndbox.find("ymax").text) w = xmax - xmin h = ymax - ymin annotations.append({ "id": ann_id, "image_id": img_id, "category_id": CLASS_MAP[name], "bbox": [xmin, ymin, w, h], "area": w * h, # mAP按尺寸分组的依据，必须给 "iscrowd": 0, # 苹果缺陷不用群体标注，固定0 }) ann_id += 1 coco_data = { "images": images, "annotations": annotations, "categories": CATEGORIES, } with open(out_json, "w") as f: json.dump(coco_data, f) voc_folder_to_coco("voc_xmls", "images", "annotations/defect_coco.json")

如果你后续要跑mmdetection这类框架，COCO JSON里还可能需要补充license和info字段，但基础训练和评估用上面这三个字段就足够。转换完成后可用程序做一次反向校验：把COCO里的bbox还原回原图上叠加显示，确认坐标没有错位，再存为正式版本。数据包里的VOC母版保留一份，COCO和YOLO都看成派生格式，后面改类别或补充标注只改VOC母版，然后重新跑转换脚本。

4. 用YOLOv8把苹果缺陷数据集跑成可用的检测模型

4.1 组织data.yaml并对齐路径

ultralytics的YOLOv8训练自己的数据集时，只需要一个yaml文件告诉它数据在哪、有几类、叫什么名字。这个文件是全部配置的入口，路径写错后面全白搭。我一般把路径写成绝对路径，避免相对路径在不同工作目录下解析出问题。

# 数据集根目录，改成你自己的绝对路径 path: /data/apple_defect train: images/train val: images/val test: images/test # 类别数必须和VOC转YOLO时的CLASS_MAP一致 nc: 3 names: 0: bruise 1: rot 2: scar

这里有个非常隐蔽的坑：data.yaml里的类别顺序必须和训练标签txt里的数字索引严格对应。如果VOC转YOLO时CLASS_MAP写的bruise=0、rot=1、scar=2，而data.yaml里names顺序写成了rot、bruise、scar，模型不会报错，但会把碰伤当成腐烂来学，训练过程一切正常，验证结果却一塌糊涂。我见过不止一个人在这种地方耗掉一整天，最后拿同一张图人工对比才发现的。建议转换脚本和data.yaml的类别清单维护在同一个源里，避免各写各的。

4.2 训练命令与关键参数：epochs、imgsz、batch、预训练权重

目录和yaml准备好之后，训练本身其实就一条命令。这里最关键的决策是下载预训练权重，而不是从随机初始化开始训。YOLOv8的预训练权重在官方release里可以下载，yolov8n.pt是在COCO上预训练过的权重，对苹果缺陷这种小数据集能起到非常大的迁移学习作用。为什么有效？COCO里有大量物体边缘、纹理、颜色特征，这些底层特征在苹果缺陷上同样适用，模型只需要在预训练基础上微调高层语义，几百张图就能收敛得不错；从零开始训的话1000张图远远不够。

yolo detect train \ data=/data/apple_defect/data.yaml \ model=yolov8n.pt \ epochs=100 \ imgsz=640 \ batch=16 \ patience=15 \ seed=42 \ project=runs/apple_defect \ name=defect_v0

参数选择上，我按实际踩过的经验逐条说。epochs给100，对于小数据集不是必须跑满，因为patience=15意味着验证集mAP连续15轮不涨就自动停。imgsz我推荐640，苹果缺陷属于中小目标，碰伤斑块往往只有几十个像素，用320的话这些细节直接被下采样吃掉，模型根本没机会学到缺陷纹理；显存够的话甚至可以上768。batch的底线是16，后面避坑章会细说batch太小对BN层的危害。seed固定42，保证每次训练结果可复现，调参时才能公平对比。

YOLOv8还提供n、s、m、l、x五档模型规模，数据只有1000张时用yolov8n或者yolov8s就够了。用m以上的模型在小数据集上几乎必定过拟合，训练时间翻倍，mAP反而更低。分拣线部署还得考虑推理速度，n模型在CPU上也能跑到接近实时的水平，性价比最高。

4.3 训练输出怎么看：从train_loss到混淆矩阵，哪些指标真要盯

训练过程中屏幕上会滚动打印一堆指标，新手很容易被刷屏搞蒙。其实核心就四个数：box_loss、cls_loss、dfl_loss和验证集的mAP50。前三个是损失值，正常趋势是整体下降然后变平；mAP50是当IoU阈值取0.5时的平均精度均值，对苹果缺陷检测来说这个值比mAP50-95更能反映工业场景的真实体验，因为分拣线只要大致框出缺陷位置，不需要像素级精准。

训练结束后runs/apple_defect/defect_v0目录下会生成weights/best.pt和weights/last.pt，以及一堆曲线图。我重点看的是confusion_matrix.png和PR_curve.png。混淆矩阵的行是真实类别，列是预测类别，从对角线能一眼看出哪类缺陷最容易混淆。苹果缺陷项目里最常见的现象是碰伤和正常背景之间误检多——因为碰伤早期颜色接近正常果皮，模型会把暗色高光当成碰伤。如果PR曲线上各类别的曲线都比较靠近右上角，说明模型状态健康；如果某类曲线离右下角近，说明这类样本确实难，需要补数据而不是继续调参。

5. 苹果缺陷数据集训练的五个常见翻车现场与排查

5.1 现象：训练日志一闪而过"No labels found"或验证全0

训练一启动就提示找不到标签文件，或者整个训练过程mAP一直是0。原因九成是目录结构对不上：ultralytics在yaml里同时给了path、train、val，它会把这三个路径拼接成"absolute path + train images路径"去找图片，标签则默认找同级labels目录。如果划分脚本把图片放到了images/train，标签却放到了labels/train之外的杂目录，就会匹配不上。解决方法是打开训练生成的一个验证图，看标签是否真的叠加在图片上；再对目录树做一次文件数统计：

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

正常情况两者数量应该几乎相等。对不上就回到划分脚本，检查labels目录的命名和层级是否与images完全镜像。另外一个不易察觉的原因：txt文件名里有多余的空格或者中文，ultralytics对文件名空格容忍度低，建议统一转成英文短名。

5.2 现象：训练从第一个epoch起loss就是nan

这个现象几乎是新手必踩。原因一般是两类：一类是标注数据有问题，比如某个目标的xmax比xmin还小，或者归一化后的中心点坐标落在0到1区间之外，这些异常值让损失函数算出来的梯度直接爆炸；另一类是类别索引越界，txt里写了class=5但data.yaml里nc=3，模型取类别权重时越界产生非法值。解决分两步。第一步写个脚本扫所有txt，把每行5个数都做合法性检查，过滤掉越界和非法行。第二步在data.yaml里把nc改小，重新启动训练。下面这个检查脚本是我每次训练前的固定动作：

import glob bad_files = [] for txt in glob.glob("apple_defect/labels/**/*.txt", recursive=True): for line in open(txt): parts = line.strip().split() if len(parts) != 5: bad_files.append((txt, "字段数不为5")) else: cls, x, y, w, h = map(float, parts) if not (0 <= x <= 1 and 0 <= y <= 1 and 0 <= w <= 1 and 0 <= h <= 1): bad_files.append((txt, "归一化越界")) if cls < 0 or cls >= 3: bad_files.append((txt, "类别索引越界")) for f, reason in bad_files: print(f, reason)

5.3 现象：loss下降缓慢，训练集mAP高、验证集掉得厉害

1000张小数据集最常见的过拟合信号：训练到几十轮时train损失降得很低，但val的mAP却停滞甚至回跌。说白了就是模型把训练图背下来了，光照、角度稍微一变就认不出。解决思路有两条路。第一条是加大数据增强，这是小数据集最便宜有效的"扩容"方式；对苹果这个圆形物体，水平翻转是安全的，色调偏移要克制，因为分拣线总不能让模型把偏红的苹果当腐烂。第二条是缩小模型，从yolov8s退回yolov8n，减少模型容量，让它没有那么多参数去记住训练集。我通常把两条路一起走：增强拉到一个中等强度，模型直接用n档。

5.4 现象：训练中BN层疯狂抖动，loss曲线像锯齿一样

用小batch训练时，loss曲线可能在几轮之间来回跳，验证指标也忽高忽低，这是目标检测里典型的BN崩溃。原因在于BatchNorm层的统计量依赖当前batch的均值和方差，batch太小时估计出的统计量噪声大，训练不稳定。苹果缺陷数据集的图片分辨率高，一张640的图塞进显卡就会吃掉大量显存，很多人为了塞进模型拼命降batch，结果降到4以下BN就开始摆烂。解决方法是保持batch不低于16，在不超过batch上限的前提下用梯度累积模拟更大的batch：

yolo detect train \ model=yolov8n.pt \ data=apple_defect/data.yaml \ batch=8 \ # ultralytics暂未直接暴露累积参数，用大batch优先

如果显存实在不够，两个备选方案：一是把imgsz从640降到512，减少显存占用保住batch；二是冻结部分网络参数，只微调最后几层，也能缓解BN的不稳定。注意不要一上来就怀疑数据，先看batch再谈其他。

5.5 现象：两次训练结果差异巨大，不确定哪次可信

这是个很隐蔽但会让人抓狂的问题。苹果缺陷模型严谨复现时，两次完全相同的训练命令，mAP却差了4到5个百分点。原因是没有固定随机种子，数据加载顺序、增强的随机变化、模型权重初始化都会引入噪声。而划分脚本如果每次运行都重新生成随机序列，train/val的图片分配也全变了，两次结果没有可比性。解决就是在训练命令里加seed=42，同时划分脚本里固定random.seed(SEED)。我用了一个习惯：每次训练前把当前代码、划分脚本、data.yaml一起拷贝到一个以时间为名的目录里，这样半年后回来看还能完整复现当时的实验。这个习惯在调参过程中救过我很多次。

6. 验证与落地进阶：PR曲线、混淆矩阵和一条能持续迭代的数据闭环

训练完成后，第一步是先用验证集跑一遍正式评估，拿到精确率、召回率和PR曲线。用data.yaml里划分好的test子集评估，得到的是没有参与训练和验证的独立样本表现，这才代表模型在"没见过的新苹果"上的真实水平：

yolo detect val \ model=runs/apple_defect/defect_v0/weights/best.pt \ data=/data/apple_defect/data.yaml \ split=test \ plots=True

生成的混淆矩阵图有一个细节必须注意：很多人看到矩阵里各行的和不是100%，以为模型出了问题，其实ultralytics的混淆矩阵是逐行归一化的，每行代表"该真实类别的样本被分到了每个预测类别的比例"，行和为1，整张表相加不等于1是正常现象。看这个矩阵时，重点盯两条对角线之外的误检模式：碰伤被识别成腐烂的比例高不高？疤痕是否频繁漏检？这对下一步数据采集的方向很有指导意义。

如果想要部署到分拣线，模型导出成ONNX或者TensorRT是关键一步。YOLOv8的导出方式很简单：

yolo export model=best.pt format=onnx imgsz=640

导出后用onnxruntime做推理，在工业电脑上跑CPU速度通常能达到每帧30到50毫秒，基本满足皮带滚动下的实时检测需求。不过我多说一句：室内验证效果好不代表现场效果好，分拣线光照、苹果品种、输送带运动模糊都会引入新的分布偏移。

所以我给自己定的数据迭代路径是：已标注的1000张作为种子数据，模型跑起来后，把它部署到现场采集"模型不确定"的样本——置信度在0.4到0.7之间那种模棱两可的帧——隔天人工标注一轮，每周积累几百张新图重新训练。这样走完三四轮后，模型对真实环境的适应性会有一个质的飞跃。这个低成本数据飞轮的起点，就是先把这套YOLO苹果缺陷检测流程完整跑通，拿到第一条可信的基线。希望帮到你。

本文还有配套的精品资源，点击获取