简介：细胞活性检测是生物医学图像分析中的典型任务，本数据集围绕活细胞与死细胞的识别标注而构建，共含1298张jpg图像，以矩形框形式标注Dead与Live两个类别，总框数31332个，适合用于目标检测与细胞状态分类等视觉模型的训练。数据集同时提供Pascal VOC格式xml标注和YOLO格式txt标注，便于在不同深度学习框架中直接使用，无需自行转换。压缩包共2000个文件，其中1298个xml标注文件、702个txt标注文件，整体大小32.45MB，体积紧凑，下载与解压都很便捷。每张图片均有精确对应的标注文件，标注由labelImg工具完成，边界框布局合理，可帮助研究者节省数据清洗与标注时间，快速进入模型训练环节。目前该资源已有197人学习下载，适合生物医学图像方向的学生、科研人员以及工业质检场景的算法工程师使用。
1. 细胞活性检测数据集：1298张2类标签，先把“数细胞”这件事拆清楚
做药物筛选或者细胞实验的人应该都有这种体验：真正耗时间的不是加药、培养，而是趴在显微镜前数细胞。一张图里几十上百个细胞，活的和死的混在一起，人工数一遍至少几分钟，数到后面还会眼花。这个【目标检测数据集】细胞活性检测数据集1298张2类标签VOC+YOLO格式.zip，解决的正是这个问题：能不能训练一个目标检测模型，自动把视野里的活细胞和死细胞分别框出来、数出来。
1298张、2类标签、同时给了VOC和YOLO两种格式，这个体量在目标检测数据集里算小的，但用在细胞活性检测这个细分场景里，恰好处于“不够大到直接训练、又够做微调”的尴尬区间。能不能用好，取决于你对标注格式的理解、训练策略的取舍，以及对数据质量的判断。这篇就按我平时拿到一个检测数据集后的处理顺序来讲：先拆格式、再谈训练、最后说坑。
2. 解构数据集压缩包：VOC 与 YOLO 两套标注格式的目录结构与换算关系
解压这类数据集压缩包后，常见的目录结构是分两套并存的：VOC 一侧放Annotations（XML 注释文件）和JPEGImages（原图），YOLO 一侧放images和labels。两套描述的是同一批图片、同样的框，只是存储方式不同。先搞清楚这两套格式的对齐关系，后面训练才不会莫名其妙地出现“框全偏了”。
2.1 VOC 格式：XML 注释文件与 bndbox 的读取方式
VOC 格式的核心是每个 XML 文件对应一张图。解压后打开任意一个 XML，你会看到类似下面的结构：
<annotation> <folder>JPEGImages</folder> <filename>cell_001.jpg</filename> <size> <width>960</width> <height>640</height> <depth>3</depth> </size> <object> <name>live</name> <bndbox> <xmin>142</xmin> <ymin>88</ymin> <xmax>198</xmax> <ymax>132</ymax> </bndbox> </object> <object> <name>dead</name> <bndbox> <xmin>310</xmin> <ymin>270</ymin> <xmax>355</xmax> <ymax>305</ymax> </bndbox> </object> </annotation>这里的<name>是类别名，<bndbox>里存的是绝对像素坐标：xmin/ymin是框的左上角，xmax/ymax是右下角。注意 VGG 标注工具和 LabelImg 导出的 VOC 坐标通常是 0 基的，也就是左上角从 0 开始计数，转 YOLO 时不需要额外减 1；但有些标注平台导出时从 1 开始，不统一会导致中心点算偏 1 到 2 个像素。对细胞这种小目标来说，1 到 2 像素的偏移可能就让框从“包住细胞”变成“切掉细胞边缘”。
<size>里的宽高必须和实际图片一致。有的压缩包在预处理阶段被缩放过，XML 里却还留着原始尺寸，这种不一致会在转 YOLO 时让所有框错位。拿到数据集第一件事，是抽样检查 XML 里的宽高和 PIL 读出来的图片尺寸是否对得上。
2.2 YOLO 格式：归一化坐标 txt 与类别文件对应关系
YOLO 格式把同一张图的标注存在同名 txt 文件里，放在labels目录下。图片是cell_001.jpg，标签就是cell_001.txt。每一行代表一个目标，格式是固定的五列：
0 0.177083 0.171875 0.058333 0.068750 1 0.346354 0.449219 0.046875 0.054688第一列是类别索引，从 0 开始。第二、三列是目标中心点的 x、y 坐标，第四、五列是框的宽和高。这四个值全部做了归一化，也就是除以图片宽度和高度后得到的 0 到 1 之间的小数。
所以 YOLO 格式里不存绝对像素，它依赖“当前图片尺寸”才能还原出真实像素框。如果你换了图片尺寸训练，标注不需要改，模型输出的坐标也是归一化的，但做可视化验证时要用原图尺寸乘回去。类别索引和类别名的对应关系由数据 yaml 文件里的names列表决定，不是 txt 本身能看出来的。这一点在混合多个数据集时最容易踩坑：两个数据集的类别列表顺序不一样，直接合并会导致类别错乱。
2.3 两种格式的相互转换：一个脚本同时保住两类坐标精度
不管压缩包里给的是哪种格式，训练前我都建议先统一转成 YOLO 格式，再抽几张图可视化确认。下面是一个把 VOC 转成 YOLO 的 Python 脚本，我用它处理过好几套标注不统一的数据集。
import xml.etree.ElementTree as ET from pathlib import Path voc_dir = Path("Annotations") img_dir = Path("JPEGImages") yolo_dir = Path("labels") yolo_dir.mkdir(exist_ok=True) # 类别名到索引的映射，顺序一定要和后续训练 yaml 的 names 一致 class_map = {"live": 0, "dead": 1} for xml_path in voc_dir.glob("*.xml"): tree = ET.parse(xml_path) root = tree.getroot() # 拿 XML 里记录的宽高做归一化分母 size = root.find("size") img_w = float(size.find("width").text) img_h = float(size.find("height").text) lines = [] for obj in root.findall("object"): name = obj.find("name").text if name not in class_map: continue 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) # 转成归一化中心点与宽高，YOLO 要求值在 [0, 1] 区间 cx = (xmin + xmax) / 2.0 / img_w cy = (ymin + ymax) / 2.0 / img_h w = (xmax - xmin) / img_w h = (ymax - ymin) / img_h # 越界保护：细胞框偶尔会超出图像边缘 cx = min(max(cx, 0.0), 1.0) cy = min(max(cy, 0.0), 1.0) w = min(max(w, 0.0), 1.0) h = min(max(h, 0.0), 1.0) lines.append(f"{class_map[name]} {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}") if lines: yolo_dir.joinpath(xml_path.stem + ".txt").write_text("\n".join(lines) + "\n")脚本的逻辑不复杂：遍历每个 XML，把bndbox的绝对坐标转换成归一化的cx, cy, w, h，按class_map映射类别索引写入 txt。有两个容易被忽略的细节：一是归一化时除以的是img_w和img_h，不是同一尺寸，宽高不能混用；二是只有完全无效的标注才跳过生成空 txt，空 txt 在 YOLO 训练中会被忽略，不会报错但也不贡献损失。
转完之后不要急着训练，抽 10 张图做叠加验证。用 OpenCV 读原图，再把 txt 里的归一化坐标乘回图片尺寸画矩形框，肉眼确认框是否紧贴细胞边缘。这一步十分钟能省下后面几个小时的排查时间。压缩包里如果自带标注工具导出的classes.txt，建议先打开看类别顺序，常用于目标检测的标注工具（LabelImg、CVAT、X-AnyLabeling 这类）导出的类别顺序未必一致，这是坐标之外最容易出问题的地方。
3. 用这个数据集训练检测模型：划分、anchors 与超参的落地配置
数据集拆清楚之后，下一步是把训练跑起来。1298 张图、2 类目标，常见做法是选 YOLO 系列的小模型（n 或 s 级）做迁移学习，而不是从零训练。小模型对这个规模的数据量更友好，训练速度快，显存占用低，在细胞检测这种目标尺寸小、类别简单的场景下，效果往往不比大模型差。
3.1 训练集/验证集划分：1298 张如何分配才不虚高 mAP
很多人在这一步直接随机切 90%/10%，然后发现验证集 mAP 0.9，一到实际拍摄的新图就掉到 0.6。问题多半出在随机划分上：细胞活性检测图像的同一批次实验往往连拍多张，相邻帧里细胞的位置和状态高度相似，随机划分会把同一组序列的图分到训练集和验证集，造成数据串集。模型记住的是这批实验的背景，而不是细胞本身的特征。
我一般按文件名前缀或拍摄批次分组，同一组的图要么全进训练集，要么全进验证集。一个简单的实现是用文件名中的分组标识做 group shuffle：
import random from pathlib import Path import shutil train_dir = Path("train") val_dir = Path("val") train_dir.mkdir(exist_ok=True) val_dir.mkdir(exist_ok=True) # 假设文件名格式是 exp01_001.jpg，取前缀 exp01 作为分组 id images = list(Path("images").glob("*.jpg")) groups = {} for img in images: group_id = img.stem.split("_")[0] groups.setdefault(group_id, []).append(img) items = list(groups.items()) random.shuffle(items) split_idx = int(len(items) * 0.85) train_groups = dict(items[:split_idx]) val_groups = dict(items[split_idx:]) for group_id, imgs in train_groups.items(): for img in imgs: shutil.copy(img, train_dir / img.name) label = Path("labels") / (img.stem + ".txt") if label.exists(): shutil.copy(label, train_dir / label.name) for group_id, imgs in val_groups.items(): for img in imgs: shutil.copy(img, val_dir / img.name) label = Path("labels") / (img.stem + ".txt") if label.exists(): shutil.copy(label, val_dir / label.name)分组划分牺牲了一部分验证集和训练集的相似性，换来的是验证指标更接近真实使用场景。1298 张按 8:2 或者 8.5:1.5 划分都行，验证集不低于 150 张比较稳妥。如果压缩包里某些组的图片数量差异很大，先看一眼每组张数的直方图，别让某个大组独占验证集。
3.2 锚框与图像尺寸：细胞是小目标，别拿默认参数硬上
细胞在 640×640 的输入尺度下通常只有 20 到 50 像素，属于典型的小目标。如果用 COCO 预训练权重里默认的 anchors 直接开训，初始锚框偏大，梯度更新前期会有大量浪费的迭代。常见做法是先用 k-means 在训练集的标注框上重新聚类 anchors，YOLO 系工具里大多内置了自动锚框计算，训练时会根据数据重新聚类，不需要手工指定。如果你用的版本默认关闭了自动锚框，建议在训练前跑一次聚类，把锚框输出配置到模型 yaml 里。
输入尺寸方面，如果显存允许（12G 以上），把imgsz从 640 提到 960，小目标召回率会有肉眼可见的改善；显存紧张就保持 640，但要注意测试时也用同一尺寸，不要训练 640、推理 1280，输出坐标的尺度习惯完全不同。细胞密集的图像里细胞互相粘连，标签框之间重叠严重，这会直接影响 NMS 的效果，后面避坑章会专门讲。
3.3 训练启动命令与关键回调：一个可复现的 YOLO 训练流程
数据准备好后，先写数据 yaml。以下面的内容创建cell.yaml：
path: /path/to/cell_dataset train: train val: val nc: 2 names: 0: live 1: deadpath指向数据集根目录，train和val是相对路径，names的类别顺序必须和标签 txt 里第一列的索引完全一致。这里最容易犯的错是看到压缩包里有classes.txt就直接抄顺序，但标签文件里的索引可能早就按另一个顺序生成过了，两个对不上时训练不会报错，损失照常下降，但预测结果里 live 和 dead 是反的。
训练命令以 YOLOv5/v8 系列的写法为例，大同小异：
python train.py --data cell.yaml --weights yolov8n.pt --epochs 100 --batch 16 --imgsz 640 --patience 15 --workers 4几个关键参数：--weights用预训练权重做迁移学习，而不是随机初始化；--epochs在 1298 张的小数据集上 80 到 120 就够，多了必过拟合；--batch建议不要小于 8，后面避坑章详解；--patience设为 10 到 20，验证集指标连续不涨就提前停。训练过程中看两个曲线：train/cls_loss是否平稳下降，val里的mAP50是否在 30 到 50 个 epoch 后开始爬升。如果mAP50从第 10 个 epoch 就不动，先别调模型，回看数据划分和标签质量，十次里有八次问题出在数据端。
4. 小样本细胞检测的 5 个翻车现场：现象、原因与处理
1298 张属于小样本，训练中遇到的问题和大数据集完全不是一个风格。这里整理我反复踩过的 5 个坑，每一条都是“现象先说、原因定位、给解决路径”的三段式。
4.1 活细胞与死细胞边界模糊，mAP 停在 0.6 上不去
现象：训练 loss 正常下降，但验证集 mAP50 卡在 0.6 左右，死活上不去。 原因：细胞活性检测本身的标注口径问题。很多细胞在图像里处于“将死未死”的状态，台盼蓝染色后颜色深浅介于活细胞和死细胞之间，不同标注员对边界的判断不一致。同一个细胞在相邻两帧里，一个标注员标成 live，另一个标成 dead，模型学到的类别边界是模糊的。 解决：先把训练集中置信度最低的 200 个验证集样本导出，人工复查标签。发现争议样本后，不是简单删掉，而是统一标注规则：只标形态明确可辨的，边界模糊的细胞要么不标、要么单独建一个 ignore 类别。更实际的做法是在标注阶段的作业规范里写明“核染色明显深于背景才算 dead”，把主观判断收敛为可执行的标准。
4.2 类别不平衡：死细胞占比低导致 recall 明显偏低
现象：混淆矩阵里 dead 的 recall 只有 0.4，live 却是 0.9。 原因：培养皿里本来活细胞就远多于死细胞，1298 张图里 dead 类别的框可能只有 live 的五分之一，模型把大部分容量用在了学 live 上。 解决：先不要动模型结构，加类别权重是最直接的手段。YOLO 的 loss 配置里通常可以给每个类别单独设cls系数，把 dead 的权重提到 live 的 2 倍。如果提升不明显，再考虑对 dead 样本做过采样，或者简单复制 dead 占比高的图进训练集。需要注意过采样倍数别超过 3，否则模型会开始记忆重复样本的噪声。
4.3 转换坐标后框偏移：问题出在归一化时用错了分母
现象：训练前可视化叠加图时一切正常，训练后推理框却整体偏移 30 到 50 像素。 原因：这种翻车在格式转换阶段就已经埋下了。很多人转完只抽查了训练集中图片尺寸和标注尺寸一致的样本，没注意到压缩包里混入了横幅竖幅不同的图。VOC 转 YOLO 时，如果某张图的 XML 里记录的是原始尺寸，但 JPEGImages 里的图被预处理脚本重压缩过，归一化坐标算出来就是错的。模型在错误标注上训练，推理时对边界框的预测自然会漂移。 解决：转换脚本里加一道断言，用 OpenCV 读取真实图片宽高，和 XML 里的<size>对比，不一致就打印文件名并跳过。血的教训是：不要信任压缩包里的任何中间文件，以实际读入的像素为准。
4.4 验证集指标虚高：随机划分把同一视野的细胞分进了两个集合
现象：验证集 mAP 0.92，部署到新拍摄的视频上 mAP 掉到 0.6。 原因：这就是 3.1 里说的数据串集。细胞视频帧之间高度相似，随机划分后验证集里混入了训练集相近的帧，模型在验证集上表现好是“记住了”，不是“学到了”。 解决：严格按文件前缀分组划分，推荐的做法是直接读文件名中的实验批次字段。实在没有批次信息，就按拍摄时间戳做时间顺序划分，前 85% 训练、后 15% 验证。这样验证集模拟的是“未来一批实验”，指标才有参考价值。
4.5 BN 崩溃与训练发散：batch size 太小导致的梯度问题
现象：训练前 5 个 epoch loss 正常，第 6 个 epoch 突然变成 nan，或者 mAP 掉到 0。 原因：batch size 设成了 2 或 4，BN 层统计量在那么少的样本上极不稳定，方差被拉到异常大，梯度直接溢出。 解决：细胞检测图像里目标密集，小 batch 也确实能跑，但不要把 BN 层的命运交给单卡小 batch。显存有限就降imgsz到 480 或 512，保证 batch 至少 8，最好 16。另外可以冻结前几层的 BN 参数，让它们保持预训练统计量。遇到 loss 已经变成 nan 的，就别想着接着训了，改参数重启。
5. 用数据可视化反推标注质量：训练前先检查这三张图
很多人拿到数据集第一件事就是开训，结果翻车后回头检查数据才发现标注早就出了问题。我现在的习惯是训练前花半小时做三张图，把标注质量定性看清楚，省下的调试时间远超半小时。
5.1 按类别统计框数量与尺寸分布
第一张图是每个类别的标注框数量柱状图和框宽高的散点分布。先统计再确认，这一步不需要模型参与。
import glob import matplotlib.pyplot as plt datasets = glob.glob("train/labels/*.txt") stats = {0: [], 1: []} for txt_path in datasets: for line in open(txt_path): parts = line.strip().split() if len(parts) < 5: continue cls = int(parts[0]) w = float(parts[3]) h = float(parts[4]) stats[cls].append((w, h)) fig, axes = plt.subplots(1, 2, figsize=(10, 4)) for cls, points in stats.items(): ws = [p[0] * 640 for p in points] # 按 640 换算成像素尺寸 hs = [p[1] * 640 for p in points] axes[0].scatter(ws, hs, s=2, alpha=0.5) axes[0].set_xlabel("box width (px)") axes[0].set_ylabel("box height (px)") axes[1].bar(["live", "dead"], [len(stats[0]), len(stats[1])]) plt.tight_layout() plt.savefig("dataset_inspect.png", dpi=150)这段代码读训练集所有 txt，统计每个类别的框宽高和数量。散点图上如果发现大量框集中在 15 像素以下，说明目标非常小，需要调高imgsz或者考虑切图训练；柱状图如果两类数量差距超过 5 倍，后面就要做类别权重。
5.2 用标注叠加图核对边界样本
第二张图是原图和标注框的叠加，直接目视检查。选图时别只挑前几张，用随机数抽 30 张，覆盖不同批次、不同光照条件的。OpenCV 画框时注意归一化坐标乘回原图尺寸：
import cv2 img_path = "train/images/cell_042.jpg" label_path = "train/labels/cell_042.txt" img = cv2.imread(img_path) h, w = img.shape[:2] colors = {0: (0, 255, 0), 1: (0, 0, 255)} for line in open(label_path): cls, cx, cy, bw, bh = map(float, line.strip().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), colors[int(cls)], 2) cv2.imwrite("overlay_cell_042.jpg", img)叠加图里常见的三种问题：框比细胞大太多、两个类别的框互相重叠、本该标出的细胞漏标。框大太多多数是标注工具里拉框时没贴边；重叠框在密集细胞场景下可以容忍，但重叠比例超过 30% 会影响 NMS 训练时的正负样本分配；漏标只能肉眼查，没有捷径。这里查出来的问题，记录成文档反馈给标注方，比自己在代码里修补透明得多。
5.3 混淆矩阵与置信度分布：判断模型是否只学到了“好认的细胞”
训练结束后看混淆矩阵，有人发现每行的值加起来不是 1，以为脚本计算错了。其实这是混淆矩阵的常见设计：行归一化和列归一化是两个模式，行归一化时每行和为 1，列归一化时每列和为 1，背景列还会占用一部分比例，所以“总合不唯一”是正常的，不是 bug。
更值得关注的是置信度分布。把验证集预测结果按置信度从 0.5 到 0.95 切几个区间，统计每个区间的命中率和误检数。如果高置信度区间（0.9 以上）命中率很高、但低置信度区间误检一大堆，说明模型只学会了容易区分的细胞，对那些处于活死边界的细胞没有泛化能力。这时可以把置信度阈值从默认的 0.25 调高到 0.5 甚至 0.6，用召回率换精度，或者回到 4.1 的标注口径问题上重新处理训练集。
6. 让模型反哺标注：用第一轮预测结果做二次校验，迭代两轮比一次标满更划算
这个数据集体量小，一次训练不会直接达到可用水平。我惯用的收尾技巧是：用第一轮模型对原始图片做预测，把高置信度结果转成伪标签，再让标注员修正而不是从头画框。一轮迭代下来，比硬标几百张新图省一半时间，而且标注口径会因为“看到模型预测结果”而变得更统一。
流程分三步。第一步，对新增的同一批次未标注图片做推理，导出 YOLO 格式的预测结果：
python predict.py --weights best.pt --source new_images/ --save-txt --save-conf第二步，写一个简单脚本把置信度拆档：大于 0.9 的直接并入训练集；0.6 到 0.9 的生成带框图片让标注员只做修改；低于 0.6 的丢弃。第三步，把修正后的标签合并回训练集，重新训练。合并时注意类别索引仍按原来的names顺序，不要因为新增样本重建索引。
这个做法还有一层隐藏收益：第一轮模型暴露出来的低置信度样本，往往就是标注标准最模糊的边界样本。你不需要自己去几千张图里翻找，模型会帮你把这些样本挑出来，标注员只需要针对这些“刁钻样本”讨论并统一规则。我最早做这类项目时一口气标完上千张才开始训练，后来改成先标 300 张训练出第一版、再预测反哺标注，整体效率高了不少。这个小技巧也适用于其他小样本领域的数据集。希望帮到你。
本文还有配套的精品资源，点击获取
