4122张眼底图5类DR分级：VOC+YOLO双格式数据集实战指南

简介：本资源为糖尿病肾病视网膜病变检测数据集，面向医学图像处理、眼底病变识别方向的算法工程师与深度学习研究者，可用于目标检测模型的训练、验证与竞赛实践。数据集采用Pascal VOC与YOLO双格式标注，包含4122张jpg图片，每张图片均配有对应的VOC格式xml文件与YOLO格式txt文件，标注类别共5类，分别为mild-DR、moderate-DR、normal、proliferation-DR、severe-DR，覆盖糖尿病视网膜病变的轻、中、重度及增殖期分级。压缩包为7z格式，内含2000个文件，以1999个xml标注文件和1个说明用txt为主，整体约44.31MB，目录结构清晰，便于直接接入主流检测框架进行训练与评估。目前已有139人学习下载，适合需要快速获取标注完备、类别均衡的眼底病变数据集的读者，可省去自行标注与格式转换的时间成本，专注于模型调优与实验对比。

1. 4122 张眼底图、5 类 DR 分级：这份 VOC+YOLO 双格式数据集到底能干什么

眼底糖网筛查这个方向，公开数据一直是个尴尬事。想跑检测模型，要么去啃几万张的竞赛集，标注格式还得自己转；要么找小样本凑合，类别又不够细。这份 4122 张的糖尿病肾病检测数据集，走的是另一条路——它把 5 个 DR 分级类别直接标好，同时给了 Pascal VOC 的 xml 和 YOLO 的 txt 两套标注，jpg 原图、xml、txt 三者数量严格对齐，都是 4122。类别名是mild-DR、moderate-DR、normal、proliferation-DR、severe-DR，从正常到增殖期一条线拉通。

它适合谁？一是想快速验证 YOLO 系列在自己环境里能不能跑通眼底检测的工程师，二是做医学图像课程设计、需要现成标注又不想从零标的学生，三是拿它当预训练或对比基线、再往私有数据上迁移的算法同学。不适合谁？指望它直接上临床的——4122 张的规模做研究够用，做产品远远不够。下面按「拿到手怎么用 → 参数怎么设 → 哪里会翻车」的顺序拆开讲。

2. 双格式标注怎么选：VOC 与 YOLO 的转换逻辑和目录结构

2.1 为什么同一批图要给两套标注

Pascal VOC 和 YOLO 的差别，本质是坐标表达方式不同。VOC 的 xml 存的是绝对像素坐标xmin/ymin/xmax/ymax，还带filename、size、object等一堆元信息；YOLO 的 txt 存的是归一化后的class_id cx cy w h，每行一个目标，没有图片尺寸信息，全靠训练时读原图反推。

给两套格式的好处很直接：VOC 适合做数据审查、可视化、转 COCO 或别的框架；YOLO 格式可以直接喂给 ultralytics 系的训练脚本，省掉转换步骤。但要注意，这份数据集不包含分割路径的 txt 文件，也就是说它只做检测框，不做实例分割。如果你的任务是分割，这份数据得自己补 mask，别指望现成的。

常见做法是：先用 VOC 的 xml 做一轮标注质量抽查，确认框没跑偏、类别没错，再转成 YOLO 格式训练。反过来也行，但 xml 里信息更全，审查阶段更顺手。

2.2 目录结构长什么样

解压后典型结构是这样（文件名以实际为准，这里按常见组织方式示意）：

firc_shenbing_dataset/ ├── 使用前必读.txt ├── JPEGImages/ # 4122 张 jpg 原图 │ ├── firc_shenbing_1063.jpg │ └── ... ├── Annotations/ # 4122 个 VOC xml │ ├── firc_shenbing_1063.xml │ └── ... └── labels/ # 4122 个 YOLO txt ├── firc_shenbing_1063.txt └── ...

使用前必读.txt别跳过，里面通常写了类别顺序、命名规则、有没有空标注图。类别 id 的映射关系必须和 txt 里的数字对上，否则训练出来全是错类。这份数据的 5 类，按摘要给的顺序，常见映射是：

提示：这个映射不是官方强制，有的整理者会按字母序或别的顺序排。动手前一定打开一个 txt 和一个 xml 对照，确认 id 和类别名的对应关系，别照搬上面的表。

2.3 用脚本核对三份文件是否对齐

拿到数据集第一件事不是训练，是核对。jpg、xml、txt 三者数量都是 4122，但数量相等不代表文件名一一对应。跑一段脚本查一遍：

import os img_dir = "firc_shenbing_dataset/JPEGImages" xml_dir = "firc_shenbing_dataset/Annotations" txt_dir = "firc_shenbing_dataset/labels" def stems(d, ext): return {os.path.splitext(f)[0] for f in os.listdir(d) if f.endswith(ext)} imgs = stems(img_dir, ".jpg") xmls = stems(xml_dir, ".xml") txts = stems(txt_dir, ".txt") print("图片数:", len(imgs)) print("xml 数:", len(xmls)) print("txt 数:", len(txts)) print("图片有但 xml 缺:", imgs - xmls) print("xml 有但图片缺:", xmls - imgs) print("图片有但 txt 缺:", imgs - txts)

逻辑说明：用文件名主干（去掉扩展名）做集合运算，能直接暴露「有图没标注」或「有标注没图」的情况。参数上，img_dir、xml_dir、txt_dir按你解压后的真实路径改。如果三个差集都为空，说明对齐没问题，可以进下一步；如果有差集，先手动处理掉再训练，否则 YOLO 训练时会因为找不到对应 label 直接报错或静默跳过。

3. 从零跑通 YOLO 训练：数据配置、类别文件和启动命令

3.1 生成 train/val 划分和 data.yaml

YOLO 训练不认 VOC 那套目录，需要按images/labels分 train、val 两套，再写一个data.yaml指向它们。先划分：

import os, random, shutil src_img = "firc_shenbing_dataset/JPEGImages" src_lbl = "firc_shenbing_dataset/labels" dst = "yolo_dataset" random.seed(42) names = [os.path.splitext(f)[0] for f in os.listdir(src_img) if f.endswith(".jpg")] random.shuffle(names) split = int(len(names) * 0.8) train_names, val_names = names[:split], names[split:] for subset, subset_names in [("train", train_names), ("val", val_names)]: os.makedirs(f"{dst}/images/{subset}", exist_ok=True) os.makedirs(f"{dst}/labels/{subset}", exist_ok=True) for n in subset_names: shutil.copy(f"{src_img}/{n}.jpg", f"{dst}/images/{subset}/{n}.jpg") shutil.copy(f"{src_lbl}/{n}.txt", f"{dst}/labels/{subset}/{n}.txt") print("train:", len(train_names), "val:", len(val_names))

逻辑说明：random.seed(42)固定随机种子，保证每次划分一致，方便复现。8:2 是常见比例，4122 张里约 3297 张训练、825 张验证。参数上，如果类别分布很不均（比如normal特别多、proliferation-DR特别少），建议改成按类别分层抽样，别纯随机，否则验证集里某些类可能一张都没有。

接着写data.yaml：

path: ./yolo_dataset train: images/train val: images/val names: 0: mild-DR 1: moderate-DR 2: normal 3: proliferation-DR 4: severe-DR

path是数据集根目录，train/val是相对路径。names的 id 必须和 txt 里的 class_id 严格一致，这是最容易翻车的地方——id 错一位，模型学出来的全是错的。

3.2 启动训练与关键参数

用 ultralytics 的 YOLOv8 起训，一条命令：

yolo detect train \ data=data.yaml \ model=yolov8n.pt \ epochs=100 \ imgsz=640 \ batch=16 \ lr0=0.01 \ patience=20 \ project=runs/dr \ name=baseline

参数逐个说：model=yolov8n.pt是最小的 nano 版，先用它验证流程通不通，别一上来就上 x 版，显存和时间都吃不消。imgsz=640是默认输入尺寸，眼底图如果分辨率很高，缩到 640 会丢小病灶细节，可以试 1024，但显存翻倍。batch=16按显存调，8G 显存跑 640 一般能到 16，跑 1024 就得降到 4 或 8。lr0=0.01是初始学习率，小数据集上偏大容易震荡，可以降到 0.001。patience=20是早停，20 轮没提升就停，省时间。

训练起来后盯两个东西：一是runs/dr/baseline/results.csv里的mAP50和mAP50-95，二是混淆矩阵。医学数据类别不平衡时，normal的 AP 往往虚高，真正要看的是proliferation-DR和severe-DR这两类的召回，它们样本少、最容易漏检。

3.3 验证与推理

训练完在验证集上跑一遍：

yolo detect val \ model=runs/dr/baseline/weights/best.pt \ data=data.yaml \ imgsz=640

单张图推理看效果：

yolo detect predict \ model=runs/dr/baseline/weights/best.pt \ source=firc_shenbing_dataset/JPEGImages/firc_shenbing_1063.jpg \ conf=0.25 \ save=True

conf=0.25是置信度阈值，医学场景宁可多报也别漏报的话，可以降到 0.1，代价是误检变多。这一步主要是肉眼确认框的位置和类别对不对，别只看数字指标。

4. 避坑与排查：这份数据集上最容易翻车的五件事

4.1 类别 id 对不上，训练全错

现象：训练 loss 正常下降，但验证时混淆矩阵里类别全乱，normal被预测成mild-DR。 原因：data.yaml里的names顺序和 txt 文件里的 class_id 不一致。有的整理者按字母序排，有的按严重程度排，摘要给的顺序不一定等于文件里的顺序。 解决：打开任意一个 txt，看第一列数字，再打开对应 xml 看object/name，两者对照确定映射。确认后写死到data.yaml，别凭记忆。

4.2 空标注图导致训练报错

现象：训练启动后报IndexError或某张图labels为空。 原因：4122 张里可能有极少数图没有目标框，对应的 txt 是空文件。YOLO 对空 label 的处理在不同版本里不一致，有的直接跳过，有的报错。 解决：先扫一遍空 txt：

import os empty = [f for f in os.listdir("firc_shenbing_dataset/labels") if os.path.getsize(os.path.join("firc_shenbing_dataset/labels", f)) == 0] print("空标注文件:", empty)

如果数量少，直接从训练集里剔除；如果数量多，说明这批图本身可能有问题，得回头查标注流程。

4.3 图片尺寸和坐标越界

现象：可视化时框跑到图外面，或者训练时警告coordinates out of range。 原因：VOC 转 YOLO 时归一化算错，或者原图被裁剪过但 xml 没更新。归一化公式是cx = (xmin+xmax)/2/width，w = (xmax-xmin)/width，分母用错就会越界。 解决：写个校验脚本，遍历所有 txt，检查每行后四个数是否都在 0~1 之间：

import os bad = [] for f in os.listdir("firc_shenbing_dataset/labels"): with open(f"firc_shenbing_dataset/labels/{f}") as fp: for i, line in enumerate(fp): parts = line.strip().split() if len(parts) != 5: bad.append((f, i, "字段数不对")); continue vals = list(map(float, parts[1:])) if any(v < 0 or v > 1 for v in vals): bad.append((f, i, "坐标越界")) print("异常行数:", len(bad))

4.4 类别不平衡导致小类漏检

现象：proliferation-DR和severe-DR的召回率极低，模型几乎全预测成normal和mild-DR。 原因：5 个类别在 4122 张里分布不均，重度样本天然少，标准交叉熵会让模型偏向多数类。 解决：训练时加类别权重，或用copy_paste、mosaic这类增强多造小类样本。ultralytics 里可以在data.yaml同级配cls权重，也可以换 focal loss。更直接的办法是过采样小类图片，但注意别过拟合。

4.5 验证集泄漏进训练集

现象：验证指标高得离谱，mAP50 到 0.95 以上，但换一批新图就崩。 原因：同一患者的左右眼、或同一张图的增强版本同时出现在 train 和 val 里，造成信息泄漏。 解决：划分时按患者 id 或图片前缀分组，别按单张随机分。这份数据文件名是firc_shenbing_xxxx这种编号，如果编号连续代表同一来源，就得按编号段划分，而不是逐张 shuffle。

5. 进阶：把 VOC 直接转 COCO、做分层抽样和指标复核

5.1 VOC 转 COCO 备用

有些框架（比如 mmdetection）吃 COCO 格式，转一份备用不亏：

import os, json import xml.etree.ElementTree as ET xml_dir = "firc_shenbing_dataset/Annotations" classes = ["mild-DR", "moderate-DR", "normal", "proliferation-DR", "severe-DR"] coco = {"images": [], "annotations": [], "categories": []} for i, c in enumerate(classes): coco["categories"].append({"id": i, "name": c}) ann_id = 1 for idx, f in enumerate(os.listdir(xml_dir)): tree = ET.parse(os.path.join(xml_dir, f)) root = tree.getroot() w = int(root.find("size/width").text) h = int(root.find("size/height").text) img_id = idx + 1 coco["images"].append({"id": img_id, "file_name": root.find("filename").text, "width": w, "height": h}) for obj in root.findall("object"): name = obj.find("name").text cls_id = classes.index(name) b = obj.find("bndbox") xmin = float(b.find("xmin").text); ymin = float(b.find("ymin").text) xmax = float(b.find("xmax").text); ymax = float(b.find("ymax").text) coco["annotations"].append({ "id": ann_id, "image_id": img_id, "category_id": cls_id, "bbox": [xmin, ymin, xmax - xmin, ymax - ymin], "area": (xmax - xmin) * (ymax - ymin), "iscrowd": 0}) ann_id += 1 json.dump(coco, open("coco_annotations.json", "w"))

逻辑说明：COCO 的 bbox 是[x, y, w, h]，和 VOC 的[xmin, ymin, xmax, ymax]差一个减法，别写错。area用于评估时区分大小目标。参数上，classes顺序必须和 YOLO 的names一致，否则两套格式对不上。

5.2 分层抽样划分

前面提过纯随机划分在类别不平衡时会翻车，这里给个分层版本：

import os, random from collections import defaultdict lbl_dir = "firc_shenbing_dataset/labels" random.seed(42) # 按主类别分组 groups = defaultdict(list) for f in os.listdir(lbl_dir): stem = os.path.splitext(f)[0] with open(os.path.join(lbl_dir, f)) as fp: lines = fp.readlines() if not lines: continue main_cls = lines[0].split()[0] groups[main_cls].append(stem) train, val = [], [] for cls, items in groups.items(): random.shuffle(items) cut = int(len(items) * 0.8) train += items[:cut] val += items[cut:] print("train:", len(train), "val:", len(val))

逻辑说明：按每张图的主类别（第一个框的类别）分组，再在组内 8:2 划分，保证每个类在验证集里都有代表。参数上，如果一张图有多个类别，取第一个框只是近似，更严谨的做法是按类别出现次数加权，但工程上够用了。

5.3 指标复核：别只看 mAP

训练完拿到best.pt，除了 mAP，至少再看三样：每类的 precision/recall、混淆矩阵、以及按类别分组的 PR 曲线。医学检测里，severe-DR和proliferation-DR的召回比整体 mAP 重要得多，因为漏掉一个重度患者，代价远大于多报一个。我一般会在验证脚本里单独把这两类的 recall 打出来，低于 0.7 就回去查数据分布和增强策略，而不是急着调模型结构。

从那以后我每次拿到新数据集，都强制先跑一遍文件对齐校验和类别 id 对照，再动训练脚本。这份 4122 张、5 类的 VOC+YOLO 双格式数据，流程跑通不难，难的是别在 id 映射和划分泄漏上栽跟头。希望帮到你。

本文还有配套的精品资源，点击获取