帕金森手绘螺旋线YOLO数据集：从预处理到训练实战

简介：面向帕金森病早期辅助诊断与运动障碍分析，这份YOLO数据集汇集了健康人与帕金森病患者手绘的螺旋和波浪图像，并完成了图像标准化、尺寸调整等预处理，以及逐图像的目标框注释。数据集按训练组和测试组划分，可直接用于YOLO实时目标检测模型的训练与性能评估，适合医学影像分析、模式识别及计算机视觉方向的研究者和相关专业学生使用。压缩包共2000个文件，其中1999个txt格式文件记录每张图像的标注类别与位置信息，1个yaml文件定义数据路径与类别配置，整体大小约817.5MB，无需额外格式转换即可接入常见YOLO训练流程。目前已有69人学习下载。依托规范的目录结构和完整的注释信息，读者可在此基础上快速搭建训练环境，进行数据集划分、模型调参及不同算法对比，既能复现原始研究实验，也能继续探索螺旋与波浪形态在运动障碍分析中的新特征，为帕金森病的早期识别提供可落地的数据支撑与研究基线。

1. 从一张手绘螺旋线判断帕金森病：这个YOLO数据集到底装了什么

帕金森病的手部运动障碍会在画螺旋线时暴露出细微的震颤轨迹，而早期诊断恰恰卡在「肉眼难以量化」这一步。这个数据集把健康人和帕金森患者的手绘螺旋、波浪图像全部整理成YOLO可直接读取的预处理格式，每张图都带物体检测注释，拿过去就能跑YOLOv5、YOLOv8或YOLOv11训练。适合两类人：一是想做医疗影像辅助诊断的CV工程师，想省掉标注环节直接验证模型；二是刚入门物体检测、手里缺「非公开交通场景」之外真实数据集的研究者。它最大的意义不是数据量，而是把「运动障碍分析」变成了一个标准的目标检测问题。

2. 看一眼文件就知道怎么训练：数据集的命名规律与内部结构

拿到资源先别急着扔给训练脚本。这批文件是txt格式，文件名本身就已经把信息暴露得差不多了，先摸清结构才能在后面少折腾。

2.1 txt文件的命名拆解：数字代表什么

压缩包里大约是preschool一堆类似parkinson_810.txt、healthy_1722.txt这样的文本文件。10个文件里，healthy前缀的有两个（healthy_1722、healthy_1712），其余都是parkinson前缀。命名规律很清楚：前缀是标签类别，数字大概率是某个批次或某一批图像路径的数量。

我从经验上推测：这个数字不是成员ID，而是该文件里记录的图像样本序号或索引范围。比如parkinson_1936.txt大概指向的是编号为1936对应的那张图。如果你打开txt文件，里面内容是images/parkinson_1936.jpg这种相对路径，那就是标签文件在引用图片路径；如果里面是1936 0.5 0.5 0.4 0.3这种五列数字，那就是YOLO格式的归一化框坐标。

提示：拿到资源先打开一个txt文件看内容再动手。YOLO标签文件和图片路径列表文件在训练时加载方式完全不同，看10秒能省2小时。

2.2 YOLO注释格式的四个字段含义

YOLO物体检测的注释格式是每行一个目标，固定五列：

• 第一列：类别编号。0通常代表健康人（healthy），1代表帕金森患者（parkinson），具体看有没有配套的classes.txt或yaml文件。
• 第二列：x_center，目标框中心点的x坐标，除以图片宽度归一化到0~1。
• 第三列：y_center，中心点y坐标，归一化后也是0~1。
• 第四列：width，目标框宽度，除以图片宽度归一化。
• 第五列：height，目标框高度，除以图片高度归一化。

# 解析一行YOLO标注的示例 line = "1 0.5234 0.6187 0.4521 0.7312" cls, x, y, w, h = line.split() print(f"类别: {cls}") # 1 可能是帕金森患者 print(f"中心点x: {float(x) * 640:.1f}") # 乘回原图宽，假设640 print(f"中心点y: {float(y) * 640:.1f}") # 乘回原图高

为什么这个数据集文件都是txt而不是xml或json？因为纯文本对YOLO系模型最友好，ultralytics读取时不需要额外解析库，而且一张图配一个同名txt文件的组织方式，在images和labels双目录结构下是标准做法。这里保存成批量txt，更可能是源项目为方便分发整理的数据索引，而非Ultralytics直接读取的那种逐图标签文件。不过没关系，把它当作数据清单用，配合yaml配置，效果是一样的。

2.3 螺旋与波浪：两类图像背后的诊断逻辑

为什么用螺旋和波浪线？这是数据集设计的核心优点。帕金森患者画螺旋时，震颤会导致线宽不一致、边缘锯齿状、轨迹不圆滑，而这些痕迹会在图像局部区域形成可检测的纹理差异。YOLO虽然是为通用物体检测设计的，但它检测的目标不是「螺旋」这种完整图形，而是把整幅图作为一个目标，通过目标框圈定绘图区域，让模型学习「画得异常的区域特征」。

这也解释了为什么文件里健康人样本只有两个文件，患者样本有八个文件。从临床数据采集角度，患者样本通常来自多中心、多严重等级，组内差异更大，所以数量多份。训练时如果你发现healthy类别文件少，要靠训练/测试划分和数据增强来处理类别不平衡，这一点在参数设置上有实际意义。

实战角度，我会在训练前先统计每个txt文件的行数，确认健康人和患者每条记录是否对应一张图、每个类别总共多少样本，避免训练时某个类别只有几十条导致严重过拟合。

# 统计每个txt文件的数据量 wc -l *.txt

这个命令一行搞定，10个文件的数据量尽收眼底。如果healthy_1722.txt和healthy_1712.txt每个只有几十行，而parkinson_1936.txt有几百行，整理成下面的表格会更有概念：

提示：文件夹里有没有第二份同名txt在labels目录下，决定了你是直接训练还是要先跑一次路径转换脚本。先tree看一眼目录结构。

3. 把原始数据整理成YOLO能吃的目录结构：预处理与划分

预处理和注释是这套资源质量的决定因素。单纯下载下来塞给Ultralytics不一定能跑通，因为txt的存放形式可能和Ultralytics默认的YOLO目录规范不同，需要的是一条完整的落地流程。

3.1 确认目录结构与图片格式

YOLO标准组织方式是：

dataset/ images/ train/ xxx.jpg val/ xxx.jpg labels/ train/ xxx.txt val/ xxx.txt

如果这个资源直接是这种结构，那省事不少。但根据资源特征，更有可能是「一份txt清单 + 散落图片/标注」的原始格式。我的建议是：先用脚本把txt索引转换为真正的images/train、labels/train目录再开工，别在原目录上直接跑。

# 创建训练与验证目录 mkdir -p dataset/images/train dataset/images/val mkdir -p dataset/labels/train dataset/labels/val # 把图片按8:2比例复制（示例：先把所有图片列出来再交脚本处理） cp images/parkinson_*.jpg dataset/images/train/ cp images/healthy_*.jpg dataset/images/train/

这里注意：我上面的命令只是示意，真正的分配要按患者维度来做。每张图属于一个独立作画者，如果同一个人的多张图同时进了训练集和验证集，模型会通过记忆被画者的风格获得虚高的验证精度，这就是最典型的数据泄露。下面给出一个带随机种子划分的脚本。

3.2 划分训练集与测试集：先按人分，不按图分

数据集摘要里明确提到「细分为训练组和测试组」。如果原始注释已划分好了，那直接用原划分；如果没有，就得自己按比例分。机械地随机分图是最容易踩的坑——医疗数据里同一个人的多张手绘图特征相似，容易串集。

import os import shutil import random random.seed(42) # 固定种子，复现结果 image_dir = "raw_images" label_dir = "raw_labels" train_ratio = 0.8 all_images = [f for f in os.listdir(image_dir) if f.endswith(".jpg")] random.shuffle(all_images) split_idx = int(len(all_images) * train_ratio) train_files = all_images[:split_idx] val_files = all_images[split_idx:] for split, file_list in [("train", train_files), ("val", val_files)]: os.makedirs(f"dataset/images/{split}", exist_ok=True) os.makedirs(f"dataset/labels/{split}", exist_ok=True) for fname in file_list: # 图片与同名标签是一一对应的 label_name = fname.replace(".jpg", ".txt") shutil.copy(os.path.join(image_dir, fname), os.path.join(f"dataset/images/{split}", fname)) shutil.copy(os.path.join(label_dir, label_name), os.path.join(f"dataset/labels/{split}", label_name)) print(f"训练集图片数: {len(train_files)}") print(f"验证集图片数: {len(val_files)}")

逻辑说明：先从raw_images目录读取所有图，shuffle打乱顺序，然后按比例切分成训练和验证。图片和标签文件名一致，通过replace(".jpg", ".txt")找到对应标注，两个目录同步复制。

参数说明：seed(42)固定随机种子，保证每次跑结果一致；train_ratio=0.8是经验上比较稳的划分，图多可以试着提到0.85，图少就得降到0.75，保留更多验证样本。这里唯一要小心的是，如果raw_images里有同一个人的多张图，shuffle前要按人分组，否则就会数据泄露。

3.3 预处理验证：跑一遍标签有效性检查脚本

YOLO训练最常见的报错之一是标签格式异常——框坐标超出0~1范围、宽高为负数、类别编号超限。这个数据集号称「完全预处理」，但二手数据下载下来经常莫名其妙少文件或多空行，建议跑一遍快速健康检查。

# 检查所有标签文件的合法性 import os label_dirs = ["dataset/labels/train", "dataset/labels/val"] num_classes = 2 # healthy / parkinson for ld in label_dirs: for fname in os.listdir(ld): if not fname.endswith(".txt"): continue with open(os.path.join(ld, fname)) as f: for line in f: parts = line.split() if len(parts) != 5: print(f"字段数异常: {fname} -> {line.strip()}") continue cls, x, y, w, h = map(float, parts) if cls >= num_classes: print(f"类别ID超限: {fname} -> {cls}") if not (0 <= x <= 1 and 0 <= y <= 1): print(f"中心点越界: {fname} -> {x}, {y}") if w <= 0 or h <= 0: print(f"宽高非法: {fname} -> {w}, {h}")

逻辑说明：这个脚本对每个标签文件逐行解析，校验五个字段的数量和数值范围。YOLO归一化格式要求中心点坐标和宽高都在0~1之间，类别ID从0计数。出现任何一个边界值异常，训练时会直接跳过该目标或报NaN。

参数说明：num_classes=2要与你自己的类别数量对齐，如果你把螺旋和波浪当作不同目标，改成3也没问题；map(float, parts)是强制转换，文本里混入非数字字符会在这一步抛异常，正好帮我们发现脏数据。

提示：打印出的异常标签不要手动改，写脚本批量修正。一次改一个文件是能修完，但太耗时且有漏网风险。

4. 模型选择与训练配置：用YOLOv8把帕金森检测跑起来

数据备好后，就到了选模型和调参的阶段。既然是YOLO系资源，就用ultralytics的YOLOv8来落地，这也是当前兼容性最好、社区案例最多的方案。

4.1 为什么YOLO而不是ResNet分类：从检测到辅助诊断的差别

如果只是判断「这张图是健康人画的还是患者画的」，那用ResNet做图像分类就够了，根本不需要目标检测。但这个数据集采用了「物体检测」格式，背后逻辑在于：临床上更关心的是「螺旋图的哪个区域出现了震颤特征」，而不是整张图一个标签。检测框可以把绘图区域从背景中分离出来，让模型专注学习笔迹线条本身的纹理差异，不受纸张背景、光照变化干扰。这就是为什么注释里强调「提供图像中物体的精确位置信息」——YOLO学习的不是整图特征，而是框内目标的局部特征。

从工程角度，检测方案还有一个优势：未来扩展到真实诊断场景，可以同时检测「手绘区域的哪一段线条有异常」，输出可解释的定位信息，比分类模型的黑盒结论更让医生信服。

4.2 数据yaml配置与模型权重选择

YOLOv8的配置文件是项目的启动钥匙。在dataset/同级目录下创建parkinson.yaml：

# 数据集配置文件 path: ./dataset # 数据集根目录 train: images/train # 训练图片目录 val: images/val # 验证图片目录 # 类别定义 nc: 2 names: ['healthy', 'parkinson']

参数说明：path指向dataset目录，train和val是相对路径。nc是类别数量，这里两类——健康人和患者。names列表的索引顺序必须和标签文件里第一列的数字顺序严格对应，0代表healthy，1代表parkinson。如果你把顺序反过来，训练照样能跑，但验证时的mAP和混淆矩阵全部错位，结果毫无参考价值。还要确认txt里第一列的数字是0和1，而不是1和2。

模型权重方面，新手建议直接从yolov8n.pt起步，参数量小、训练快、不容易把医疗数据集的小样本过拟合得太难看。如果你GPU显存充足（12GB以上）且数据量超过2000张，可以试yolov8s.pt。不建议上来就上yolov8l或x，这个数据集的样本量支撑不起大模型的训练稳定性。

4.3 训练参数详解与实操命令

from ultralytics import YOLO # 加载预训练权重 model = YOLO("yolov8n.pt") # 开始训练 results = model.train( data="parkinson.yaml", epochs=100, imgsz=640, batch=16, lr0=0.01, patience=20, seed=42, name="parkinson_med" )

逻辑说明：model = YOLO("yolov8n.pt")加载的是在COCO上预训练过的权重，不是从零训练。这样做的好处是模型已经学会基础的边缘、纹理、形状特征，你的数据集只需要在它已有能力的基础上做微调，收敛更快，小样本下不容易崩。

参数说明：epochs=100在医疗小数据集上够用了，通常50~80轮就能看到验证mAP达到平台期；imgsz=640是YOLOv8默认输入尺寸，如果原图分辨率小（比如900×900以下），保持640即可，往上调不一定涨精度、还吃显存；batch=16是显存允许范围内越大越好，批量太小BN层统计不稳定；lr0=0.01是初始学习率，小数据集用默认值别乱调；patience=20是早停参数，连续20轮验证集mAP不涨就自动终止，防止无效训练烧时间。

训练结束后，runs/detect/parkinson_med/目录里会出现weights/best.pt和weights/last.pt。如果用了早停机制，best.pt是验证集上表现最好的权重，部署时只认best.pt，不认last.pt。

# 验证集上评估最优模型 model = YOLO("runs/detect/parkinson_med/weights/best.pt") metrics = model.val(data="parkinson.yaml") print(f"mAP50: {metrics.box.map50:.4f}") print(f"mAP50-95: {metrics.box.map:.4f}")

metrics.box.map50是IoU阈值0.5下的平均精度，医疗检测场景主要看这个；metrics.box.map是COCO风格的综合指标，从0.5到0.95取均值，更严格。如果map50低于0.85，大概率说明样本量不足或数据划分出了问题，先别调参，回头检查标签和目录。

4.4 类别不平衡处理：少量样本组的补救方案

前面说过健康人文件数少，训练时你会看到healthy类的AP明显低于parkinson类。这是类别不平衡的典型表现，解决办法有三层：

# 方法一：给少数类提升损失权重 model.train( data="parkinson.yaml", epochs=100, imgsz=640, batch=16, # 通过cls权重惩罚来放大少数类的学习信号 cls=1.5 )

cls是分类损失权重，默认1.0，提到1.5相当于给分类错误更大的惩罚，模型会更有动力去拟合少数类。这套操作不需要改数据就能小幅改善，但权重调太高（3.0以上）会让模型产生大量误检，把健康人的图也算成患者。

更稳妥的办法是数据增强：对健康人类别的图像做水平翻转、小角度旋转、轻微亮度扰动再训练。因为螺旋画本身有方向性，翻转会产生自然的新样本，旋转角度控制在10度以内，别让螺旋结构失真。但这些操作建议放在训练流程里用ultralytics自带的增强参数，不要人工造图。

5. 常见问题与避坑：从标签格式到数据泄露的五个真实教训

说实话，这个数据集本身质量不差，但「下载→训练→出结果」这条路上到处是坑。以下是我实际摸排下来的五个高频问题，每一条都对应一个真实的翻车现场。

5.1 标签文件里的路径指向了不存在的图片

现象：训练启动后报Image not found，随机中断，或者某些epoch的训练损失曲线突然跳变。原因：txt清单里写的图片相对路径和实际解压目录不一致，比如脚本写images/parkerson_810.jpg，实际文件名是parkinson_810.JPG，大小写或拼写不匹配。解决：把txt当成索引而非权威路径，写脚本用文件名去匹配图片目录，匹配不到的单独输出一个missing.log看差别在哪。

# 检查缺失图片 while read line; do if [ ! -f "$line" ]; then echo "missing: $line"; fi done < parkinson_810.txt

5.2 归一化坐标的基准不同导致框全部偏移

现象：训练倒是能跑，但可视化检测框全部偏在角落或错位，mAP极低。原因：某些医疗数据集在导出YOLO格式时，坐标分母用的是短边而不是宽高各自的值，或者标注框坐标本来是像素值，没做归一化。解决：任意挑一张图，把txt里的坐标乘回原图宽高，用OpenCV画矩形框出来看一眼。

import cv2 img = cv2.imread("samples/parkinson_1936.jpg") h, w = img.shape[:2] with open("samples/parkinson_1936.txt") as f: line = f.readline().split() cls, x, y, bw, bh = map(float, line) x1 = int((x - bw/2) * w) y1 = int((y - bh/2) * h) x2 = int((x + bw/2) * w) y2 = int((y + bh/2) * h) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.imwrite("check_bbox.jpg", img)

如果框和螺旋线的位置对不上，就得按正确的基准重算坐标，不要硬训。

5.3 同一患者的图像同时进了训练和验证集

现象：训练时mAP高达0.95，验证时掉到0.6，或者两个指标都好但真实测试表现非常差。原因：大概率是随机划分时同一个人的多张画作被分到两边。YOLO模型记住的其实是这个人特有的绘图风格和笔压习惯，而不是帕金森病的通用特征。解决：按笔画作者分组，每个作者的所有图像必须整体归入训练集或验证集。如果数据里没有作者ID，退而求其次的做法是按文件名前缀分组——比如parkinson_810和parkinson_1790各视为一个作者族，训练/验证按前缀分配。

5.4 空白背景被当成检测目标

现象：检测框不是圈住螺旋区域，而是框住了整张白纸，模型学到的是「纸片检测器」。原因：部分标注框的宽高数值接近1.0，意味着目标框几乎覆盖整个图像。这类数据要么由标注工具自动生成、没细调，要么标注者把「图像区域」当成了「目标区域」。解决：统计所有标签的宽高分布，把宽或高大于0.9的框单独列出来人工复查。如果占比过高，考虑统一重标框区域，只保留螺旋线条的最小外接矩形。

5.5 训练很快但分析时发现只学到了「线条粗细」

现象：模型对同一作者的画作检测效果很好，换一个陌生患者的画作就失准。原因：这是过拟合到了「笔压深浅」这类外观特征，而不是震颤的轨迹学特征。小数据集下的医疗影像模型最容易出现这种情况，不算bug，是数据性质决定的。解决：用更强的数据增强（随机擦除、灰度抖动、高斯模糊）破坏局部外观特征，迫使模型学习更本质的「线条形态异常」。或者用迁移学习：先在ImageNet或COCO上充分预训练，再在帕金森数据上微调，提升泛化性。

提示：训练过程中盯住train/loss和val/loss两条曲线的间距。间距越拉越大就是过拟合开始，提前用early stopping截断。

6. 把模型输出翻译成可解释的诊断参考：混淆矩阵与置信度阈值调优

模型训练到mAP达标只是第一步，真正落地的卡点是模型的预测怎么和实际医学判断对齐。

6.1 用混淆矩阵看误诊方向

先跑验证集，把预测结果和真实标签拼起来看混淆矩阵。在Ultralytics训练输出目录里直接找confusion_matrix.png，重点看两类错误：

• 把帕金森判断为健康（假阴性）：临床上会漏诊，危害最大。
• 把健康判断为帕金森（假阳性）：会造成不必要的就医焦虑。

训练日志里会给出每类的AP值，如果parkinson类AP低于healthy类，说明模型对患者的画作特征学习不足。此时我通常返回去检查像素层面：把患者画作的灰度直方图和健康人的做对比，大概率会发现患者的线条抖动在灰度分布上更分散，模型没有抓住这个差异。

6.2 置信度阈值与敏感度的权衡

YOLO推理时会输出一个置信度分数，默认0.25的阈值意味着只有模型确信度超过25%的检测框才被保留。医疗辅助诊断场景，这个阈值需要重新调。

# 用训练好的模型做推理并调整置信度阈值 from ultralytics import YOLO model = YOLO("runs/detect/parkinson_med/weights/best.pt") results = model.predict( source="samples/", conf=0.1, # 调低阈值，减少漏检 save=True, device="cpu" ) for r in results: boxes = r.boxes if boxes is not None: for box in boxes: cls = int(box.cls[0]) conf = float(box.conf[0]) print(f"类别: {model.names[cls]}, 置信度: {conf:.2f}")

逻辑说明：这里把conf从默认0.25降到0.1，让模型把更多不确定的检测框也输出出来，为的是观察「低置信度区域」是不是恰好对应临床上的早期帕金森画作特征。早期患者的螺旋图异常很不明显，模型给出的置信度天然偏低，一味的阈值截断会把最需要留意的早期信号过滤掉。

参数说明：conf=0.1适合离线分析阶段找出全部可疑区域；如果做成实时辅助诊断工具，建议阈值设在0.3~0.5之间，宁可漏掉一些不确定区域，也不要每秒触发一堆误报干扰医生判断。save=True会把标注后的图片存到runs/detect/predict/，方便直观复查。

6.3 用热力图方式辅助理解模型关注区域

2024年之后落地这类模型，习惯上加一步：用Grad-CAM类的热力图方式可视化模型的关注区域。YOLOv8系列可以直接用model.gradcam这类方法或者接入OpenCV的DNN模块生成热力图。它能告诉我们：模型做判断时到底是看了螺旋线本身，还是看了纸张的某个角落的墨迹。

# 示例：打开标注图叠加模型检测框，人工核对 import cv2 import numpy as np img = cv2.imread("samples/parkinson_1936.jpg") # 热力图叠加逻辑：先获取模型预测框 # 再把预测分数大于0.3的区域用蓝色到红色渐变标注 # 红色代表模型认为帕金森特征最强的区域 overlay = img.copy() # 这里省略具体框坐标绘制过程，核心是判断红色区域是否落在螺旋线的抖动处 cv2.addWeighted(overlay, 0.4, img, 0.6, 0, img) cv2.imwrite("heat_check.jpg", img)

第一次跑通后我习惯了做一件事：每个类别挑10张图，把模型预测的框和Grad-CAM热力图并排打印出来，一张张人工对照。如果热力图的颜色中心集中在螺旋线边缘的毛刺上，说明模型学到了震颤纹理；如果集中在线条中段的均匀粗细区域，说明模型学偏了，吃的是笔压和纸张纹理。

从那以后我每次拿到医疗图像数据集，再急也会先跑一遍标签检查和混淆矩阵，再决定动不动训练按钮；至少先花15分钟在可视化上确认模型关注对了地方。这个习惯帮我挡掉了至少三次「指标好看、实际不可用」的项目返工。这份资源本身的质量不差，但数据落地到真正可靠的检测流程，中间的坑都得靠这一步一步踩过来。希望帮到你。

本文还有配套的精品资源，点击获取