简介：该数据集围绕RSNA肺炎检测场景构建，提供VOC与YOLO两种流行的目标检测标注格式，适配主流训练框架，方便算法工程师、科研人员以及医学影像智能分析方向的学习者使用，也可迁移至其他单类别目标检测任务。数据规模包含六千零一十二张图像对应的标注信息，每张图像均配有XML和TXT标注文件，类别名称为meat，共标注出九千五百五十五个矩形框；标注工具为LabelImg，绘制规则仅针对目标画框，标注结果准确合理，但作者特别声明不对训练后的模型精度提供任何保证，因此实际使用时应独立验证模型效果。压缩包内文件总数为两千个，其中一千九百九十九个为XML标注文件，另外一个是使用说明文档，整体体积约八百八十六点七八兆字节，且不包含分割路径信息。目前已有五百九十四人学习下载。获取之后可直接用于YOLO、Faster R-CNN等常见检测框架的训练与验证，免除自行转换格式的步骤；还可按照VOC或YOLO目录规范配置路径，快速展开肺炎检测实验，结合数据规模与标注类型进行数据增强、预训练和模型评测等后续研究。
1. RSNA肺炎检测数据集：VOC+YOLO双格式到底解决了什么问题
做过目标检测的人最怕的不是模型难调，而是数据格式难缠。RSNA肺炎检测数据集来自北美放射学会（RSNA）的公开挑战赛，原始素材是DICOM胸片，标注埋在CSV里，坐标、灰度、尺寸都不规整，直接拿来喂给YOLO会当场劝退。这个7z包已经把数据整理成VOC（XML）和YOLO（txt）双份格式，共6012张、1个类别，解压之后可以直接进训练流水线。适合正在做肺结节或肺炎检测的从业者，也适合想用医学影像入门YOLO目标检测的人；你不需要再写一轮格式转换脚本，省下的时间足够你把训练参数多调几轮。
2. 把7z压缩包安全落盘：Linux与Windows两条解压路径
2.1 为什么用7z：压缩率、固实包与磁盘预判
这个包把VOC和YOLO两份数据放进了同一个7z文件，而不是分开两个zip，是有现实考虑的。JPG、PNG这类图片已经做过一次有损或无损压缩，zip对它们的再压缩能力很弱，但7z的LZMA使用固实压缩，把整个包当成一个连续数据块处理，能利用图片之间的横向相关性再挤出10%~20%的体积；更重要的是只有一个文件，分发、校验、归档都省事。
拿到包的第一步，不要急着解压，先在命令行下用7z l看包内清单。这样你能摸清几件事：包内是不是VOC和YOLO并列的目录结构、JPEGImages里是jpg还是png、有没有单独放ImageSets。这些信息直接决定你后面的数据加载代码怎么写。另外，先看下磁盘剩余空间够不够——解压后的体积通常是压缩包体积的2~3倍，RSNA这类胸片数据集尤其明显。
2.2 Linux下解压7z：p7zip-full与7z x的精确用法
常见做法是装p7zip-full，Debian/Ubuntu一行搞定。如果你在CentOS/RHEL系，对应包名是p7zip，用yum install p7zip。装完确认7z命令存在再操作。
# 查看包内目录结构，避免盲解压 7z l RSNA肺炎检测数据集VOC+YOLO格式6012张1类别.7z # 完整解压到指定目录，-o后面不要带空格 7z x RSNA肺炎检测数据集VOC+YOLO格式6012张1类别.7z -o/data/rsna/只要7z l能看到VOC/和YOLO/两个顶层目录，解压出来就不会乱。注意7z x会保留包内目录结构，7z e则会把所有文件平铺到同一个目录下——很多人在这步翻车，解压完6000多张图全堆在一层，XML和JPG混在一起没法用。这个包务必用7z x。
如果只需要YOLO格式，完全可以用通配符只解压一部分，省一半磁盘：
7z x RSNA肺炎检测数据集VOC+YOLO格式6012张1类别.7z -o/data/rsna_yolo/ "YOLO/*"通配符参数跟在包名后面，路径要从包内根目录写起。我在生产环境还会加-bsp0把进度信息关掉，配合nohup扔后台，避免终端被刷屏。
2.3 Windows下解压7z：7-Zip与侧边栏文件树的取舍
Windows下最省事的方案是装7-Zip，然后右键解压。但对于只想确认包内结构的场景，直接双击7z文件，7-Zip会在界面上把包内目录展开成文件树，不用解压就能预览VOC和YOLO各目录里的文件。这个习惯能帮你提前发现是不是只有图片没有标注、ImageSets里train和val是否齐全，等于一个免费的后悔药。
真正要解压时，选中需要的目录再点“解压”按钮，7-Zip只会解出选中的部分。需要全部解压就右键整个压缩包，选择“7-Zip -> 解压到 当前文件夹”。解压过程中不要直接拔电源或强杀进程，7z写文件是顺序进行的，被中断后虽然能重新解压，但之前的半截文件会造成空间浪费。
有一点容易忽略：如果文件名里有中文，Windows打包后到Linux下可能出现编码错乱。这个包里顶层目录是VOC和YOLO这类ASCII名称，一般不受影响；但如果发现解压出来的文件名带乱码，用convmv或7z的编码参数重命名/重新解压一次就能解决。
2.4 解压后的三件事：数图片、数标注、看尺寸分布
解压完先校验，不要直接开训练。第一步数文件数量，图片数和标注数必须一致。第二步看图片模式和尺寸，这决定后面数据加载写不写额外处理。第三步是抽样目检，用脚本随机挑几张图，把XML里的框画出来，确认框不是乱框。
find /data/rsna/VOC/JPEGImages -type f | wc -l find /data/rsna/VOC/Annotations -type f | wc -l两条命令的结果应该一致。如果不一致，优先怀疑是解压时跳过同名文件，回压缩包里核对一下。接着用Python看部分图片的尺寸和模式：
from PIL import Image import glob for img in sorted(glob.glob("/data/rsna/VOC/JPEGImages/*.jpg"))[:10]: with Image.open(img) as im: print(img.split("/")[-1], im.size, im.mode, im.format)输出里看到L模式的灰度图，先记下来，第5章会讲它怎么坑你。看到尺寸参差不齐也不用慌，ultralytics在训练时会自动letterbox；但如果你要自己写Dataset类，这一步就躲不掉了。
3. VOC和YOLO两种标注格式：转换脚本与四个边界坑
3.1 Pascal VOC的目录约定与XML里的坐标系
VOC格式有个显著特点：它不靠配置文件，而是靠目录结构说话。JPEGImages里放图，Annotations里放同名XML，ImageSets/Main里放train.txt、val.txt这些划分文件。拿到别人整理的VOC包，第一件事就是确认这三个目录都在；缺Annotations就白搭，缺ImageSets其实还能补救，自己按比例划分就行。
XML里每个目标对应一个<object>节点，name是类别名，bndbox里是xmin、ymin、xmax、ymax的绝对像素坐标。这个直观，适合人看，但YOLO训练不认这种坐标，所以双格式包的意义就是把麻烦提前解决掉。这里有个细节：XML里的<size>字段记载的是图片宽高，但它只是一份“当时的记录”。图片被resize过、被格式转换过程丢掉过原始信息的情况在RSNA数据里不少，所以转换时永远以JPEGImages里真实图片的宽高为准，不要信XML里的size。
3.2 归一化坐标的计算法与class id的处理
YOLO格式的核心是“归一化到0~1的相对坐标”。每一行txt对应一个目标：class_id x_center y_center width height。x_center和y_center是框中心的相对坐标，width和height是框宽高相对图片的比例。而class id是整数，映射关系由data.yaml里的names定义。
这个包只有1个类别（pneumonia），class_id固定为0。很多人拿到1类数据集会忽略类别字典，一旦哪天往包里加了第二个类别，所有训练代码都要返工。我一般会从一开始就维护一个name->id字典，哪怕只有1个类别，也保持同样的代码路径。
3.3 一份可以直接跑的VOC转YOLO脚本
import glob import os import xml.etree.ElementTree as ET from PIL import Image xml_dir = "/data/rsna/VOC/Annotations" img_dir = "/data/rsna/VOC/JPEGImages" out_dir = "/data/rsna/YOLO/labels" class_map = {"pneumonia": 0} os.makedirs(out_dir, exist_ok=True) for xml_path in sorted(glob.glob(os.path.join(xml_dir, "*.xml"))): tree = ET.parse(xml_path) root = tree.getroot() img_name = root.find("filename").text img_path = os.path.join(img_dir, img_name) with Image.open(img_path) as im: img_w, img_h = im.size lines = [] for obj in root.findall("object"): cls_name = obj.find("name").text if cls_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) x_center = (xmin + xmax) / 2 / img_w y_center = (ymin + ymax) / 2 / img_h w = (xmax - xmin) / img_w h = (ymax - ymin) / img_h if w <= 0 or h <= 0: continue lines.append(f"{class_map[cls_name]} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}") txt_path = os.path.join(out_dir, os.path.splitext(img_name)[0] + ".txt") with open(txt_path, "w") as f: f.write("\n".join(lines))这段脚本里有两个地方特意写成这样：一是用Image.open读真实宽高，而不是用XML里的size；二是float()而不是int()去解析坐标。RSNA里有些XML坐标带小数，用int会截断，标注框会偏移一点点，累积起来就是mAP下跌的元凶。归一化坐标保留6位小数足够，再多不会带来精度提升。脚本跑完后，用下面这段代码做单样本正确性校验：把txt里的归一化坐标换算回绝对值，画在原图上，直接目测框位。
from PIL import Image, ImageDraw img_path = "/data/rsna/YOLO/images/0001.jpg" txt_path = "/data/rsna/YOLO/labels/0001.txt" with Image.open(img_path) as im: w, h = im.size draw = ImageDraw.Draw(im) for line in open(txt_path): cls_id, xc, yc, bw, bh = map(float, line.split()) x1 = int((xc - bw / 2) * w) y1 = int((yc - bh / 2) * h) x2 = int((xc + bw / 2) * w) y2 = int((yc + bh / 2) * h) draw.rectangle([x1, y1, x2, y2], outline="red", width=4) im.save("/tmp/check_0001.jpg")这步花不了1分钟，能拦下至少一半的“训练效果不好”的玄学问题。
3.4 转换过程中最常踩的四个边界坑
坑一说的是多目标只取第一个。RSNA胸片上肺炎病灶可能不止一块，XML里会有多个<object>节点。如果转换脚本只取了obj.find("object")（返回第一个节点）而不是findall，后面几个框就凭空消失了。现象是训练时正样本数急剧减少、模型recall低；原因是多数入门教程只演示单目标XML；解决是统一用findall遍历。
坑二是坐标小数被int截断。现象是标注框整体往左上偏移；原因是白用了int()；解决见3.3的脚本，用float。
坑三是文件夹命名与txt文件不同名。RSNA整理包有时图片叫0001.jpg、标注叫0001.txt，但labels目录里可能混有来自其他数据集的同名文件。现象是训练警告image not found或者样本数对不上；解决是解压后先数文件数量一致性。
坑四是ImageSets的train/val划分没转成YOLO路径清单。YOLO训练需要的是train.txt和val.txt两个文件，每个路径一行。而VOC的ImageSets里写的是不带扩展名的名字。不转的话data.yaml配train会找不到文件，训练直接报错。这条对用ultralytics跑的朋友来说几乎必踩。
生成这两份清单的常见做法是：
# 把VOC的ImageSets/Main/train.txt转成YOLO需要的train.txt（图片绝对路径清单） main_dir = "/data/rsna/VOC/ImageSets/Main" with open(f"{main_dir}/train.txt") as f: names = [line.strip() for line in f if line.strip()] with open("/data/rsna/YOLO/train.txt", "w") as out: for name in names: out.write(f"/data/rsna/YOLO/images/{name}.jpg\n")这段代码逻辑不复杂，但要注意拼接的是images目录，不是labels目录；data.yaml里train指定的就是这个txt。
4. 用YOLO在PyCharm里跑通肺炎检测：yaml、损失函数与训练参数
4.1 在PyCharm里从零装好YOLO环境
用PyCharm跑，因为新手调试友好，断点、监视变量都直观。常见做法是新建项目时选好虚拟环境，然后在底部Terminal里装ultralytics。注意不要直接在全局Python里装，避免把系统环境搞坏。
pip install ultralytics装完先不要急着训练，跑两条验证命令：确认torch能看到GPU，确认yolo能加载权重。
import torch from ultralytics import YOLO print(torch.__version__, torch.cuda.is_available()) model = YOLO("yolov8n.pt") # 首次运行会下载预训练权重torch.cuda.is_available()返回False，说明装的torch是CPU版，需要重装CUDA版：
pip uninstall torch torchvision -y # 根据本机CUDA版本选择cu118/cu121/cu124后缀 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121参数说明：cu121表示匹配CUDA 12.1的预编译包，如果本地是CUDA 11.8，把后缀改成cu118或cu124。这步踩的人最多，报错里带CUDA unavailable十有八九是这里的问题。
4.2 data.yaml的两个字段：绝对路径与单类别的names
path: /data/rsna/YOLO train: train.txt val: val.txt names: 0: pneumonia这份yaml最关键的一点：path写绝对路径。PyCharm里运行训练脚本时，当前工作目录往往是项目根目录而不是数据目录，写相对路径会导致ultralytics找不到train.txt。names里0: pneumonia说明这个检测任务只有1个类别。
还有一个容易忽略的细节：train.txt里的图片路径必须和path字段拼接后恰好构成真实路径。如果train.txt里写的是绝对路径，ultralytics会让train.txt里的路径优先于path，所以两种写法不要混用，要么全是绝对路径，要么全是相对路径（相对data.yaml里的path）。
4.3 三个优先调的参数：epochs、batch、imgsz
from ultralytics import YOLO model = YOLO("yolov8n.pt") results = model.train( data="/data/rsna/YOLO/data.yaml", epochs=100, batch=16, imgsz=512, device=0, patience=20, )参数说明：epochs在这个数据规模下100轮足够，再多容易过拟合；batch按显存来定，12GB卡用16比较稳，24GB卡可以试32；imgsz=512是因为胸片分辨率高但目标（肺炎区域）相对大，512和640之间的差别不大，512能省显存、提速。patience=20是早停耐心值，val的mAP连续20轮不涨就停。医生标注的边界框主观性较强，val指标波动本来就大，patience设大一点没坏处。
用yolov8n而不是yolov8s起步，是因为这个数据集只有6000多张且只有1类，n的容量够用。想追更好效果再跑s或m，但要在同等参数下对比，避免换模型的同时换了imgsz导致结论失真。
4.4 训练日志里的损失函数：box_loss、cls_loss与波动现象的观察
训练时终端会同步打印box_loss、cls_loss、dfl_loss三个数值。box_loss对应边界框回归损失（包含CIoU与DFL组合），cls_loss是分类损失，dfl_loss是分布聚焦损失。三者之和是总loss，但ultralytics默认分别打印。
对RSNA这类医学影像，前10个epoch里cls_loss下降最快，因为模型先学会区分有炎症和没有；box_loss的下降会慢很多，因为边界框精度依赖特征图分辨率。常见误区是只看总loss——它在3个分量互相抵消时可能显示平稳，掩盖了某一个分量发散的问题。我一般会把每个epoch的三个分量都记录到CSV里，单独画曲线。如果box_loss在后面出现反弹，先查坐标转换；如果cls_loss持续不降，先查类别配置。
另外，医学影像里病变区域往往只占整图很小比例，anchor在特征图网格上大多数位置是负样本，这种背景主导会让loss曲线呈现波动——看着在降，其实模型在输出“没有目标”。这不是代码bug，属于数据本身特性，处理方法放在第5章的样本不均衡条目里。
如果做的是肺结节定位而不是肺炎检测，建议把cls_loss的权重调高一点（ultralytics的train参数里有cls权重）。肺结节更小、更稀疏，分类错误的代价比定位错误更高。
4.5 数据划分与跑训练时的注意事项
训练前先检查train.txt与val.txt是否按病人ID隔离，尤其RSNA一类的医学数据。“同一病人的两张胸片，一张在train、一张在val”是个隐性数据泄露，会让val指标虚高。这个包在整理时基本会按VOC约定的划分走，但换到自己的数据集时要按病人维度做分组划分。
如果是在AGX Orin这类边缘设备上跑同样的训练，建议后续把权重导出为TensorRT，推理速度比FP32翻倍不止；训练阶段这些参数不用动，直接把device指到CUDA核心即可。
5. RSNA数据集专踩的5个坑：灰度图、坐标转换与样本不均衡
医学影像数据集和自然图像数据集有一批不一样的坑。自然图像翻车大多出在网络结构或超参，RSNA这类胸片数据的坑集中在数据本身的物理性质上——灰度、尺寸、标注质量。下面5条是跑这个数据集跑出来的血泪经验，按现象、原因、解决三段写。
5.1 灰度图被当成单通道，训练时直接报错
现象：训练进行到某个epoch时，日志突然抛出类似“Expected input channels to be 3, but got 1”的报错，或者图片在DataLoader加载阶段直接失败，整个训练中断。
原因：RSNA原始胸片是DICOM灰度图，整理成VOC格式时如果只做了格式转换没有做通道复制，JPG里就是单通道灰度。PIL读取为L模式，而YOLO的backbone接受的是RGB三通道输入。
解决：解压后统一检查并转RGB再开训练。
from PIL import Image import glob for img_path in glob.glob("/data/rsna/VOC/JPEGImages/*.jpg"): with Image.open(img_path) as im: if im.mode != "RGB": im.convert("RGB").save(img_path)这段代码跑一遍后，再随机抽几张确认im.mode都是RGB。如果XML里的<size>depth写3但实际是灰度图，转换脚本也要同步修正——这就是第3章强调“以实际图片为准”的由来。
5.2 图片尺寸悬殊，batch训练OOM
现象：训练时一个batch正常，下一个batch直接OOM，换小batch又慢得离谱。
原因：RSNA整理出来的胸片尺寸不统一，有1024x1024的，也有256x256的。YOLO在训练时会按imgsz做letterbox缩放，大图的内存占用明显更高，导致显存波动。
解决：不要在自己代码里统一resize（会破坏bbox坐标），而把缩放交给模型的letterbox。ultralytics在送入batch前会统一缩放，显存峰值基本稳定。如果单卡实在不够，优先降imgsz而不是降batch，因为batch太小时BN层统计不稳，训练效果会明显变差。
5.3 坐标绝对值写死，换图就错位
现象：训练出来的模型在单张测试图上效果不错，换一批图后框整体偏移。
原因：VOC的XML坐标是绝对像素值，图片resize后如果没有同步缩放坐标，框就错位。常见做法是有人为了统一尺寸直接用PIL的resize保存图片，却忘了改XML。
解决：统一用归一化坐标喂给YOLO；如果要resize，先算缩放比例再更新坐标，不要手动改XML。
5.4 阳性样本占比低，recall虚低
现象：训练完后日志里mAP50看着还行，但实际推理时很多真实病灶没检出，recall只有0.4~0.6。
原因：RSNA肺炎检测数据里，很多胸片根本没有病灶，阴性样本占大头。YOLO默认的置信度阈值是0.25，在负样本主导下模型倾向保守输出，mAP和实际漏检率对不上，这是个典型的黑匣子问题。
解决：推理时把conf降到0.05~0.1，再配合NMS。评估还是用val的mAP为准。如果阈值降下来recall有明显提升，说明模型本身没有大问题。另一种手段是训练时开启更强的增强（mosaic、mixup），或者给cls_loss加权重。
5.5 病灶框太小，被YOLO直接过滤
现象：训练后发现val集上一个小病灶都没检出，而大的实变区都能检出。
原因：YOLO有默认的anchor和最小框限制，框宽或高小于某个像素阈值时，会被当成噪声滤掉。RSNA里早期肺炎的病灶可能是几毫米的小斑片影，转成512x512训练图后可能只占十几个像素。
解决：在转换阶段把小目标按原图比例保留，训练时imgsz不要开太小；同时用ultralytics的scale增强参数扩大目标尺寸多样性。如果要正经做小目标检测，后续应该切patch训练或者换成支持小目标的模型结构。
6. 训练完成后的验证：mAP曲线、漏检分析与ONNX导出
6.1 val跑一遍，不要只看日志里的mAP
训练结束后，ultralytics在runs/detect/train/下已经存了验证集的结果图像和metrics。但自己再显式跑一次val更放心：
from ultralytics import YOLO model = YOLO("/data/rsna/runs/detect/train/weights/best.pt") metrics = model.val(data="/data/rsna/YOLO/data.yaml", conf=0.05) print(metrics.box.map50, metrics.box.map)conf=0.05是故意调低的。医学影像负样本多，按默认0.25评估会把一堆低置信度真阳性框过滤掉，map50会偏低。如果压低conf后map50从0.55跳到0.65，说明模型其实学到了特征，只是置信度标定偏保守。
6.2 漏检分析：哪些图翻车
val输出里有每张图的预测结果，把漏检的图挑出来逐张看。我会把漏检图分成三类处理：病灶太小、病灶被肋骨遮挡、病灶对比度极低。前两类靠增强或切patch缓解，第三类多是标注本身的问题——原始标注框画得极松，模型学出来的框反而比标注准。
这个习惯帮我避开了一个坑：第一次跑通时mAP50有0.6，我觉得可以收工了，结果漏检的全是小病灶。后来训练时开了mosaic加小目标增强，才把recall拉上去。
6.3 导出ONNX，脱离PyTorch也能部署
导出这一步很常见，也简单：
model.export(format="onnx", imgsz=512, half=True)参数说明：imgsz要和训练时的输入尺寸一致；half=True导出FP16模型，体积减半，但部署端需要支持FP16推理。导出的onnx可以用onnxruntime在CPU上直接跑，遇到显存紧张的情况，转TensorRT部署的收益会更明显，AGX Orin这类边缘设备上差距尤其大。
我现在拿到任何新的医学影像数据集，第一件事一定是先看图模式和坐标分布，而不是急着写训练代码。这个习惯帮我省下一个又一个深夜排查的时间，也让我少走了很多弯路。希望帮到你。
本文还有配套的精品资源，点击获取
