简介：本资源为肺炎检测数据集，面向医学影像分析、计算机视觉方向的学习者与研究者，可用于目标检测模型的训练与验证。数据集采用Pascal VOC与YOLO双格式标注，包含jpg图片及对应的xml、txt文件，标注类别为pneumonia negative与pneumonia positive两类，共10041个标注框，其中阴性5328框、阳性4713框，使用labelImg工具按矩形框规则完成标注。压缩包为7z格式，共2000个文件，以1999个xml标注文件和1个说明txt为主，整体约112.65MB。需注意数据集中包含较多增强图片，建议结合预览仔细甄别后再下载。该数据集仅提供准确合理的标注，不对训练模型或权重文件的精度作任何保证。目前已有469人学习下载，适合需要开展肺炎检测实验、验证检测算法或构建医学影像识别流程的读者参考使用。
1. 肺炎检测数据集实战：4983 张 VOC+YOLO 双格式到底怎么用
胸片肺炎检测是医学影像里最容易被低估的一类任务。很多人第一次拿到公开数据集，兴冲冲跑train.py，结果 mAP 卡在 0.3 上不去，回头一看标注框全是整张肺叶，模型学的是「有没有肺」而不是「有没有病灶」。这次拆的这份资源是 4983 张、2 类别的肺炎检测数据集，同时给了 Pascal VOC 的 XML 和 YOLO 的 TXT 两套标注，省掉了自己写转换脚本的功夫。它适合三类人：想跑通 YOLO 训练全流程的新手、需要做医学影像检测 baseline 的算法工程师、以及要验证自己数据增强策略是否过拟合的老手。2 类别通常对应正常与肺炎（或不同病灶类型），4983 张的体量不算大，单卡几小时能跑完一轮，正好用来做消融实验。下面按「格式怎么读 → 训练怎么配 → 坑在哪 → 怎么验证」的顺序拆开讲。
2. VOC 与 YOLO 双格式解析：坐标、类别与目录结构
2.1 两套标注的本质差异
Pascal VOC 用的是绝对像素坐标，一个 XML 文件对应一张图，里面xmin/ymin/xmax/ymax是框的左上角和右下角在原图上的像素位置，类别名写在<name>标签里。YOLO 用的是归一化中心点坐标，一个 TXT 文件对应一张图，每行class_id cx cy w h，五个值全部除以原图宽高，落在 0 到 1 之间。这两种格式没有谁更高级，VOC 可读性强、方便人工核对，YOLO 读取快、直接喂给 Darknet 或 Ultralytics 系框架。这份资源两套都给，意味着你可以用 VOC 做标注复核，用 YOLO 直接开训，不用来回转。
常见做法是先用 VOC 的 XML 检查一遍标注质量，确认没有越界框、没有漏标，再切到 YOLO 格式训练。因为 YOLO 的归一化坐标一旦原图尺寸记录错了，框会整体偏移，而 XML 里像素坐标是死的，肉眼一看就知道对不对。
2.2 目录结构应该长什么样
拿到压缩包解压后，标准布局大致是这样，不同打包者习惯略有差异，但核心目录跑不掉：
pneumonia_dataset/ ├── JPEGImages/ # 4983 张原始胸片，jpg 格式 ├── Annotations/ # VOC 格式 XML，与图片同名 ├── labels/ # YOLO 格式 TXT，与图片同名 ├── ImageSets/ │ └── Main/ │ ├── train.txt # 训练集图片名列表（不带后缀） │ ├── val.txt # 验证集图片名列表 │ └── trainval.txt # 训练+验证合并列表 └── classes.txt # 类别名，两行，顺序即 class_idclasses.txt的顺序极其关键。YOLO 的class_id是 0 和 1，对应classes.txt第 1 行和第 2 行。如果你自己重排了类别顺序却没改 TXT，模型会把正常当肺炎学，loss 看着降但指标全乱。我一般会先cat classes.txt确认顺序，再抽查几张图的 TXT 第一列是不是只有 0 和 1。
2.3 用脚本核对标注一致性
在开训之前，花两分钟跑个校验脚本，能省掉后面几小时的排查。下面这段检查图片、XML、TXT 三者是否一一对应，以及 YOLO 坐标是否越界：
import os from pathlib import Path from xml.etree import ElementTree as ET root = Path("pneumonia_dataset") img_dir = root / "JPEGImages" xml_dir = root / "Annotations" txt_dir = root / "labels" imgs = {p.stem for p in img_dir.glob("*.jpg")} xmls = {p.stem for p in xml_dir.glob("*.xml")} txts = {p.stem for p in txt_dir.glob("*.txt")} # 三者的交集才是能用的样本 print("图片无标注:", len(imgs - xmls)) print("标注无图片:", len(xmls - imgs)) print("YOLO缺失:", len(imgs - txts)) bad = [] for p in txt_dir.glob("*.txt"): for line in p.read_text().strip().splitlines(): parts = line.split() if len(parts) != 5: bad.append((p.name, "字段数不对")) continue cid, cx, cy, w, h = parts vals = list(map(float, parts[1:])) # 归一化坐标必须落在 0~1，且宽高不能为 0 if any(v < 0 or v > 1 for v in vals) or vals[2] == 0 or vals[3] == 0: bad.append((p.name, line)) print("越界或异常框:", len(bad)) for b in bad[:10]: print(b)逻辑说明：先做集合差，找出「有图没标注」和「有标注没图」的脏样本，这类样本在训练时会被框架直接跳过或报错。再逐行解析 TXT，检查字段数和归一化范围。参数上，vals[2]和vals[3]是宽高，为 0 说明标注时框被拖没了，这种框会让 loss 出现 NaN。跑完如果异常数为 0，说明这份数据集的标注是干净的，可以放心进训练。
3. YOLO 训练配置：从 data.yaml 到超参的落地写法
3.1 data.yaml 的字段含义
Ultralytics 系（YOLOv5/v8/v11）统一用 YAML 描述数据集路径和类别。这份资源解压后，你需要自己写一个pneumonia.yaml：
path: /data/pneumonia_dataset # 数据集根目录，绝对路径最稳 train: ImageSets/Main/train.txt # 训练列表，相对 path val: ImageSets/Main/val.txt # 验证列表 nc: 2 # 类别数，必须和 classes.txt 行数一致 names: # 类别名，顺序即 class_id 0: normal 1: pneumoniapath建议写绝对路径，相对路径在不同工作目录下启动训练时经常找不到文件，这是新手最高频的翻车点。train和val指向的是图片名列表文件，不是图片目录本身，框架会去path下按列表找图。nc和names必须和classes.txt严格对齐，写反了模型照样能训，但评估时类别全错。
3.2 启动训练的命令与关键参数
假设用 YOLOv8，一条命令能跑起来：
yolo detect train \ data=pneumonia.yaml \ model=yolov8n.pt \ epochs=100 \ imgsz=640 \ batch=16 \ lr0=0.01 \ patience=20 \ project=runs/pneumonia \ name=exp1逐项说明：model=yolov8n.pt用 nano 版做 baseline，4983 张图用大模型容易过拟合，n 或 s 足够；imgsz=640是输入分辨率，胸片病灶通常不大，640 是精度和显存的平衡点，显存够可以上 768；batch=16在 8G 显存上比较稳，爆显存就降到 8；lr0=0.01是初始学习率，小数据集建议再降到 0.005 避免震荡；patience=20表示 20 轮验证指标不升就早停，省时间。训练日志里重点看mAP50和mAP50-95，前者宽松后者严格，医学检测更该盯后者。
3.3 数据增强的取舍
YOLO 默认开了 mosaic、HSV 抖动、随机翻转。对胸片来说，左右翻转要谨慎——正常胸片左右翻转后心脏位置反了，虽然多数模型仍能学，但如果你的类别和左右肺位置强相关，翻转会引入噪声。常见做法是保留 mosaic 和亮度抖动，关掉上下翻转，左右翻转视类别定义决定。在命令行加flipud=0.0 fliplr=0.5即可控制。另外医学影像常有灰度分布差异，HSV 的饱和度通道抖动意义不大，可以把hsv_s调低，重点放在亮度和对比度上。
4. 避坑与排查：标注、显存与指标异常的五个血泪经验
4.1 训练 loss 正常但 mAP 接近 0
现象：训练跑完，box_loss 和 cls_loss 都在降，但验证 mAP 始终在 0.01 附近。原因九成是data.yaml里的names顺序和 TXT 里的class_id对不上，或者nc写成了 1。模型学到的类别索引和评估时用的名字错位，指标自然崩。解决：cat classes.txt看真实顺序，把names逐行对齐，nc改成实际类别数，重训前先用 10 张图做一次yolo detect predict目视确认框和类别。
4.2 报错「No labels found」
现象：启动训练直接抛No labels found in ...，或者警告大量图片被跳过。原因通常是train.txt里写的是带.jpg后缀的完整文件名，而框架期望的是不带后缀的 stem；或者path配错，框架在错误目录下找labels/。解决：打开train.txt看一行，正常应该是0001这种纯文件名。如果带后缀，用sed 's/\.jpg//' train.txt > train_fix.txt批量去掉，再把 yaml 指向新文件。
4.3 显存溢出（CUDA out of memory）
现象：训练几轮后突然 OOM，或者一启动就爆。原因除了 batch 太大，还可能是imgsz设太高，或者 mosaic 增强一次性拼 4 张图导致峰值显存翻倍。解决：先把batch减半，还不行就降imgsz到 512；再不行关掉 mosaic（mosaic=0.0）。另外workers设太大也会占内存，8 核机器设 4 就够，设 16 反而拖慢。
4.4 验证集指标虚高
现象：val mAP 0.9，换一批新图测试掉到 0.4。原因多半是训练集和验证集有重复图片，或者同一病人的多张胸片被分到了两边，造成数据泄漏。解决：按病人 ID 划分 train/val，而不是随机按图片划分。如果数据集没给病人 ID，至少做一次图片哈希去重，把完全相同的图从验证集剔除。这个坑在医学数据里极其常见，指标虚高会让你误以为模型可用。
4.5 框偏移或框整体缩小
现象：预测框位置系统性偏移，或者比真实病灶小一圈。原因通常是 YOLO 归一化时用错了原图尺寸——比如标注时按 1024 宽算的，转换脚本却按 512 算，坐标整体差一倍。解决：抽查一张图，用 XML 里的像素坐标除以图片真实宽高，和 TXT 里的值对比，对不上就说明转换环节尺寸记录错了，需要重新生成 TXT。
5. 进阶验证：用混淆矩阵和 PR 曲线判断模型是否真的可用
训练跑完不是看一个 mAP 就完事。Ultralytics 会在runs/pneumonia/exp1/下生成confusion_matrix.png和PR_curve.png，这两个图比单一指标更能说明问题。混淆矩阵看的是「正常被误判成肺炎」和「肺炎被漏判成正常」各有多少。医学场景里漏判（假阴性）代价远高于误判，所以你要重点看肺炎那一行的召回率，而不是整体准确率。如果召回只有 0.6，哪怕 mAP 有 0.8，这个模型也不能上。
PR 曲线看的是不同置信度阈值下的精度和召回权衡。曲线越靠右上越好，曲线下的面积就是 AP。两类的 AP 如果差距很大，比如正常类 0.95、肺炎类 0.55，说明模型对肺炎特征学得不够，可能是肺炎样本太少或病灶太小。这时候的进阶做法是：对肺炎类做针对性过采样，或者把imgsz提到 768 让小病灶在特征图上占更多像素。
还有一个我每次都会做的动作：把验证集里置信度在 0.3 到 0.6 之间的预测框单独导出来，人工看一遍。这批「模型拿不准」的样本最能暴露问题——要么是标注本身模棱两可，要么是病灶确实不典型。看完这批，你对模型的能力边界就有数了，比盯着 mAP 数字靠谱得多。从那以后我每次训完医学检测模型，都强制走一遍「混淆矩阵看召回 → 低置信样本人工复核 → 再决定要不要调增强」这个流程，希望帮到你。
本文还有配套的精品资源，点击获取
