简介YOLO系列算法目标检测数据集专为蟑螂检测任务设计包含2051张带标签图像可直接用于模型训练、验证与测试。资源共2000个文件以1786个xml和214个txt标签文件为主分别对应VOC格式与YOLO格式标注同时提供已划分好的数据集结构和data.yaml配置文件适配yolov5、yolov7、yolov8、yolov9、yolov10、yolo11等主流算法。YOLO格式标签中每行记录类别索引及归一化后的目标框中心坐标、宽度和高度使用便捷VOC格式则便于配合传统目标检测流程或进行格式转换。整个压缩包仅47.59MB轻量易下载。目前已有130人学习使用适合正在入门或实战YOLO系列算法的开发者、学生及研究人员可省去数据采集和标注时间直接聚焦模型训练与调参优化。1. 蟑螂数据集配 YOLO 算法2051 张带标签图像能训出能用的检测模型吗拿到这份标题为“YOLO算法-蟑螂数据集-2051张图像带标签-蟑螂.zip”的数据包第一反应别是“终于有现成数据集了解压直接开训”。带标签的图像数据集不等于能直接喂给 YOLO 训练标签格式、标注质量、类别分布、train/val 划分方式、增强策略每一项都会决定最终模型在真实虫害监测场景里能不能落地。这个方向常见于智慧食堂、食品工厂、仓储环境的蟑螂监测需要做的不是“识别一张图里有没有蟑螂”的分类任务而是同时输出位置和置信度的目标检测任务。这套 2051 张图、单类蟑螂带框标注的体量大概对应一个中小型垂直场景数据集。单类检测任务数据量要求比多类低一些配合预训练模型微调、合理的数据增强和严格的质量清洗有机会把验证集 mAP0.5 做到 0.85 以上前提是数据质量过关。全文按“先验数据、再清洗转换、后调参训练、最后验证部署”的顺序展开中间会把 YOLO 训练时最容易翻车的几个问题单独拆出来讲这也是我实际做数据集项目时被坑得最多的地方。2. 拿到 zip 先别急着解压训练标签格式判定与 2051 张图的质量体检2.1 压缩包解压后先看什么目录结构与标签格式判定常见做法是先把 zip 解压到固定工作目录然后用 tree 命令看两层目录结构不要一上来就双击图片看内容。YOLO 生态的标准数据集一般长成 images/ 与 labels/ 两个平行目录标签文件名跟图片文件名一一对应但也有很多数据集是 VOC 格式JPEGImages/ 配 Annotations/XML或者 COCO 格式一个总的 annotations.json。这两种格式不能直接被 YOLO 训练代码读取需要转换所以第一步是判明你的 zip 是哪种结构。unzip 蟑螂.zip -d ./cockroach_dataset cd ./cockroach_dataset tree -L 2 -d # 只看目录层级不列全文件 find . -name *.xml | head -5 # 查有没有 VOC 格式标注 find . -name *.json | head -5 # 查有没有 COCO 格式标注 find . -name *.txt | head -5 # 查有没有 YOLO 格式标注这条命令组合的目的是花 10 秒确定标注文件后缀分布。如果同时出现 xml 和 txt说明数据集是混合来源不要想当然认为一种格式全覆盖如果既有 json 又有 txt也要逐个目录核对。判定格式不用打开文件逐个猜。打开任意一个 txt观察前几行内容每一行的结构如果是“类别id 归一化中心x 归一化中心y 归一化宽 归一化高”例如0 0.482 0.315 0.236 0.174这就是 YOLO 原生格式可以直接进训练阶段如果 xml 里有bndboxxmin结构就是 VOC如果 json 顶层同时有images与annotations两个 key就是 COCO。YOLO 格式的归一化坐标是关键特征很多初学者看到 txt 里有小数就以为是别的格式其实那正是归一化后的坐标值。2.2 对 2051 张图做自动体检文件完整性、标注类别分布与边界框质量数据集标注质量决定训练上限这一步要认真做全部交给脚本判断。我用一个 Python 脚本对图片完整性和标签可读性做初筛重点排查三类问题图片文件是否损坏、标签文件是否为空、标注框坐标是否合法。from pathlib import Path from PIL import Image import collections base Path(./cockroach_dataset) # 按你的实际路径修改 img_files list((base / images).rglob(*.jpg)) broken [] for p in img_files: try: with Image.open(p) as im: im.verify() # 只校验文件头不加载整图速度快 except Exception as e: broken.append((str(p), str(e))) print(图片总数:, len(img_files)) print(损坏图片数:, len(broken)) for item in broken[:5]: print(损坏样本:, item)im.verify()是 PIL 的快速校验方法只解析文件结构不把像素载入内存2051 张图跑完也就十几秒。如果发现损坏图直接删掉对应图片和标签别想着“就一张图损坏影响不大”训练时读到损坏样本会导致 dataloader 报错中断损失的时间远比补样本多。接下来统计标签的类别分布、空标签数量和非法框。单类数据集最常见问题不是类别不平衡而是空标签文件——某张图里其实有蟑螂但没标或者标完文件名对不上训练时这个样本被当成背景会干扰模型对正样本的判断。label_files list((base / labels).rglob(*.txt)) counts collections.Counter() empty_labels [] for f in label_files: lines [line.strip() for line in open(f, encodingutf-8) if line.strip()] for line in lines: parts line.split() if len(parts) 5: counts[parts[0]] 1 if not lines: empty_labels.append(str(f)) print(类别统计:, dict(counts)) print(空标签文件数:, len(empty_labels)) print(空标签示例:, empty_labels[:10])这里counts统计的是每个类别出现的边界框总次数不是图片数因为一张图里可能标了多个蟑螂。类别 id 是字符串形式保留这样即使 data.yaml 里类别名和 id 映射写错也能从原始标签里发现。对单类数据集全量标签理论上只有一个类别号如果出现类别号 1、2 甚至更大的数字说明要么有别的类别混入要么标注工具导出的 id 体系和你预期不一致这时需要回到 data.yaml 核对该类别 id 是否是从 0 开始的。2.3 边界框合法性检测负坐标、超界框与零宽高YOLO 训练代码对非法标注的容忍度很低。归一化坐标下中心点 x、y 应该在 [0, 1] 区间宽高应该是正数。出现负坐标多半是标注工具导出 bug宽或高为 0说明标注时误操作中心点坐标超出 [0, 1] 或 w、h 大于 1说明图片尺寸读取和标注坐标系不一致。我在体检阶段会把这些非法框全部列出来bad_boxes [] for f in label_files: for idx, line in enumerate(open(f, encodingutf-8)): parts line.split() if len(parts) ! 5: bad_boxes.append((str(f), idx 1, 字段数错误)) continue _, x, y, w, h parts x, y, w, h float(x), float(y), float(w), float(h) if w 0 or h 0: bad_boxes.append((str(f), idx 1, 宽高非正)) if x 0 or y 0 or x 1 or y 1: bad_boxes.append((str(f), idx 1, 中心点越界)) if w 1 or h 1: bad_boxes.append((str(f), idx 1, 宽高大于1)) print(非法框数量:, len(bad_boxes)) for item in bad_boxes[:20]: print(item)这套脚本的输出是后续清洗的依据。处理原则是“能修就修不能修就删该框或该图”。比如中心点略超 1.0 的可能是标注时手滑可以 clamp 到 [0, 1]宽高非正的说明框数据完全不可用直接删掉这一行字段数不足 5 的通常是标注文件格式损坏整行删除。删除前先看数量级如果非法框占比超过 10%说明数据集来源质量堪忧得考虑放弃该数据包或联系标注方重新导出不要硬着头皮清洗到能用的状态再后悔那是在用时间掩盖数据源头问题。3. 把标签清洗成 YOLO 能吃的格式XML/JSON 到 TXT 的批量转换3.1 常见转换脚本VOC XML 转 YOLO TXT如果 2.1 判定标签是 VOC xml 格式需要批量转成 YOLO 要求的 txt。转换核心是坐标换算VOC 里存的是绝对像素坐标 xmin、ymin、xmax、ymax需要先用图片真实宽高做归一化再换算成中心点坐标和宽高。这里有个容易翻车的细节xml 里size字段的width和height必须和图片实际尺寸一致如果数据集作者在标注后裁剪过图片但没更新 xml 的 size转换出来的归一化坐标全部是错的。import xml.etree.ElementTree as ET from pathlib import Path class_map {cockroach: 0} # 单类数据集的映射按 data.yaml 实际类别名修改 xml_dir Path(./Annotations) out_dir Path(./labels) out_dir.mkdir(exist_okTrue) for xml_path in xml_dir.glob(*.xml): tree ET.parse(xml_path) root tree.getroot() img_w int(root.findtext(size/width)) img_h int(root.findtext(size/height)) if img_w 0 or img_h 0: print(跳过空尺寸:, xml_path.name) continue lines [] for obj in root.findall(object): name obj.findtext(name).strip() if name not in class_map: print(未知类别跳过:, name, xml_path.name) continue bnd obj.find(bndbox) xmin float(bnd.findtext(xmin)) ymin float(bnd.findtext(ymin)) xmax float(bnd.findtext(xmax)) ymax float(bnd.findtext(ymax)) x_center ((xmin xmax) / 2) / img_w y_center ((ymin ymax) / 2) / img_h w (xmax - xmin) / img_w h (ymax - ymin) / img_h lines.append(f{class_map[name]} {x_center:.5f} {y_center:.5f} {w:.5f} {h:.5f}) out_file out_dir / xml_path.with_suffix(.txt).name out_file.write_text(\n.join(lines), encodingutf-8) print(转换完成输出目录:, out_dir)注意.5f的格式控制。归一化坐标精度保留 5 位小数就够太多位不仅文件冗余还容易在人工检查时看花眼。class_map里类别名必须跟 xml 的name文本完全一致带空格、全角符号都会匹配失败脚本里打印“未知类别跳过”就是给这种情况留的线索。COCO json 转 YOLO 也是高频需求。COCO 的 annotations 里每个元素包含image_id、category_id和bbox其中 bbox 是[x, y, width, height]的绝对像素表示左上角起点转的时候同样要除以对应图片的宽高。import json from pathlib import Path coco json.load(open(annotations.json, encodingutf-8)) image_id_to_info {img[id]: img for img in coco[images]} cat_id_to_new {1: 0} # COCO 原始类别 id - 你的目标类别 id out_dir Path(./labels) out_dir.mkdir(exist_okTrue) anno_by_img {} for ann in coco[annotations]: img_id ann[image_id] anno_by_img.setdefault(img_id, []).append(ann) for img_id, anns in anno_by_img.items(): if img_id not in image_id_to_info: continue img_info image_id_to_info[img_id] img_w img_info[width] img_h img_info[height] lines [] for ann in anns: cat_id str(ann[category_id]) if cat_id not in cat_id_to_new: continue x, y, w, h ann[bbox] x_center (x w / 2) / img_w y_center (y h / 2) / img_h nw w / img_w nh h / img_h lines.append(f{cat_id_to_new[cat_id]} {x_center:.5f} {y_center:.5f} {nw:.5f} {nh:.5f}) fname Path(img_info[file_name]).stem (out_dir / f{fname}.txt).write_text(\n.join(lines), encodingutf-8) print(COCO 转换完成)COCO 转换有一个坑bbox 里的宽高可能是 float不一定都是 int除以图片宽高前不需要转 int直接按 float 运算即可。另一个常见问题是 image 文件路径在 json 里可能带子目录前缀比如file_name: images/train/001.jpg用Path(...).stem拿到的文件名是001如果原来图片分散在 train/val 多个子目录下不同子目录里可能有同名图片转换后的 txt 就会互相覆盖。解决方法是输出时也保留相对子目录路径或者在划分 train/val 之前做转换保证文件名全局唯一。3.2 标注内容抽检与修正五类常见错标怎么筛转换完不等于结束要抽检一批 txt 内容对应原图人工确认转换后的标注框是否贴合蟑螂轮廓。这里推荐一个低成本方法写一个快速可视化脚本把标注框画到图上另存扫一遍最有代表性的几十张图。from PIL import Image, ImageDraw def draw_box(img_path, txt_path, out_path): img Image.open(img_path) draw ImageDraw.Draw(img) w, h img.size for line in open(txt_path, encodingutf-8): parts line.split() if len(parts) 5: continue _, x, y, bw, bh map(float, parts) x1 (x - bw / 2) * w y1 (y - bh / 2) * h x2 (x bw / 2) * w y2 (y bh / 2) * h draw.rectangle([x1, y1, x2, y2], outlinered, width2) img.save(out_path)抽检时重点看五类问题。一是框太大把蟑螂周围的环境大面积包进去这种情况在标注者赶工时很常见背景干扰直接影响模型定位精度二是框太小只框住身体一部分原因是遮挡或者标注意识不清三是漏标图像里明显能看到第二只蟑螂但只有一个框单类数据集漏标是隐形的“背景负样本污染”四是框中心漂移框虽然大小合适但没对准目标主体五是重复框两只叠在一起的蟑螂标了两个几乎重合的框这种需要人工合并或删掉一个。抽检时建议把标注框画出来后再把图像边缘裁剪 50 像素看一遍很多离目标太近的边框问题在缩略图里看不出来。这一轮发现的规律性问题比如“所有框都偏左上方”比逐张修更高效——这类系统性错标应该回到源头修正转换脚本或坐标偏移量而不是手动改 50 张图。4. 训练集/验证集划分和数据增强让 2051 张图发挥十成的价值4.1 按真实场景划分还是随机划分数据泄漏问题数据集划分直接决定验证集指标的可信度。很多蟑螂数据集来自固定监控点位连续抓拍同一只蟑螂在相邻帧里会出现多次如果随机划分同一场景的相似帧会同时进训练集和验证集验证结果虚高部署到新点位后性能掉得让你怀疑人生。我一般先按文件名前缀或目录判断是否来自同一拍摄场景来自同一场景的文件必须整体划分到训练集或验证集不能拆散。from pathlib import Path import random, shutil random.seed(42) img_dir Path(./images) train_dir Path(./split/train/images) val_dir Path(./split/val/images) train_label_dir Path(./split/train/labels) val_label_dir Path(./split/val/labels) for d in [train_dir, val_dir, train_label_dir, val_label_dir]: d.mkdir(parentsTrue, exist_okTrue) groups {} for img in img_dir.rglob(*.jpg): scene img.name.split(_)[0] # 依据文件名前缀分场景如 cam01_0001.jpg groups.setdefault(scene, []).append(img) items list(groups.values()) random.shuffle(items) split_idx int(len(items) * 0.8) train_groups, val_groups items[:split_idx], items[split_idx:] for group in train_groups: for img in group: label img_dir.parent / labels / img.with_suffix(.txt).name if label.exists(): shutil.copy(img, train_dir / img.name) shutil.copy(label, train_label_dir / img.name) for group in val_groups: for img in group: label img_dir.parent / labels / img.with_suffix(.txt).name if label.exists(): shutil.copy(img, val_dir / img.name) shutil.copy(label, val_label_dir / img.name)代码里按scene img.name.split(_)[0]分组这个规则要按实际文件名改。如果文件名没有场景标识只能按拍摄时间段近似分组。8:2 的划分对 2000 张级别的数据集够用本轮验证集约 400 张图统计意义足够。注意随机种子random.seed(42)必须固定不固定的话每次划分结果不同不利于复现实验结果。4.2 数据增强参数怎么配亮度扰动对蟑螂这类暗环境目标最敏感蟑螂数据集普遍来自夜间或低照度环境图像普遍偏暗、对比度低、颜色偏黄绿。数据增强的首要目标是模拟不同光线条件下的观测而不是把目标变成抽象画。我给常用增强参数一个保守起点表格里的数值可以直接抄进 ultralytics 的 data.yaml 或增强配置里。增强方式起始参数作用HSV 饱和度扰动hsv_s0.5, hsv_v0.3模拟不同色温和亮度环境随机左右翻转fliplr0.5扩大朝向多样性蟑螂姿态左右不对称随机缩放平移scale0.3, translate0.1模拟不同拍摄距离和目标位置Mosaic 拼接mosaic0.8提高小目标检测能力混合四张图随机亮度对比度在自定义 pipeline 里做参数 0.8~1.2夜间监控画面亮度波动很大参数不是越大越好。hsv_v超过 0.5 会把蟑螂从背景中“提亮”到不真实的程度模型学到的是“亮斑蟑螂”的相关性真实暗光场景反而失效。Mosaic 开启比例太高时蟑螂这种纹理目标会被拼接边界切碎我习惯在训练前 20 个 epoch 开启 mosaic0.8之后降到 0.3让网络后半程专注学习原始分辨率的细纹理。对应到 ultralytics 框架可以直接在训练参数里用mosaic0.8、close_mosaic10这类参数控制close_mosaic表示最后 10 个 epoch 关闭 mosaic保留原始图像分布。不要对蟑螂数据集做上下翻转增强。蟑螂在真实场景中几乎不会倒挂在画面里上下翻转会让模型学到错误的姿态先验推理时看到正常蟑螂反而犹豫。左右翻转安全因为摄像头视角不同会导致蟑螂朝左朝右都有。增强之外的另一个价值杠杆是预训练权重。yolo 预训练模型下载下来后微调时尽量保留 COCO 上预训练的特征提取层这类在千万级图像上学过的边缘、纹理特征对蟑螂的复眼纹理和触角结构仍然有效。训练脚本里设置pretrainedTrue或显式指定权重路径即可。单类任务从头训练不是不行但 2051 张图要从零学底层特征收敛慢且更容易过拟合。5. YOLO 训练避坑指南bn 层崩溃、混淆矩阵统计口径与小目标漏检5.1 yolo 训练中 bn 崩溃loss 突然变成 nan 或剧烈震荡训练刚开始几十个 batchloss 直接输出 nan或者前几个 epoch 震荡幅度越来越大这是我遇到最多的 YOLO 训练翻车现场。YOLOv5 和 YOLOv8 系列默认使用 BatchNorm 层bn 层崩溃的表象是训练日志里 loss 突然非数值实质原因是 batch size 太小但默认参数假设了较大的 batch 统计量。现象不是只有 nan 一种更隐蔽的是前几个 epoch 的 loss 从个位数一路涨到几十再突然跌回正常值看起来像“在找最优解”实际是 bn 层的 running_mean / running_var 在极小 batch 上被噪声样本带偏了。解决路径按优先级尝试第一batch size 提到 16 以上显存不够就降低输入分辨率用 640 训练比硬上 1280 更重要第二检查是否加载了预训练权重且预训练权重的类别数是否匹配你的 data.yaml类别数不匹配时最后一层卷积的权重被随机初始化前向输出方差过大bn 层容易崩第三上述两招无效时冻结 backbone 前 10 层让输出分布先稳定下来再解冻联合训练。还有一个隐藏原因值得排查数据集里有异常标注导致 loss 中出现极大梯度。某个标签框坐标超过 [0, 1] 范围或者宽高是 0模型对该样本的预测无法收敛梯度异常又反馈到 bn 层统计量。这种样本在 2.3 的体检脚本里就应该被筛掉。如果你已经跳过体检直接开训出现 nan 时回头跑一遍数据合法性检测常常能找到真凶。5.2 yolo 混淆矩阵总合不唯一统计口径搞清楚再判断模型好坏训练完看验证结果发现混淆矩阵每一行的总和不是 1 或者矩阵所有元素加起来明显不等于样本总数于是怀疑代码有 bug。其实 YOLO 输出的混淆矩阵有两种统计口径认清之后才能判断模型好坏。YOLOv5 的 confusion matrix 基于验证集预测结果统计矩阵的行是真实类别列是预测类别但每个真实目标只统计一次被漏检的目标会落到“背景”列。行方向的值表示该类别的真实目标数在各种预测结果间的分配由于格子是预测目标匹配后的分配结果行和应该等于该类 GT 数量不一定等于 1。列方向的总和反而可能大于该类别 GT 数因为一个 GT 可能被多个预测框重复命中也可能有纯误检框落到该类别名下。用代码验证时常见做法是先打印验证集 GT 总数再对比混淆矩阵所有对角线元素之和按正确匹配数除以 GT 总数得到 recall把所有预测命中数除以总预测框数得到 precision。不要用手算矩阵总和的思路去验算YOLO 的混淆矩阵图是给视觉判断用的不是严格的概率转移矩阵。实际部署时我几乎不看矩阵图里的绝对数字直接看验证脚本输出的 mAP0.5、mAP0.5:0.95 和 precision/recall 曲线。如果你想复查混淆矩阵的统计逻辑最直接的办法是拿 50 张验证图单独跑 predict再用代码统计预测框与 GT 框的 IoU 匹配关系和框架输出的矩阵对比。5.3 小目标漏检与类别失衡改分辨率、改锚框还是改损失蟑螂在监控画面里通常占比很小尤其是 1080P 画面里一只蟑螂可能只有 40×20 像素在 640×640 输入下缩到 20×10 像素。小目标漏检是最影响实际体验的问题处理顺序有讲究。第一步不是换模型而是把输入分辨率提到 960 或 1280。YOLOv8 的默认输入是 640小目标在降采样 32 倍后的特征图上只剩不到 1 个像素特征全丢了。分辨率上调对显存要求高我通常先试 960关闭 mosaic 后看漏检率下降多少。第二步是检查 data.yaml 里有没有设置合适的锚框尺寸ultralytics 支持anchors自动计算训练时开启自动锚框优化即可不需要手算。第三步才考虑损失函数层面对小目标场景可以调低box_loss的权重或使用更关注 IoU 的变体但这些都是锦上添花前两步不做等于没抓住重点。数据层面能做的事是把小目标样本单独统计出来。写脚本计算所有标注框面积占图像总面积的比例如果大量样本的框面积占比小于 0.01可以做一个简单的过采样复制这些难样本到训练集或者用 Copy-Paste 增强把小目标蟑螂贴到其他背景图上。但注意 Copy-Paste 容易把目标贴到不合理位置比如墙上、管道上模型会学到“哪里都能有蟑螂”的错误分布。我倾向于只做轻微过采样不做强增强复制。5.4 训练曲线正常但验证指标很高、现场预测却很差的三个原因训练损失收敛、验证 mAP 也很漂亮部署到现场却频繁漏检这个落差是数据集项目最打击人的时刻。最常见原因有三个按发生频率排序。第一验证集和训练集相似度过高造成指标虚高4.1 的场景划分没做好同一监控点抓拍的不同帧被拆进两个集合模型相当于“开卷考试”。第二现场图像分辨率、摄像头角度和数据集差异太大训练数据大多平视或俯视拍摄现场摄像头装在 3 米高处往下照形态差异极大。第三后处理参数没调推理时置信度阈值默认 0.25对低照度模糊目标不够友好现场应该跑一遍阈值扫描画出 precision/recall 随阈值的变化曲线再定阈值。这三条如果都查过还是不行就得回到数据补充上。采集现场视频帧用训练好的模型做自动预标注人工修正后加入训练集做一轮增量训练这才是面向真实场景的落地闭环不要指望 2051 张一次性数据集覆盖所有现场条件。6. 验证指标选择与部署阶段的关键微调技巧验证阶段先定指标口径。对单类蟑螂检测mAP0.5 是主要参考mAP0.5:0.95 过于严苛小目标在 IoU 阈值 0.75 以上很难达标不要因这个指标低就急着否定模型。重点关注验证集上的 recall现场业务的漏检代价远高于误检recall 目标建议做到 0.9 以上。部署时有两处微调最见效果。一是输入尺寸现场如果是 200 万像素摄像头推流分辨率 1080P直接全图推理显存压力大常见做法是保持长宽比缩放到 960 或 1280pad 到 32 的整数倍。二是置信度阈值白天场景设 0.3 够用夜间低照度画面把阈值降到 0.2 甚至 0.15更多靠 NMS 后面的位置置信度排序兜底。如果发现单帧里蟑螂密集把 NMS 的 IoU 阈值从默认 0.45 调到 0.4能减少重叠目标被合并的概率。导出模型时优先 ONNX 半精度在 CPU 上也能跑到接近实时的速度。端侧部署建议把预处理和后处理固定成标准流程开启静态输入尺寸避免动态形状带来的延时抖动。每次部署完现场保留当天误检漏检截图回传标注后做增量训练这是我习惯的迭代节奏模型上线只是开始不是结束。希望这篇实战拆解能帮你在蟑螂检测这条路上少走几趟弯路。本文还有配套的精品资源点击获取
