簡介本資源為面向皮膚疾病檢測的YOLO系列目標檢測數(shù)據(jù)集適用于白癜風、皮炎、黃褐斑三類皮膚病灶的識別任務可服務于醫(yī)學圖像分析方向的算法學習與模型驗證。壓縮包共334個文件包含111張jpg圖像、111個txt標簽、111個xml標簽及1個data.yaml配置文件整體約4MB體積輕便便于快速加載。標簽同時提供YOLO格式與VOC格式YOLO格式采用歸一化中心點與寬高比例可直接適配yolov5、yolov8、yolov9、yolov7、yolov10及yolo11等主流算法數(shù)據(jù)集已劃分完畢開箱即可投入訓練與測試。目前已有160人學習下載適合希望快速驗證皮膚病灶檢測方案、對比不同YOLO版本性能或開展小樣本醫(yī)學圖像實驗的開發(fā)者與研究人員能有效節(jié)省數(shù)據(jù)標注與格式轉換的時間成本。1. 111張皮膚鏡圖像跑YOLO小樣本醫(yī)學檢測到底能不能落地手里只有111張帶標簽的皮膚鏡圖像要分白癜風、皮炎、黃褐斑三類還想用YOLO做檢測——這事聽起來像拿玩具槍上戰(zhàn)場。但我在實際項目里反復驗證過一個結論小樣本醫(yī)學圖像做YOLO關鍵不在數(shù)據(jù)量絕對值而在標簽質量、類別平衡和增強策略的組合。111張圖如果每張都標得準、三類分布不畸形配合合理的遷移學習和強增強完全能跑出一個可用的基線模型至少能驗證技術路線是否值得繼續(xù)投入。這個數(shù)據(jù)集的核心價值在于它覆蓋了三種在臨床上容易混淆的色素性/炎癥性皮膚問題白癜風是色素脫失、邊界清晰皮炎是紅斑鱗屑、邊界模糊黃褐斑是色素沉著、對稱分布。用YOLO做檢測目標不是替代醫(yī)生診斷而是幫基層篩查場景做初步定位和分類提示。適合誰適合手里有少量標注數(shù)據(jù)、想快速驗證YOLO在細粒度醫(yī)學圖像上可行性的算法工程師和醫(yī)學AI方向的研究生。下面我從數(shù)據(jù)檢查、格式轉換、訓練配置到避坑把整條鏈路拆開講。2. 111張圖先別急著訓數(shù)據(jù)體檢與標簽清洗2.1 三類皮膚病的視覺特征與標注邊界拿到壓縮包解壓后第一件事不是寫訓練腳本而是把111張圖全部過一遍。我一般會按類別建三個文件夾每類放一個子集然后用圖片查看器快速翻一遍。這一步的目的是建立對數(shù)據(jù)分布的直覺白癜風的白斑在伍德燈下可能呈亮藍白色普通皮膚鏡下邊界銳利皮炎的紅斑往往伴隨脫屑標注框容易畫大黃褐斑的色素沉著區(qū)域邊界漸變標注框容易畫小。標注邊界不一致是小樣本醫(yī)學數(shù)據(jù)集的頭號殺手。同一個皮損不同標注者可能給出相差20%面積的框。YOLO的損失函數(shù)對框的回歸很敏感如果同類目標的框尺度方差過大模型會學到一個“平均框”導致定位精度上不去。我的做法是對每一類先隨機抽10張圖用同一套標準重新檢查框的左上角和右下角是否緊貼皮損邊緣發(fā)現(xiàn)偏差超過15%的就修正。這一步花不了兩小時但能省掉后面反復調參的玄學時間。2.2 用腳本做標簽分布統(tǒng)計與異常框剔除人工翻完之后用腳本做量化體檢。下面這段代碼讀取YOLO格式的標簽文件統(tǒng)計每類的框數(shù)量、寬高比和面積占比幫你發(fā)現(xiàn)異常樣本。import os import numpy as np from pathlib import Path from collections import defaultdict # 假設標簽目錄結構labels/train/ 下是 .txt 文件 label_dir Path(labels/train) img_dir Path(images/train) # 類別映射0-白癜風 1-皮炎 2-黃褐斑 class_names {0: vitiligo, 1: dermatitis, 2: melasma} stats defaultdict(list) for txt_file in label_dir.glob(*.txt): img_file img_dir / (txt_file.stem .jpg) if not img_file.exists(): print(f[警告] 標簽無對應圖像: {txt_file.name}) continue with open(txt_file, r) as f: lines f.readlines() for line in lines: parts line.strip().split() if len(parts) ! 5: print(f[異常] {txt_file.name} 行格式錯誤: {line.strip()}) continue cls_id, cx, cy, w, h int(parts[0]), *map(float, parts[1:]) # 檢查歸一化坐標是否越界 if not (0 cx 1 and 0 cy 1 and 0 w 1 and 0 h 1): print(f[越界] {txt_file.name} 類別{cls_id} 框: {cx:.3f},{cy:.3f},{w:.3f},{h:.3f}) stats[cls_id].append((w, h, w * h)) # 輸出每類統(tǒng)計 for cls_id in sorted(stats.keys()): arr np.array(stats[cls_id]) print(f\n類別 {class_names[cls_id]} (id{cls_id}):) print(f 框數(shù)量: {len(arr)}) print(f 平均寬高: {arr[:,0].mean():.3f} x {arr[:,1].mean():.3f}) print(f 平均面積占比: {arr[:,2].mean():.4f}) print(f 面積占比范圍: {arr[:,2].min():.4f} ~ {arr[:,2].max():.4f}) # 面積占比超過0.8的框很可能是標注錯誤 large arr[arr[:,2] 0.8] if len(large) 0: print(f [注意] 有 {len(large)} 個框面積占比超過80%建議復查)這段代碼的邏輯很直接遍歷標簽文件檢查每行格式是否為5個值驗證歸一化坐標是否在0到1之間然后按類別匯總寬高和面積。參數(shù)方面面積占比超過0.8的框意味著目標幾乎占滿整張圖在皮膚鏡圖像里這通常是把整個視野當成了皮損需要人工確認。如果某類框數(shù)量明顯少于其他類比如白癜風只有15個框而皮炎有80個那就要考慮是否對少數(shù)類做過采樣或調整損失權重。2.3 類別不平衡的處理優(yōu)先級111張圖里三類分布大概率不均勻。假設白癜風40張、皮炎50張、黃褐斑21張框數(shù)量可能更懸殊。處理類別不平衡有幾種常見做法按我的經驗排序第一優(yōu)先是數(shù)據(jù)層面對少數(shù)類做旋轉、翻轉、色彩抖動增強把有效樣本量拉到接近多數(shù)類第二優(yōu)先是損失層面在YOLO的分類損失里給少數(shù)類更高權重第三才是采樣層面用WeightedRandomSampler調整DataLoader。不要一上來就改損失函數(shù)先把增強做扎實因為醫(yī)學圖像的語義信息對幾何變換不敏感旋轉90度后的黃褐斑還是黃褐斑。3. 從VOC到YOLO格式轉換腳本與四個邊界坑3.1 標注格式識別與轉換腳本皮膚疾病數(shù)據(jù)集常見的標注格式有三種VOC XML、COCO JSON、以及已經轉好的YOLO TXT。壓縮包里如果是VOC格式每個圖對應一個XML里面記錄了bounding box的xmin、ymin、xmax、ymax。YOLO需要的是歸一化的中心點坐標和寬高轉換公式是cx (xmin xmax) / 2 / img_wcy (ymin ymax) / 2 / img_hw (xmax - xmin) / img_wh (ymax - ymin) / img_h。import xml.etree.ElementTree as ET from pathlib import Path from PIL import Image def voc_to_yolo(xml_path, img_path, class_map, output_txt): 將VOC XML轉為YOLO TXT格式 class_map: 類別名到id的映射如 {vitiligo:0, dermatitis:1, melasma:2} tree ET.parse(xml_path) root tree.getroot() # 獲取圖像尺寸 img Image.open(img_path) img_w, img_h img.size lines [] for obj in root.findall(object): cls_name obj.find(name).text.strip() if cls_name not in class_map: print(f[跳過] 未知類別 {cls_name} in {xml_path.name}) continue cls_id class_map[cls_name] bbox obj.find(bndbox) xmin float(bbox.find(xmin).text) ymin float(bbox.find(ymin).text) xmax float(bbox.find(xmax).text) ymax float(bbox.find(ymax).text) # 邊界裁剪防止坐標超出圖像范圍 xmin max(0, min(xmin, img_w)) ymin max(0, min(ymin, img_h)) xmax max(0, min(xmax, img_w)) ymax max(0, min(ymax, img_h)) # 跳過無效框 if xmax xmin or ymax ymin: print(f[無效框] {xml_path.name} 類別{cls_name}) continue cx (xmin xmax) / 2.0 / img_w cy (ymin ymax) / 2.0 / img_h w (xmax - xmin) / img_w h (ymax - ymin) / img_h lines.append(f{cls_id} {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}) with open(output_txt, w) as f: f.write(\n.join(lines)) return len(lines) # 批量轉換 class_map {vitiligo: 0, dermatitis: 1, melasma: 2} xml_dir Path(annotations) img_dir Path(images) out_dir Path(labels) out_dir.mkdir(exist_okTrue) for xml_file in xml_dir.glob(*.xml): img_file img_dir / (xml_file.stem .jpg) if not img_file.exists(): print(f[缺失圖像] {xml_file.stem}) continue out_file out_dir / (xml_file.stem .txt) n voc_to_yolo(xml_file, img_file, class_map, out_file) print(f{xml_file.name} - {n} 個框)這段腳本的關鍵在于邊界裁剪和無效框過濾。醫(yī)學圖像標注時標注者可能把框拉到圖像邊緣外或者因為皮損在圖像角落導致xmax小于xmin。不做裁剪的話歸一化坐標會出現(xiàn)負數(shù)或大于1的值YOLO訓練時雖然不會報錯但模型會學到錯誤的定位信號。參數(shù)上class_map必須和你的實際類別名完全一致大小寫敏感建議先用grep -r name annotations/ | sort -u看一下所有類別名。3.2 四個容易翻車的邊界情況第一個坑是圖像尺寸不一致。皮膚鏡圖像可能來自不同設備有的1024x1024有的800x600。轉換時每張圖都要用PIL讀取實際尺寸不能假設統(tǒng)一大小。第二個坑是類別名有空格或大小寫混用比如Vitiligo和vitiligo會被當成兩個類轉換前統(tǒng)一轉小寫并去空格。第三個坑是一張圖有多個同類目標YOLO格式允許同一張圖有多行相同cls_id但要注意如果兩個框高度重疊IoU0.7可能是重復標注建議用NMS預處理一下。第四個坑是標簽文件編碼Windows下標注工具可能存成GBK用Python讀取時加encodingutf-8否則中文類別名會亂碼。轉換完成后用2.2節(jié)的統(tǒng)計腳本再跑一遍確認每類框數(shù)量合理、沒有越界坐標。這一步做完數(shù)據(jù)才算真正準備好。4. YOLOv8小樣本訓練配置參數(shù)怎么設才不浪費111張圖4.1 模型選型與遷移學習策略111張圖用YOLOv8n或YOLOv8s就夠了不要上m或l參數(shù)量大了直接過擬合。我的選擇邏輯是如果GPU顯存只有8G選yolov8n.pt預訓練權重如果顯存16G以上可以試yolov8s.pt。預訓練權重是在COCO上訓的雖然COCO沒有皮膚鏡圖像但底層邊緣、紋理特征是可遷移的。凍結主干網絡前幾層只訓檢測頭是小樣本場景的常規(guī)操作。訓練配置用YAML文件管理下面是一個針對111張圖調過的配置# skin_yolo.yaml path: ./skin_dataset train: images/train val: images/val names: 0: vitiligo 1: dermatitis 2: melasma # 訓練超參 epochs: 200 batch: 8 imgsz: 640 workers: 4 device: 0 optimizer: AdamW lr0: 0.001 lrf: 0.01 momentum: 0.937 weight_decay: 0.0005 warmup_epochs: 5 warmup_momentum: 0.8 # 增強參數(shù)小樣本關鍵 hsv_h: 0.015 hsv_s: 0.7 hsv_v: 0.4 degrees: 15.0 translate: 0.1 scale: 0.5 shear: 5.0 perspective: 0.0 flipud: 0.5 fliplr: 0.5 mosaic: 1.0 mixup: 0.1 copy_paste: 0.1 # 驗證與保存 val: true save_period: 20 patience: 50參數(shù)說明lr00.001比默認的0.01小一個量級因為小樣本容易震蕩warmup_epochs5讓學習率從低到高預熱避免初期梯度爆炸mosaic1.0和mixup0.1是強增強組合能顯著提升小樣本泛化但注意mosaic在最后10個epoch要關掉否則模型學到的目標尺度分布和真實場景偏差太大。patience50表示50個epoch驗證指標不提升就早停111張圖通常100個epoch內就能看到收斂趨勢。4.2 訓練命令與關鍵日志解讀用Ultralytics的YOLOv8命令行啟動訓練yolo detect train \ dataskin_yolo.yaml \ modelyolov8n.pt \ epochs200 \ batch8 \ imgsz640 \ projectskin_runs \ nameexp1 \ exist_okTrue \ pretrainedTrue \ optimizerAdamW \ lr00.001 \ patience50啟動后重點看三個指標box_loss、cls_loss和mAP50。小樣本場景下box_loss在前20個epoch應該快速下降如果震蕩劇烈把lr0再降到0.0005。cls_loss如果一直不降檢查類別標簽是否從0開始連續(xù)編號YOLO要求類別id從0開始且不能跳號。mAP50在驗證集上能到0.5以上就算這個數(shù)據(jù)集有信號到0.7以上說明標注質量不錯。如果mAP50在0.2附近徘徊大概率是標注框問題回到第2章重新體檢。4.3 驗證集劃分與交叉驗證的取舍111張圖怎么劃分訓練驗證常見做法是8:2即89張訓練、22張驗證。但小樣本下單次劃分的方差很大可能恰好驗證集里都是難樣本。我的建議是做5折交叉驗證每折用不同的22張做驗證最后取平均mAP。雖然訓練時間乘以5但111張圖的訓練很快單折200epoch在單卡上也就十幾分鐘。交叉驗證的結果更能反映模型的真實泛化能力也方便你判斷哪些樣本是“頑固錯誤”后續(xù)針對性補標。5. 避坑與排查小樣本YOLO訓練中最容易翻車的五件事5.1 現(xiàn)象訓練loss正常下降但驗證mAP始終為0原因通常是驗證集的標簽路徑配置錯誤。YOLO在驗證時會去val指定的目錄下找同名的.txt標簽文件如果標簽文件名和圖像文件名不一致比如圖像是img_001.jpg標簽是img_001_voc.txt驗證時找不到標簽mAP自然為0。解決方法是檢查labels/val/下的文件名是否和images/val/一一對應用ls images/val | sed s/.jpg/.txt/和ls labels/val對比一下。5.2 現(xiàn)象模型只預測某一類其他類完全漏檢這是類別不平衡的典型表現(xiàn)。假設皮炎樣本占70%模型會傾向于把所有框都預測成皮炎因為這樣分類損失最小。解決分兩步先在數(shù)據(jù)增強里對少數(shù)類做copy_paste把少數(shù)類目標復制到其他圖像上再在訓練配置里加cls_pw參數(shù)YOLOv8支持通過class_weights傳權重給少數(shù)類2到3倍的分類損失權重。如果還不行考慮用focal loss替換默認的BCE loss但YOLOv8改損失需要動源碼新手不建議。5.3 現(xiàn)象驗證集mAP波動很大每次訓練結果差10個點以上小樣本訓練本身方差就大但如果波動超過10個點通常是驗證集太小或樣本分布不均。22張驗證圖里如果只有3張黃褐斑模型在這3張上的表現(xiàn)隨機性極強。解決辦法是增大驗證集比例到30%或者做交叉驗證取平均。另外檢查seed參數(shù)YOLO默認隨機種子不固定每次劃分和增強的隨機性不同固定seed42能讓結果可復現(xiàn)。5.4 現(xiàn)象推理時框的位置偏移明顯分類正確但定位不準這通常是標注框的寬高比和實際目標不匹配。皮膚鏡圖像里皮損往往是不規(guī)則形狀標注者可能畫了正方形框但實際皮損是細長條。YOLO的回歸損失對寬高比敏感如果訓練集里同類目標的寬高比方差大模型學到的框會偏向平均值。解決方法是回到標注環(huán)節(jié)對寬高比異常的框比如w/h3或h/w3重新檢查必要時用分割掩碼代替檢測框但那就變成YOLOv8-seg的任務了。5.5 現(xiàn)象訓練到后期mAP突然掉點如果mAP在150epoch左右突然下降大概率是過擬合。111張圖訓200epoch模型可能開始記憶訓練樣本的噪聲。解決方法是早停patience設30到50或者在最后50個epoch關閉mosaic增強讓模型在真實分布上微調。另外檢查weight_decay小樣本下可以適當增大到0.001抑制權重過大。6. 小樣本醫(yī)學檢測的進階技巧從111張到可用模型的最后一公里6.1 用測試時增強TTA榨干模型性能訓練完之后推理階段還能再擠一點性能出來。測試時增強的做法是對同一張測試圖做多次變換水平翻轉、多尺度縮放分別推理后把結果做NMS融合。YOLOv8內置了TTA參數(shù)在predict時加augmentTrue即可yolo detect predict \ modelskin_runs/exp1/weights/best.pt \ sourcetest_images/ \ augmentTrue \ conf0.25 \ iou0.45 \ saveTrue \ save_txtTrueaugmentTrue會啟用TTAconf0.25是置信度閾值小樣本模型建議設低一點寧可多檢一些再人工過濾。iou0.45是NMS的IoU閾值皮膚鏡圖像里皮損之間重疊少可以設到0.5。TTA通常能帶來1到3個點的mAP提升代價是推理時間乘以3到5倍看你的場景是否接受。6.2 錯誤樣本分析與主動學習閉環(huán)跑完驗證后把預測錯誤的樣本挑出來按錯誤類型分類漏檢、誤檢、分類錯誤、定位偏差。漏檢的樣本往往是皮損面積小或對比度低這類樣本優(yōu)先補充標注誤檢的樣本可能是正常皮膚紋理被誤判需要增加負樣本。主動學習的思路是每輪訓練后挑出模型最不確定的樣本置信度在0.3到0.6之間的人工復核后加入訓練集。111張圖經過3到5輪主動學習通常能擴充到200張左右的有效訓練集mAP能有明顯提升。6.3 一個我踩過的坑別在驗證集上調參最后說一個血淚教訓。我剛開始做小樣本醫(yī)學檢測時習慣在驗證集上反復調學習率、增強參數(shù)看到mAP漲了就保留。結果模型在驗證集上表現(xiàn)很好但換一批新數(shù)據(jù)就崩了。后來才明白驗證集被我用成了測試集模型間接過擬合了驗證集。正確做法是訓練集調參驗證集選模型另外留一個獨立的測試集做最終評估。111張圖如果實在不夠分至少用交叉驗證的折外預測來做模型選擇不要盯著單一驗證集的數(shù)字調參。希望幫到你。本文還有配套的精品資源點擊獲取