简介细胞活性检测数据集面向目标检测与细胞图像分析场景提供1298张JPG图片及对应标注标注类别为Dead和Live两类共包含31332个目标框数据同时给出Pascal VOC格式XML与YOLO格式TXT两种标签文件可直接用于Faster R-CNN、YOLO等常见检测框架的训练与验证。压缩包共2000个文件以1298个XML标签文件与TXT标签文件为主整体大小32.45MB便于下载和快速部署。所有标注均使用labelImg工具按矩形框规则完成类别分布清楚Dead框约2.4万个、Live框约7千个由此呈现一定的不均衡性也适合用于研究类别不平衡场景下的检测算法。目前已有197人学习下载适合刚接触目标检测数据集格式的初学者作为练习样例也可供需要细胞活性相关检测数据的算法研究者直接复用省去人工标注和格式转换的时间特别说明数据集只提供准确且合理标注不承诺模型精度使用时需自行验证。1. 细胞活性检测数据集开箱前先想清楚这 1298 张图能解决什么问题做细胞活性检测的目标检测数据集本质上是要让模型在显微镜图像里同时完成两件事把每个细胞的位置框出来再告诉你是活的还是死的。1298 张图、2 类标签听上去规模不大但多数团队做细胞活力评估、药物毒性筛选、染色计数分析时手里能用的干净标注图连 500 张都没有。这个规模的好处是单卡就能训练、迭代快坏处是稍不注意就会过拟合或精度虚高。VOC 和 YOLO 两种格式都给你意味着不用再自己写标注转换工具可以直接喂给 Detectron 系和 Ultralytics YOLO 系两条主流训练链路。这套数据最适合的使用者是已经在跑细胞图像相关项目、需要快速出一个能用的检测模型而不是从零搭标注平台的人。下面我按自己跑过的流程把这套数据的检查、转换、训练和排错路径完整讲一遍。2. 摸清家底VOC 与 YOLO 两套标注如何对应同一批图像2.1 先看 VOC 的 XML 标注里每个字段管什么拿到压缩包解压后我的习惯是先用一条命令把目录结构铺开看而不是直接丢进训练脚本。VOC 格式的核心是 JPEGImages 里的 .jpg 文件和 Annotations 里的同名 .xml 文件每个 XML 描述一张图里所有目标的类别和坐标。annotation folderJPEGImages/folder filenamecell_00123.jpg/filename size width640/width height480/height depth3/depth /size object namedead/name bndbox xmin128/xmin ymin96/ymin xmax243/xmax ymax215/ymax /bndbox /object object namelive/name bndbox xmin332/xmin ymin180/ymin xmax451/xmax ymax294/ymax /bndbox /object /annotation这段 XML 的关键不在那些花哨字段而在三点name决定类别、size决定图像原始宽高、bndbox决定目标的绝对像素坐标。很多人在 VOC 转 YOLO 时翻车就是因为忽略了size是原图的尺寸如果前面做过图像缩放但 XML 没同步更新转换后坐标全是偏的。另外要注意object标签可以出现多次每个目标一个块。如果一张图里有几十个密集细胞XML 里就会有几十个object后面写转换脚本时循环遍历要处理对。truncated和difficult这两个字段在 VOC 里表示目标是否被截断、是否难以辨认训练时通常直接忽略但如果你发现某些难例效果特别差回头看这两个字段会有线索。2.2 再看 YOLO 的 txt 标注里归一化坐标怎么换算YOLO 格式的标注在 labels 目录下每张图对应一个同名 .txt 文件每行内容为类别 id、归一化中心 x、归一化中心 y、归一化宽、归一化高。五个数字空格分隔。0 0.578125 0.443750 0.179688 0.247917 1 0.719531 0.505208 0.185938 0.239583这个文件和 XML 描述的是同一个目标换算关系是x_center (xmin xmax) / 2 / widthy_center 同理宽度等于 (xmax - xmin) / width。反过来转成 VOC 时xmin (x_center - width / 2) * image_width注意要四舍五入取整而且要把越界的坐标裁剪回 [0, width] 区间。两个文件格式有本质差异VOC 存的是绝对像素坐标人能直接读YOLO 存的是 0~1 的归一化比例模型训练时读得更快。理解了这个换算你就能在两种格式之间自由切换不会被标注工具的输出格式绑死。类别 id 的顺序完全由你定义的类别清单决定不是 XML 里name出现的先后顺序这里一定要严格检查。2.3 训练前的三方对齐体检脚本我一般会在拿到任何数据集后先跑一遍对齐检查确认三件事每张图片都有对应的标注文件、标注文件里没有空文件、类别 id 没有超出你定义的类别数。这个步骤 10 分钟能省下后面一整天的排查时间。import os from collections import defaultdict img_dir JPEGImages label_dir YOLOLabels class_names [live, dead] # 以实际标签清单为准 imgs {f.split(.)[0] for f in os.listdir(img_dir) if f.endswith(.jpg)} labels {f.split(.)[0] for f in os.listdir(label_dir) if f.endswith(.txt)} mismatch imgs ^ labels if mismatch: print(存在无配对标注的图片:, mismatch) empty_files [] id_count defaultdict(int) for name in labels: path os.path.join(label_dir, name .txt) with open(path) as f: lines [l.strip() for l in f if l.strip()] if not lines: empty_files.append(name) for line in lines: parts line.split() class_id int(parts[0]) id_count[class_id] 1 if class_id len(class_names): print(f非法类别 id: {name} - {class_id}) print(疑似空标注文件:, empty_files[:10]) print(类别统计:, dict(id_count))这段脚本先是把图片文件名集合和标签文件名集合做对称差找出缺失方再逐行解析 txt统计每个类别的实例数同时抓出越界的类别 id。跑完之后你手里就有三个结论数据完整性、类别分布、空标注数量。其中类别统计非常关键如果 live 和 dead 的实例数差到 10 倍以上后面训练就得考虑类别权重或者采样策略否则模型会一边倒地偏向多数类。3. 把 VOC 转成 YOLO 再划分数据集转换脚本与三个必调参数3.1 完整转换脚本从 XML 解析到生成 txt虽然压缩包里两种格式都给了但实际项目里你总会遇到只在 VOC 格式下做标注、需要转 YOLO 的情况或者反过来。我把这套转换脚本保留下来直接在命令行里复用。import xml.etree.ElementTree as ET import os class_names [live, dead] # 顺序即类别 id def voc_to_yolo(xml_file, out_file): tree ET.parse(xml_file) root tree.getroot() width int(root.find(size/width).text) height int(root.find(size/height).text) with open(out_file, w) as f: for obj in root.findall(object): name obj.find(name).text.strip() if name not in class_names: print(f跳过未知类别: {name} in {xml_file}) continue class_id class_names.index(name) 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 / width y_center (ymin ymax) / 2 / height w (xmax - xmin) / width h (ymax - ymin) / height # 裁剪到 0~1防止越界导致训练被忽略 x_center min(1.0, max(0.0, x_center)) y_center min(1.0, max(0.0, y_center)) w min(1.0, max(0.0, w)) h min(1.0, max(0.0, h)) f.write(f{class_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}\n) xml_dir Annotations out_dir labels os.makedirs(out_dir, exist_okTrue) for xml_file in os.listdir(xml_dir): if not xml_file.endswith(.xml): continue stem os.path.splitext(xml_file)[0] voc_to_yolo(os.path.join(xml_dir, xml_file), os.path.join(out_dir, stem .txt)) print(转换完成)这段脚本最需要注意的是 class_names 的定义顺序它直接决定 txt 里的数字是 0 还是 1。如果你后续训练用的 yaml 文件里类别顺序不一致模型输出和你的预期就会完全错位。另外find(size/width)这种路径写法依赖 XML 结构有些标注工具会多套一层size或把字段名改成别的跑之前先打印一个 XML 看看层级。脚本里的裁剪逻辑不是多余操作。部分标注工具在画框时允许拖出图像边界导致 xmax 大于 width这类数据在 YOLO 训练中会被视为非法框直接跳过表现为 loss 在某个 step 后突然异常或某些图片完全不参与训练。裁剪到合法区间是成本最低的保险。3.2 1298 张图的划分策略按图像不按标注文件划分数据集时最常见的错误是直接随机打乱然后按比例切但如果你不设随机种子每次跑出来的训练集都不一样实验就不可复现。另一个更容易忽略的问题是同一张图的多张标注如果有不能被拆到不同集合里。对这个数据集来说一张图就是一个样本不需要处理多标注拆分。import random import os random.seed(42) img_dir JPEGImages train_ratio 0.8 val_ratio 0.1 imgs [f for f in os.listdir(img_dir) if f.endswith(.jpg)] random.shuffle(imgs) n len(imgs) train_imgs imgs[:int(n * train_ratio)] val_imgs imgs[int(n * train_ratio):int(n * (train_ratio val_ratio))] test_imgs imgs[int(n * (train_ratio val_ratio)):] def write_list(imgs, path): with open(path, w) as f: for img in imgs: f.write(os.path.join(img_dir, img) \n) write_list(train_imgs, train.txt) write_list(val_imgs, val.txt) write_list(test_imgs, test.txt) print(len(train_imgs), len(val_imgs), len(test_imgs))这里我把比例设为 8:1:11298 张图对应约 1038 张训练、130 张验证、130 张测试。对目标检测任务来说验证集 130 张足够看出训练是否收敛测试集这 130 张要留到最后做终验永远不要让它进训练过程。random.seed(42)保证每次划分结果一致你在换模型、调参时对比的才是同一份验证集。3.3 小目标与密集细胞场景下的参数预设细胞活性检测图像里细胞通常密集且尺寸偏小尤其在高倍镜下视野内可能有几十上百个目标。这类场景下有两个参数直接影响最终精度输入图像缩放尺寸和锚框设置。Ultralytics YOLO 默认用 640 作为输入尺寸但如果你的原图是 1280x960 甚至更大直接把 640 缩放会导致细胞变成十几个像素的小目标几乎无法检测。我一般的做法是先用一小段代码统计所有标注框的像素宽度和高度分布再决定训练尺寸。统计结果如果发现大部分框的宽度集中在 20~60 像素就说明 640 输入尺寸偏小建议把 imgsz 提到 960 或 1280。代价是训练速度和显存占用上升但对小目标检测的收益非常明显。锚框方面Ultralytics YOLO 支持auto_anchor自动重新计算训练时会根据标注数据重新聚类锚框。如果你的数据集场景特殊可以在 yaml 配置里保留auto_anchor: True让模型自己适应细胞尺寸分布而不是去手工猜一组爬虫默认值。4. 用 YOLO 训练细胞活性检测模型最小可复现流程4.1 数据目录组织与 yaml 配置写法Ultralytics YOLO 的训练入口靠一个 yaml 文件描述数据集路径用绝对路径或相对路径都行但类别清单顺序必须和前面转换脚本里的 class_names 完全一致。# cell_data.yaml path: /path/to/cell_dataset train: train.txt val: val.txt test: test.txt nc: 2 names: 0: live 1: dead这里 path 指向数据集根目录train/val/test 指向划分脚本生成的 txt 文件路径。注意 txt 里写的是 JPEGImages 下的图片路径所以 path 的基准目录要让拼接出来的完整路径能找得到图片。一个隐蔽的坑是 Windows 下路径分隔符和 Linux 不一致如果在本地 Windows 跑通了再传服务器路径全部要重新核对。4.2 预训练权重与小数据集的超参设置1298 张图训练目标检测模型属于典型的小数据迁移学习场景。直接从头训练 YOLO 的 backbone 几乎必然过拟合正确做法是加载 COCO 预训练权重然后冻结 backbone 前几层只微调后面的检测头。COCO 里虽然没有细胞类别但底层特征提取能力可以完美迁移过来。yolo detect train datacell_data.yaml \ modelyolov8n.pt \ epochs100 \ imgsz640 \ batch16 \ lr00.001 \ lrf0.01 \ freeze10 \ patience20 \ projectcell_runs \ nameexp_cell几个关键参数的判断依据模型选 yolov8n 而不是 yolov8s因为 1298 张图撑不起大模型的容量n 系列参数量最小、过拟合风险最低epochs 设 100 结合 patience20 早停即连续 20 个 epoch 验证集指标不提升就自动停freeze10 冻结 backbone 前 10 层保留 COCO 学到的底层特征同时减少可训练参数量。lr0 初始学习率 0.001 比默认的 0.01 更保守。小数据集上学习率过大非常容易在第一个 epoch 就把预训练权重冲坏表现为 loss 先降后飙、mAP 始终在 0 附近。如果你发现 loss 曲线异常震荡优先把 lr0 降一半再跑。4.3 日志观察与中断恢复训练启动后不要干等。至少要看三个指标的走势train/box_loss 下降是否平稳、val/det_loss 是否和训练 loss 同步下降、mAP50 和 mAP50-95 是否在缓慢爬升。如果 val loss 已经拐头向上而 train loss 还在降说明过拟合已经开始patience 早停会帮你拦住但更推荐在过拟合之前就调低 lr0 或增加数据增强。训练中途断掉也不需要从头再来。Ultralytics 会自动保存 last.pt 和 best.ptlast.pt 记录最近一个 epoch 的状态续训时直接指定这个权重yolo detect train datacell_data.yaml \ modelcell_runs/exp_cell/weights/last.pt \ epochs100 \ imgsz640续训后 epoch 数会接着上次的计数但 eval 指标是从零重新累计的。如果你改了 imgsz 或 batch显存占用和训练速度会变化建议改完先跑几个 epoch 确认 loss 能继续降再离开终端去干别的。5. 避坑细胞活性检测数据集训练时的高频问题排查记录5.1 活细胞与死细胞数量悬殊精度虚高到失真现象训练出的模型 mAP50 显示 0.95 以上但实际拿到新图上检测死细胞几乎全漏活细胞框得还算准。困惑的是 Why 指标这么高。原因如果标注本里 live 的实例数远大于 dead模型学到的最优策略变成了「把框出来的一切都预测为 live」因为只需要牺牲极少数的 dead 就能换取很高的整体精度。VOC 转 YOLO 时统计的类别分布已经暴露了这个问题但往往被人忽略。解决先计算每个类别的实例占比给少数类加 loss 权重。Ultralytics YOLO 可以在 yaml 之外通过 class_weight 参数调整更多时候我们直接在数据层面处理——对 dead 类做增强复制几份或者从标注较多的活细胞图里裁掉一部分框对应修改标签。代价是数据复杂度上升但比模型层面硬调权重更可控。5.2 标注框越界导致训练时被静默忽略现象训练日志一切正常loss 也在下降但 val 阶段发现总有一些图参与度极低检测结果里某些训练图片的目标完全没被识别出来。原因标注框如果 xmax 超出图像宽度YOLO 的 dataloader 会判定该标注非法并直接跳过不会报错。标注人员画框拖出边界在细胞图像里极其常见尤其细胞密集时很容易把框拖到图外。解决把 3.1 节里的裁剪逻辑套到所有 txt 标注上先全量跑一遍。再加一个检查逻辑读图片真实宽高比对 txt 里的归一化坐标换算回像素后是否越界。这个动作我每次拿到新数据集都会做一遍五分钟能省去一整天的定位时间。5.3 细胞粘连密集导致漏检和小目标丢失现象模型在细胞稀疏区域表现不错一到细胞成团、互相贴边的区域就大量漏检而且越小的细胞越容易丢。原因密集粘连场景下NMS 会把重叠度较高的相邻细胞框合并掉一个小细胞在下采样到 640 尺寸后只占十几个像素特征图上的响应很弱。这是目标检测的通用难题不是这个数据集本身有缺陷。解决一是提高输入分辨率到 960 或 1280小目标像素数直接翻倍二是调低 NMS 的 IoU 阈值比如从默认 0.45 降到 0.3减少相邻细胞的框被合并的概率三是在预处理里叠加 Tile 切图训练把大图切块后每块独立训练。切图会让标注也跟着切实现成本较高但针对显微镜图这类高分辨率全场景是最有效的方案。5.4 换了染色方法或放大倍数模型精度断崖式下跌现象训练时用的图像是某种染色条件下的细胞图部署时换了另一种染色或换了显微镜倍数mAP 直接跌掉 20 多个点。原因染色颜色分布改变意味着特征空间整体漂移而放大倍数改变意味着细胞尺度的统计分布完全变了。目标检测模型对这两个因素都极度敏感本质是训练集和数据分布不一致。解决最直接的做法是把新条件下的数据手动标注数百张加进训练集做增量微调。比这更先一步的是在训练阶段做颜色增强包括 HSV 扰动、灰度化、亮度变化让模型不要死记特定染色下的颜色纹理而是学形状和边缘结构。对于你已经训练好的模型先小批量标注 100~200 张新图做验证确认问题范围后再决定是加数据还是调整预处理管线。6. 模型调优的最后一公里用混淆矩阵和难例挖掘逼近上线水平训练结束后不要只看 mAP 和 PR 曲线要去看混淆矩阵。Ultralytics YOLO 训练输出里的 confusion_matrix.png 能直接告诉你 live 被预测成 dead 的有多少、dead 被漏掉的有多少。如果发现某一类互相混淆严重针对性地去补那类难例比盲目增加所有图片更有效。难例挖掘的具体操作是用训练好的模型跑验证集把预测框和真实标注做匹配挑出漏检和误检的图片可视化保存。看这些图时重点关注三类情况细胞太密集导致合并、目标太小导致丢失、染色背景复杂导致误检。把这些图单独建目录手工修正标注后加进训练集重新微调一般一轮下来 mAP50-95 能涨 3~5 个点。最后再强调一条我踩过的坑测试集 130 张图在你训练过程中一次都不要碰。哪怕你只是为了看一眼当前效果也不行。一旦测试集参与了人工决策它就不再是公正的终验数据。等到你确定模型不改了才用最终权重跑一次测试集记录下 mAP 和每类 AP这个值就是你交付时能对别人承诺的真实性能。做这个方向的数据集和模型调优我的习惯是先确认数据质量再碰网络结构——标注错误比模型容量不够更致命建议你也在每次训练前留 15 分钟做一致性检查。希望这些流程能帮你在细胞活性检测数据集上少走一些弯路。本文还有配套的精品资源点击获取