简介这是一份面向目标检测与医学影像分析学习者的YOLOV5格式宫颈癌检测数据集仅包含cancer一个类别训练集816张图片、验证集216张图片均为1000-4000分辨率的大尺寸RGB图像病灶目标小且边界框标注清晰特别适合研究小目标检测场景。压缩后约614.59MB共2000个文件主要由1083个txt标签文件、916个jpeg图像文件和1个可视化py脚本组成txt标签与图片一一对应目录已按YOLOV5标准整理整体按训练集与验证集分目录存放下载后可直接接入训练无需额外格式转换。附带的Python可视化脚本无需修改即可运行随机读取一张图片即可自动绘制边界框并将结果保存到当前目录便于快速核对标注质量与数据分布。目前已有738人学习下载适合需要现成医学数据集开展实验或进行小目标检测算法验证的学生与开发者。1. 宫颈癌检测数据集YOLOV5目录格式的医学影像数据到底能不能直接用做医学影像检测的人大概率都经历过这种尴尬好不容易找到一份宫颈癌相关的公开数据集下载下来一看不是 VOC 就是 COCO要么就是一堆没标注的原始切片得自己花两三天转格式、写脚本、划分数据集等真正能跑起来训练热情已经消耗了一半。这份医学数据集YOLOV5目录格式比较实在——类别就一个训练集、验证集已经按目录分好标签文件是 YOLO 标准的 txt也就是说你拿到手之后改个 yaml 路径就能直接开训省掉的是整个数据预处理环节。它解决的核心问题不是有没有数据而是数据能不能立刻喂给 YOLOV5 用适合正在跑目标检测实验、又不想在数据格式上浪费时间的研究生和算法工程师。这篇文章我会从目录结构、标签格式、训练配置、验证指标到常见的翻车点把整个流程拆开讲透。2. 解构 YOLOV5 目录格式images / labels 与 train / val 的正确摆放方式2.1 目录树长什么样为什么 train 和 val 不能混着放拿到这份数据集第一件事不是急着配环境而是把目录结构看明白。YOLOV5 对数据集的目录组织有明确约定images 和 labels 必须分开放且 images 下的 train、val 子目录要对应 labels 下的同名子目录。这份数据集按约定来解压后的结构大致是这样cervical_dataset/ ├── images/ │ ├── train/ │ │ ├── 001.jpg │ │ ├── 002.jpg │ │ └── ... │ └── val/ │ ├── 101.jpg │ └── ... ├── labels/ │ ├── train/ │ │ ├── 001.txt │ │ ├── 002.txt │ │ └── ... │ └── val/ │ ├── 101.txt │ └── ... ├── data.yaml └── README.md这个结构唯一的硬约束是同名文件必须存在于 images/train 和 labels/train 之下比如 001.jpg 和 001.txt 要一一对应。训练时 YOLOV5 会通过图片路径去推断标签路径如果你把一张图放在 train、标签却放在 val训练脚本直接报错或者静默跳过这张图——后者更坑数据量少的时候你根本不知道哪张图被丢了。验证方法很简单写一段 Python 脚本检查两边的文件名集合是否完全一致import os img_train set(f.split(.)[0] for f in os.listdir(images/train)) lbl_train set(f.split(.)[0] for f in os.listdir(labels/train)) img_val set(f.split(.)[0] for f in os.listdir(images/val)) lbl_val set(f.split(.)[0] for f in os.listdir(labels/val)) print(train 图片数:, len(img_train), 标签数:, len(lbl_train)) print(val 图片数:, len(img_val), 标签数:, len(lbl_val)) print(train 缺失标签:, img_train - lbl_train) print(val 缺失标签:, img_val - lbl_val)这段脚本的作用是把「图片与标签是否一一对应」做成一次显式检查输出缺失项。我一般拿到任何 YOLO 格式数据集都会先跑一遍因为有些二道贩子数据集是从别的格式转过来的转换脚本写得不干净就会出现漏转或者文件名错位的问题。这也是这份数据集让我放心的地方——目录树是完整的train 和 val 分离得很干净不用自己重新划分省了随机抽样那一步。如果你打算自己扩展数据集切记保持这个目录树不变增加图片时同步放好标签不要单独往 images 里塞文件。2.2 label 文件的五个数字类 ID 与归一化坐标的完整解读YOLO 标签文件和 VOC 最大的不同在于它不记录像素坐标而是用归一化后的相对坐标。打开 labels/train 下面的任意一个 txt 文件你看到的每一行都是五个数字0 0.452148 0.318359 0.084961 0.112305从左到右依次是类别 ID整数从 0 开始、目标中心点的 x 坐标、目标中心点的 y 坐标、目标框的宽度、目标框的高度。后四个值全部是归一化结果等于实际像素值除以图片宽或高。这份数据集只有一个类别——宫颈癌病变区域所以类别 ID 恒为 0这也意味着如果你跑完训练发现类别数对不上问题大概率出在 data.yaml 而不是标签文件。有一点值得注意这份数据集的 txt 文件是纯文本、UTF-8 编码不存在 BOM 头的问题YOLOV5 的 dataloader 能直接读。之前我踩过另外一份数据集的坑标签文件是 GBK 编码带 BOM训练时没报错但标注框全部是乱的找了一天才发现是编码问题。所以拿到任何数据集先用文本编辑器打开一个 label 文件确认编码和格式比你后面排查一整天值得多。2.3 数据统计脚本一次性确认类别、框数量与尺寸分布在启动训练之前我习惯先写一个统计脚本把整个数据集的标注情况摸清楚。别看这一步不起眼它能直接告诉你这个数据集能不能直接训、需不需要调 anchor 或者做数据增强。脚本思路很直接遍历所有 txt统计类别分布、每张图的框数量、框的尺寸分布和宽高比分布。import os from collections import Counter def parse_label(txt_path): boxes [] with open(txt_path, r) as f: for line in f: parts line.strip().split() if len(parts) ! 5: continue cls, cx, cy, w, h int(parts[0]), float(parts[1]), float(parts[2]), float(parts[3]), float(parts[4]) boxes.append((cls, cx, cy, w, h)) return boxes all_boxes [] for split in [train, val]: label_dir flabels/{split} for fn in os.listdir(label_dir): if fn.endswith(.txt): all_boxes.extend(parse_label(os.path.join(label_dir, fn))) cls_counter Counter(box[0] for box in all_boxes) img_with_boxes len(set(os.path.splitext(fn)[0] for fn in os.listdir(labels/train))) print(类别统计:, dict(cls_counter)) print(总标注框数:, len(all_boxes)) print(小目标占比(32x32):, sum(1 for box in all_boxes if box[3] * 640 32 and box[4] * 640 32) / len(all_boxes)) print(中目标占比(32-96):, sum(1 for box in all_boxes if 32 box[3] * 640 96 and 32 box[4] * 640 96) / len(all_boxes))这段脚本默认图片尺寸按 640 计算因为 YOLOV5 训练时默认会把图片缩放到 640x640。运行后你能看到三个关键数据类别是否只有 0、小目标占比有多高、中目标占比是多少。宫颈癌病变区域在整张切片里通常占比例很小属于典型的小目标检测场景。如果小目标占比超过一半后面训练时就必须考虑 mosaic 增强和 anchor 调整的问题这两个坑我放到第 5 章展开讲。3. 训练配置与启动把宫颈癌检测模型跑起来的关键步骤3.1 data.yaml 写法绝对路径还是相对路径拿到数据集后训练前唯一必须改的文件是 data.yaml。YOLOV5 官方仓库的 data.yaml 模板长这样你需要把 path 改成实际目录# data.yaml path: /absolute/path/to/cervical_dataset # 数据集根目录建议用绝对路径 train: images/train val: images/val nc: 1 names: [cervical_cancer]这里有几个关键点。path 字段是数据集根目录train 和 val 是相对于 path 的子路径nc 必须等于 1names 列表长度必须也是 1否则 YOLOV5 在读取时会报类别数不一致。我一般习惯用绝对路径而不是相对路径因为 YOLOV5 在启动时如果用了不带 path 字段的老版本配置写法直接写 train: /xxx/images/train在不同机器上迁移时容易漏改路径。用 path 统一管理之后整个数据集目录可以整体搬迁而不需要逐个改路径。还有一个常见问题是 Windows 和 Linux 路径分隔符的差异。如果你在 Windows 上写 path 用了反斜杠上传到 Linux 服务器后可能解析出错建议统一用正斜杠或者直接用 yaml 的字符串转义。3.2 模型选型YOLOV5s 还是 YOLOV5mYOLOV5 官方提供了 n/s/m/l/x 五个尺寸的模型。对于这份宫颈癌数据集我的建议是起步用 YOLOV5s不要一上来就上 YOLOV5x。原因很简单单类别检测任务对模型的表达能力要求没那么高s 模型参数量约 700 万在 GTX 1080Ti 级别的显卡上 batch size 16 跑 640 分辨率毫无压力一次实验几分钟能完成方便快速迭代超参数。如果你把模型换成 x同样一轮训练时间翻几倍学术实验可以接受但工程上验证思路的效率太低了。选型时真正值得关注的是输入分辨率 img-size 和 anchor。YOLOV5 默认的输入尺寸是 640但这份数据集的原始图片如果尺寸不统一——比如有的是 1024 有的是 768——YOLOV5 会在 dataloader 里自动做 letterbox 缩放把长边统一到目标尺寸。这里有个隐藏问题如果你的图片原始尺寸远大于 640比如是 2000 像素级别的病理切片直接在 640 下训练会把病变区域缩得很小检测效果断崖式下降。这种情况我建议把 img-size 提到 1024 或 1280代价是显存占用变大但小目标检测收益明显。第 6 章我会专门讲这个。3.3 train.py 关键参数epochs、batch、workers 的工程取值启动训练的命令并不复杂关键在参数怎么设置。以下是我在这份数据集上常用的启动命令python train.py \ --data data.yaml \ --weights yolov5s.pt \ --img 640 \ --batch 16 \ --epochs 100 \ --workers 4 \ --seed 42 \ --name cervical_yolov5s逐项说明--data 指定数据配置文件--weights 是预训练权重YOLOV5 官方提供在 COCO 上预训练好的 yolov5s.pt直接用它做迁移学习比从零训收敛快得多--img 是输入分辨率--batch 按显卡显存调整16 对应 8GB 以上显存如果显卡只有 6GB 建议降到 8--workers 是数据加载进程数Windows 上设置过大会报错Linux 上 4 到 8 都可以--seed 固定随机种子保证实验可复现--name 是实验名保存到 runs/train/ 下避免每次覆盖之前的实验结果。epochs 的取值没有绝对标准。100 epoch 对单类别小型数据集通常是够的但我建议你开训练后盯住验证集的 loss 曲线——如果到 60 个 epoch 之后 val loss 不再下降甚至上升那就是过拟合了提前停掉就行不用死等 100 轮。数据量很小时不要用太高的 epochs否则模型会把训练集的噪声也背下来推理时在真实切片上表现很差。4. 验证与结果判读别只看 mAP还要看 PR 曲线和误检来源4.1 val.py 验证命令与输出文件说明训练结束后用 val.py 在验证集上评估是标准流程。命令如下python val.py \ --data data.yaml \ --weights runs/train/cervical_yolov5s/weights/best.pt \ --img 640 \ --batch 16 \ --name cervical_val验证完成后YOLOV5 会在 runs/val/cervical_val 下生成一堆文件包括 labels.jpg、混淆矩阵 confusionMatrix.png、PR 曲线 PR_curve.png、F1 曲线等。这些图才是真正值得花时间看的东西而不是只看终端输出的那个 mAP 数字。4.2 医学场景下 precision 和 recall 哪个优先这是一个很容易被忽略但极其重要的点。普通物体检测比赛大家拼的是 mAP但医学检测场景下 recall召回率和 precision精确率的优先级排序完全不同。宫颈癌筛查这类场景漏检一个病变区域是严重的医疗事故隐患所以 recall 的优先级要高于 precision——宁可多框一些疑似区域让医生复审也不能漏掉真实的病灶。YOLOV5 的 checkpoint 保存逻辑是按验证集综合指标选 best.pt 和 last.pt如果你想要一个更偏 recall 的模型可以在 val.py 的参数里调整 conf-thres 和 iou-thres。比如把 conf-thres 从默认的 0.25 降到 0.1会检出更多低置信度的目标recall 上升但 precision 下降这是用阈值换召回的做法医学预处理场景常用。具体操作是python val.py --data data.yaml --weights best.pt --conf-thres 0.1 --iou-thres 0.5跑完对比一下 PR 曲线你能直观看到阈值变化带来的 trade-off。我一般会在项目里同时保留两个版本——一个高 precision 用于自动筛查一个高 recall 用于辅助医生复核。4.3 可视化推理predict.py 看实际框出效果验证集的指标再好看最终要过可视化这一关。拿几张验证集图片跑一下推理直接看模型框出来的区域和真实标注框的差异python detect.py \ --weights runs/train/cervical_yolov5s/weights/best.pt \ --source ../cervical_dataset/images/val \ --img 640 \ --conf 0.25 \ --save-txt \ --save-conf用 --save-txt 可以把检测结果保存成 txt 格式--save-conf 会在 txt 里写入置信度。这一步的意义在于你肉眼看到的 false positive 和 false negative 是判断模型能否实际部署的最直接证据。比如你发现模型经常把宫颈腺体误判成病变区域那就说明训练数据里可能缺少这类阴性样本后续数据采集方向就很明确了。5. 避坑记录标注框、类别不平衡与小目标的四个典型翻车现场5.1 标注框坐标越界或归一化错误训练不报错但 mAP 异常低现象训练过程完全正常loss 正常下降但验证集 mAP 一直在 0.3 以下徘徊怎么看都不对劲。原因标签文件里某个框的 x_center w/2 大于 1或者 y_center - h/2 小于 0导致目标框一部分超出图片边界。YOLOV5 本身不会报错但计算 IoU 的时候这些越界框会严重干扰 loss 和 mAP。这种问题常见于由 VOC 转 YOLO 时坐标换算出错或者标注工具导出时精度损失。解决跑统计脚本把所有标签中的坐标值打印出来检查每个值是否都在 [0, 1] 区间内。发现越界的要么修标注工具要么用脚本过滤掉这些框。我从那以后每次拿到数据集都会先跑一遍坐标范围检查这是最低成本的防翻车动作。5.2 单类别数据集 loss 震荡为什么只检测一个类别还会过拟合现象验证集 loss 前期下降正常到 50 epoch 之后开始上下震荡训练集 loss 却还在下降典型的过拟合信号。原因这份数据集总量不大且单类别目标形态单一模型很容易把训练集的背景纹理也学进去。很多人以为单类别任务简单其实恰恰相反单类别模型缺少类别间的区分约束更容易记住背景细节。加上训练时如果开了过强的 mosaic 增强会不断产生新背景让模型在真实验证集上反而表现不稳定。解决把 epochs 控制在 80 以内早停回调设 patience15同时降低 augment 强度——具体是把 hsv_h、hsv_s、degrees 这几个参数的值调小不要用默认的强增强策略。我一般会在训练命令里追加--hyp hyp.scratch-low.yaml这个低增强配置对医学影像尤其合适因为医学图像的拍摄条件相对固定不需要模拟太多自然场景的光照变化。5.3 小目标漏检严重anchor 尺寸不匹配是最隐蔽的原因现象肉眼能看到的小病变区域模型在可视化结果里就是框不出来mAP 对小目标尤其低。原因YOLOV5 默认的 anchor 是基于 COCO 数据集统计出来的COCO 里小目标占比不小但目标类别多尺寸分散。而宫颈癌病变区域通常在整个图片中只占 5% 以下尺度分布和 COCO 差异很大。直接用默认 anchor 训练小目标匹配不到合适的 anchor自然检不出来。解决在训练前用 YOLOV5 仓库自带的 anchor 聚类脚本对这份数据集的标注框重新聚类python utils/autoanchor.py --cfg models/yolov5s.yaml --data data.yaml --img 640脚本会把新的 anchor 写进模型配置文件。你会发现聚类出来的 anchor 尺寸明显比默认值小这就是数据集的真实尺度分布。重新聚类后再训练小目标 recall 通常有可感知的提升。5.4 重叠目标与 NMS 参数为什么同一区域被框了三次现象一张图上同一个病变区域被输出 3 个重叠框置信度都挺高但真实标注只有一个框。原因医学图像中病变区域往往边界模糊、高密度接近模型在相邻特征位置产生多个高响应NMS 的 IoU 阈值过严或过松都会出问题。YOLOV5 默认 NMS IoU 阈值是 0.45但在密集目标场景下真实的同一个目标的两个预测框 IoU 可能超过 0.5被 NMS 保留下来。解决调高 NMS 的 IoU 阈值到 0.6 或 0.65让更重叠的框被抑制掉。如果你在 detect.py 阶段发现重复框直接加 --iou-thres 0.6 即可。另外注意 YOLOV5 的训练阶段和推理阶段 NMS 策略是分开的训练时不要动 NMS 参数只对最终的 detect 和 val 生效。6. 进阶医学图像数据增强的度在哪里用小目标增强提升宫颈癌检测的召回率数据增强是目标检测绕不开的环节但医学影像的数据增强策略和自然图像完全不同。自然图像可以放心用旋转、翻转、色彩抖动因为物体的语义不受影响但医学图像里方向是有意义的——病理切片虽然旋转不影响诊断但宫颈镜图像的拍摄角度和光照条件相对固定过强的增强反而会让模型学到虚假的形态变化。我在这份数据集上验证过一组比较实用的增强配置。YOLOV5 的 mosaic 增强建议开启但概率保持在 0.5 左右它能把多张图拼接成一张对小目标检测有利但不要全程开启训练后期关掉能让模型适应真实背景。翻转增强只保留水平翻转垂直翻转对于宫颈图像会引入方向歧义。色彩增强降级到默认值的一半。如果你想进一步提小目标 recall我试过最有效的手段是 cutout 和 copy-paste 的组合把局部病变区域复制粘贴到背景区域来扩充小目标样本。常见做法是先用统计脚本找出所有小目标框再随机复制到同尺寸的空白区域注意不要覆盖已有标注框。YOLOV5 官方没有直接支持 copy-paste但可以在数据加载前用脚本离线增强一次本质上是对小目标进行过采样。实测下来小目标 recall 能提升 3 到 5 个点代价是训练时间多 10% 左右。那次我做宫颈癌检测项目时试了很多增强组合最后发现其实验证集 mAP 提升不大反而是把小目标增强放在离线阶段做、在线训练保持低增强最终部署时误检率最低。从那以后我每次处理医学数据集都强制走一遍统计脚本、坐标检查、anchor 聚类这三步再开始调增强参数——顺序乱一时返工两小时。希望这份材料的流程也能帮你在数据准备阶段少走弯路把更多时间留给真正值得调的东西。本文还有配套的精品资源点击获取