简介面向计算机视觉学习者与牙科图像识别研究人员这份YOLOv8牙科解剖数据集由Roboflow工具完成标注内容包括505幅训练图、112幅验证图和107幅测试图每张图像均配有精确的类别与边框标签。包体共1797个文件以jpg图像与txt标注文件为主体另含data.yaml配置、pt预训练权重、训练日志与结果统计csv等资源压缩包总大小43.53MB目录按train/valid/test清晰划分便于直接开展模型训练与验证。配套的data.yaml完整定义了类别名称及路径参数可无缝接入YOLOv8训练流程用于目标检测、医学影像识别等实验场景。目前已有91人学习下载适合初学者熟悉标注格式也适合研究者以此为基础进行牙科图像识别的调参与评估。资源源自网络分享仅供个人学习使用。1. 从牙齿影像到检测框这个 Roboflow 标注的牙科数据集能帮你省掉两周标注时间第一次拿牙科影像跑目标检测的时候我意识到一件事YOLOv8 训练自己的数据集最卡脖子的根本不是算法是标注。一千张口腔内窥镜图逐张框牙齿、龋齿、智齿平均一张两分钟一个月手工就搭进去了。所以拿到这套 Roboflow 标注好的牙齿图像与标签文件时我省下来的不只是时间还有反复核对坐标的耐心。这里有个反直觉的结论Roboflow 导出的 TXT 标签与 YOLOv8 原生读取格式几乎完全一致中间基本不需要转换脚本解压就能开训。这篇文章面向用 YOLOv8 做医学影像检测、口腔 AI 研究或毕业设计的开发者按我实际跑通的顺序讲清楚数据集结构、训练参数、验证导出以及最容易翻车的那几个坑。2. 数据集结构与标签文件解析从 Roboflow 导出包到 YOLOv8 工程目录拿到压缩包先别急着解压丢进训练脚本先弄清楚里面每一层目录是干什么的。Roboflow 导出 YOLOv8 格式时默认按 train / valid / test 划分好目录也有时候只有 train 和 valid。这个划分比例在导出时可以选择我一般训练医学影像类数据会用 70/20/10少数类比较多的数据集会改成 80/10/10。不管怎么分有一点是不变的模型训练时找标签靠的不是数据库记录而是目录里图片和 TXT 文件的同名对应关系。2.1 一张图片对应一个 TXTYOLO 标签的目录约定解压之后典型的目录结构长这样dataset/ ├── train/ │ ├── images/ │ │ ├── 001.jpg │ │ └── 002.jpg │ └── labels/ │ ├── 001.txt │ └── 002.txt ├── valid/ │ ├── images/ │ └── labels/ └── data.yamlYOLOv8 读取数据集时在 data.yaml 里指定 train 和 val 的图片路径然后根据 images 目录同级的 labels 目录自动找标签。注意 labels 这个名字必须严格叫 labelsultralytics 源码里就是按 images 替换 labels 的约定去找的改名就会静默出错。跑过 CCPD 车牌数据集、DOTA 遥感数据集的老手看一眼这个结构就知道该往哪放格式是同一套体系。先拿一张图的标签看看内容import os label_path dataset/train/labels/001.txt with open(label_path, r) as f: lines f.read().strip().splitlines() for line in lines: parts line.split() print(fclass_id{parts[0]}, x_center{parts[1]}, y_center{parts[2]}, fwidth{parts[3]}, height{parts[4]})这段脚本的作用是把一个 TXT 标签文件逐行读出来打印五个字段。每行五个数字以空格分隔class_id 从 0 开始计数对应 data.yaml 里 names 列表的下标后四个是归一化坐标。所谓归一化就是坐标值除以原图宽高之后的比例范围 0 到 1之后不管训练时缩放到 640 还是 1280标签都不需要重新算。2.2 归一化坐标与类别 ID五个数字的真实含义Roboflow 导出时勾选 normalize 的话得到的标签已经是归一化值直接能用。但如果你拿到的是 CVAT、LabelMe 这类标注平台导出的 XML 或 JSON就得自己转一遍。最常见的转换是把左上角右下角坐标xyxy变成中心点加宽高的格式cxcywh# 把 xyxy 格式转成 YOLO 的 cxcywh 归一化格式 def xyxy_to_yolo(x1, y1, x2, y2, img_w, img_h): x_center ((x1 x2) / 2) / img_w y_center ((y1 y2) / 2) / img_h w (x2 - x1) / img_w h (y2 - y1) / img_h return x_center, y_center, w, h这个函数逻辑很直白先算框的中心点像素坐标再除以图像宽高得到比例宽度和高度同理。参数注意点在于 x2、y2 是真实像素坐标不是从 0 开始的索引偏移如果标注工具里框的坐标是整数且有半个像素偏移转换前先统一减 0.5不然中心点会偏一个像素。牙科图像里牙冠边界只有几个像素宽这种小误差在小目标上会被放大。2.3 data.yaml数据集说明书与一致性检查脚本Roboflow 会自动生成 data.yaml内容大致如下# data.yaml path: /path/to/dataset train: train/images val: valid/images test: test/images # 可选 names: 0: tooth 1: cavity 2: wisdom_toothpath 是数据集根目录train 和 val 都是相对 path 的路径。names 列表顺序必须与标签里 class_id 一一对应顺序错了模型就学错。Roboflow 导出时已经按类别在项目里的顺序生成不会乱但如果你后续手动增删过类别一定要重新检查。我习惯跑一个越界检查脚本import os names [tooth, cavity, wisdom_tooth] label_dir dataset/train/labels max_id len(names) - 1 bad_files [] for file in os.listdir(label_dir): if not file.endswith(.txt): continue with open(os.path.join(label_dir, file)) as f: for line in f.read().strip().splitlines(): cls_id int(line.split()[0]) if cls_id max_id: bad_files.append(file) print(f发现越界文件{len(bad_files)} 个) print(bad_files[:10])cls_id 超过 names 总数减一说明标签和配置文件对不上训练时要么报错要么静默错位。这个脚本是我拿到任何标注数据集都会先跑一遍的Roboflow 数据极少出错但二次编辑很容易引入这种问题。2.4 文件数量与后缀检查images 和 labels 是否一一对应还有一个更隐蔽的问题图片和标签文件数量对不上。训练时 YOLOv8 遇到没有对应标签的图片不会报错而是当背景图处理反过来标签存在但图片缺失会直接崩。用集合做差集最省事img_dir dataset/train/images label_dir dataset/train/labels imgs {os.path.splitext(f)[0] for f in os.listdir(img_dir) if f.endswith((.jpg, .png, .jpeg))} labels {os.path.splitext(f)[0] for f in os.listdir(label_dir) if f.endswith(.txt)} print(缺少标签, imgs - labels) print(缺少图像, labels - imgs)图片可能是 jpg、png、jpeg 混着来但标签永远是 txt所以只用主文件名做集合比对。我见过不少数据集里残留了 Roboflow 预处理时的缓存缩略图多出几张没有标签的 png如果不剔除train 的图片总数比标签多模型会白白把这几张当负样本学。3. 把数据集喂给 YOLOv8环境配置、训练命令与参数选型网上适合小白的超详细 YOLOv8 教程一大把我这里不重复只写能落地的那套。Roboflow 的数据集说白了是个标准输入ultralytics 包是处理这个输入的标准引擎两边都标准中间就顺畅。这一章从环境安装讲到训练命令再到参数怎么选、训练过程怎么盯。3.1 环境配置ultralytics 与 PyTorch 的安装顺序conda create -n yolo python3.10 -y conda activate yolo pip install ultralytics python -c from ultralytics import YOLO; print(YOLO.__version__)先用 conda 建独立环境避免污染系统 Python。ultralytics 会自动拉 PyTorch 依赖但如果你有 NVIDIA 显卡建议先装 CUDA 版 PyTorch 再装 ultralytics否则 pip 可能给你装 CPU 版训练慢二十倍不止。我自己跑得最顺的组合是 Python 3.10 PyTorch 2.x CUDA 11.8这个组合在 GTX 1660 Ti 上跑 YOLOv8n 也够用。3.2 训练命令最小可用配置与参数解释cd /path/to/dataset yolo detect train datadata.yaml modelyolov8n.pt epochs100 batch16 imgsz640 device0这条命令是 YOLOv8 训练的最小可用配置。modelyolov8n.pt 会用官方 n 模型的预训练权重做初始化注意这里的 n 是 nano 尺寸文件只有几 MB下载很快。epochs100 对牙科这种几百到两三千张的小数据集已经够用再多轮数容易过拟合。batch16 是显存允许范围内的常见值16G 显存跑 640 的 n 模型很宽裕显存紧张时降到 8 或 4 都可以。imgsz640 是 YOLOv8 默认输入尺寸对大多数口腔内窥镜图够用但小目标多的时候要往上调这个后面展开说。3.3 训练过程监控损失曲线与 mAP 指标怎么看训练结束之后runs/dental 目录下会生成 results.csv里面记录了每一轮的 box_loss、cls_loss、dfl_loss 和 mAP50、mAP50-95。不装 TensorBoard 的话直接用 matplotlib 读 CSV 画损失函数曲线图import pandas as pd import matplotlib.pyplot as plt df pd.read_csv(runs/dental/results.csv) plt.plot(df[epoch], df[train/box_loss], labeltrain/box_loss) plt.plot(df[epoch], df[val/box_loss], labelval/box_loss) plt.xlabel(epoch) plt.ylabel(loss) plt.legend() plt.show()判断标准是训练 loss 稳步下降但不剧烈震荡val 的 mAP50 在最后二十轮趋于平缓。如果 loss 一直在降但 mAP50 全程为 0基本可以确定是标签路径配错或者 txt 内容为空这个在避坑章展开。如果 val/box_loss 在某一轮开始反弹而 train/box_loss 还在降说明模型开始过拟合可以把 epochs 砍到反弹点附近。3.4 模型尺寸选型n、s、m、l 哪个最合适模型参数量推理速度显存占用牙科小数据适用度yolov8n3.2M最快最低首选yolov8s11.2M快低数据量大时yolov8m25.9M中等中等不建议小数据yolov8l43.7M慢高不建议牙科数据集通常只有几百到两三千张用小的 n 或 s 模型比大模型稳得多。大模型在这个量级下动不动就过拟合而且牙科图像里单张图的目标数量一般不超过二十个检测头的容量完全够用。我见过有人一上来就上 yolov8l训完验证集指标反而比 n 模型低好几个点不是模型不行是数据喂不饱。4. 推理、评估与模型导出从权重文件到 RK3588 部署的完整闭环模型训完weights 不等于能交付。牙科检测这种场景要么跑在诊所的本地电脑上要么跑到 RK3588 这种边缘盒子中间还有评估、导出、部署几步。这一章按我常走的路径说清楚。4.1 单张推理用训练好的权重跑第一张图yolo predict modelruns/dental/weights/best.pt sourcetest/001.jpg conf0.25best.pt 是验证集指标最好的模型不是最后一轮的 last.pt这个别搞混。conf0.25 是默认置信度阈值牙科影像里牙尖、早期龋齿本身对比度低框的置信度通常不高建议先跑 conf0.15 看漏检情况再逐步往上抬阈值。如果数据集的 zip 里没有 test 目录source 直接指 valid 里的图片也行。4.2 Python 推理脚本与置信度阈值调节CLI 适合快速验证但真要接业务逻辑还是得写 Python 脚本from ultralytics import YOLO model YOLO(runs/dental/weights/best.pt) results model.predict(test/001.jpg, conf0.15, iou0.5, saveTrue) for r in results: for box in r.boxes: cls_id int(box.cls[0]) conf float(box.conf[0]) x1, y1, x2, y2 [float(v) for v in box.xyxy[0]] print(f类别 {cls_id}置信度 {conf:.2f}坐标 ({x1:.0f}, {y1:.0f}, {x2:.0f}, {y2:.0f}))conf 阈值过低会多出一堆误检框过高会漏检这个需要结合验证集 F1 曲线来定。iou 控制非极大值抑制时的重叠容忍度牙科全景片里牙齿挨得近框之间重叠多iou 建议保持在 0.5 或更低不然相邻牙齿的框会被合并掉一个。这段脚本可以直接接后续业务逻辑比如把检测框输出成诊断报告里的坐标数据。4.3 模型输出指标混淆矩阵与 F1 曲线用来做什么yolo detect val modelruns/dental/weights/best.pt datadata.yamlval 跑完后 results 目录里会有 confusion_matrix.png 和 F1_curve.png。混淆矩阵重点看两类错误真实牙冠被误分为龋齿和真实龋齿没被检出来。后者在临床上更严重所以我看 F1 曲线时不会只看最佳 F1 点而是看高召回区间对应的阈值大约是多少之后部署时把阈值设到那个位置附近。F1 曲线是评估阈值的一把尺子比拍脑袋定 conf 靠谱。4.4 模型导出ONNX 导出与 RK3588 部署前置yolo export modelruns/dental/weights/best.pt formatonnx imgsz640导出 ONNX 后如果要部署到 RK3588正常流程是先用 rknn-toolkit2 把 ONNX 转成 RKNN 格式再做量化最后在板子上用 rknn-toolkit-lite 推理。量化时需要准备一百到两百张代表性的校准图片我一般直接从 valid 集里抽。这里有个容易忽略的点导出 ONNX 时 imgsz 如果和训练时不一致检测框的位置会明显偏移所以导出参数要跟训练配置保持完全一致别图省事用默认值。5. 避坑指南牙科数据集训练里最容易翻车的五个问题这一章算是我自己交过学费的血泪经验。牙科数据集的坑和自然图像不一样很多坑藏在数据组织和标注习惯里模型层面反而问题不多。每一条按现象、原因、解决三步写方便你对号入座。5.1 现象loss 正常下降mAP50 全程是 0这是最让人崩溃的情况loss 曲线看着很正常结果验证集 mAP 一直是 0。原因通常是数据集里 labels 目录路径配错或者 txt 文件全是空的。YOLOv8 对空标签不会报错会把它当背景图训练loss 照常更新但验证时根本没有预测框能和 GT 匹配。解决方法是训练前跑一遍第 2 章写的文件对应检查脚本再看 labels 目录下的 txt 是否都有非空内容。另一种可能是我自己踩过的Roboflow 导出时个别图片的标注没保存成功txt 是零字节文件这种图片要从数据集里剔掉或重新标注。5.2 现象验证精度比训练精度低一大截训练时开了随机增强验证时是关增强的两者精度有差距是正常的但差距超过 20 个点就不是增强差异了。最常见的原因是数据划分泄漏同一患者的多张连续帧被随机分到了 train 和 valid模型相当于已经见过验证集的内容表面精度虚高实际泛化能力很弱。解决方法是按患者 ID 分组划分而不是按图片随机划分。把同一个患者的全部帧放进同一份宁可训练集少一点也要保证验证集干净不然你部署到真实诊所数据上立刻现原形。5.3 现象小目标牙尖、早期龋齿全部漏检用默认 imgsz640 训练如果原图是 4000×3000 的口腔内窥镜图整图缩到 640 之后几个像素的小目标直接消失。解决方法是把 imgsz 提到 1280 或者 1536显存不够就滑窗切 patch 训练。我常用的做法是把长边 4000 的图按 1024 滑窗切成若干块标签坐标跟着平移换算目标数量少的时候检测效果明显改善。这个操作有点麻烦但比换模型结构管用。YOLOv8 本身支持多尺度训练但输入尺寸上限受 batch 和显存共同约束batch 降到 8 以下再拉大 imgsz 是常见组合。5.4 现象类别不平衡牙冠类别占了八成框牙科数据集里牙冠样本多、龋齿或智齿样本少是常态模型会偏向学多数类少数类框的置信度普遍偏低。解决路径有两个一个是 Roboflow 导出时做 class balancing把少数类重复采样另一个是手动给少数类做 copy-paste 数据增强从标注好的图里把少数类目标切出来贴到新背景上。注意别在验证集里也做同样的复制粘贴分母里混入重复样本指标会失真。YOLOv8 官方没有直接提供按类别加权 loss 的参数所以数据层面的处理更直接有效。5.5 现象Roboflow 导出的 zip 里找不到 test 目录导出时划分比例里没给 test 留份额或者选了没有测试集的选项zip 里就只有 train 和 valid。解决方法是重新导出时设置 70/20/10或者从 valid 里抽一半做 test。我自己的习惯是从 valid 里再抽一部分做 test这样训练集和验证集的比例不变。顺便说一句直接用 valid 当 test 是最后的退路它会让你永远看不到真实的泛化水平不建议这么干。6. 进阶用法数据增强、冻结训练与热力图验证把牙科模型榨到最后一分6.1 增强参数不要照抄默认值ultralytics 默认的增强参数对自然图像效果好但牙科 X 光片和口腔内窥图有特殊性。颜色扰动开太大牙齿会失真旋转角度开太大牙列关系会变乱。我一般用自定义增强配置# augment.yaml hsv_h: 0.01 hsv_s: 0.2 hsv_v: 0.3 degrees: 5 translate: 0.05 scale: 0.3 fliplr: 0.5 mosaic: 0.8hue 扰动只给 0.01饱和度 0.2明度 0.3保证模型学的是牙齿结构而不是颜色漂移。degrees 限制在 5 度以内超过这个范围牙冠之间的相对位置关系会被破坏。mosaic 从默认 1.0 降到 0.8因为牙科小目标在拼接图上容易被裁剪掉保留一点原始图比例反而稳定。6.2 少样本场景先冻结特征层再解冻微调当有效标注只有两百来张时直接全量微调极易过拟合。我一般用 freeze 参数先冻结特征层跑一半轮数再解冻全模型微调yolo detect train datadata.yaml modelyolov8n.pt epochs60 freeze10 imgsz640freeze10 冻结的是模型前 10 层此时反向传播只更新检测头特征提取部分沿用 COCO 预训练权重。牙科纹理和自然图像特征差异大但冻结的前半段学到的是边缘、纹理这类通用特征依然有效。等检测头收敛后再解冻整模型用更低学习率微调我实际对比过这个流程比一上来就全量训练高出 3 到 5 个点的 mAP50。6.3 热力图验证模型到底在看牙齿还是看背景预测框准不准只是表象。模型是个黑匣子但至少能用热力图掀开一条缝。常见做法是把 best.pt 导出成 ONNX再用 pytorch-grad-cam 把热力图叠加到原图上看高激活区域是否集中在牙冠和牙缝边缘。如果热区大片落在牙龈或暗区背景上说明模型可能在用图像亮度做判别这种模型换个光照环境就废。不同版本 ultralytics 的层名不一样先导 ONNX 到 Netron 里看一眼卷积层名称再填进 target_layers比我之前硬试层名高效得多。从那以后我每次拿到标注数据集第一件事就是跑一遍标签检查脚本再确认 data.yaml 和划分比例最后才舍得把显卡点亮。这套流程看着啰嗦但真的能省掉后面好几天的排查时间。希望帮到你。本文还有配套的精品资源点击获取