简介一份面向深度学习和计算机视觉入门人群的水果识别数据集专注于苹果、香蕉、橙子三个类别包含三百张图片与对应标注文件可同时用于图像分类和目标检测模型训练。数据集沿用了帕斯卡视觉目标类别竞赛VOC的标准组织方式项目包中既有图片也有对应的标签文件每张标签都记录了水果的类别和位置坐标方便直接接入常见的检测框架进一步调试。压缩包体积轻巧仅二十三点八兆全部文件共六百零九个其中三百个图像、三百个标签文件另含六个说明文本、两个派森脚本和一个配置文件脚本可辅助完成数据划分或格式转换配置项便于调节模型参数。当前已有超过一千三百人学习使用对于希望快速上手数据标注读取、验证模型抗干扰能力或进行小样本训练的初学者这套资源提供了低门槛的实践入口。1. 水果识别的VOC数据集把标注效率花在刀刃上的第一步帮朋友排查过好几个检测项目精度上不去的问题最后的根子大多不在模型参数而在数据集组织得太随意——图片放一个目录XML标注放另一个目录ImageSets/Main 里还混着旧样本没清理。如果一开始就按照 Pascal VOC 格式来组织这些问题在训练前就会被结构本身挡掉。VOC 数据集规范的核心不是花哨的标注界面而是用一套统一的目录骨架、统一的 XML 标签字段、统一的索引文件把“图片-标注-样本划分”三件事绑定成检测框架可以直接读取的样本集。对水果识别来说这套约定的价值尤其明显苹果、香蕉、橙子这类目标边界清晰遮挡情况有限VOC 的 bndbox 标注模型对刚体加少量遮挡的任务兼容性最好而且从 Fast R-CNN 到 YOLOv8 的官方训练流程原生支持 VOC 格式只需要把路径指过去、类别名配置好就能训练。下面按从零组装的路子把采集、标注、增强、格式转换到交付验证都写清楚。2. 搭好VOC骨架再谈AI精度水果图片如何变成能被模型读取的标准样本2.1 VOC数据集的目录不过三件套JPEGImages、Annotations、ImageSetsVOC 数据集的组织结构比很多人想象中简单核心就三部分下面是以 VOC2007 为蓝本的目录规划VOC2007/ ├── Annotations/ │ ├── apple_001.xml │ ├── apple_002.xml │ └── banana_001.xml ├── ImageSets/ │ └── Main/ │ ├── train.txt │ ├── val.txt │ └── trainval.txt └── JPEGImages/ ├── apple_001.jpg ├── apple_002.jpg └── banana_001.jpg这里最容易被忽略的一条规则是Annotations 下的 XML 文件名必须与 JPEGImages 下的图片文件名完全同名只差扩展名。实际训练时很多检测框架的 Dataset 实现会遍历 JPEGImages 找出所有图片再拿图片名去 Annotations 里找同名 XML如果 XML 缺失有的库直接报错有的则静默跳过导致你对着训练日志里“找不到匹配标注”的消息查半天。ImageSets/Main 下存放的 txt 文件则只写图片名不含 .jpg 后缀一行一个框架会用它来过滤当前训练或验证集。另外不少人会把 SegmentationClass 和 SegmentationObject 目录也建出来其实纯检测用不到。我一般建议保持目录最小化能少一层混淆就少一层特别是多人协作时目录越少越不容易放错东西。提示VOC 布局下的 JPEGImages 不要放缩略图。水果识别场景经常直接从手机或相机导图原图往往三四千像素宽训练前缩放是框架内部做的事你只需要保证源图信息完整。2.2 水果图片采集与清洗排除“果蔬混卖”式脏样本水果图片采集的第一个原则是场景覆盖优先于总量。同样是苹果厨房案板上的、超市货架上的、手里握着的、切开一半的对模型的泛化影响完全不同。我一般会按“日常摆拍、逆光、遮挡、密集堆放”至少四个情境拉图每个类别每个情境不少于 100 张单类总数再低也要压到 300 张以上否则后面拿 VOC 格式做迁移学习类别特征很容易被背景主导。采集后要过一遍清洗规则常见的脏样本有这么几类带包装纸或标签的水果如果目标是识别水果本体这种框会把塑料包装学进去果盘里混了五六种水果框选时没有盖到完整边缘模型学到的局部纹理容易跟其他类混淆加了明显滤镜或美颜的图片色彩通道被改得厉害和 VOC 预训练权重见过的自然图差异太大水印、贴纸、日期戳这些在推理时不会出现的文字会干扰特征提取。还有一个细节图片命名建议全部用小写英文字母加下划线不要带空格、括号或中文。VOC 规范本身不限制命名但不少框架会用文件名切分出图片 ID遇到空格和中文字符时可能在字符编码和路径解析上翻车。文件名统一成 apple_001.jpg、banana_002.jpg 这种格式后面写脚本也能省很多麻烦。2.3 用labelImg打标签并生成正确的VOC XML标注工具最常用的是 labelImg它默认支持 PascalVOC 和 YOLO 两种标注格式。打开后先在菜单里把标注格式切到 PascalVOC再设置图片目录和保存目录保存目录指到 VOC2007/Annotations。快捷键是效率的关键熟悉下面这几个就能把标注节奏提起来快捷键作用W创建矩形框按左键拖拽D / A下一张 / 上一张图片CtrlS保存当前图片对应的 XMLDel删除当前选中的框CtrlZ撤销上一步画框时注意目标框要紧贴水果外边缘不要留出大块背景也尽量不把果柄切出去。对于密集堆放的水果每个可见的完整水果都要单独画框如果两个水果重叠超过一半只画露出来的那个另一个可以不画或者把 difficult 标记为 1避免模型学到大量重叠框互相干扰。2.3.1 检查XML最容易被忽略的字段标注工具保存出来的 XML 结构是标准的 VOC 格式关键字段有这些字段名含义folder图片所在目录名称不影响实际路径解析filename图片文件名必须与磁盘文件完全一致source图片来源通常写数据库名或标注工具size图片宽度、高度、通道数objectname类别名多个目标会出现多个object块truncated目标是否被图像边界截断difficult难例标记0 表示普通1 表示训练时可忽略bndbox真实框坐标xmin/ymin/xmax/ymax单位像素最容易出问题的字段是difficult。很多工具默认生成 0但如果你在 labelImg 里误触了困难标记训练框架读取后可能直接忽略这个样本导致验证集少了一批数据而不自知。另一个坑是size和实际图片尺寸不一致多半发生在标注后对图片做过压缩或裁剪XML 却还是旧尺寸这样读取时坐标虽然不越界但归一化后位置偏移。2.3.2 批量解析XML统计类别分布标注完成后不要急着训练先用脚本解析一遍 XML看每个类别到底有多少目标、有没有空标注、有没有越界框。下面这段脚本可以直接复用import xml.etree.ElementTree as ET from pathlib import Path from collections import Counter def parse_all_xml(anno_dir): categories Counter() total_boxes 0 errors [] for xml_file in Path(anno_dir).glob(*.xml): root ET.parse(xml_file).getroot() img_w int(root.findtext(size/width)) img_h int(root.findtext(size/height)) for obj in root.findall(object): name obj.findtext(name).strip() if not name: errors.append((xml_file.name, empty object name)) continue categories[name] 1 bnd obj.find(bndbox) xmin float(bnd.findtext(xmin)) ymin float(bnd.findtext(ymin)) xmax float(bnd.findtext(xmax)) ymax float(bnd.findtext(ymax)) if xmin 0 or ymin 0 or xmax img_w or ymax img_h: errors.append((xml_file.name, f{name} box out of bounds)) total_boxes 1 return categories, total_boxes, errors cats, total, errs parse_all_xml(VOC2007/Annotations) print(类别统计:, dict(cats)) print(总框数:, total) print(错误样本:, errs[:10])这段脚本用findtext(size/width)直接从 XML 里抓取值比先 find 再取 text 少写两行代码遍历所有object块时同时校验坐标是否超出图片边界。打印出来的类别统计如果发现某类目标数量只有几十个后面训练就会出现严重的类别不平衡可以提前回去补采集而不是等 loss 崩了再排查。3. 数据增强与格式转换水果VOC数据集从“能跑”到“训得好”3.1 用Albumentations做增强让VOC XML和图片同步变换数据增强对水果识别特别关键因为水果在不同角度、光照和摆放位置下的外观差异很大。很多人直接在 PyTorch 的 transform 里写ToTensor、Normalize只对图片做增强完全没有同步处理 XML 里的 bndbox训练时框和图片不同步损失函数算出来的 IoU 全乱。更可靠的做法是用 albumentations 这类增强库它原生支持 bbox 转换。import cv2 import xml.etree.ElementTree as ET import albumentations as A transform A.Compose([ A.HorizontalFlip(p0.5), A.RandomBrightnessContrast( brightness_limit0.2, contrast_limit0.2, p0.8 ), A.HueSaturationValue( hue_shift_limit10, sat_shift_limit20, val_shift_limit10, p0.7 ), A.RandomSizedBBoxSafeCrop( width512, height512, erosion_rate0.2, p0.5 ), ], bbox_paramsA.BboxParams( formatpascal_voc, min_visibility0.3 ))这段配置里bbox_params的formatpascal_voc表示传入的框坐标顺序就是 VOC 的 xmin/ymin/xmax/ymax这和标注 XML 里的字段顺序完全一致不需要手动换算。min_visibility0.3表示增强过后框与目标的重叠面积不足 30% 时直接丢弃这个框避免裁出半个苹果还硬让模型学。RandomSizedBBoxSafeCrop会把图片裁剪并缩放到 512×512同时保证每个可见框不被切没。使用时要先把 XML 中的每个框和类别读成列表传给 transform 后拿返回值里的boxes和labels回写新图片和 XML。切片增强后size字段也要同步更新成裁剪后的宽高否则后续脚本做越界校验时会把本来就正常的数据判成越界。3.2 类别不均衡先看统计再定采样策略水果识别最常见的类别不均衡是“苹果特别多火龙果特别少”。如果标注完跑了上面的脚本发现最少的类不足最多的类的五分之一光靠数据增强解决不了问题。可以先做一轮过采样把少数类的 XML 和图片复制几份放到训练集里这里有几个方案可以选方案适用场景注意事项复制少数类样本类间数量差距小于 5 倍时过度复制会导致过拟合控制在 2 倍内在线增强样本量超过 500 张主要方式cfg 里打开 mosaic/flipFocal Loss类间差距超过 10 倍或难例较多需要调 alpha/gamma模型收敛较慢添加负样本经常误检果盘、叶子等背景干扰物单独建一个 background 类需要特别说明的是很多框架读 VOC 时默认每个批次是随机抽图类别不均衡会直接影响 loss 的分母权重。你可以在训练前按 2.3.2 的统计结果把多数类随机抽掉一部分放到 val.txt 里让训练集比例更健康同时保证 val.txt 中各类别的数量分布和真实场景接近否则验证指标会失真。对于“误把果盘当水果”这类问题负样本策略比单纯提高类别权重更有效。3.3 VOC转YOLO格式归一化坐标别把图片宽高除反了训练 YOLOv8 或 YOLOv5 时为了省掉 VOC 解析的复杂度很多人会先把 VOC 数据转成 YOLO 的 txt 格式。转换时有三个极易出错的地方类别 ID 必须从 0 开始、坐标必须归一到 0 到 1 之间、输出文件必须和图片同名且扩展名为 txt。下面的函数把单个 VOC XML 转换为 YOLO label 字符串def voc_to_yolo(xml_path, class_names): root ET.parse(xml_path).getroot() img_w int(root.findtext(size/width)) img_h int(root.findtext(size/height)) labels [] for obj in root.findall(object): name obj.findtext(name) cls_id class_names.index(name) bnd obj.find(bndbox) x1 float(bnd.findtext(xmin)) y1 float(bnd.findtext(ymin)) x2 float(bnd.findtext(xmax)) y2 float(bnd.findtext(ymax)) cx ((x1 x2) / 2.0) / img_w cy ((y1 y2) / 2.0) / img_h bw (x2 - x1) / img_w bh (y2 - y1) / img_h labels.append(f{cls_id} {cx:.6f} {cy:.6f} {bw:.6f} {bh:.6f}) return \n.join(labels)核心在归一化那四行中心点坐标除以图片宽度高度框宽高也分别除以对应边长。很多人写成cx (x1x2)/2/(img_h if img_w img_h else img_w)这种“防短边归一化”对 YOLO 来说没必要YOLO 训练时会按模型输入做 letterbox预先按边长归一化反而可能导致框位置偏移。class_names必须按训练配置文件里的类别顺序传入顺序错误会导致所有框整体错位。转换后的 label 文件建议集中放在数据集的labels/目录下不要和 Annotations 里的 XML 混放。我一般会在转完后写一个反向校验脚本随机挑几张图把 txt 里的归一化坐标乘以图片宽高后画框保存成预览图肉眼确认框的位置和水果边缘是否匹配这比直接开训省时间得多。4. ImageSets划分、越界检测与训练前验证的最后一道关卡4.1 用命名管道和shuf生成train.txt与val.txtVOC 格式下 train.txt、val.txt、trainval.txt 的写法很简单但不要把标注顺序原样抄进去。训练集必须打乱否则同一张篮子里的多张相似图会连续喂给模型导致先验分布不稳定。用下面的命令可以根据 JPEGImages 目录自动生成训练验证划分cd VOC2007 # 随机打乱全部图片名取前 80% 做训练 ls JPEGImages/ | sed s/\.jpg$// | sort -R all_shuffled.txt total$(wc -l all_shuffled.txt) train_count$(( total * 80 / 100 )) head -n $train_count all_shuffled.txt ImageSets/Main/train.txt tail -n $((train_count 1)) all_shuffled.txt ImageSets/Main/val.txt # trainval 即全部样本用于模型导出时的最终训练 cat train.txt val.txt ImageSets/Main/trainval.txt # 清理临时文件 rm all_shuffled.txt这里sort -R是 GNU 工具里随机排序的命令不带参数时每次运行结果不同所以你第二次跑这个脚本会得到一份新的随机划分。如果希望结果可复现可以用sort -R --random-source/dev/urandom或者用 Python 的random.seed(42)做一套固定随机划分。val.txt 的数量不要太小水果类别多的时候我建议至少保留 20% 作为验证集避免验证集只有几十张图导致评估结果方差过大。4.2 标框越界检查一个不留神模型训练直接崩溃VOC 格式里最常见的硬伤是越界框尤其是用脚本批量增强后没有回写size导致标注坐标超过图片尺寸或者是画框时老手一抖把框拖到图片边缘外。这种数据训练时会直接在 loss 计算里出现 NaN然后整个 batch 梯度爆炸。训练前跑一次全局坐标检查几秒钟就能把问题全暴露出来from pathlib import Path import xml.etree.ElementTree as ET def validate_all_boxes(anno_dir): bad_boxes [] for xml_file in Path(anno_dir).glob(*.xml): root ET.parse(xml_file).getroot() w int(root.findtext(size/width)) h int(root.findtext(size/height)) for obj in root.findall(object): bnd obj.find(bndbox) x1 float(bnd.findtext(xmin)) y1 float(bnd.findtext(ymin)) x2 float(bnd.findtext(xmax)) y2 float(bnd.findtext(ymax)) if x1 0 or y1 0 or x2 w or y2 h: bad_boxes.append((xml_file.name, (x1, y1, x2, y2), w, h)) elif x2 x1 or y2 y1: bad_boxes.append((xml_file.name, zero area)) return bad_boxes bad validate_all_boxes(VOC2007/Annotations) print(f发现 {len(bad)} 个异常框) for item in bad[:15]: print(item)这里面x2 x1的判断容易被漏掉很多增强工具箱在处理异常框时会把它转成负数面积训练时 IoU 计算立刻报错。检查脚本要在每次增强、格式转换之后重跑一遍不能只在标注完跑一次。基本可以当做一个品控流程用。4.3 训练准备里的三个小技巧帮你避开常见坑正式训练前有几个细节会影响训练结果但不至于直接报错提前处理好能省去后面反复试错的时间。第一个技巧是类别名统一用小写英文字母。VOC XML 里的name字段可以写中文但很多检测框架在读取类别时会把它作为类名映射字典的 key编码处理不当就会出现类别错乱甚至在输出预测时无法解码。苹果写成apple不要写Apple也别写苹果。第二个技巧是训练前先跑一个 5~10 epoch 的 smoke test。把训练 epoch 数临时调小batch size 调大模型用随机初始化而不是加载预训练权重确认 loss 在下降、验证指标不是 0。如果 smoke test 都是在第一个 epoch 结束前崩大概率是数据路径和类别映射问题不是模型问题。第三个技巧是使用预训练模型时注意力保留。YOLO 系列加载 COCO 预训练权重时最后一层的类别数需要改成本任务类别数加一个背景类未更改的输出头维度小于标注类别数训练会在 category 分配时报错这时需要对模型头部做重新初始化把类别维度匹配上。代码上不管是 ultralytics 还是 Detectron2 都有现成的 num_classes 参数只要传对就行。上面这些检查全部做完后再用脚本确认一遍 train.txt 和 val.txt 里的每个名字在 Annotations 和 JPEGImages 都存在就可以开始训练了。这一步比调任何学习率参数都划算数据集干净了模型收敛速度才会有可解释性。本文还有配套的精品资源点击获取