做宠物皮肤病检测最大的痛点往往不是模型结构选得不够新而是数据本身一团乱麻。我第一次和某宠物医院聊这个需求时对方给我看的素材是几千张用手机拍的患处照片——有室内黄光照的有逆光照的有镜头怼到只剩一团毛发的特写也有远到看不清病灶的全身图。说实话那时候我第一反应不是该上什么检测头而是这些图如果没人整理模型再先进也白搭。所以我花了大约三周把2973张狗狗皮肤病图片整理成一套同时带VOC和YOLO格式标注的检测数据集覆盖6个临床上最常见的皮肤问题类别并且用这套数据完成了从数据清洗、格式转换、模型训练到版本迭代的完整流程。这篇就把整个过程里的关键细节和踩过的坑写出来给正在做或者准备做宠物影像AI的朋友一个参考。1. 一张皮肤病灶照片背后的信息这块任务为什么不能只靠分类网络1.1 多病灶、多类别叠加才是临床常态很多人第一次接触宠物皮肤病检测时下意识会想“这不就是一个图片分类任务吗是哪类病就输出哪个标签”。但实际上临床拍摄的患处照片几乎从来不是干净的单标签。一只狗可能同时存在真菌感染和细菌性皮炎也可能在一个区域出现多个独立病灶病灶大小、边界、分布位置都不一样。我当时做过一个粗统计2973张图里单张图片带两个及以上标注框的比例超过四成。这直接决定了分类网络撑不住这个场景。分类网络只能输出一个整体标签一旦画面里同时出现两种病变它就陷入两难——要么强行选一个结果丢失了另一半信息要么加多标签分类头但依然回答不了“病灶具体在哪个位置、面积大概多大”这类问题。检测框在宠物皮肤病场景里的价值不只是定位它还隐含了第二层诊断信息病灶分布区域。医生看到框的位置能判断是背部、腹部还是四肢能估算感染面积这对后面用药范围、是否需要剃毛、是否需要做镜检都有直接影响。所以把这个任务定义为目标检测不是炫技而是由数据形态和真实需求共同决定的。1.2 六类皮肤病的边界与标注规则落地数据集里划分的6个类别我采用了临床上相对常见、外观特征也有区分度的组合。这里需要说明的是单靠肉眼看照片其实很难对皮肤病做确诊标注时我们主要依据宠物医生的初步判断、患处外观以及镜检描述来确定标签而不是纯看图臆断。类别典型外观特征最容易混淆的类别真菌感染圆形或环形脱毛斑、边界相对清晰、皮屑增多早期螨虫感染细菌性皮炎红斑、脓疱、渗液、皮肤增厚湿疹螨虫感染局部脱毛、色素沉着、明显瘙痒抓痕真菌感染湿疹/过敏性皮炎红斑丘疹、边界不规则、常伴抓伤细菌性皮炎初期脂溢性皮炎油腻皮屑、皮肤发红、有异味真菌感染的皮屑肿块/肿瘤局部隆起、质地硬、形态不规则重度感染形成的结节这些类别在外观上有重叠所以标注规范里有一条很关键框的粒度要控制在病灶本体不要把一大片皮肤连同周围健康组织一起框进去如果一块区域同时存在不同种类的病变要分别打框而不是合并成一个“混合病灶”。这种细粒度标注初期会累但后面训练时每个类别的特征会更纯模型收敛也好很多。样本分布上我刻意没有做成完全均衡而是按照真实出现频率稍微拉高了真菌和细菌性皮炎的占比让最少的那一类也维持在400张以上。总数2973张平均每张约1.4个框验证集保留了大约600张。类别差异不超过2倍时对检测模型的影响不大真正要命的是那种“一类只有几十张”的极端不均衡。2. 从VOC到YOLO2973张图的格式迁移不只是一段坐标除法2.1 两种标注格式的底层逻辑差异拿到手的数据很多是以VOC格式存在的也就是一张图片配一个XML文件文件里用树形结构记录图片尺寸、目标类别、像素坐标等信息。而YOLO格式则是每张图片配一个TXT文件每一行记录一个目标格式是“类别ID、归一化的中心点x、中心点y、宽、高”。对比项VOC格式YOLO格式文件形态每图一个XML每图一个TXT坐标表达xmin、ymin、xmax、ymax像素绝对值x_center、y_center、w、h除以图片宽高后的0~1浮点值附加信息可记录difficult、truncated、pose等这类信息不保留读取速度要解析XML树相对慢纯文本逐行读取非常快从VOC转YOLO表面上只是套公式但有一个细节我建议你特别留意VOC里的size字段记录的是图像的原始宽高而如果图片带了EXIF旋转信息很多看图软件会自动显示成旋转后的方向但XML里记录的坐标还是按原始像素位置来的。我第一轮转换时就吃了这个亏小部分手机拍摄的图片显示方向和像素方向不一致检测框整体偏移肉眼扫图根本看不出来直到抽查可视化才发现。解决办法也很简单在转换前统一做一次图片标准化把所有图片按EXIF信息重新保存成不带旋转标志的标准方向同时用旋转后的新图片尺寸去算YOLO坐标。这一步做完后面所有流程都稳了。2.2 转换脚本、边界防御与可视化验证核心转换逻辑不复杂但工程上必须做几层防御。下面这段是我沿用了很多次的转换函数可以当作模板import xml.etree.ElementTree as ET def voc_to_yolo(xml_path, width, height, class_map): tree ET.parse(xml_path) root tree.getroot() lines [] for obj in root.findall(object): name obj.find(name).text if name not in class_map: continue bndbox obj.find(bndbox) xmin float(bndbox.find(xmin).text) ymin float(bndbox.find(ymin).text) xmax float(bndbox.find(xmax).text) ymax float(bndbox.find(ymax).text) if xmax xmin or ymax ymin: continue x_center (xmin xmax) / 2.0 / width y_center (ymin ymax) / 2.0 / height box_w (xmax - xmin) / width box_h (ymax - ymin) / height # 防止归一化后出现 0 或 1拖累数据增强阶段 x_center min(max(x_center, 1e-4), 1 - 1e-4) y_center min(max(y_center, 1e-4), 1 - 1e-4) box_w min(max(box_w, 1e-4), 1) box_h min(max(box_h, 1e-4), 1) lines.append(f{class_map[name]} {x_center:.6f} f{y_center:.6f} {box_w:.6f} {box_h:.6f}) return lines这段代码里有几个点值得解释。第一xmax xmin这种过滤必须做因为有的标注工具会导出零宽高的脏框带着这种框训练轻则警告重则让某个batch的loss变成nan。第二归一化后数值是允许等于0或1的但很多数据增强算子会用随机裁剪和缩放坐标一旦落在边界上增强时很容易把目标整个裁掉所以统一收进(1e-4, 1-1e-4)区间代价几乎为零。转换完成后我强烈建议做两件事。一是写一个逆可视化脚本把YOLO坐标换算回像素坐标并画框随机抽50张图和原标注XML叠加比对人眼确认二是统计转换前后每个类别的框数量、每张图平均框数是否一致。我当时转完2973张后跑统计发现某个类别的框数少了80多个一路查下去才发现是那个类别的标注里有部分旧XML用的是另一个名字class_map里没有映射。这种问题只有通过数量核对才会暴露。训练集和验证集的目录结构也值得一次规划到位。我的习惯是分成images/train、images/val、labels/train、labels/val四个目录TXT文件和图片严格同名划分时按图片维度去分千万别按XML或TXT维度去分否则同一张图可能一边进训练一边进验证评估结果虚高。3. 迁移学习与训练观察小数据集训练的正解3.1 单阶段检测器的选型与预训练权重2973张训练图放在通用目标检测领域属于典型的小数据集。这个规模下从零初始化训练一个几十层甚至上百层的检测网络几乎必然会过拟合训练到后期验证集mAP上不去训练集loss却一直在降。我的选择是用YOLO系开源的检测框架加载在通用目标数据集上预训练过的权重然后在宠物皮肤数据上微调。预训练权重提供的是底层特征提取能力比如纹理、边缘、颜色分布、局部形状这些能力在自然图像上通用迁移到皮肤病灶场景依然有效。这比从零训练省下大量时间和数据需求。我也对比过双阶段检测器比如Faster R-CNN系理论上小样本下精度很稳但工程链路上要额外处理候选区域生成、NMS策略、anchor配置迭代速度明显慢。单阶段检测器在训练、推理、部署上更顺滑遇到新的bad case改个数据版本重新训练就能快速验证。在宠物皮肤病这种数据会持续迭代的场景里快节奏迭代比硬件上的几个点精度更重要。为了确认迁移学习的收益我专门做过一组小对比训练方案验证集mAP50大致训练耗时从零训练0.31约6小时加载预训练权重0.58约2.5小时预训练权重数据增强0.64约3小时数字只是相对参照不同框架、硬件条件下会有浮动但趋势很清晰预训练权重带来的收益远比换一个更新颖的网络结构明显。小数据集的入门法则永远是把数据和迁移学习这两张牌打满再去研究模型结构。3.2 超参设置、评估指标与单类AP分析训练参数方面我最终用的是640输入分辨率、batch size 16、训练210轮配合早停机制。这里有个经验皮肤病灶很多是小目标早期病灶可能只有十几个像素分辨率低于512时漏检率会明显上升。如果你的显存只够512也不是不能用但要有验证集mAP掉几个点的心理准备。训练过程中我不太看训练集loss的绝对值而是盯验证集的mAP趋势和训练集与验证集loss的差值。差值越拉越大就是过拟合前兆早停阈值可以设成验证集mAP连续30轮没有改善就停止然后用历史最佳权重而不是最后一轮权重。YOLO系的训练框架都会在训练过程中保存最佳权重直接用最佳权重做后续推理测试。很多初学者只看总体mAP但皮肤病灶各个类别之间的特征差异巨大总体指标很容易被表现好的类别拉高掩盖了短腿类别。我当时拆开单类AP看过真菌的AP很高螨虫却低得离谱一查原因螨虫样本里大量是浅色毛发背景上的淡红色抓痕标注边界又模糊模型学到了不少背景纹理。所以至少要对6个类别分别跑一遍AP再结合混淆矩阵看最常互相混淆的类别对。宠物皮肤病里最常见的就是真菌和螨虫互相串这不是模型笨是它们早期外观真的太像了。这类问题靠单类阈值能缓解一部分漏检严重的类别把推理置信度从0.25降到0.15误报多的类别升到0.4但不能根治根治还是得靠数据层面补样本。4. 宠物皮肤场景特有的坑毛发遮挡、环境色温与重叠病灶4.1 从漏检和误报里反推数据问题第一次训练出来的模型mAP50大概在0.45左右属于能跑但没法交付的状态。我做的第一件事不是调网络结构而是把验证集里的漏检和误报图片全部导出一张一张看。这个方法听着笨但效率奇高。漏检最集中的场景有两个。一个是浅色毛发上的浅色结痂病灶和周围毛发的颜色对比度太低模型倾向于把这类区域全部当成背景一个是小病灶面积在整张图里占比不到2%的经常被下采样过程直接模糊掉。误报最典型的则是皮肤褶皱处的阴影尤其是肚子和四肢内侧毛发被撑开后的阴影边缘和早期环形病灶非常像模型看到深色条带就条件反射地给一个真菌框。这些bad case指向的都是数据分布问题不是模型缺陷。我当时重新统计了数据里的光线构成发现有超过一半的图片是室内暖光拍的模型等于在一个偏色严重的世界里学习什么叫“正常皮肤色”。后续我补拍了自然光、冷光、闪光灯直射等不同光源条件下的照片并手动修正了71张明显标注错误的框验证集mAP50直接从0.45跳到了0.58。这个提升比换任何模型结构都大。我后来养成了习惯每次训练完先翻50张漏检图、50张误报图把原因归类成“环境问题”“标注问题”“小目标问题”再决定下一轮动作。直接改模型往往是最后一步而不是第一步。4.2 数据增强与困难样本挖掘的正确姿势数据增强在这类小数据集里是必需品但要克制。我用的增强组合是亮度±30%、对比度±20%、饱和度±20%、随机水平翻转、Mosaic概率0.3关掉了旋转90度。皮肤病检测对方向其实不敏感但旋转会在图像角落制造大量空白填充这些区域会把模型注意力带走收益存疑。有个细节特别想提醒Mosaic会把四张图拼成一张目标尺寸被缩到原来的四分之一左右皮肤病灶本身很多就是小目标再缩一轮就只剩几个像素特征几乎消失。所以我刻意把Mosaic概率调低并且保证训练过程中还有一批不经过Mosaic的原始图。对抗“阴影被误检成病灶”这类问题光靠增强不够。我后来在训练数据里混入了一批不包含任何病灶的皮肤照片这类图不标注任何框。它们的价值在于告诉模型“这里是正常皮肤哪怕有纹理、有阴影也不需要输出任何检测框”。加入背景负样本之后整体误报数量下降了将近一半。困难样本挖掘也有一个很实用的姿势用当前模型对未标注图片做半自动标注挑出置信度在0.3到0.6之间、模型“似懂非懂”的框转给标注人员人工复核。这些样本比完全人工标注的效率高得多而且往往正是补数据最需要的边界案例。补充完这类样本后我的第三版模型mAP50稳定到了0.64以上漏检也从高发变成偶发。5. 数据版本化与质量抽检把2973张做成长期资产5.1 用版本记录追踪每次模型指标变化一个经常被忽视的实践是给数据集本身做版本管理。很多人把数据集当成一次性产物标注完就往训练脚本里一丢后面想复盘某个bad case是怎么修好的什么都找不到。我的做法是每个版本建一个目录比如v1.0、v1.1、v1.2目录下除了images和labels还放一份manifest清单记录图片文件名、尺寸、标注人、审核状态、类别统计。版本之间绝不覆盖旧目录训练时在说明文件里写清楚当前用哪个版本。版本和模型指标要放在一起看才有意义。我自己的记录大概是这样的版本变更内容验证集mAP50备注v1.0初始2973张双格式发布0.45暖光占比高阴影误报多v1.1修正71张错误框补充不同光源样本0.58漏检明显减少v1.2增加背景负样本与困难样本0.64误报大幅下降数据版本的意义在于每次模型变好或变坏都能精准归因到数据变化而不是“这次训练运气不好”。我有一段时间模型指标反复波动后来才发现是不同版本之间图片和标注没有严格对齐换了一版权重数据也跟着焕然一新了。固定了版本制度之后再也没出现过这类糊涂账。5.2 多人标注的一致性与随机抽检机制数据量到了2973张一个人从头标到尾不现实多人协同标注是常态但多人标注最大的风险是标准漂移。有的人习惯框大一点把病灶周围的一圈健康皮肤包进去有的人只框看得最清楚的“核心区域”还有人对边界模糊的样本会犹豫干脆漏标。我在标注规范里做了几条规定最小框面积不得小于图片面积的千分之五病灶边界不清晰时宁可不框也不乱框多病并存时每个类别独立打框。同时建立了一个简单的抽检机制随机抽10%的图片让两位标注者独立标注同一批图然后比较两轮标注框的IoU和类别一致率。IoU大于0.7且类别一致的比例超过90%算是通过低于这个线就需要回到规则层面找原因而不是单独批评某个人。抽检时不要随机走马观花优先去看当前模型误报率最高的类别。比如这轮模型的肿块类别误报多我就重点抽查所有肿块标注确认是不是把正常的皮脂腺凸起也打成了肿块。这种“按问题定向抽检”的效率和随机抽检完全不是一个量级。最后分享一个这次数据工程里让我印象很深的细节数据集的随机划分种子一定要写进版本文档。有一版我升级图片后重新做了划分结果验证集里混进了大量和训练集同一来源的连拍帧发布时间只差几秒画面几乎一致模型mAP一夜之间虚高了将近8个点。后来统一固定划分种子、按图片ID去重后再划分这才让评估指标重新可信。这类问题不在模型也不在标注纯粹是数据工程里的疏漏但它恰恰是毁掉一次评估最快的办法。希望这套从数据整理到版本迭代的流程能帮你少踩几个我踩过的坑。