简介本资源为面向目标检测任务的蜱虫图像数据集适用于使用YOLO系列算法进行生物检测、农业监测或医学相关研究的开发者与学习者。数据集已按训练与验证需求划分完毕并附带data.yaml配置文件可直接接入yolov5、yolov8、yolov9、yolov7、yolov10及yolo11等主流框架进行模型训练与测试。压缩包共包含2000个文件其中1136个xml文件对应VOC格式标注864个txt文件对应YOLO格式标注两种标签分别存放于独立文件夹文件名末尾标注类别名称便于快速区分与调用YOLO格式采用归一化中心点与宽高坐标符合标准训练输入要求。资源包整体约68.19MB体积轻量适合快速部署实验。目前已有87人学习下载读者可获取一套开箱即用的蜱虫检测数据省去标注与格式转换环节直接投入模型训练、对比实验或算法验证提升研究效率。1. 蜱虫图像检测为什么值得用 YOLO 认真做一遍蜱虫图像检测数据集1602 张图像带标签这个体量放在通用目标检测里连零头都算不上但放在蜱虫这种特定场景里它恰好卡在一个很微妙的位置够小小到单卡几小时就能跑完一轮训练又够专专到通用预训练模型直接推理会翻车。我最早接触这类需求是在一个虫媒监测的模拟项目里当时用某开源通用检测模型直接跑野外拍摄的蜱虫照片置信度阈值调到 0.1 都捞不出几个框模型把蜱虫当成了背景噪声。后来换成 YOLO 系列做微调同样的数据mAP0.5 从个位数拉到 0.7 以上这才意识到问题不在数据量而在任务定义和标注粒度。这个标题拆开看有三层YOLO 算法是方法蜱虫图像检测是任务1602 张带标签是数据条件。它解决的核心问题是——在样本有限、目标小、背景杂的条件下能不能用一套可复现的流程把蜱虫检测做到可用。适合谁做病媒生物监测的工程人员、做农业或公共卫生方向图像识别的开发者、手里有一批标注数据但不知道怎么落地的团队。如果你指望拿它直接上生产、覆盖所有蜱种和所有拍摄条件那不现实但如果你要的是一个能跑通、能评估、能继续迭代的基线这 1602 张足够撑起来。2. 从 1602 张图到可训练集目录结构、标注格式与划分策略2.1 先搞清楚手里的标签到底是什么格式拿到一个带标签的图像数据集第一件事不是急着写训练脚本而是把标签格式确认清楚。蜱虫检测数据集常见的标注格式有三种Pascal VOC 的 XML、COCO 的 JSON、YOLO 的 TXT。1602 张这个量级如果每张图对应一个 XML 或一个 TXT大概率是 VOC 或 YOLO 格式如果是一个大 JSON那就是 COCO。不同格式决定了你后面要不要写转换脚本以及类别映射怎么做。我一般会先跑一段统计脚本把图像尺寸、标注框数量、类别分布一次性看清楚。下面这段 Python 代码就是干这个的假设标签是 YOLO TXT 格式每行是class_id x_center y_center width height坐标已归一化。import os import glob from collections import Counter # 数据集根目录按实际路径改 root ./tick_dataset img_dir os.path.join(root, images) lbl_dir os.path.join(root, labels) # 统计每张图的标注框数量和类别分布 box_counts [] class_counter Counter() img_sizes Counter() for lbl_path in glob.glob(os.path.join(lbl_dir, *.txt)): with open(lbl_path, r) as f: lines [l.strip() for l in f if l.strip()] box_counts.append(len(lines)) for line in lines: cls_id int(line.split()[0]) class_counter[cls_id] 1 # 图像尺寸统计需要 PIL from PIL import Image for img_path in glob.glob(os.path.join(img_dir, *.jpg)): with Image.open(img_path) as im: img_sizes[im.size] 1 print(图像总数:, len(box_counts)) print(每图平均框数:, sum(box_counts) / len(box_counts)) print(类别分布:, dict(class_counter)) print(尺寸分布 top5:, img_sizes.most_common(5))这段代码的逻辑很直白遍历标签目录逐行解析类别 ID同时用 PIL 读图像尺寸。关键参数是root和两个子目录名不同数据集的目录命名可能不一样有的叫JPEGImages和Annotations有的叫images和labels改路径就行。跑完之后你会得到三个关键信息类别是否均衡、每图平均目标数、图像尺寸是否统一。如果尺寸五花八门后面训练时的 resize 策略就要格外注意否则小目标会被压得更小。2.2 训练集、验证集、测试集怎么切才不浪费这 1602 张1602 张不算多切分策略直接影响到你评估结果的可靠性。常见做法是 8:1:1也就是训练 1281 张、验证 160 张、测试 161 张。但蜱虫图像有个特点同一只蜱虫可能被拍了多张或者同一场景下连续拍摄如果随机切分训练集和验证集里可能出现高度相似的图导致验证指标虚高。我一般会先按拍摄场景或图像来源做分组再在组内随机切这样验证集才能真正反映泛化能力。下面是一个按文件名前缀分组的切分脚本假设文件名格式是场景ID_序号.jpg比如field01_0032.jpg。import os import random import shutil from collections import defaultdict root ./tick_dataset img_dir os.path.join(root, images) lbl_dir os.path.join(root, labels) out_root ./tick_split # 按场景前缀分组 groups defaultdict(list) for fname in os.listdir(img_dir): if not fname.lower().endswith((.jpg, .png, .jpeg)): continue scene fname.split(_)[0] # 取场景ID groups[scene].append(fname) # 打乱场景顺序按 8:1:1 分配场景 scenes list(groups.keys()) random.seed(42) random.shuffle(scenes) n len(scenes) n_train int(n * 0.8) n_val int(n * 0.1) split_map {} for i, scene in enumerate(scenes): if i n_train: split_map[scene] train elif i n_train n_val: split_map[scene] val else: split_map[scene] test # 复制文件 for scene, files in groups.items(): split split_map[scene] for sub in [images, labels]: os.makedirs(os.path.join(out_root, split, sub), exist_okTrue) for fname in files: shutil.copy(os.path.join(img_dir, fname), os.path.join(out_root, split, images, fname)) lbl_name os.path.splitext(fname)[0] .txt src_lbl os.path.join(lbl_dir, lbl_name) if os.path.exists(src_lbl): shutil.copy(src_lbl, os.path.join(out_root, split, labels, lbl_name)) print(切分完成场景分配:, {k: sum(1 for v in split_map.values() if v k) for k in [train, val, test]})这里的关键参数是random.seed(42)固定种子保证可复现n_train、n_val按场景数算不是按图像数算所以最终图像数比例可能略有偏差但泛化评估更可信。如果文件名没有场景前缀那就退而求其次用图像感知哈希做聚类分组或者直接随机切但心里清楚验证指标会偏乐观。2.3 标注质量检查三个必须写的校验脚本标注错误在小型数据集里特别致命1602 张里如果有几十张框偏了或者类别标错模型就会学到错误模式。我一般会写三个校验坐标越界检查、零面积框检查、类别 ID 连续性检查。下面这段代码把三个检查合在一起。import os import glob lbl_dir ./tick_dataset/labels valid_classes {0, 1} # 假设只有两类蜱虫、其他按实际改 issues [] for lbl_path in glob.glob(os.path.join(lbl_dir, *.txt)): with open(lbl_path, r) as f: for lineno, line in enumerate(f, 1): parts line.strip().split() if len(parts) ! 5: issues.append((lbl_path, lineno, 字段数不为5)) continue cls_id int(parts[0]) x, y, w, h map(float, parts[1:]) if cls_id not in valid_classes: issues.append((lbl_path, lineno, f类别ID非法: {cls_id})) if not (0 x 1 and 0 y 1 and 0 w 1 and 0 h 1): issues.append((lbl_path, lineno, f坐标越界或零面积: {x},{y},{w},{h})) print(发现问题数:, len(issues)) for item in issues[:20]: print(item)逻辑说明逐行解析先检查字段数再检查类别 ID 是否在预设集合里最后检查归一化坐标是否在合理范围。参数valid_classes要根据你的实际类别数改如果是单类检测就写{0}。跑完如果问题数不为零别急着训练先把这些标注修掉或者剔除对应图像。我见过太多人跳过这一步结果训练 loss 震荡排查半天才发现是标注里有负坐标。3. YOLO 训练配置从数据 YAML 到超参数的逐项拆解3.1 数据配置文件怎么写才不出错YOLO 系列训练时需要一个数据 YAML 文件里面指定训练、验证、测试路径和类别名。这个文件看着简单但路径写错、类别数对不上是最高频的翻车点。下面是一个针对蜱虫检测的示例。# tick_data.yaml path: ./tick_split # 数据集根目录 train: train/images val: val/images test: test/images nc: 2 # 类别数必须和标注里的最大类别ID1一致 names: 0: tick 1: other关键参数说明path是根目录train、val、test是相对路径YOLO 会自动拼接。nc必须等于类别数如果标注里只有 0 和 1那nc就是 2写成 1 会直接报错或者训练时类别索引越界。names的顺序要和标注里的类别 ID 对应不能乱。我一般会在训练前用一段小脚本读 YAML 并打印解析结果确认路径都能找到文件。import yaml import os with open(tick_data.yaml, r) as f: cfg yaml.safe_load(f) root cfg[path] for split in [train, val, test]: p os.path.join(root, cfg[split]) n len([f for f in os.listdir(p) if f.lower().endswith((.jpg, .png))]) print(f{split}: {p} - {n} 张图) print(类别数:, cfg[nc], 类别名:, cfg[names])这段代码的作用是训练前的最后一道保险确认每个 split 的路径存在且图像数量符合预期类别数和类别名打印出来肉眼核对一遍。如果某个 split 显示 0 张图那肯定是路径写错了。3.2 输入分辨率与 batch size 的取舍蜱虫在图像里通常占比较小输入分辨率直接决定了小目标能不能被检测到。YOLO 常见输入尺寸是 640但如果你的图像原始分辨率很高、蜱虫只占几十个像素那 640 下采样后可能只剩几个像素特征几乎消失。我一般会先统计标注框的绝对像素尺寸分布再决定输入分辨率。假设原始图像是 1920x1080标注框宽度归一化后是 0.02那绝对宽度就是 38 像素。缩放到 640 后宽度变成 38 * 640 / 1920 ≈ 12.7 像素。这个尺寸在 YOLO 的 P3 特征图上还能勉强响应但如果再小就得考虑用 1280 输入或者切图推理。下面这段代码统计标注框的绝对像素尺寸。import os import glob from PIL import Image img_dir ./tick_dataset/images lbl_dir ./tick_dataset/labels widths [] heights [] for lbl_path in glob.glob(os.path.join(lbl_dir, *.txt)): base os.path.splitext(os.path.basename(lbl_path))[0] img_path None for ext in [.jpg, .png, .jpeg]: p os.path.join(img_dir, base ext) if os.path.exists(p): img_path p break if img_path is None: continue with Image.open(img_path) as im: W, H im.size with open(lbl_path) as f: for line in f: parts line.strip().split() if len(parts) ! 5: continue _, _, _, w, h map(float, parts) widths.append(w * W) heights.append(h * H) import statistics print(框宽度 中位数:, statistics.median(widths), 均值:, statistics.mean(widths)) print(框高度 中位数:, statistics.median(heights), 均值:, statistics.mean(heights)) print(宽度 10% 分位:, sorted(widths)[int(len(widths)*0.1)])如果中位数宽度在 30 像素以下我建议输入分辨率至少 960或者用切图训练。batch size 方面1602 张图在单卡 8GB 显存下640 输入通常能跑到 16960 输入可能只能跑 4 到 8。batch size 太小会导致 BN 层统计不稳定可以用梯度累积来补偿比如 batch4 累积 4 次等效 batch16。3.3 训练命令与关键超参数YOLO 训练命令本身不复杂但超参数的选择决定了收敛速度和最终精度。下面是一条典型的训练命令以 YOLOv8 为例。yolo detect train \ datatick_data.yaml \ modelyolov8s.pt \ epochs150 \ imgsz960 \ batch8 \ lr00.01 \ lrf0.01 \ warmup_epochs3 \ patience30 \ augmentTrue \ mosaic1.0 \ mixup0.1 \ degrees10 \ translate0.1 \ scale0.5 \ fliplr0.5 \ projectruns/tick \ nameexp01逐项说明modelyolov8s.pt是预训练权重小数据集上从预训练微调比从头训练稳得多epochs150配合patience30如果 30 轮验证指标不升就早停lr00.01是初始学习率小数据集可以降到 0.005 减少震荡mosaic1.0是 YOLO 的招牌增强把四张图拼成一张对小目标检测帮助很大mixup0.1轻微混合再高可能欠拟合degrees10、translate0.1、scale0.5是几何增强蜱虫图像如果拍摄角度变化大可以适当加大。fliplr0.5水平翻转蜱虫没有方向性翻转安全。训练过程中重点看三个指标metrics/mAP50、train/box_loss、val/box_loss。如果 train loss 持续降但 val loss 早早就回升说明过拟合要么加增强要么减模型容量。如果两个 loss 都降不下去先检查标注和学习率别急着换模型。4. 蜱虫检测的避坑与排查五条血泪经验4.1 现象训练 loss 正常但推理时一个框都没有原因通常出在推理时的置信度阈值和类别过滤上。YOLO 默认conf0.25但如果模型还没充分收敛或者蜱虫目标本身响应弱0.25 可能把所有框都滤掉了。另一个常见原因是推理时的imgsz和训练时不一致比如训练用 960推理默认 640小目标直接消失。解决推理时显式指定imgsz960并把conf降到 0.05 先看有没有框再逐步调高。命令示例yolo detect predict \ modelruns/tick/exp01/weights/best.pt \ source./test_images \ imgsz960 \ conf0.05 \ saveTrue如果conf0.05下有框但conf0.25下没有说明模型置信度普遍偏低需要回头检查训练是否充分或者标注是否有噪声。4.2 现象验证集 mAP 很高但测试集一塌糊涂原因几乎总是数据泄漏。同一场景的相似图像被分到了训练集和验证集验证集指标虚高。蜱虫图像如果来自连续拍摄相邻帧差异极小随机切分必然泄漏。解决按场景或时间分组切分确保同一组的图像只出现在一个 split 里。如果已经切完了可以用图像哈希检查训练集和验证集之间有没有近似重复。import imagehash from PIL import Image import os def get_hashes(img_dir): hashes {} for fname in os.listdir(img_dir): if not fname.lower().endswith((.jpg, .png)): continue with Image.open(os.path.join(img_dir, fname)) as im: hashes[fname] imagehash.phash(im) return hashes train_h get_hashes(./tick_split/train/images) val_h get_hashes(./tick_split/val/images) leak 0 for vname, vh in val_h.items(): for tname, th in train_h.items(): if vh - th 5: # 汉明距离阈值越小越相似 leak 1 print(疑似泄漏:, vname, -, tname) break print(泄漏图像数:, leak)汉明距离阈值 5 是经验值越小越严格。如果泄漏数超过验证集总数的 5%建议重新切分。4.3 现象模型把背景里的斑点全检成蜱虫原因通常是负样本不足。1602 张图里如果大部分都有蜱虫模型没见过“没有蜱虫”的场景就会把任何深色小点都当成目标。另一个原因是标注时把一些模糊的、不确定的斑点也标成了蜱虫引入了噪声。解决加入纯背景图像作为负样本或者在训练时提高box损失的权重让模型对误检更敏感。YOLO 里可以通过cls和box的损失增益来调但更直接的办法是收集一批无蜱虫的图像标注为空文件放进训练集。空标注文件在 YOLO 里是合法的表示该图没有目标。4.4 现象训练到一半 loss 突然变成 NaN原因可能是学习率太高、标注里有非法值比如负坐标或大于 1 的坐标、或者某张图损坏导致读取异常。蜱虫数据集如果来自不同来源图像格式和位深可能不一致个别 16 位 PNG 或 CMYK JPEG 会让解码出问题。解决先跑一遍标注校验脚本见 2.3 节确保没有非法坐标。然后把学习率降一个数量级再试。如果还不行用二分法排查先拿 100 张图训练逐步加量找到触发 NaN 的那批图像。4.5 现象小蜱虫检测不到大蜱虫框不准原因在于 YOLO 的多尺度特征分配。小目标主要靠 P3 特征图如果输入分辨率不够P3 上的响应就很弱。大目标框不准则可能是回归损失的问题CIoU 在大目标上对长宽比敏感如果标注框本身有偏差回归就会学偏。解决小目标方面提高输入分辨率是最直接的手段其次可以调整锚框或者用 YOLOv8 的自适应锚框。大目标方面检查标注框是否贴合如果标注时框得松模型学出来的框也会松。可以在训练时用box7.5提高 box 损失权重让回归更严格。5. 进阶技巧用切图推理和 TTA 把召回再拉一截训练收敛之后如果小蜱虫的召回还是上不去有两个技巧值得试切图推理和测试时增强。切图推理的思路是把高分辨率原图切成有重叠的小块分别推理后再把框映射回原图做 NMS。这对蜱虫这种小目标特别有效因为切图后每个小块的分辨率相对提高小目标在特征图上的占比变大。下面是一个切图推理的简化实现假设用 YOLO 的 Python API。from ultralytics import YOLO import cv2 import numpy as np model YOLO(runs/tick/exp01/weights/best.pt) def sliced_inference(img_path, slice_size960, overlap0.2, conf0.1): img cv2.imread(img_path) H, W img.shape[:2] stride int(slice_size * (1 - overlap)) all_boxes [] for y in range(0, H, stride): for x in range(0, W, stride): x2 min(x slice_size, W) y2 min(y slice_size, H) x1 max(0, x2 - slice_size) y1 max(0, y2 - slice_size) patch img[y1:y2, x1:x2] results model.predict(patch, imgszslice_size, confconf, verboseFalse) for r in results: for box in r.boxes: bx1, by1, bx2, by2 box.xyxy[0].tolist() all_boxes.append([bx1 x1, by1 y1, bx2 x1, by2 y1, box.conf[0].item()]) # 全局 NMS if not all_boxes: return [] boxes_np np.array(all_boxes) keep nms(boxes_np, iou_thresh0.5) return boxes_np[keep] def nms(boxes, iou_thresh0.5): # 简化 NMS按置信度排序后逐个抑制 order boxes[:, 4].argsort()[::-1] keep [] while order.size 0: i order[0] keep.append(i) xx1 np.maximum(boxes[i, 0], boxes[order[1:], 0]) yy1 np.maximum(boxes[i, 1], boxes[order[1:], 1]) xx2 np.minimum(boxes[i, 2], boxes[order[1:], 2]) yy2 np.minimum(boxes[i, 3], boxes[order[1:], 3]) w np.maximum(0, xx2 - xx1) h np.maximum(0, yy2 - yy1) inter w * h area_i (boxes[i, 2] - boxes[i, 0]) * (boxes[i, 3] - boxes[i, 1]) area_o (boxes[order[1:], 2] - boxes[order[1:], 0]) * (boxes[order[1:], 3] - boxes[order[1:], 1]) iou inter / (area_i area_o - inter 1e-6) inds np.where(iou iou_thresh)[0] order order[inds 1] return keep关键参数slice_size和训练输入一致overlap0.2保证切块边缘的目标不会被截断conf0.1比默认低因为切图后单块置信度可能偏低靠后续 NMS 去重。这段代码的逻辑是按 stride 滑动切块每块单独推理把框坐标加回原图偏移最后做全局 NMS。注意nms函数是简化版生产环境建议用torchvision.ops.nms。TTA 更简单推理时对图像做水平翻转和轻微缩放分别推理后融合结果。YOLO 的predict支持augmentTrue但那个是内置的效果有限。手动 TTA 可以这样def tta_inference(img_path, model, imgsz960, conf0.1): img cv2.imread(img_path) results [] # 原图 results.append(model.predict(img, imgszimgsz, confconf, verboseFalse)[0]) # 水平翻转 flipped cv2.flip(img, 1) r_flip model.predict(flipped, imgszimgsz, confconf, verboseFalse)[0] # 把翻转后的框映射回原图 for box in r_flip.boxes: x1, y1, x2, y2 box.xyxy[0].tolist() W img.shape[1] box.xyxy[0] [W - x2, y1, W - x1, y2] results.append(r_flip) # 合并所有框后做 NMS all_boxes [] for r in results: for box in r.boxes: all_boxes.append(box.xyxy[0].tolist() [box.conf[0].item()]) boxes_np np.array(all_boxes) keep nms(boxes_np, 0.5) return boxes_np[keep]TTA 的代价是推理时间翻倍但召回通常能涨 2 到 5 个百分点。如果业务对漏检敏感这个开销值得。最后说一个我自己的习惯每次训练完不要只看 mAP 数字一定把验证集里置信度最低的 20 张图导出来肉眼过一遍。模型在哪里犹豫哪里就有问题——可能是标注噪声可能是难样本也可能是数据分布有盲区。这个习惯帮我省下了无数次“指标好看但上线翻车”的后悔药。希望帮到你。本文还有配套的精品资源点击获取