简介这是一份面向目标检测任务与细胞图像分析的细胞活性检测数据集适合计算机视觉学习者、生物医学图像研究者以及需要训练细胞分类/检测模型的数据科学人员使用。数据集围绕细胞活性判定场景包含Dead与Live两类目标共标注31332个矩形框其中Dead类24315个、Live类7017个标注工具为labelImg框选规则清晰可直接用于模型的训练与验证。压缩包共2000个文件以VOC格式的XML标注文件和YOLO格式的TXT标签文件为主并配套对应细胞图像整体仅32.45MB轻量易下载。目前已有197人学习下载。使用时可依据自己的框架需求读取XML或TXT标注快速完成数据集划分与格式转换节省手动整理标注的时间适合作为目标检测入门练习或细胞活性识别实验的基础数据。1. 细胞活性检测数据集值不值得下1298 张图、2 类标签、双格式的关键不在数量而在标注密度做细胞活性检测的人都知道数据比模型金贵。这个目标检测数据集走的是双格式路线1298 张 jpg 全部带 Pascal VOC 格式 xml 和 YOLO 格式 txt 两套标注类别只有 Dead 和 Live 两类但总框数有 31332 个平均每张图 24 个框密度不低。标注工具是 labelImg矩形框规则统一格式干净拿到手不用再手工转格式直接喂给 YOLO 系模型跑训练。适合做药物毒性筛选、细胞培养质检、生物医学图像检测这类任务的人。下载之前我建议你先想清楚一个问题你要的是计数、定位还是死活形态分类这决定后面的 anchor 聚类和损失函数要不要额外加权重。这篇笔记按实操顺序把格式解析、数据划分、训练参数起点和踩坑点过一遍。2. 读懂 VOC 与 YOLO 双格式xml 字段映射、坐标换算和类别不平衡的真相2.1 labelImg 生成的 VOC xml框是怎么被记录下来的Pascal VOC 格式是 labelImg 默认的保存形态一个 xml 对应一张 jpg。xml 的根节点里先记录图片路径和尺寸size 节点的 width、height、depth然后每一个 object 节点挂一个类别名和 bndbox 的四个像素坐标。细胞检测场景里Dead 和 Live 的判定通常依据明场或相差显微镜下的形态活细胞边界清晰、轮廓圆润死细胞边缘皱缩甚至破裂。所以 xml 里记录的是画框那一刻人对形态的判断这是整个数据集最有价值的部分。拿到数据集先别急着训练第一件事是解析一个 xml 看看字段长什么样。下面的脚本可以打印任意一张图的标注信息import xml.etree.ElementTree as ET xml_path xyxr_cell_314.xml tree ET.parse(xml_path) root tree.getroot() size root.find(size) img_w int(size.find(width).text) img_h int(size.find(height).text) print(f图片尺寸: {img_w} x {img_h}) for obj in root.findall(object): name obj.find(name).text bbox obj.find(bndbox) xmin int(bbox.find(xmin).text) ymin int(bbox.find(ymin).text) xmax int(bbox.find(xmax).text) ymax int(bbox.find(ymax).text) print(f类别: {name} 框: ({xmin}, {ymin}) - ({xmax}, {ymax}), 宽{xmax - xmin} 高{ymax - ymin})这段代码用 xml.etree.ElementTree 解析 xml。size 节点拿到原图的宽和高后面转 YOLO 格式时这两个值是分母拿错就会整批坐标漂移。object 节点里 name 是类别名bndbox 是左上角和右下角两个点的像素坐标坐标系原点在图片左上角x 向右增大y 向下增大。解析结果里如果出现 xmax xmin 或者 ymax ymin说明原始标注里有退化框这种 xml 对应的 txt 也要重点复查。2.2 YOLO txt 的归一化坐标四个浮点数到底怎么算出来的YOLO 系列的标签文件是纯文本每行代表一个目标格式是“类别索引 x_center y_center width height”四个坐标全部归一化到 0 到 1 之间。归一化的好处是训练时不管输入图片 resize 成 640 还是 1024标签都不需要跟着改。但单位换算恰恰是翻车最多的地方。从 VOC 的像素坐标换算到 YOLO 的归一化坐标公式是死的def voc_to_yolo(xmin, ymin, xmax, ymax, img_w, img_h): # 中心点坐标 x_center (xmin xmax) / 2 / img_w y_center (ymin ymax) / 2 / img_h # 框的宽高 box_w (xmax - xmin) / img_w box_h (ymax - ymin) / img_h # 钳制到 [0, 1]防止画框时拖出画布带入越界数据 x_center min(max(x_center, 0.0), 1.0) y_center min(max(y_center, 0.0), 1.0) box_w min(max(box_w, 0.0), 1.0) box_h min(max(box_h, 0.0), 1.0) return round(x_center, 6), round(y_center, 6), round(box_w, 6), round(box_h, 6)换算逻辑不复杂但有两个细节要注意。第一个img_w 和 img_h 必须来自 xml 的 size 节点也就是原图尺寸不能用训练时 resize 后的尺寸更不能写死成 416 或者 640否则小目标框会整体偏移。第二个钳制到 [0,1] 这步不是可选项细胞图里密集区域容易把矩形框拖出图像边界labelImg 不会阻止这种操作越界的坐标如果不处理训练时 loss 会出现异常跳变。round 保留 6 位小数是 Ultralytics 系工具的默认习惯精度足够txt 文件体积也不会变大。2.3 31332 个框里的类别分布Dead 24315 对 Live 7017先看比例再定训练策略这个数据集的标注统计里有一个很关键的数字Dead 框 24315Live 框 7017总框 31332。两者比例大约是 3.46 比 1Live 只占约 22.4%。这个比例直接决定了训练策略而不是像分类任务那样简单设一个权重就完事。类别框数占比典型形态Dead2431577.6%边缘皱缩、轮廓不完整、灰度偏低Live701722.4%边界清晰、呈圆形或椭圆形、胞内结构可见从形态上讲死细胞的框更容易画准因为边缘破损后对比度高活细胞边界柔和在密集贴壁生长的区域两个相邻活细胞的框经常会挤在一起。所以训练时你大概率会遇到这样的情况Dead 的 mAP 很快上 0.9Live 的 recall 卡在 0.5 上下。这不是模型不行是样本数量和形态难度双重的结果。我一般会在数据配置阶段就把类别权重调出来YOLOv8 里是 cls 参数配比超过 3:1 时把 cls 从默认的 0.5 提到 0.9 左右简单有效。要不要先验证一下手里这份 txt 和 xml 是否对得上一份可靠的数据集同一个图片名的 txt 行数应该等于 xml 里的 object 个数。我习惯先跑一遍校验import xml.etree.ElementTree as ET def count_xml_objects(xml_path): tree ET.parse(xml_path) return len(tree.getroot().findall(object)) xml_cnt count_xml_objects(xyxr_cell_314.xml) with open(xyxr_cell_314.txt) as f: txt_cnt len([line for line in f if line.strip()]) print(fxml 对象数: {xml_cnt}, txt 行数: {txt_cnt})如果两个数对不上优先以 xml 为准重新生成 txt而不是手动改 txt。这一条在后面避坑章节还会再展开。3. 把数据集跑通到训练流程目录重排、按图划分和标注密度筛查3.1 目录怎么摆不建软链直接用 images 和 labels 两个平级目录这个数据集解压后是散装的 jpg、xml、txt 混在一起文件名规律是 xyxr_cell_编号。直接开工之前先把目录整理成 YOLO 训练约定俗成的结构。VOC 风格目录是 JPEGImages 放图、Annotations 放 xml、labels 放 txtYOLO 风格是 images 和 labels 两个平级目录。对训练来说YOLO 风格更省事Ultralytics 的 data.yaml 默认就是找 images 和 labels 这两个名字。mkdir -p dataset/images dataset/labels dataset/xml for f in *.jpg; do mv $f dataset/images/; done for f in *.txt; do mv $f dataset/labels/; done for f in *.xml; do mv $f dataset/xml/; done ls dataset/images | wc -l这几行命令把三类文件分别归位。注意一个细节这份数据集是“不包含分割路径的 txt 文件”意思是 labels 目录里只有每张图对应的标注 txt不存在 ImageSets/Main 那种存储划分结果的清单。所以训练集和验证集的划分必须你自己做这一步省不了。xml 目录建议保留虽然 YOLO 训练不读 xml但后面做标注复核、转成 COCO 或者其他格式时xml 是唯一可靠的原始依据。有人喜欢用 ln -s 软链把散文件链到目录里我不推荐。Windows 解压和 Docker 挂载场景下软链经常失效移动文件虽然占用一点 IO但换来的是路径绝对干净后面排查问题少一个变量。3.2 按图划分训练集和验证集8:2 是常用的起点关键是别按框切划分训练集和验证集有两个常见错误一个是按 txt 行数切另一个是直接用 random 切完不固定种子。按 txt 行数切会把同一个图片的标注拆到两个集合里训练时模型等于提前见过验证集不固定种子则会让实验结果无法复现。正确做法是按图片维度划分一个图片的 jpg、xml、txt 必须同时去同一个集合。import os import random import shutil from glob import glob random.seed(42) # 固定种子保证每次划分结果一致 jpg_files sorted(glob(dataset/images/*.jpg)) random.shuffle(jpg_files) val_ratio 0.2 val_count int(len(jpg_files) * val_ratio) val_files jpg_files[:val_count] train_files jpg_files[val_count:] for split_name, file_list in [(train, train_files), (val, val_files)]: split_img_dir fdataset/{split_name}/images split_lbl_dir fdataset/{split_name}/labels os.makedirs(split_img_dir, exist_okTrue) os.makedirs(split_lbl_dir, exist_okTrue) for jpg_path in file_list: basename os.path.splitext(os.path.basename(jpg_path))[0] shutil.move(jpg_path, os.path.join(split_img_dir, basename .jpg)) shutil.move(os.path.join(dataset/labels, basename .txt), os.path.join(split_lbl_dir, basename .txt))这段脚本先洗牌再按比例切片。val_ratio 取 0.21298 张图会分出约 260 张做验证、1038 张做训练对细胞检测这个规模来说够用如果数据量小到几百张可以改成 0.15。seed 固定成 42 以后不管跑多少次划分结果都一样实验对比才有意义。两个 move 都在同一个脚本里执行jpg 和 txt 按同名 basename 一起走不会出现图片进了 train、标签留在原地的情况。细胞检测场景下划分还有个更严格的做法如果图片来自不同培养孔、不同批次随机划分会让同批次图片同时出现在 train 和 val验证指标虚高。这个坑在第 5 章专门讲这里先记住一个原则划分的单位永远是“完整的实验样本”不是单张图。3.3 标注密度筛查平均 24 框/张哪些图不适合直接进训练1298 张图 31332 个框平均每张 24.1 个框但平均分布不等于均匀分布。显微镜视野里有的图可能只有五六个细胞有的图堆了五六十个。密集图对训练的影响是双刃剑一方面模型需要见过密集场景才能学会在重叠区域区分 Dead 和 Live另一方面极度密集的图如果标注本身存在漏标会向模型传递错误信号。import os import statistics from glob import glob density [] for txt_path in sorted(glob(dataset/labels/*.txt)): with open(txt_path) as f: line_count len([line for line in f if line.strip()]) name os.path.basename(txt_path) density.append((name, line_count)) mean_density statistics.mean(d for _, d in density) print(f平均每张图 {mean_density:.1f} 个框) # 找出最密集的 10 张 for name, cnt in sorted(density, keylambda x: -x[1])[:10]: print(f{name} {cnt} 框)这个脚本把每个 txt 的行数统计出来行数就是这张图的标注框数。最密集的十张图值得单独打开原图看一眼如果密集区域存在粘连细胞光靠矩形框会有大量重叠这类图对检测模型来说是高难度样本但对细胞计数任务却是最有价值的部分。我的习惯是先跑一遍这个统计再决定需不需要做图像切片把大图切成 608 或 640 的小图再训练小目标会好捡很多。切片与否我给一个粗标准如果单张图的标注框数超过 40且大多数框的宽度小于图片宽度的 8%就建议切成小图再训。切的时候注意不要跨边界切掉细胞常见做法是重叠切片相邻切片重叠 20%跨切边界的框直接丢弃或者只保留落在切片内部的完整框。这个决策直接影响第 4 章的 imgsz 参数选多少。4. 训练参数起点anchor 重聚类、imgsz 与 mosaic 取舍以及一条能跑的 YOLOv8 命令4.1 先重算 anchor 而不是先改模型细胞框大多集中在中小尺寸拿到新数据集先做的一件事不是换骨干网络而是先统计标注框的尺寸分布。目标检测模型里 anchor 的默认值是针对 COCO 这类自然图像设计的COCO 里很多目标占图面积大、宽高比丰富而细胞检测的框绝大多数是小尺寸、宽高比接近 1 的矩形。用默认 anchor 去训练小目标密集数据前几个 epoch 会出现大量低置信度预测收敛变慢。import glob aspect_ratios [] relative_sizes [] # 相对原图宽高的归一化边长 for txt_path in glob.glob(dataset/labels/*.txt): with open(txt_path) as f: for line in f: parts line.strip().split() if len(parts) ! 5: continue w float(parts[3]) h float(parts[4]) aspect_ratios.append(w / h if h 0 else 0) relative_sizes.append((w h) / 2) aspect_ratios.sort() relative_sizes.sort() mid_a len(aspect_ratios) // 2 mid_s len(relative_sizes) // 2 print(f宽高比中位数: {aspect_ratios[mid_a]:.3f}) print(f归一化边长中位数: {relative_sizes[mid_s]:.3f})这段代码统计所有标注框的宽高比中位数和归一化边长中位数。如果宽高比中位数在 0.8 到 1.2 之间说明细胞框接近正四方形anchor 的尺寸不用做太多非正方形比例如果归一化边长中位数小于 0.1说明大部分目标是小目标与其纠结 anchor 的具体数值不如直接把输入分辨率提上去。Ultralytics 在训练时会自动做 anchor 的自适应重算但前提是你跑的是标注规范的数据集数据混乱的话自动重算也会被脏标签带偏所以先自己过一遍统计心里有底。4.2 imgsz 与 mosaic细胞小、密、边界模糊不是越大越好输入分辨率 imgsz 直接决定了小目标能不能被检出。对细胞这种典型的显微图像640 是底线显存够的话优先试 1024。但有个反直觉的地方分辨率提上去以后显存占用和训练时间都涨mosaic 增强就需要降下来。mosaic 会把四张图拼成一张小目标在拼接过程中被缩小甚至截断对细胞检测这种目标本来就小的任务mosaic 比例过高会适得其反。我一般把 mosaic 设成 0.5也就是一半概率做拼接增强并在最后 10 个 epoch 关掉 mosaic让模型在接近真实的分布上精调。close_mosaic 这个参数在 Ultralytics 里就是干这个用的。如果细胞图本身密集到每张图十几个目标mosaic 的收益其实很小直接设 0.3 也可以。与其花时间调 mosaic不如先确认图片在训练时的缩放方式默认 letterbox 会把原图等比例缩放到 imgsz多出来的部分用灰边填充这一步对归一化标签没有影响因为标签本来就是相对于原图归一化的训练时解算标签会按 letterbox 的实际变换关系回算。细胞图和自然图像还有一个显著差别活细胞在明场下的边缘是柔和的渐变标注框的边界天然带模糊性所以 box_loss 的收敛值通常比 COCO 要高一些不要拿 COCO 的数值硬套自己的实验。只要曲线整体单调下降就算 0.06 到 0.08 的收敛值也是正常的。4.3 一条能直接下跑的 YOLOv8 训练命令把目录和配置准备好之后训练命令本身不长。先写 data.yaml# data_cell.yaml path: /绝对路径/dataset # 改成你本机实际路径 train: train val: val nc: 2 names: [Dead, Live]names 的顺序必须和 txt 里的类别索引一致0 对应 Dead1 对应 Live写反了训练不会报错但评估结果完全乱套。训练用 yolov8s 起步显存小于 8G 就换 yolov8nyolo detect train \ modelyolov8s.pt \ datadata_cell.yaml \ imgsz640 \ epochs100 \ batch16 \ lr00.01 \ mosaic0.5 \ close_mosaic10 \ cls0.9 \ seed42解释一下关键参数。imgsz 是输入边长640 起步显存有余先加到 1024 再谈其他。batch 按显存调显存不够先降 batch 而不是降 imgsz。mosaic0.5 表示 50% 概率做马赛克增强close_mosaic10 表示最后 10 个 epoch 把 mosaic 关掉。cls0.9 是给分类损失的权重这个数据集 Dead 与 Live 接近 3.5:1所以把它从默认的 0.5 提到 0.9。训练结束后看 results.csv 里的 mAP50 和 mAP50-95还要单独看每个类别的 recall不是只看综合数字。训练到 20 到 30 个 epoch 之间box_loss 和 cls_loss 应该稳定下降。如果 cls_loss 出现锯齿形震荡先看是不是学习率太大把 lr0 降到 0.005 重跑如果 box_loss 一直横盘不动回头看 4.1 节的框尺寸统计确认输入分辨率是不是太小导致小目标梯度信号太弱。细胞检测的收敛速度比自然图像快前 50 个 epoch 基本能看出能不能打没必要一上来就跑 300 轮。5. 避坑从解压到评估最容易翻车的五个环节5.1 现象训练一开始就报 image not found 或 labels not found原因最常见的是文件移动时后缀处理出错。比如用脚本移动时jpg 和 txt 同名但后缀不同如果 basename 取错labels 目录里的文件就会变成 xyxr_cell_314.jpg.txt训练时解析不到。还有一种情况是 Windows 下解压 zip 后文件名里带着不可见字符或者全角空格Linux 训练环境读不到。解决统一用英文和数字命名训练前跑一遍清单核对脚本确保 images 里每个 jpg 在 labels 里都有同名 txtfrom glob import glob import os jpg_set {os.path.splitext(os.path.basename(p))[0] for p in glob(dataset/train/images/*.jpg)} txt_set {os.path.splitext(os.path.basename(p))[0] for p in glob(dataset/train/labels/*.txt)} print(缺标签的图片:, jpg_set - txt_set) print(缺图片的标签:, txt_set - jpg_set)这段脚本在每次训练前跑一遍能挡住九成路径问题。我碰到这类问题后习惯把划分脚本和校验脚本做成一对划分完立刻校验不等训练时报错再回头查。5.2 现象xml 正常但转出 txt 后坐标出现负数或大于 1原因labelImg 画框时鼠标可以拖出画布范围保存的 xmin 或 ymax 就越界了。xml 里这种越界不报错但转成 txt 后如果没做归一化钳制会出现坐标小于 0 或大于 1。训练时 ultralytics 解析标签会直接过滤这些框表现为某个类别明明有 7000 多个标注实际参与训练的只有 5000 多个。解决转换脚本里加钳制和面积过滤。面积过滤这条很关键一个框如果归一化后的宽或高小于 0.005多半是误点击产生的点状标注直接丢弃比留着强。我在代码里写过一条规则宽高任一小于 0.005 就丢掉并且把丢弃的记录写到一个 log 文件方便回头对照 xml 修订。5.3 现象Dead 的 mAP 很高Live 的 recall 只有 40%原因两部分叠加。一是 Dead 框数是 Live 的 3.46 倍模型天然偏向多数类二是 Live 框经常聚集在细胞密集区互相重叠NMS 阶段高置信度的 Dead 框会把相邻的 Live 框挤掉。只看总的 mAP 是看不出这个问题的必须按类别看。解决训练参数里把 cls 权重提到 0.9 甚至 1.2验证时用 F1 而不是 mAP 做早停依据如果还是要保 recall可以把 val 阶段的 conf_thres 降 0.1 再看 PR 曲线。注意这里调的是评估阈值不是训练损失两件事别混在一起。5.4 现象验证集 mAP 虚高换一批细胞图直接崩原因划分方式不对。这个数据集的图片名是 xyxr_cell_编号如果随机打乱后划分同一批培养条件下连续拍摄的几张图会同时进训练集和验证集。模型在训练时见过同一视野的相邻帧验证分数自然虚高。这是细胞数据最常见的划分陷阱比标签质量问题隐蔽得多。我自己碰到过一次验证 mAP 刷到 0.9换一个新的培养皿批次立刻掉到 0.6折腾了两天才定位到是划分泄漏。解决按文件名前缀或拍摄批次划分。比如 xyxr_cell_314、xyxr_cell_315 这种编号如果同一天采集的编号段相近就按编号区间分桶整桶进训练或验证而不是单张随机切。具体做法是先用 3.3 节的统计脚本把全部文件名排个序看编号有没有明显的批次分界再决定桶的大小。宁可牺牲一点训练集数量也要保证验证集是真正没见过的样本。5.5 现象密集区域预测框大量重叠Live 被 NMS 吃掉原因细胞粘连区域里模型对每个细胞位置输出多个置信度接近的框默认的 NMS 阈值 0.5 会把相邻细胞的框合并掉一个视觉上就是少检了。这不是模型过拟合是密集目标检测的通病。解决推理阶段把 iou 阈值从 0.5 提到 0.7 或 0.75max_det 调大到 300如果重叠仍然严重开启 TTATest-Time Augmentation可以多捞回来 3 到 5 个点。但 TTA 会成倍增加推理时间在线服务场景慎用。想要根上解决得从训练数据入手把 3.3 节筛出来的高密度图复制一份做小范围随机裁剪增强让模型见过更多拥挤布局。这五个坑按出现频率排路径和越界问题在解压当天就能碰到类别不平衡和划分泄漏要等训练跑到 30 个 epoch 以上才暴露NMS 重叠则要看推理结果才察觉。排查顺序建议从前到后不要在流程还没跑通时就怀疑 NMS 参数。6. 验证标注质量的三个脚本技巧框复查、混淆热区和训练前自检6.1 全量框复查xml 与 txt 对表训练完一轮之后再回头做一次全量对表。拿 xml 里的 object 数量和 txt 行数逐张比较差异来源基本是 5.2 说的越界框被过滤或者原始漏标。对不上时统一以 xml 为准重新跑一遍转换脚本而不是手补 txt。数据集 1298 张图全量扫描也就十几秒值得跑。6.2 混淆热区把预测错误画回原图找出验证集里所有把 Live 漏检或误检成 Dead 的样本把模型预测框和 GT 框画在同一张图上直接看错误集中在图像的什么位置。细胞图里错误位置往往有规律有的集中在视野边缘因为边缘光照不均有的集中在细胞团正中间因为重叠太严重。看到规律比看到数字有用数字只能告诉你错了多少规律能告诉你下一步改哪里。6.3 训练前自检十轮 mini 训练拿到数据集先不跑完整训练用一个小参数跑 10 个 epoch 验证流程通不通yolo detect train \ modelyolov8n.pt \ datadata_cell.yaml \ imgsz640 \ epochs10 \ batch8 \ workers2 \ seed42这个配置把模型换成 yolov8n、epochs 压到 10、batch 降到 8目的不是看精度是验证从数据读取到 loss 回传整条链路。10 个 epoch 跑完要确认三件事loss 在下降、每个类别都有预测输出、val 阶段能正常算 mAP。如果 10 轮后某个类别的预测框数量一直是 0不是训练不够是标签或类别索引有问题回头查 names 顺序。之前一次实验里我没做批次划分就开训验证 mAP 刷到 0.9换一个新的培养皿批次立刻掉到 0.6。后来把划分策略改成按编号段分桶评估数字才和实际表现对得上。从那以后我每次拿到新数据集都强制走一遍这套流程先解析 xml 统计框数和类别比例再按批次划分然后跑 10 轮 mini 训练确认 loss 曲线最后才上完整训练。希望帮到你。本文还有配套的精品资源点击获取