简介本资源是专为室内场景下人脸与耳朵联合检测任务构建的YOLO系列目标检测数据集面向计算机视觉初学者、算法工程师及边缘设备部署开发者解决小目标如耳朵在复杂室内背景中定位难、标注缺位等问题。压缩包共421个文件含211张JPG格式原始图像涵盖训练、验证、测试子集、209个对应YOLO格式TXT标签文件每图一标类别统一为ear以及1个已配置好类别数、路径与划分比例的data.yaml文件开箱即用。8.67MB轻量级体积便于快速下载与本地调试适配YOLOv5至YOLOv11等主流版本及后续衍生模型。资源由zhiqingAI持续维护配套博文详述数据采集逻辑、标注规范、训练技巧与mAP评估结果学习者可直接复现基线模型、开展迁移学习或拓展多类别检测任务显著降低数据准备门槛与试错成本。1. 项目概述一个“小而精”的室内人脸耳朵检测数据集最近在做一个关于人体姿态辅助分析的项目其中涉及到对头部关键点的精细化定位。我发现虽然人脸检测的公开数据集浩如烟海但专门针对“耳朵”这个特定部位、且限定在室内场景的数据集却非常稀缺。现有的通用人脸数据集要么标注粒度不够只标出整个人脸框要么场景过于复杂包含户外、强光、遮挡等对于训练一个在室内环境下稳定、精准的耳朵检测器来说并不是最理想的“食材”。于是我动手整理并标注了这个名为“YOLOv11室内人脸耳朵目标检测数据集”的压缩包。它包含了209张在多种典型室内环境如办公室、客厅、会议室下拍摄的人脸图像所有图像中的“耳朵”区域都已被精确标注。这个数据集的定位非常明确服务于需要在室内场景下快速、准确检测人耳的研究者、开发者或学生。无论是用于智能门禁的活体检测辅助、视频会议中的虚拟饰品佩戴还是医疗辅助应用中耳部特征的初步定位这个数据集都能提供一个干净、聚焦的起点。你可能会觉得209张图片是不是太少了在动辄数万张图片的COCO、VOC时代这个数量确实不起眼。但我认为在特定垂直场景下“质量”和“针对性”远比“数量”更重要。这个数据集的价值在于其“纯净度”——统一的室内光照、多样的头部姿态正面、侧面、微侧、以及清晰的标注边界。它非常适合用于算法快速验证在新模型如YOLOv11上快速跑通训练-评估流程。迁移学习微调用少量高质量数据对预训练模型进行针对性优化。特定场景基准测试作为室内耳朵检测任务的一个小型基准。接下来我将从数据集的构建、标注细节、到如何使用YOLOv11进行训练和评估完整地拆解这个项目并分享其中踩过的坑和总结的经验。2. 数据集构建从采集到标注的全流程拆解构建一个高质量的目标检测数据集远不是简单拍几张照片、画几个框那么简单。它需要系统的规划、严谨的执行和对细节的把握。这个209张的耳朵数据集虽然规模不大但每个环节都经过了仔细考量。2.1 数据采集与场景设计采集的核心原则是在控制变量中寻求多样性。我们锁定“室内”这个场景但需要覆盖室内环境下的各种常见情况。场景选择我主要选取了四种类型的室内环境均匀光照办公室光线来自均匀的顶灯面部光影柔和耳朵轮廓清晰。靠窗侧光客厅模拟白天室内自然光从侧面照射的情况会在面部和耳部形成明暗对比考验模型对光照变化的鲁棒性。会议室多光源环境存在多个点光源如射灯可能产生局部高光和复杂阴影。家居背景环境背景相对杂乱包含家具、装饰品等增加背景干扰的多样性。拍摄对象与姿态邀请了多位同事朋友参与涵盖了不同的发型露耳、遮耳、短发、长发、是否佩戴眼镜等情况。对于每位参与者采集了多种头部姿态正面朝向摄像头向左/右旋转约30度向左/右旋转约60度接近侧面轻微抬头和低头注意所有采集均事先获得参与者的知情同意并明确告知数据仅用于技术研究。这是数据伦理的底线绝不能含糊。设备与参数使用主流智能手机后置摄像头固定分辨率如1920x1080关闭美颜滤镜。目的是保证图像质量基本一致避免引入设备差异导致的噪声。2.2 标注规范与工具实操标注是数据集的灵魂不规范的标注会让再好的模型也“学歪”。这里我选用的是YOLO格式因为它简洁高效是当前主流目标检测框架的标准输入之一。标注格式详解YOLO格式 YOLO格式的标注文件是一个与图片同名的.txt文件。每一行代表一个标注对象包含5个数值class_id x_center y_center width heightclass_id: 类别索引从0开始。我们这个数据集只有“耳朵”一个类别所以恒为0。x_center,y_center: 标注框中心点的x、y坐标值是相对于整张图片宽度和高度的比例取值范围0~1。width,height: 标注框的宽度和高度同样是相对于图片宽度和高度的比例。为什么用比例坐标而不是绝对像素坐标这是YOLO设计的一个巧妙之处。无论原始图片是800x600还是4K分辨率模型接收到的都是归一化后的相对坐标。这使模型能够学习到物体本身的相对位置和形状特征而不受具体图片尺寸的干扰增强了模型对不同分辨率输入图像的适应能力。标注实操与技巧 我使用的是开源标注工具LabelImg它直接支持导出YOLO格式。框体绘制原则紧贴耳廓框体应恰好包围整个外耳轮廓包括耳垂、耳轮、对耳轮等主要结构。不要留太多空白也不要切掉边缘。处理遮挡对于被头发或饰品部分遮挡的耳朵根据可见部分估算完整耳廓的位置进行标注。如果遮挡超过50%则舍弃该样本在本数据集中未出现此情况。双侧耳朵一张正面或微侧面照片中可能出现双侧耳朵。每一只可见的耳朵都是一个独立的检测目标需要分别标注。这是关键模型需要学会识别“每个耳朵实例”而不是“人脸一侧的耳朵区域”。使用LabelImg的流程预先定义好类别ear。使用矩形框工具仔细框选。保存后LabelImg会自动生成对应的.txt文件。质量控制标注完成后我进行了两轮检查。第一轮自查第二轮请另一位同学进行交叉校验重点查看框体是否准确、有无漏标、错标如把类似形状的物体标成耳朵。2.3 数据集目录结构与组织一个清晰的数据集结构能极大提升后续使用的效率。我采用如下结构YOLOv11_Indoor_Ear_209/ ├── images/ │ ├── train/ # 训练集图片约167张 (80%) │ └── val/ # 验证集图片约42张 (20%) ├── labels/ │ ├── train/ # 训练集标注文件与images/train一一对应 │ └── val/ # 验证集标注文件与images/val一一对应 ├── data.yaml # 数据集配置文件核心 └── README.md # 数据集说明文档核心文件data.yaml解析 这个文件是YOLOv11及YOLOv5/v8等训练时读取数据集信息的入口必须正确配置。# 数据集根目录路径建议使用绝对路径或相对于训练脚本的路径 path: /home/user/datasets/YOLOv11_Indoor_Ear_209 # 训练集和验证集的图片目录相对于path train: images/train val: images/val # 类别数量 nc: 1 # 类别名称列表 names: [ear] # 可选下载地址/作者信息等 # download: ... # author: ...实操心得path字段强烈建议在训练前修改为当前机器上的绝对路径。使用相对路径时要确保你的训练脚本的工作目录正确否则会找不到图片这是新手最常踩的坑之一。3. YOLOv11环境配置与核心概念解析拿到数据集后下一步就是选择模型。YOLOv11作为YOLO家族的最新成员之一在速度和精度平衡上做了新的探索。我们用它来训练这个耳朵检测模型再合适不过。3.1 环境搭建一步到位的配置指南我习惯使用Conda来管理Python环境避免包版本冲突。# 1. 创建并激活一个全新的Python环境以3.9为例 conda create -n yolov11 python3.9 -y conda activate yolov11 # 2. 安装PyTorch请根据你的CUDA版本到PyTorch官网选择对应命令 # 例如CUDA 11.8的情况 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 # 3. 克隆YOLOv11官方仓库这里以Ultralytics的YOLO框架为例因其持续更新并通常包含最新v11实现 git clone https://github.com/ultralytics/ultralytics cd ultralytics pip install -e . # 以可编辑模式安装方便查看源码 # 4. 安装其他可能需要的依赖 pip install opencv-python pillow matplotlib seaborn pandas验证安装import torch print(fPyTorch版本: {torch.__version__}) print(fCUDA是否可用: {torch.cuda.is_available()}) print(fCUDA版本: {torch.version.cuda}) from ultralytics import YOLO print(Ultralytics YOLO 导入成功)3.2 YOLOv11网络结构浅析与数据流理解模型的基本结构有助于后续的调参和问题排查。YOLOv11在YOLOv8的基础上进一步优化了主干网络Backbone、颈部Neck和检测头Head。简化版数据流理解输入一张图片例如640x640像素训练时统一缩放到此尺寸。主干网络Backbone通常是一个类似CSPDarknet的CNN负责逐层提取图像特征。浅层网络捕捉边缘、颜色等低级特征深层网络捕捉耳朵形状、与头部的相对位置等高级语义特征。颈部Neck通常是FPN特征金字塔网络或PANet的变体。它的作用就像“信息中转站”将主干网络不同深度的特征图进行融合。浅层特征图分辨率高利于定位小目标如部分遮挡的耳朵深层特征图语义信息强利于判断“这是不是耳朵”。颈部让模型同时拥有“好视力”精确定位和“好脑力”准确分类。检测头Head是最终的预测部分。YOLOv11通常采用“解耦头”将分类任务这是耳朵吗和回归任务耳朵框在哪里分开处理这被证明能提升性能。它会输出多个尺度的特征图每个位置预测若干个锚框Anchor的坐标、置信度和类别概率。输出经过非极大值抑制NMS过滤后得到最终的预测框列表每个框包含[x1, y1, x2, y2, confidence, class_id]。关于“Anchor-Free”最新的YOLO版本包括v11的某些设计多采用Anchor-Free方式。传统YOLO需要预设一堆不同大小比例的锚框模型学习的是相对于这些锚框的偏移量。而Anchor-Free模型如YOLOX、YOLOv11的某些变体直接预测目标中心点以及框的宽高简化了设计减少了超参数在小目标检测上有时表现更灵活。我们的耳朵目标尺寸相对固定两种方式都可行但Anchor-Free是当前趋势。4. 模型训练从数据加载到损失函数监控环境就绪数据备好终于可以开始训练模型了。这是将数据和算法结合产生价值的核心步骤。4.1 训练脚本与关键参数详解使用Ultralytics框架训练变得非常简单。创建一个train.py脚本from ultralytics import YOLO # 1. 加载一个预训练模型强烈推荐 # 使用‘yolo11n.pt’纳米级小模型作为起点适合我们的小数据集快速迭代。 model YOLO(yolo11n.pt) # 2. 开始训练 results model.train( datapath/to/your/data.yaml, # 替换为你的data.yaml路径 epochs100, # 训练轮数 imgsz640, # 输入图像尺寸 batch16, # 批次大小根据GPU内存调整 workers4, # 数据加载线程数 device0, # 使用GPU 0如果是CPU则设为‘cpu’ nameindoor_ear_detection, # 本次训练的实验名称 pretrainedTrue, # 是否使用预训练权重这里加载的模型已包含 optimizerAdamW, # 优化器 AdamW是当前主流选择 lr00.01, # 初始学习率 lrf0.01, # 最终学习率因子 (lr0 * lrf) weight_decay0.0005, # 权重衰减防止过拟合 warmup_epochs3, # 学习率热身轮数开始几轮用较小学习率 box7.5, # 框回归损失权重 cls0.5, # 分类损失权重 dfl1.5, # 分布焦点损失权重v8/v11用于提升分类精度 )关键参数深度解读epochs100对于209张的小数据集100轮通常足够模型收敛甚至需要警惕过拟合。可以通过验证集损失早停。imgsz640YOLO系列的经典输入尺寸。更大的尺寸如1280可能提升小目标检测精度但会显著增加计算量和内存消耗。对于室内耳朵640足矣。batch16批次大小。在GPU内存允许的情况下较大的Batch Size能使梯度估计更稳定。如果出现“CUDA out of memory”错误逐步降低batch如16-8-4同时等比例增大lr0如0.01-0.02进行补偿。workers4数据加载的并行进程数。可以加快数据从磁盘到GPU的传输速度。设置太高可能导致内存不足或系统卡顿一般设为CPU核心数左右。optimizer‘AdamW’AdamW是Adam优化器的改进版加入了正确的权重衰减通常比传统的SGD或Adam收敛更快、效果更好是现代深度学习训练的首选。lr0和lrf学习率是最重要的超参数之一。lr00.01是一个较高的起点配合warmup_epochs前3轮线性增长到0.01可以稳定训练初期。lrf0.01意味着最终学习率会衰减到0.01 * 0.01 0.0001这是一种余弦退火或线性退火策略帮助模型在训练后期精细调优。box,cls,dfl这是损失函数的组成部分。box损失衡量预测框和真实框的位置差异如CIoU Loss。cls损失衡量分类是否正确。dfl是YOLOv8/v11引入的Distribution Focal Loss让模型更关注分类模糊的困难样本。不建议初学者随意调整这些权重默认值经过了大量实验验证。只有当你有明确证据表明某类损失如定位不准或分类错误是主要问题时才微调对应权重。4.2 训练过程监控与可视化训练启动后我们不仅要等结果更要学会看过程。Ultralytics会在runs/detect/indoor_ear_detection/目录下生成大量日志和可视化结果。最重要的两个文件results.csv记录了每一轮epoch的各项指标可以用Excel或Pandas打开分析。args.yaml保存了本次训练的所有参数便于复现实验。需要重点关注的指标train/box_loss,train/cls_loss,train/dfl_loss训练集上的各项损失。理想情况下它们应该随着训练轮数增加而平稳下降最后趋于平缓。如果出现剧烈震荡可能是学习率太高或批次大小太小。val/box_loss,val/cls_loss验证集上的损失。这是判断模型是否过拟合的关键如果训练损失持续下降但验证损失在中后期开始上升这就是典型的过拟合信号——模型把训练数据包括噪声背得太熟了失去了泛化能力。metrics/mAP50-95(B)这是核心性能指标。mAP(mean Average Precision) 是目标检测的黄金标准。mAP50当交并比IoU阈值为0.5时的平均精度。可以理解为“框得不太准也算对”的宽松指标。mAP50-95将IoU阈值从0.5到0.95步长0.05计算多个mAP然后取平均值。这是一个非常严格的指标要求预测框必须和真实框高度重合。对于耳朵检测这种需要精确定位的任务mAP50-95比mAP50更有参考价值。我们的目标是在验证集上提升这个值。使用TensorBoard进行可视化更直观# 在训练命令中添加‘--project’和‘--name’参数后框架通常会记录TensorBoard日志 # 启动TensorBoard在项目根目录或‘runs’目录同级 tensorboard --logdir runs/detect然后在浏览器打开localhost:6006你可以看到损失曲线、指标曲线、模型结构图甚至每一轮验证的预测样例图片。通过观察验证集的预测图片你能直观地看到模型在哪些情况下会漏检、误检。5. 模型评估、推理与结果分析训练完成后我们得到了一个模型权重文件通常是best.pt保存了验证集上表现最好的权重。现在需要客观地评估它的能力并知道如何使用它。5.1 模型性能评估与指标解读使用训练好的模型在验证集上进行全面评估from ultralytics import YOLO # 加载训练得到的最佳模型 model YOLO(runs/detect/indoor_ear_detection/weights/best.pt) # 在验证集上评估 metrics model.val( datapath/to/your/data.yaml, imgsz640, batch16, conf0.001, # 评估时使用的置信度阈值设低些以召回所有可能预测 iou0.6, # NMS用的IoU阈值 device0 )评估完成后会打印一份详细的报告。对于我们的单类别耳朵检测你需要重点关注指标含义期望值参考说明P(Precision)精确率0.95模型预测为耳朵的框中有多少是真正的耳朵。越高说明误报越少。R(Recall)召回率0.90所有真实的耳朵中有多少被模型检测出来了。越高说明漏检越少。mAP50IoU0.5时的平均精度0.98宽松指标通常很容易达到很高值。mAP50-95IoU从0.5到0.95的平均精度0.70核心指标。对于209张的小数据集能达到0.7以上说明模型定位相当精准。F1-ScoreP和R的调和平均数接近1综合衡量精确率和召回率。结果分析案例 假设你的评估结果是P0.98 R0.85 mAP50-950.65。高精度、低召回说明模型非常“谨慎”它只对它非常确定的耳朵才给出预测因此预测的框基本都对但很多真实的耳朵被它漏掉了。这可能是因为训练数据中某些姿态如严重遮挡、极端侧面的样本不足模型没见过所以不敢预测。解决方案增加困难样本如被长发遮挡的耳朵到训练集或适当降低推理时的置信度阈值conf。mAP50-95为0.65说明模型预测的框位置不够精准可能框大了或框歪了。这可能与标注质量、模型容量模型太小或训练轮数不足有关。解决方案检查验证集预测图片看框不准的模式尝试使用更大的模型如yolo11s.pt或yolo11m.pt进行训练。5.2 模型推理与结果保存评估之后就是实际应用了。用模型对新图片或视频进行推理。单张图片推理from ultralytics import YOLO import cv2 model YOLO(best.pt) # 推理并保存结果 results model(path/to/new_image.jpg, saveTrue, imgsz640, conf0.25) # conf0.25是推理时常用的置信度阈值高于此值的预测框才会被保留。 # 如果你想自己处理结果 for result in results: boxes result.boxes # 框信息 masks result.masks # 分割掩码本例无 keypoints result.keypoints # 关键点本例无 probs result.probs # 分类概率本例无 # 打印检测到的每个耳朵信息 if boxes is not None: for box in boxes: xyxy box.xyxy[0].cpu().numpy() # 获取框的左上右下坐标 [x1, y1, x2, y2] conf box.conf[0].cpu().numpy() # 置信度 cls int(box.cls[0].cpu().numpy()) # 类别ID print(f检测到耳朵: 坐标{xyxy}, 置信度{conf:.2f})批量处理图片并保存import glob image_paths glob.glob(path/to/folder/*.jpg) for img_path in image_paths: results model(img_path, saveTrue, save_txtTrue, save_confTrue) # saveTrue: 保存带预测框的可视化图片。 # save_txtTrue: 以YOLO格式保存预测框的坐标到.txt文件。 # save_confTrue: 在.txt文件中同时保存置信度。保存的.txt文件格式和标注文件一样可以直接用于后续分析或集成到其他系统。处理视频流# 处理视频文件 model.predict(input_video.mp4, saveTrue, imgsz640, conf0.25) # 处理摄像头实时流例如摄像头索引0 model.predict(source0, showTrue, imgsz640, conf0.25)5.3 常见问题排查与调优技巧在实际操作中你几乎一定会遇到各种问题。下面是我总结的一些常见“坑”及其解决方法。问题1训练时损失Loss不下降或者变成NaN。可能原因1学习率lr0过高。这是最常见的原因。高学习率会导致优化过程在最优解附近震荡甚至发散。解决将lr0降低一个数量级例如从0.01降到0.001重新训练。可能原因2数据标注有严重错误。例如标注文件的类别ID错误不是0或坐标值超出了[0,1]的范围。解决使用一个小脚本快速检查标注文件。import os label_dir labels/train/ for label_file in os.listdir(label_dir): with open(os.path.join(label_dir, label_file), r) as f: lines f.readlines() for line in lines: data line.strip().split() if len(data) ! 5: print(f文件 {label_file} 格式错误: {line}) cls_id, x, y, w, h map(float, data) if not (0 cls_id 1): # 单类别id应为0 print(f文件 {label_file} 类别ID错误: {cls_id}) if not (0 x 1 and 0 y 1 and 0 w 1 and 0 h 1): print(f文件 {label_file} 坐标越界: {x},{y},{w},{h})可能原因3批次大小batch太小且没有调整学习率。Batch Size太小会导致梯度估计噪声大。解决在GPU内存允许范围内增大batch。如果无法增大尝试在减小batch的同时适当减小lr0但并非严格线性关系。问题2模型过拟合训练集指标好验证集指标差。现象训练损失持续下降验证损失在某个点后开始上升。mAP50-95在训练集上接近1在验证集上却很低。解决数据增强Data Augmentation这是对抗过拟合最有效的手段。YOLO训练命令内置了强大的增强功能如--augment参数。对于小数据集必须开启。它会随机进行翻转、旋转、裁剪、色彩抖动等让模型看到更多“变种”数据。早停Early Stopping监控验证集损失当其在连续多个epoch如10个不再下降时就停止训练。Ultralytics框架可能没有内置早停但你可以通过观察TensorBoard手动停止或写回调函数。增加Dropout或权重衰减虽然YOLO模型本身结构已包含正则化但可以尝试微调weight_decay参数如从0.0005增加到0.001。减少模型复杂度如果你一开始用的是yolo11m.pt中型模型可以换回yolo11n.pt纳米模型。小模型更不容易过拟合小数据。收集更多数据根本解决之道。可以尝试用训练好的模型去检测一些新图片把其中预测置信度不高或错误的样本挑出来重新标注后加入训练集。问题3推理速度慢。现象处理一张图片或一帧视频需要几百毫秒无法满足实时性要求。解决缩小输入尺寸训练和推理时使用更小的imgsz如从640降到320。这会显著提升速度但可能会降低对小目标的检测精度。需要权衡。使用更小的模型yolo11n.pt比yolo11s.pt快得多。启用半精度FP16推理现代GPU对FP16计算有优化。在推理命令中设置halfTrue可以几乎不损失精度的情况下提升速度。results model(image.jpg, halfTrue)使用TensorRT或ONNX Runtime加速对于部署到生产环境可以将PyTorch模型导出为ONNX格式然后用TensorRT或ONNX Runtime进行推理能获得数倍的加速比。这是进阶优化手段。问题4某些特定场景下漏检如强侧光、遮挡。现象在均匀光照下检测很好但一到靠窗的侧光环境或者耳朵被头发遮住一部分就检测不到了。解决针对性补充数据这是最直接的方法。专门采集在侧光、遮挡情况下的耳朵图片加入训练集。数据集的“短板”决定了模型能力的“上限”。调整置信度阈值在推理时适当降低conf参数如从0.25降到0.15让模型更“敏感”。但这可能会增加误检需要根据实际应用场景在精确率和召回率之间做权衡Trade-off。测试时增强TTA这是一种在推理时使用的技巧对同一张图片进行多种变换翻转、缩放等然后综合所有预测结果。能提升鲁棒性但会成倍增加计算时间。在Ultralytics中可以通过augmentTrue参数开启。results model(image.jpg, augmentTrue)这个从0到1构建并训练一个特定目标检测模型的过程虽然以一个小型耳朵数据集为例但其方法论是通用的。核心在于理解数据、模型和训练过程之间的相互作用并通过系统的实验和分析不断迭代优化。希望这份详细的拆解能帮助你不仅成功复现这个耳朵检测项目更能掌握解决一类问题的能力。本文还有配套的精品资源点击获取