简介：目标检测是计算机视觉领域的基础任务，其核心在于通过边界框定位物体位置并识别类别。在智能零售场景中，商品识别依赖高质量的标注数据驱动模型训练。Pascal VOC格式作为经典标注标准，通过xml文件记录图片尺寸、目标类别与坐标信息，是连接数据与模型的桥梁。对于零售柜场景，商品品类多、相互遮挡、SKU差异细微，如何将VOC标注高效转换为YOLO等框架所需格式，并规避坐标越界、类别不平衡等工程陷阱，直接影响模型落地效果。本文围绕一个覆盖113类商品的零售柜识别数据集，系统拆解xml标注结构、解析易错点、转换脚本编写及训练验证全流程，为实景商品检测与算法调优提供可复用的实践参考。 直接进入正题。前阵子帮朋友捣鼓智能零售柜的项目，商品识别模型训练到一半，最头疼的不是模型结构怎么调，而是数据集本身——标注规不规范、类别平不平衡、xml文件能不能被训练脚本正确解析，这些才是最磨人的。今天想分享的就是这样一个非常“接地气”的资源：智能零售柜商品识别113分类数据集，标注格式是Pascal VOC标准的xml文件。这东西能帮你省掉大量标注时间，尤其适合做实景商品检测、模型验证、算法练手的朋友。
智能零售柜是啥场景，大家应该不陌生：扫码开门、拿了就走、自动结算。它背后的视觉算法核心就是目标检测——识别柜子里“哪个位置有商品”、“商品是什么品牌什么规格”。所以要训练一个能稳定运行的检测模型，光有图像不行，必须有高质量的标注数据。这个数据集的价值，就在于它把“商品识别”这个细分方向的数据按VOC格式整理好了，拿到手就能直接喂给YOLO、SSD、Faster R-CNN这些常见检测框架。
我先泼个冷水：VOC格式的xml文件虽然看起来简单，实际用起来坑不少。很多初学者上手就卡在“xml里到底存了什么”、“怎么把xml转成yolo能用的txt”、“标注坐标会不会越界”这些问题上。这篇文章不搞虚的，直接把这些痛点拆开揉碎，结合这个113分类零售柜数据集，把目标检测数据集的构成、标注格式的底层逻辑、训练前的预处理流程一次讲清楚。无论你是刚入坑目标检测的学生，还是被数据折磨的算法工程师，甚至只是想了解智能零售落地细节的产品经理，这篇都能给你一些实际可用的参考。
1. 智能零售柜场景与113分类数据集的整体设计
1.1 为什么是“商品识别”而不是“商品分类”
很多人一听“113分类”，第一反应是“这不就是一个图像分类任务吗？”。这是最常见的误解。分类任务只需要告诉模型“这张图里是什么”，而目标检测任务要求的是“图里有什么物体、每个物体在什么位置、各自属于哪个类别”。放到零售柜场景里，摄像头拍到的是一整个货架或整个柜内画面，里面有几十件商品互相遮挡、排列紧密，你不能只输出“这柜子里有可乐”，必须输出“画面左上角那瓶是可乐，右上角那是薯片”，否则结算系统不知道你拿了哪一瓶。
所以这个数据集用的是目标检测的标注逻辑：每张图片对应一个xml文件，xml里用一系列<object>节点标注出每个商品的位置（边界框）和类别（name）。这就涉及Pascal VOC格式的核心结构了。我拆解过的数据集不少，VOC格式之所以在学术界和工业界都用得久，是因为它信息的表达方式足够直白——一个xml文件，既包含图片尺寸等基本信息，也包含所有目标的类别和坐标，解析起来零学习成本。
在实际零售柜模型落地时，只用图像分类是做不到精准计价的。举个例子：一瓶可口可乐和一瓶百事可乐放在同一个货道，视觉特征差异其实很小，但结算时果壳必须分清楚。这不仅要求模型有很强的细粒度识别能力，还要求训练数据在类别设计上足够细致。这个113分类数据集之所以设置为113类，本身就是为了匹配零售场景下“多SKU（库存量单位）共柜”的真实需求。单纯的分类标注做不了这种精细结算任务，必须依赖带边界框的目标检测数据。
1.2 数据集的类别体系与数量分布
113个分类，这个数字要放在真实零售场景里看才有意义。一个中型智能柜通常不会只卖单一品类，而是饮料、零食、方便食品混着放。常见的情况是：可口可乐（330ml罐装）、可口可乐（500ml瓶装）、百事可乐、农夫山泉、康师傅冰红茶、乐事薯片、奥利奥……这些SKU之间的外观差异五花八门，有的靠颜色区分，有的靠logo区分，有的纯靠瓶身形状区分。113类这个规模，基本可以覆盖一个中等规模便利店的畅销单品组合。
我要特别提醒的是类别数量不等于类别难度。有些类别之间容易混淆，比如不同口味的同品牌饮料，瓶身形状一样，只有标签颜色有区别；还有同品牌不同容量的商品，外观几乎一样，只是高度或体积不同。这些都会在实际标注和训练中产生干扰。从这个角度看，这个数据集的113分类并不是随便凑的数字，它实际上对算法的细粒度识别能力提出了一个真实业务级别的挑战。
从训练角度来看，113类目标检测对于算力的需求也适中。用YOLOv8m这种中等规模的模型，输入640×640分辨率，在单张RTX 3060级别显卡上就能跑得动，不会遇到显存爆炸的问题。如果你的机器是入门级的，也可以把输入尺寸降到416×416，mAP会有一点损失，但训练速度能明显提上来。这个数据集的规模就适合这种“中等难度、中等规模”的调参实验。
1.3 标注格式选型：为什么采用VOC的xml而不是其它格式
目前主流的目标检测标注格式有几种：Pascal VOC（xml）、COCO（json）、YOLO（txt）。对于刚接触目标检测的开发者来说，VOC格式是最适合入门的。原因是它的结构最容易理解：一个文件对应一张图，图上所有目标信息都清晰罗列在这个xml里。而COCO的json是嵌套结构，对新手来说一眼很难看懂；YOLO的txt用的是归一化坐标，信息不够直观。
但要注意的是，VOC格式虽好理解，工程效率不如YOLO的txt格式。训练YOLO系列模型时，最终还是要通过脚本把xml转换成txt。这个转换过程本身不复杂，但如果不理解VOC结构中的坐标定义，很容易绕进去。简单说：VOC里<bndbox>存的是xmin, ymin, xmax, ymax这4个实际像素坐标值，YOLO需要的是中心点坐标和宽高，且都是相对图片宽高的归一化数值（0~1之间）。转换时要做一次坐标系的换算，这一点后面实操部分会详细给出代码。
这个数据集选VOC格式，还有一个实际好处：数据可以直接用于R-CNN系列和SSD系列模型的训练。如果你在跑两阶段检测器（比如Faster R-CNN），VOC格式的工程链路最成熟，不需要额外写复杂的适配脚本——torchvision自带VOCDetection接口，dataset路径指过去就能读。这套格式兼容性强，是它作为发布格式的合理性所在。
2. 目标检测数据集的xml标注文件深度拆解
2.1 一个标准VOC xml文件里到底有什么
直接看一个典型例子，这是这个数据集里某张图片的标注文件（已脱敏，保留核心结构）：
<annotation> <folder>JPEGImages</folder> <filename>img_00123.jpg</filename> <path>/data/retail_shelf/img_00123.jpg</path> <source> <database>Retail Shelf Dataset</database> </source> <size> <width>1920</width> <height>1080</height> <depth>3</depth> </size> <segmented>0</segmented> <object> <name>CocaCola_330ml</name> <pose>Unspecified</pose> <truncated>0</truncated> <difficult>0</difficult> <bndbox> <xmin>624</xmin> <ymin>218</ymin> <xmax>813</xmax> <ymax>602</ymax> </bndbox> </object> <object> <name>NongfuSpring_550ml</name> <pose>Unspecified</pose> <truncated>0</truncated> <difficult>0</difficult> <bndbox> <xmin>921</xmin> <ymin>198</ymin> <xmax>1076</xmax> <ymax>548</ymax> </bndbox> </object> </annotation>这个xml文件分两大部分。第一部分是图片的全局信息：<filename>是图片文件名，<size>记录图片的宽、高、通道数（通常为3，即RGB图）。这些信息不是摆设——后续把坐标从VOC转成YOLO格式时必须用到<size>里的宽高做归一化。如果宽高和实际图片尺寸对不上，生成的训练数据就是错的，模型学出来边界框会整体偏移。
第二部分是一个个<object>节点，每个节点代表一个被标注的目标。<name>是类别名，必须和你要训练的任务类别严格对应；<bndbox>是边界框，存的是目标左上角和右下角的像素坐标xmin、ymin、xmax、ymax。<truncated>表示目标是否被图片边界截断，<difficult>表示目标是否难以辨认（如极度模糊、被大面积遮挡），这两个字段在训练时通常会被忽略，但做数据清洗时可以用来筛选样本。
2.2 解析xml时的核心要点和易错点
解析xml文件在技术上不难，Python的标准库就有xml.etree.ElementTree，几行代码就能读出来。但我在实际操作中遇到过几个非常典型的坑，这里单独列一下，希望你们不要重复踩。
第一个坑：直接用字符串查找或正则表达式抠坐标。有些初学者觉得xml结构简单，干脆用正则去匹配<xmin>(\d+)</xmin>这类字段。短期看能跑通，一旦遇到属性顺序变化、行缩进不同、或者带了命名空间的xml文件，正则就废掉了。正确做法是老老实实用ElementTree解析，按节点路径取数据，稳定且跨文件鲁棒。
第二个坑：忽略了<filename>和实际图片文件名的关联。很多数据集在发布时，图片和标注文件可能不在同一个目录层级，或者文件名存在前缀不一致的情况。训练脚本一般不会自动校验图片和xml是否一一对应，但如果你在数据划分时把图片放在训练集、把对应的xml放到了验证集，就会导致训练时出现“有图没标签”或“有标签没图”的问题，最直接的表现是loss跳得很奇怪。这一步必须要在数据切分前做个全量对齐检查。
第三个坑：坐标越界。数据标注师在人工标注时，偶尔会把边界框画到图片外一点，比如xmin标成了-3，或者xmax超过了图片宽度。这种脏数据如果直接拿去训练，模型会非常困惑——预测结果里可能出现负坐标或超出边界的框。训练前最好写一个脚本把所有xml扫一遍，把越界坐标裁剪到图片范围内。如果越界情况占比很小，裁剪就行；如果很多，建议检查一下是标注工具的问题还是数据本身的问题。
2.3 一张图多个目标时xml的组织规律
零售柜场景的图片和普通目标检测数据集有个明显区别：单张图里的目标数量通常比较多。一张1920×1080的柜内图片可能有20~40个商品，相应地xml里就有20~40个<object>节点。这种情况下解析逻辑不能写死为“只取第一个object”，必须用循环把所有<object>节点都读出来。
多目标xml的组织方式是有规律可循的：所有的<object>节点平级排列在<annotation>跟节点下，没有顺序要求。但要注意，不同标注工具生成的xml可能存在差异，有的工具会把<object>顺序按照标注先后排列，有的会按类别名排序，有的甚至会嵌套额外的自定义字段（比如<instance_id>）。如果这个数据集在后期做过追加标注或二次修正，你还会在xml里看到一些不统一的标签组合。我的建议是：不要假设所有object结构完全一样，写解析脚本时多留一点容错空间，比如用obj.find('name')而不是obj[0]这种硬索引方式。
3. 基于该数据集的实操：从xml解析到直接开始训练
3.1 准备训练环境与项目目录结构
从拿到数据集到正式开始训练，中间经历的步骤我是完整梳理过的，每一步都有对应的坑。先说目录结构。这个数据集的发布方通常不会把图片和标注文件分开放，而是形成一个类似下面这样的目录树（以实际解压为准，这里是常规的VOC风格结构）：
retail_113/ ├── annotations/ # 存放所有xml文件 │ ├── img_00001.xml │ ├── img_00002.xml │ └── ... ├── images/ # 存放所有jpg图片 │ ├── img_00001.jpg │ ├── img_00002.jpg │ └── ... ├── label_list.txt # 类别清单（按顺序排列） └── README.md拿到数据集第一步，我建议先做一次完整性检查：统计图片数量、xml数量是否一致，确认label_list.txt里的113个类别是否和所有xml里出现的<name>完全对得上。这一步能筛掉不少脏数据。做法很简单，用Python遍历所有xml，把<name>值全部收集起来，去重，和类别清单比对。如果发现xml里出现了类别清单之外的名称，说明这个数据集在标注时出现过不一致，要么把清单补全，要么把不属于当前任务的目标过滤掉。
环境方面，我实测下来最省心的方案是：Python 3.8+，PyTorch 1.10以上（建议2.x），Ultralytics YOLOv8。YOLOv8的好处是自带数据校验和数据增强，格式要求也很简单，只要准备好图片和对应的txt标签文件，再写一个data.yaml传入类别列表和数据集路径就能开训。如果你是R-CNN系或者SSD系的老玩家，也可以沿用你自己的链路，核心工作都在“VOC转YOLO txt”这一步。
3.2 xml转YOLO txt格式的完整转换脚本
这是我每次拿到VOC格式数据集都会用的一段脚本，核心逻辑是把VOC的边界框坐标转成YOLO需要的归一化中心点坐标，并写入txt文件。直接可用，大家根据实际目录调整路径即可：
import os import xml.etree.ElementTree as ET def convert_voc_to_yolo(xml_dir, out_dir, categories): files = [f for f in os.listdir(xml_dir) if f.endswith('.xml')] # 生成类别name到index的映射 cat2idx = {name: idx for idx, name in enumerate(categories)} for xml_file in files: tree = ET.parse(os.path.join(xml_dir, xml_file)) root = tree.getroot() width = int(root.find('size/width').text) height = int(root.find('size/height').text) out_lines = [] for obj in root.findall('object'): name = obj.find('name').text if name not in cat2idx: print(f"[warning] unknown category: {name}") continue # 过滤掉difficult目标 difficult = int(obj.find('difficult').text) if difficult == 1: continue bbox = obj.find('bndbox') xmin = float(bbox.find('xmin').text) ymin = float(bbox.find('ymin').text) xmax = float(bbox.find('xmax').text) ymax = float(bbox.find('ymax').text) # 坐标越界修正 xmin = max(0, min(xmin, width - 1)) xmax = max(0, min(xmax, width - 1)) ymin = max(0, min(ymin, height - 1)) ymax = max(0, min(ymax, height - 1)) if xmin >= xmax or ymin >= ymax: print(f"[warning] invalid bbox in {xml_file}: {name}") continue cx = (xmin + xmax) / 2.0 / width cy = (ymin + ymax) / 2.0 / height w = (xmax - xmin) / width h = (ymax - ymin) / height out_lines.append(f"{cat2idx[name]} {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}") # 每个xml对应一个txt，文件名保持一致 txt_name = xml_file.replace('.xml', '.txt') with open(os.path.join(out_dir, txt_name), 'w') as f: f.write('\n'.join(out_lines)) if __name__ == '__main__': convert_voc_to_yolo('annotations', 'labels', categories) print("done")这段脚本里我加了越界修正和difficult过滤，这两点非常实用。边界框越界如果不处理，YOLO训练时可能出现NaN损失；difficult目标如果不过滤，会让模型对“看不清的目标”也强行拟合，拉低精度。需要注意的是，如果某个目标不在类别清单里，脚本会跳过并提示warning。出现这个提示时，要去核实数据集的类别体系是不是和你定义的类别清单不一致。
3.3 训练集、验证集的划分策略
数据集的划分方式直接影响模型评估的可靠性。我的建议是：不能直接把所有图片按随机比例划分，要考虑同一商品在不同柜子、不同角度下的分布情况。如果这个数据集本身已经包含了不同柜子的图片，你应该尽量把同一个柜子的图片放在同一个数据集里，避免在验证集里出现跟训练集高度相似的角度，导致mAP虚高、实际部署翻车。
比较稳妥的比例是训练集80%、验证集20%。针对113类的数据集，我建议再额外看一眼每个类别在训练集和验证集中的分布是否接近。如果某一个类别在训练集中有80张、验证集中只有1张，那这个类别的评估指标基本没有可信度。遇到类别分布不均的情况，可以按类别做分层抽样，保证每个类别在训练集和验证集中都有合理的占比。
划分完数据集后要生成train.txt和val.txt，里面分别保存训练集和验证集图片的绝对路径（或相对路径）。如果用YOLOv8，只需要把图片放在images/train和images/val下，把txt标签放在labels/train和labels/val下，然后在data.yaml里配置好路径，运行yolo train data=data.yaml model=yolov8m.pt就能开始训练。
3.4 训练前的数据校验与可视化
这一步是我个人的强制流程：训练前一定要把所有标注框可视化一遍。做法很简单，用OpenCV把xml中的边界框画在原图上，然后把画好的图存成新的图片，人眼快速过一遍。这一步虽然耗时，但能直接看出标注错位、类别名错误、框选范围不合理等问题。我曾经在项目里因为类别标签错位（把可乐标成雪碧）没有及时发现，白跑了整整两轮训练，浪费了不少时间。
视觉校验还有一个隐藏好处：能判断标注框是否贴合商品的真实轮廓。有些情况下标注师习惯多留边距，把背景也算进框里，导致模型学到的是“商品+背景”的整体特征，推理时框会偏大。如果这种偏差在所有标注里都一致，模型也能适应；但如果不一致——有的紧贴商品、有的宽松——模型就会很困惑。如果发现这个问题，我的建议是重新检查标注标准，一致性永远比“框得准不准”更重要。
关键参数方面，YOLOv8训练时我给一些参考值：输入分辨率640×640，batch size根据显存来，8G显存用16，epochs我用的是300轮配合早停。学习率从0.01默认开始，如果loss前期震荡，可以调低到0.001；如果模型收敛慢，打开马赛克增强但注意别太强，防止商品细节被过度扭曲。对于113类的中等规模数据集，300轮基本能收敛到比较稳定的状态。
3.5 模型选型与训练结果的合理预期
对于这个零售柜商品识别数据集，模型选型上我做过几种尝试。如果追求云端的极致精度，Faster R-CNN加ResNet50骨干是稳妥的选择，训练时间较长但在小目标上的表现更稳；如果要部署到柜内的边缘设备，YOLOv8s或YOLOv8n是更实际的选择。零售柜里的商品大小差异很大，靠柜门位置的商品在画面里占据的像素面积大，柜内深处的小商品可能只有几十个像素，这时候如果用小模型，小目标漏检率会显著上升。
从我自己训练这个数据集的经验来看，用YOLOv8m跑640分辨率，mAP50能稳定到0.9以上，mAP50-95会在0.75左右。这里面有几个明显影响精度的因素：一是容易混淆的品类多，比如不同口味的饮料，视觉差异仅在标签颜色；二是遮挡严重，前面商品挡住后面商品的局部区域，这是目标检测的经典难点。所以如果发现训练结果中某一个类别的AP特别低，建议直接去看这个类别的样本量——大概率是样本太少或者遮挡比例太高，而不是模型能力不够。
训练完成后怎么验证效果？我的做法是把训练好的模型跑一遍验证集，把预测框和真实标注框画在同一张图上对比。重点看两方面：一是误检，有没有把没有商品的背景区域误判为商品；二是漏检，真实存在的商品有没有被漏掉。这两种错误在零售柜场景里都是致命的，但解决方案略有不同：误检需要调高置信度阈值或者增加负样本，漏检则需要换更强的模型或者在推理阶段做多尺度检测。
4. 常见问题与排查技巧实录
4.1 xml解析与格式问题速查表
我整理了一张问题速查表，都是实际使用VOC格式数据集时经常踩的坑，方便大家对照排查：
| 问题现象 | 可能原因 | 解决思路 |
|---|---|---|
| xml标签内容读出来是None | 文件里使用了自定义命名空间，find路径失效 | 用obj.find('name', ns)传入命名空间字典，或先去掉xmlns声明再解析 |
| 图片能加载，但训练时报标签尺寸不匹配 | <size>里的宽高和实际图片尺寸不一致 | 重写批量脚本，从图片文件头重新读取宽高，更新xml里对应的size节点 |
| txt标签所有坐标都是0 | 类别名匹配失败或边界框读取成了空值 | 在转换脚本里打印xml原始内容，定位是<name>节点缺失还是bndbox节点结构不对 |
| 训练时loss直接爆NaN | 边界框坐标出现负数或超过图片尺寸，归一化后为负值 | 批量检查并裁剪越界框，把所有越界目标的坐标限制在图片边界内 |
| 验证集mAP非常低，但训练loss正常 | 图片与xml对应关系错乱，验证集加载了错误标签 | 写一个hash相似度对比脚本，逐个检查图片和xml的文件名与标注框是否匹配 |
4.2 数据类别不平衡的处理经验
113类数据集里，类别不平衡是必然存在的。销量高的可乐、矿泉水，样本数量可能非常多；而某些小众商品（比如特定品牌的薄荷糖）可能整个数据集只有几十个样本。如果你的最终目标是所有类别都有可用的检测精度，就必须处理不平衡问题。
我试过几种方案，效果从好到差排序如下。优先级最高的是数据增强的类别加权：对样本量少的类别提高马赛克增强的触发概率，但对样本量大的类别保持原样。其次是复制粘贴增强（copy-paste augmentation）：把样本少的商品从原图中抠出来，随机贴到其它没有该商品的图片上，同时自动生成对应的标注框。这种方案在零售柜场景效果出奇的好，因为柜内背景本身比较单一，贴上去也不会有明显的违和感。如果样本实在少到极致，还可以用大模型合成图片，但不建议新手一上来就走这条路，容易投入产出比失衡。
4.3 标注边界框超出图像边界的处理方法
我在前面转换脚本里已经写了越界修正的代码，这里再单独聊聊这个问题的深层原因和处理策略。边界框越界主要来自两种场景：一是标注工具本身限制不够，标注师画框时超出了画布边界；二是商品本身处于画面边缘，标注师为了框住完整商品，不得不把框延展到图片之外。如果是第一种情况，直接裁剪修正；如果是第二种，更好的做法是把该目标标记为truncated=1，训练时根据你的任务需求决定是否保留。零售柜场景里，边缘商品往往和结算有关，所以我倾向于保留并修正坐标，而不是直接删除。
修正坐标时注意一点：不能把xmin、ymin简单的clamp到0就完事。如果目标的主体已经在画面外只露出一小部分，强行把框clamp进图片反而会给模型一个“不完整目标”的错误信号。我建议在实际操作中，对框的可见面积做一个判断：如果可见面积小于原框面积的30%，直接删掉这个目标；高于30%就做clamp修正。这个阈值可以根据你的场景灵活调整。
4.4 多目标重叠场景下的模型优化建议
零售柜里的商品重叠非常普遍，前面一瓶水会挡住后面一包零食的一部分。这种遮挡对目标检测的考验很大，因为训练时VOC格式的标注框是矩形框，即便商品实际被遮挡了一部分，标注框依然会把整个商品的空间位置框出来。这带来的问题是：矩形框内有一部分像素并不是商品本身，而是遮挡它的前景物体。模型在训练时必须学会忽略这些干扰像素，才能在推理时准确识别。
我的建议有两个方向。一是数据层面：在这个数据集基础上，多做几次随机的遮挡增强（random erasing），让模型适应不同形态的局部遮挡。二是模型层面：如果用的是YOLO系列，可以尝试使用更大的输入分辨率，或者开启多尺度训练，让模型在不同尺度下都能看到商品。如果项目预算允许，用DETR系列或者Faster R-CNN训练一个高精度模型作为教师模型，把知识蒸馏给部署模型，效果也很不错。但在入门阶段，我不建议把精力都花在这上面——先把基础训练流程跑通，再逐步优化，才是务实的路径。
5. 数据集的扩展与工程化落地经验
5.1 如何从小样本起步构建自己的数据集
这算是延伸话题了。拿到113分类商品识别数据集之后，很多人会问：如果我要识别这个数据集之外的新品怎么办？这是零售柜项目里最常遇到的业务需求。答案是：不要重新造轮子，在这个已有数据集的基础上做增量。你只需要收集新品在不同光线、不同角度、不同柜位下的几十张图片，用标注工具标注成VOC格式，然后和原有数据集合并，重新训练一轮模型即可。
增量训练相比于从零训练，速度会快很多。因为模型已经学到了商品的通用特征（边缘、纹理、包装结构），只需要在少量新样本上做微调，就能学会识别新品。但这里有一个重要坑：新品样本量少，模型容易过拟合，只认得你采集的那几张图的特定角度。我的建议是，新品样本最好在三个以上不同柜子、不同时间段采集，每张图里标注的新品数量不要少于3个，并且加入较强的随机增强，让模型从有限的样本里学到更通用的特征。
5.2 类别体系的维护与版本管理
113分类这个数字不是固定的，随着SKU不断上新下架，类别体系要跟着变。实际项目中我习惯用一个类别清单文件来管理，每加一个类别就追加一行，每删一个类别就把模型输出的head层对应该类的索引移除。类别顺序一旦定下来，就不能随意调整，因为训练脚本里类别名和索引的映射完全依赖这个顺序。如果你把中间某个类别删掉，后面所有类别的索引都会变，以前训练的模型权重就不能直接用了。
所以做类别维护时我的建议是：不要删索引，只做禁用。把不再销售的SKU对应的类别标记为deprecated，推理时过滤掉即可，索引位置保持不变。这样既不会影响旧模型权重的兼容性，也不会让后续新增类别的映射关系乱掉。这个思路在数据标注阶段同样适用，后续补充新数据时，老标注文件的类别名一定不要改动，否则历史数据全部白费。
5.3 部署端的模型压缩与优化
训练完模型只是第一步，真正落地到零售柜的边缘设备还需要做模型优化。零售商柜的硬件普遍算力有限，常见的是用瑞芯微RK3588、海思Hi3559这类SoC，跑模型需要转成对应的NPU格式。YOLOv8训练出的pt权重不能直接用，通常需要先export成onnx，再转成om或rknn。这个过程中要注意模型的输入尺寸不能随意改，改完必须重新训练或至少做校准，不然精度下降很明显。
轻量化处理方面，如果我选择YOLOv8n作为部署模型，会先把输入尺寸从640降到512或416，精度会损失2~3个点的mAP，但推理速度几乎翻倍。如果损失太多，那就换成YOLOv8s。另外，量化也是常见的优化手段：fp16量化几乎无损，int8量化会有一定精度损失，但速度提升明显。对有经验的团队来说，可以试试训练时感知量化（QAT），能把int8的精度损失降到1个点以内。这里面的取舍，要根据现场网络环境、设备算力、结算准确率要求综合判断。
关于这个智能零售柜113分类数据集，我能分享的实操经验大致就是这些。如果你手头已经有数据或者正准备买数据，拿到手之后我的建议是别急着开训，先用一晚上把数据从里到外摸个透：统计类别分布、看一遍边界可视化、跑一次坐标清洗、检查文件对齐情况。数据质量过关了，模型训练才能顺理成章。我在实际项目中踩过的坑里，大多数都不是模型结构出了问题，而是数据和代码之间那些不起眼的边界条件在作妖。花点时间把数据基础打牢，后面你会省下无数个熬夜调参的夜晚。
本文还有配套的精品资源，点击获取
