简介：在医学影像与目标检测交叉领域，高质量数据集是模型落地的基础。宫颈细胞病理筛查中，YOLO系列模型被广泛用于辅助识别异常细胞区域，但真实临床数据集常存在类别不平衡、标注不规范、染色差异等问题。理解目标检测的基本原理与数据清洗流程，是提升模型泛化能力的关键。从数据解压、完整性校验，到标注格式转换、类别分布分析，再到训练参数调优与医学评估指标解读，每一步都直接影响最终筛查系统的可靠性。针对宫颈细胞病变YOLO检测数据集，本文系统梳理了从原始数据到可训练YOLO格式的完整处理方法，包括处理坐标越界、标签混乱、类别失衡等工程实践，并探讨了FROC曲线、召回率等医学场景下的评估策略，为细胞病理AI辅助筛查提供可复用的技术参考。 拿到“宫颈细胞病变YOLO检测数据集.zip”这份压缩包时，很多人第一反应是解压、改个yaml、跑一条train命令，等着模型出结果。我最初也这么干过，结果被现实狠狠教育了一顿：标注框大量越界、类别标签混乱、正常细胞和病变细胞的比例悬殊到几乎让模型“躺平”，甚至解压过程中还遇到过“file is not a zip file”这种莫名其妙的错误。正因为踩了这么多坑，我才想把从拿到zip到完成训练评估的完整流程整理出来。这篇文章会覆盖数据集体检、标注格式转换、YOLO训练参数选择、医学场景下评估指标的特殊性，以及染色差异、细胞重叠等实际问题。如果你正在做宫颈细胞AI辅助筛查，或者刚拿到类似数据集准备开始训练，这篇文章应该能帮你少走不少弯路。
1. 先别急着训练：这个数据集解压后真实的“体检”流程
1.1 宫颈细胞检测的临床语义：你不是在找“癌细胞”
很多人看到“宫颈细胞病变YOLO检测”就以为是检测癌细胞，这个理解偏差会在后续标注检查和模型评估中埋大雷。临床宫颈癌筛查中，检测目标通常基于TBS报告系统（The Bethesda System），包括ASC-US（非典型鳞状细胞意义不明确）、LSIL（低度鳞状上皮内病变）、HSIL（高度鳞状上皮内病变）等类别，而不是简单分成“正常”和“癌”。在一份真实采集的宫颈细胞涂片数据集里，大部分区域是正常上皮细胞、红细胞、炎性细胞和黏液背景，真正需要关注的病变区域可能只有几个甚至一个，而且这些区域往往不是单个细胞，而是一小团重叠的细胞簇。
这直接影响你的标注策略和模型训练逻辑：模型要学的是“在巨大视野里发现少数异常区域”，而不是在密集目标中做精细分类。理解这一点后，再看标注文件里每个框对应的类别和区域，你会发现很多标注其实是以细胞簇为单位框选的，甚至在部分数据集中同一团细胞会被不同医生标注成不同级别——这种标注者间差异（inter-observer variability）在宫颈细胞病理中非常常见，是你在数据清洗时必须要接受的现实。
1.2 解压后的标准目录结构长什么样
一个规范的数据集压缩包，解压后通常具有如下结构：
cervical_cell_yolo/ ├── images/ │ ├── train/ │ │ ├── img_001.jpg │ │ └── ... │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ │ ├── img_001.txt │ │ └── ... │ ├── val/ │ └── test/ ├── classes.txt ├── data.yaml └── README.md但现实往往没这么理想，很多从公开渠道或同行手里拿到数据集，其实是这样的：images目录下是混合的jpg/png/bmp，labels目录下有的是xml（VOC格式），有的是json（COCO或LabelMe格式），有的干脆没有划分train/val，只给了一堆图片和一个标注文件。别慌，这些都正常，反而能让你养成先做数据体检再动手训练的习惯。
解压后第一件事不是看图片，而是写一个脚本统计目录里文件数量、格式分布和标注状态：
find . -type f | sed 's/.*\.//' | sort | uniq -c这个命令能快速告诉你压缩包里到底有哪些类型的文件。如果发现png和jpg混存，训练时倒不影响，但后续做预处理时统一转成jpg或png会更省心，尤其要留意部分png其实是16位深度的病理扫描图，YOLO默认读取时可能无法正确处理，需要提前转成8位RGB。
1.3 zip完整性校验：遇到“file is not a zip file”时怎么办
“file is not a zip file”是我在解压数据集时最常遇到的报错之一，尤其是在网盘下载或断点续传场景下。这个报错的本质是zip文件头损坏或文件不完整，可能原因包括：下载工具把服务器返回的错误页面存成了zip后缀、下载中途中断导致文件尾部的central directory缺失、以及极少数情况下压缩包本身在打包时就没有正常收尾。
遇到这种情况，先别急着重新下载。用下面这段Python脚本检查一下文件到底哪里出了问题：
import zipfile zip_path = "宫颈细胞病变YOLO检测数据集.zip" try: with zipfile.ZipFile(zip_path) as zf: bad = zf.testzip() if bad: print(f"压缩包内存在损坏文件: {bad}") else: print("压缩包完整，可以正常解压") except zipfile.BadZipFile as e: print(f"无法识别为zip文件: {e}") except Exception as e: print(f"其他异常: {e}")如果确认是BadZipFile，大概率文件没下载完整。此时用迅雷或浏览器重新下载，并在下载完成后对比文件大小是否与发布方标注的MD5一致。如果是zip格式但个别文件损坏，Linux下可以用zip -FF damaged.zip --out repaired.zip尝试修复，实测对简单损坏有一定效果，但别抱太大期望，重要数据最好的保障始终是多地备份。解压后如果发现images里有部分图片打不开，用PIL批量验证一下：
from PIL import Image import os corrupted = [] for root, _, files in os.walk("images"): for f in files: img_path = os.path.join(root, f) try: with Image.open(img_path) as im: im.verify() except Exception: corrupted.append(img_path) print(corrupted)发现损坏图片后，最稳妥的做法是直接剔除，而不是尝试修复。一张坏图在训练时可能导致整个batch异常中断，丢掉一张图远比让训练crash代价小。
2. 标注文件里暗藏的四种陷阱：不检查就训练等于白跑
2.1 确认标注粒度：框是细胞级还是细胞簇级
拿到标注文件后，我建议你先别急着写坐标转换脚本，而是随机抽20张图，把标注框画上去，肉眼看出标注粒度。这一步很重要，因为宫颈细胞数据集的标注者可能有的框单个异常细胞，有的框整个病变细胞簇，这两种方式在不同模型上的表现差异很大。
如果你发现标注粒度不统一（比如同一个数据集里，一部分图框的是细胞簇，另一部分图框的是单细胞），有两个处理方向：一是把单细胞框合并到距离相近的细胞簇框内，让模型统一预测簇级目标；二是保留单细胞框，但训练时接受检测框比实际病变区域略大或略小。实际项目里，我更推荐先统一成细胞簇粒度，因为簇级框的边界相对清晰，模型学习起来更稳定，而且临床医生在复核时也更习惯看“哪一片区域可能有问题”，而不是“哪一个细胞”。
判断粒度的方式除了肉眼观察，还可以统计标注框的面积分布。如果框面积集中在很小的值（比如20×20像素），说明偏向单细胞级；如果分布广且有大量长宽比较大的框，则可能是细胞簇级。
2.2 边界框越界、中心点缺失与零面积框
在YOLO的txt标注格式里，每一行是class x_center y_center width height，所有坐标都做了归一化处理，取值范围应该在0到1之间。但实际数据集里，越界框的出现频率远比你想象得高，尤其是标注工具导出时四舍五入导致坐标等于1.0，或者AI辅助标注后人工没做细致修正，会出现width或height为0的废框。
我写了一个小脚本用来排查这些问题，建议每次拿到新数据集后都跑一遍：
import os label_dir = "labels/train" bad_files = [] for fname in os.listdir(label_dir): if not fname.endswith(".txt"): continue path = os.path.join(label_dir, fname) with open(path) as f: lines = f.readlines() for i, line in enumerate(lines): parts = line.strip().split() if len(parts) != 5: bad_files.append((fname, i, "字段数量不为5")) continue cls, x_c, y_c, w, h = parts x_c, y_c, w, h = map(float, (x_c, y_c, w, h)) if not (0 <= x_c <= 1 and 0 <= y_c <= 1 and 0 < w <= 1 and 0 < h <= 1): bad_files.append((fname, i, f"坐标越界或尺寸异常: {line.strip()}")) print(bad_files)对于那些轻微越界的框，比如坐标刚好在0.999或者1.0，我建议直接裁剪到0.0到1.0区间，而不是删除。因为这些框通常对应图片边缘的细胞，完全删掉会损失边缘区域的阳性样本。但如果一个框同时出现多个字段问题，直接删除比反复修复更高效。
2.3 类别标签混乱与命名不统一
宫颈细胞病变数据集里的类别标签是最容易出问题的地方，因为不同团队使用的分类标准可能不同。有的是TBS标准（ASC-US、LSIL、HSIL），有的简化成了二分类（正常/异常），还有的是直接针对细胞核/细胞质做检测的“细胞类别+病变程度”混合标签。
拿到数据集后，我强烈建议先跑一段聚类分析，把标签文件里所有类别ID的实际出现次数统计出来。如果classes.txt有5个类别，但labels里出现了类别ID为7的标注，说明要么类别定义不一致，要么标注导出时出了问题。更隐蔽的情况是标签顺序变化：同一份数据集在不同平台发布后，classes.txt的行顺序可能被调整过，但labels文件里类别ID并没有同步更新，导致训练时正常细胞和病变细胞的类别被颠倒了。
如果你无法确认原始类别定义，最笨但最可靠的方法是用labelImg或Label Studio打开几十张图，逐个核对框与类别的关系。这个过程很费时间，但能在训练前杀死绝大多数“模型训练完不知道在检测什么”的问题。
2.4 类别严重不平衡：阳性样本只占0.1%，模型怎么学
宫颈细胞涂片里异常细胞的比例极低，一份数据集中正常背景框可能占99%以上。如果你拿这份数据直接训练YOLO，会发现模型很快收敛到一个“什么都不检测”的态，因为把所有区域都预测为背景，loss已经足够小了。
应对这种极端类别不平衡，我常用的方案有三个层次：首先是数据层面，把包含阳性框的图片复制若干份（过采样），并配合大尺度裁剪增强，尤其针对那部分只有一个小病变细胞簇的图片；其次是损失函数层面，YOLOv8引入的class loss权重可以在训练时对少数类增加权重，你可以显式调整，不要完全依赖默认配置；最后是评估层面，千万不要只盯着mAP，要单独看HSIL/ASC-US这些高风险类别的召回率。后面第5部分会专门谈医学场景的评估指标，这里先提个醒。
3. 从原始标注到YOLO的txt格式：坐标转换和数据划分完整实操
3.1 读入原始标注并转为归一化坐标
假设你的数据集中混着COCO格式的json和VOC格式的xml，我先以COCO转YOLO为例，给出一个可以直接改改就用的转换脚本核心逻辑：
import json import os def coco_to_yolo(coco_json_path, output_label_dir, class_list): with open(coco_json_path) as f: data = json.load(f) # 建立 image_id -> 文件名 的映射 id_to_name = {img["id"]: img["file_name"] for img in data["images"]} # 建立 category_id -> 类别索引 的映射 cat_id_to_idx = {cat["id"]: i for i, cat in enumerate(data["categories"])} for ann in data["annotations"]: img_id = ann["image_id"] file_name = id_to_name[img_id] base_name = os.path.splitext(file_name)[0] label_path = os.path.join(output_label_dir, base_name + ".txt") cat_idx = cat_id_to_idx[ann["category_id"]] bbox = ann["bbox"] # [x, y, width, height] x, y, w, h = bbox img_w = data["images"][img_id]["width"] img_h = data["images"][img_id]["height"] x_c = (x + w / 2) / img_w y_c = (y + h / 2) / img_h w_n = w / img_w h_n = h / img_h with open(label_path, "a") as f: f.write(f"{cat_idx} {x_c:.6f} {y_c:.6f} {w_n:.6f} {h_n:.6f}\n")如果原标注是多边形（segmentation多边形区域），你需要先计算多边形的最小外接矩形（minAreaRect），再把旋转矩形的角点转成轴对齐边界框。这一个环节要特别小心：对于细长的梭形细胞，轴对齐框会包含大量背景；而对于紧密排列的细胞簇，轴对齐框可能把相邻的正常细胞也圈进来。如果数据集里同时存在“框住细胞团整体”和“框住局部少数细胞”两种标注方式，转换后要重新做一次人工抽检。
3.2 按患者维度切分，避免数据泄漏
数据划分是医学图像项目中被忽略得最严重的问题。如果同一名患者的多张涂片图像同时出现在训练集和验证集中，模型在验证集上的指标会虚高，因为模型见过同一患者的细胞形态，而不是真正泛化到了新患者。宫颈细胞数据集发布时往往只提供了图片文件，没有显式给出患者ID，但文件名中经常暗含患者编号和采样部位信息。
我的做法是：在划分train/val/test之前，先按文件名中的患者信息分组，然后以患者为单位随机划分，而不是直接按图片随机划分。比如文件名格式为patient_012_slide_03_x1000_y2000.jpg，你可以用正则提取patient_012作为分组键。
import re import random from collections import defaultdict def extract_patient(file_name): m = re.match(r"(patient_\d+)", file_name) return m.group(1) if m else file_name patient_to_images = defaultdict(list) for img_name in os.listdir("images"): pid = extract_patient(img_name) patient_to_images[pid].append(img_name) all_patients = list(patient_to_images.keys()) random.seed(42) random.shuffle(all_patients) # 假设按 7:2:1 划分 split_1 = int(len(all_patients) * 0.7) split_2 = int(len(all_patients) * 0.9) train_patients = all_patients[:split_1] val_patients = all_patients[split_1:split_2] test_patients = all_patients[split_2:]这种划分方式的代价是，如果患者数量较少，验证集里的图像数可能不够，你需要把握度。在宫颈细胞这类患者数量通常上百的数据集中，按患者划分基本不会明显影响训练规模，但对指标可信度的提升非常大。
3.3 生成data.yaml并首次统计类别分布
所有图片处理好、标签转换完、数据集划分完毕之后，下一步要生成data.yaml。内容大概是这样的：
path: /path/to/cervical_cell_yolo train: images/train val: images/val test: images/test names: 0: ASC-US 1: LSIL 2: HSIL生成yaml之前，做一次全局的类别分布统计是必要的。写个脚本统计train、val、test三个子集中每个类别的框数量，输出一张表格。我在实际项目中见过一种情况：某个罕见类别（比如HSIL）在训练集里有300个框，但val里只有3个，test里干脆没有，导致该类别在验证时根本没法反映真实效果。这时候需要手动调整划分，尽量保证每个类别的框在train/val/test中的比例接近总体分布，特别是高风险类别，宁可多分一些到val和test，也不要全塞进训练集。
标注文件里如果存在没有对应图片的txt，或者有图片但没有txt，也需要在这一步过滤掉，YOLO训练时会直接跳过“无标签图片”，但空标签图片本身可以作为负样本参与训练，这对抑制误检有好处，后面会再提。
4. 训练阶段最容易翻车的三个选择：图像尺寸、切块策略与预训练权重
4.1 输入分辨率与切块（tiling）的取舍
宫颈细胞涂片图像常用的采集分辨率是2048×1536或更高，而YOLO系列默认输入尺寸通常为640×640或1280×1280。直接把大图压缩到640会让异常细胞变得极小——一个30×30像素的病变细胞簇缩放到十几像素后，模型很难学出有效特征。
解决这个问题有两条路：一是把输入分辨率调到1280甚至1536，直接训练大图；二是先做切块（tiling），把2048×1536图像切成若干512×512或640×640的patch，每个patch单独送入模型训练。我在实际项目里强烈推荐切块方案，原因有三：第一，大图直接训练显存消耗巨大，batch size被迫压得很小，训练不稳定；第二，切块能天然实现对异常细胞区域的过采样，如果切出来400个patch，其中含阳性细胞的patch可能只有30个，训练时配合重采样可以显著缓解类别不平衡；第三，推理阶段切块预测结合NMS合并，比整图推理更灵活，也更容易定位到局部细节。
切块时要注意重叠率。我一般取10%到20%的重叠，避免病变细胞恰好被切在patch边界上导致“半个框”的情况。推理时所有patch的预测框需要映射回原始图像坐标系，再做一次全局NMS合并，这一步在部署时尤其重要。
4.2 预训练权重怎么选：COCO权重还是从头训练
宫颈细胞图像和自然图像之间的domain gap非常大，COCO预训练权重能不能迁移到病理切片上，这个问题在社区里争论了很久。我的实测结论是：用COCO预训练权重做迁移学习仍然比从头训练效果好，尤其是在数据量不足的情况下。模型在前几层学到的基础边缘、纹理、颜色特征具有跨域通用性，真正的差异主要体现在高层语义特征上，而这些会随着训练逐渐适配到细胞形态上。
但有一个前提：必须锁定骨干层或降低骨干层的学习率，否则COCO权重在训练前期会剧烈震荡。YOLOv5里可以用freeze参数冻结前10层，YOLOv8中可以选择降低lr0并使用warmup。如果你手里的宫颈细胞数据有数万张图，可以考虑从零训练；如果只有几千张，参考我这边一个项目的做法：用COCO权重初始化为起点，freeze=10，先正常训练50个epoch，然后解冻全部层并用更低学习率微调50个epoch，效果比两种极端方案都要稳定。
4.3 训练超参数的推荐起点与loss曲线判读
以下是一组适用于宫颈细胞检测任务的参数起点，具体数值可以随数据量调整：
| 超参数 | 推荐值 | 理由 |
|---|---|---|
| imgsz | 640（配合切块） | 在显存和细节间平衡 |
| batch | 16 | 太大容易过拟合，太小收敛慢 |
| epochs | 200（含warmup） | 医学小目标收敛偏慢 |
| lr0 | 0.01（迁移学习） | 配合warmup稳定早期训练 |
| freeze | 10或更多 | 保护COCO预训练特征 |
| mosaic | 0.8（前中期开启） | 提高细胞簇上下文多样性 |
| mixup | 0.2 | 防止对染色背景过拟合 |
| close_mosaic | 10 | 最后10个epoch关闭mosaic |
| fl_gamma | 1.5（可用focal loss） | 缓解类别不平衡 |
训练时重点观察两个曲线：box_loss和cls_loss。如果box_loss下降迅速但cls_loss纹丝不动，说明模型“知道了哪里有东西，但不知道是什么东西”，此时应优先检查类别标签是否混乱，而不是盲目调学习率。如果两个loss都下降但val loss不降反升，说明过拟合了，最常见的应对是增强数据增强强度或减小模型规模。还有一个经验：在细胞检测任务里，训练集loss降到0.2以下时，val loss还很高，通常不是过拟合，而是标签噪声太大，模型记住了错误标注，这一步需要通过人工复核找到噪声样本。
4.4 训练完成后先做一次阈值扫描
很多人在训练结束后直接拿默认conf_thres=0.25和iou_thres=0.6去验证集上评估，其实医学场景下这个策略很吃亏。细胞病变检测中，高风险类别应该用更低的置信度阈值来保证召回率，而正常类别可以用高阈值抑制误检。YOLO的detect脚本允许你在推理时指定conf和iou，我建议把conf从0.1到0.9每隔0.05做一次扫描，输出每个类别在不同阈值下的precision/recall曲线，再结合临床对敏感度的要求选择最终阈值。这个过程通常能让高风险HSIL类别的召回率提升5到10个百分点，代价只是背景误检略有增加，而背景误检在后续医生复核环节是可以接受的。
5. 医学场景下的评估指标：mAP高不等于能用于筛查
5.1 mAP、Recall、FPR在细胞筛查里的真实含义
用目标检测模型做宫颈细胞筛查，最终目的不是让模型“看起来准”，而是让它在医生复核工作量可控的前提下，不漏掉任何高风险病变。因此mAP只能作为参考指标，不能作为决策指标。
举个例子，一个模型mAP@0.5达到0.92，看起来很漂亮，但如果它的漏检对象集中在HSIL类别，那这个mAP再高也不能上临床。宫颈癌筛查里，HSIL以上的漏检可能意味着患者错过最佳干预窗口，这是不能接受的。所以我在项目里会单独统计每个类别的混淆矩阵，重点关注：
- 高风险类别（HSIL等）的召回率（Recall），要求尽可能接近0.98以上；
- 每张涂片平均假阳性数（FPs per image），决定医生复核负担；
- 低风险类别（ASC-US等）的误检率，因为这类不明确诊断本身在临床就有主观性。
5.2 用FROC曲线衡量辅助筛查系统
医学影像检测领域更常用的是FROC（Free-response Receiver Operating Characteristic）曲线，横轴是每张图的平均假阳性数，纵轴是灵敏度（sensitivity）。和普通ROC曲线不同，FROC允许一张图像存在多个检测结果，特别适合评估目标检测模型在病理涂片这种“大图找异常”场景下的能力。
计算FROC时，先把模型输出的预测框和全部真实框匹配，匹配规则按IoU阈值（通常取0.5）判定。然后扫描置信度阈值，得到一系列(平均假阳性数, 灵敏度)点，连成曲线。实际操作中我会特别记录两个参考点：灵敏度0.95时的平均假阳性数，以及平均假阳性1.0时的灵敏度。前者代表“保证不漏诊时的误检代价”，后者代表“医生能承受一定额外工作量时的检出上限”。这两个值比mAP更能直观回答“这个模型能不能在真实筛查流程里用”的问题。
5.3 辅助系统不等于自动诊断：工作流设计比模型更重要
宫颈细胞病变检测模型在实际场景中承担的角色是“初筛助手”，而不是“自动诊断系统”。在项目落地时，我建议把模型的输出结果组织成“可疑区域缩略图+置信度排序列表”的格式交给细胞病理医生复核，而不是直接生成诊断结论。原因很现实：宫颈细胞涂片极其复杂，模型稳定识别出的可能只是明显形态异常的细胞簇，但一些高级别病变在染色浅、细胞重叠严重时表现并不典型，机器容易漏掉，而人眼结合上下文能发现苗头。让AI先做“大海捞针”，医生再做最终判断，是当前阶段最稳妥也最容易获得医疗资源支持的落地方式。
针对这种工作流，推理阶段的输出后处理要特别设计。我通常会在模型预测后增加一个“同区域多框合并”的步骤，把同一个细胞簇的不同局部预测框合并成一个完整区域，并输出区域级别的最置信类别。合并后还需要按置信度排序并显示对应的原始图像裁剪区域，这样医生在复盘中可以快速浏览最可能需要关注的视野，而不必在一整张涂片上漫无目的地滑动。
6. 踩坑记录：染色差异、重叠细胞与文件损坏的应对经验
6.1 染色归一化：值得做但别指望它解决所有问题
宫颈细胞涂片大多采用巴氏染色（Papanicolaou stain），不同实验室、不同批次的染色试剂、不同扫描仪的白平衡设置，都会导致图片颜色分布差异巨大。同一个模型在A医院数据上训练完，直接拿到B医院的数据上推理，大概率性能暴跌——你以为是模型过拟合了形状，实际可能是被颜色分布干扰了。
染色归一化（Stain Normalization）是应对这个问题的常用手段。最经典的是Macenko算法，通过矩阵分解估计染色颜色向量，然后把待处理图像的颜色空间映射到参考图像的颜色空间。在YOLO训练里，我通常把它作为数据增强的一部分，而不是在推理阶段做：训练时把一批图像随机染色变化，增强模型对染色差异的适应能力；推理时则直接使用原始图像，依靠模型的鲁棒性处理新数据。
实测下来，染色归一化能显著提升跨数据集泛化能力，但它解决不了所有问题。如果两张涂片的细胞形态差异本身就很大（一例是萎缩性改变背景，另一例是大量炎性细胞覆盖），单靠颜色对齐无法弥合分布差距。所以更务实的做法是：尽量收集目标部署场景的“少量本地数据”参与微调，哪怕只有两三百张图，对提升现场表现也很有帮助。
6.2 细胞重叠与粘连：NMS和混淆矩阵怎么调
宫颈细胞涂片中细胞重叠非常普遍，尤其是鳞状上皮细胞常层层叠叠。这会导致两个典型问题：一是同一团重叠细胞被模型输出多个相互重叠的预测框，NMS阈值设高了会合并成一个“混合类别”的框，设低了则出现大量重复框；二是重叠区域里同时存在正常细胞和异常细胞，模型预测时把两者的特征混在一起，导致框内类别置信度摇摆。
针对前者，我推荐在实际推理时把NMS的iou阈值调低到0.3到0.4，并开启YOLOv8的agnostic_nms（跨类别NMS），让不同类别但空间重叠的框在合并时相互抑制，避免同一区域出现HSIL和LSIL两个重叠框。针对后者，更实用的做法是提高输入分辨率，并在训练时加入小幅随机旋转和尺度变化，让模型对细胞簇内部结构的理解层次更丰富，而不是只靠整体轮廓判断。
做混淆矩阵分析时，要特别留意“LSIL被预测成HSIL”和“HSIL被预测成LSIL”这两种错误的方向性。前者是过度诊断，错误方向相对安全；后者是低估风险，一旦发生在真正的高级别病变上，会造成临床漏诊。如果混淆矩阵中这类错误比例较高，我建议单独收集这些错误样本，利用困难样本挖掘（hard example mining）微调模型，而不是盲目增加整体训练数据量。
6.3 解压与文件损坏：压缩包版本的坑和预防措施
回到压缩包本身，处理数据集zip时除了“file is not a zip file”还常遇到两类问题：一是分卷压缩包（z01/z02），有些人只传了主zip文件，没有同时传分卷，导致解压中断；二是zip文件中包含中文文件名，在Linux下解压后出现乱码，因为zip格式对非ASCII字符的编码支持一直不太统一。
分卷问题的处理方法很简单：把分卷文件下载完整，然后直接用zip -s 0 split.zip --out merged.zip合并后再解压。中文乱码问题，如果压缩包是从Windows下用WinRAR或7-Zip制作的，默认可能是GBK编码，Linux的unzip会按UTF-8解码导致乱码，此时可以用unzip -O GBK file.zip指定编码方式解压。
预防永远比修复重要。我自己的习惯是：拿到数据集后先记录MD5，解压后第一时间用前面的脚本做完整性检查，然后把关键目录的.gitignore或README一并归档。对于经过多次迭代后标注文件被修改的情况，建议用Git做版本管理，即使后续出现了标注误删、脚本批量替换出错之类的问题，也能快速回滚到可用版本。我在一个项目中就吃过亏：批量坐标转换脚本里把x和y顺序搞反，所有框都被转置了，当时如果没做版本管理，几天的标注工作就直接报废了。
宫颈细胞病变YOLO检测这个方向，数据质量永远是第一位的。模型结构可以换，YOLOv5、YOLOv8、YOLOv9甚至YOLO-World都能跑，但只要数据有问题，后面所有的调参和优化都是在错误地基上盖楼。拿到一份数据集，先把体检流程做扎实，把格式转换脚本写严谨，把划分逻辑想清楚，再开始训练，这个顺序省下的时间远比直接开跑要多。我这套流程在宫颈细胞数据上反复用了几轮，每次都能在训练前发现至少一两类标注或格式问题，希望对你也有用。
本文还有配套的精品资源，点击获取
