简介：这是一份面向深度学习与计算机视觉方向的芒果实例分割数据集，采用YOLOv8标注格式，可直接用于YOLOv8的实例分割训练与验证。资源包含453条训练数据与91条验证数据，覆盖精准农业、自动化采摘、质量分级、病虫害检测及储运监控等典型场景，适合从事目标检测与实例分割研究的学生、算法工程师及农业智能化开发者使用。压缩包共1088个文件，以542个png图像与542个txt标注文件为主，另含2个json与2个cache缓存文件，整体约187.03MB，图像与标注一一对应，便于直接投入训练流程。目前已有761人学习下载，具备一定参考热度。借助该数据集，读者可快速搭建芒果实例分割实验环境，完成模型训练、验证与效果评估，并在此基础上探索果园管理、自动采摘与品质追溯等落地应用，节省数据采集与标注成本。
1. 芒果实例分割数据集与 YOLOv8：544 张图能跑出什么结果
手上只有几百张标注图，却要做实例分割，这事到底靠不靠谱？我拿到「芒果实例分割数据集 yolov8 格式，453 条训练、91 条验证」这个标题时，第一反应不是兴奋，而是先算账：544 张图，按 8:2 切分，训练集 453、验证集 91，这个比例是标准的。真正决定成败的不是图片数量，而是标注质量、类别一致性和格式转换有没有出错。芒果这种目标有个特点——果实之间互相遮挡严重，成熟度不同导致颜色差异大，树冠背景杂乱，这些都会让实例分割比普通目标检测难上一截。如果你正在做农业视觉、果园采摘机器人或者果实计数系统，这套数据值得认真跑一遍。下面我按「数据长什么样 → 环境怎么搭 → 训练怎么配 → 坑在哪 → 怎么验证」的顺序，把整个流程拆开讲。
2. 芒果实例分割数据集的结构与 YOLOv8 格式要求
2.1 实例分割标注和检测标注的本质区别
很多人第一次接触实例分割，会以为就是把检测框画得更细。不是的。目标检测输出的是(x, y, w, h, class)，而实例分割输出的是每个目标的一圈多边形顶点坐标，加上类别。YOLOv8 的分割任务用的是task=segment，标注文件里每一行格式是：
<class-index> <x1> <y1> <x2> <y2> ... <xn> <yn>所有坐标都是归一化到 0~1 之间的浮点数，多边形至少 3 个点。这里有个容易翻车的地方：如果你的原始标注是 LabelMe 生成的 JSON，里面存的是绝对像素坐标，直接转成 YOLO 格式必须除以图片宽高。我见过有人忘了归一化，训练时 loss 直接飙到 nan，排查半天才发现是坐标没除。
芒果数据集的目录结构，标准做法是这样：
mango_seg/ ├── images/ │ ├── train/ # 453 张 │ └── val/ # 91 张 ├── labels/ │ ├── train/ # 453 个 .txt │ └── val/ # 91 个 .txt └── data.yamldata.yaml是整个训练的入口配置文件，内容必须包含path、train、val、names四个字段。names里类别的顺序必须和标注文件里的class-index严格对应，错一个位置，模型学到的就是错的类别映射。
2.2 从 LabelMe 到 YOLOv8 分割格式的转换脚本
假设你拿到的原始数据是 LabelMe 标注的 JSON，下面这个脚本可以直接用：
import json import os import numpy as np from PIL import Image # 类别映射，必须和 data.yaml 里的 names 顺序一致 class_map = {"mango": 0} def labelme_to_yolo_seg(json_dir, output_dir, img_dir): os.makedirs(output_dir, exist_ok=True) for fname in os.listdir(json_dir): if not fname.endswith(".json"): continue with open(os.path.join(json_dir, fname), "r", encoding="utf-8") as f: data = json.load(f) img_w = data["imageWidth"] img_h = data["imageHeight"] lines = [] for shape in data["shapes"]: label = shape["label"] if label not in class_map: continue points = shape["points"] # 至少 3 个点才能构成多边形 if len(points) < 3: continue cls_id = class_map[label] coords = [] for x, y in points: # 归一化并裁剪到 [0,1]，防止越界 nx = min(max(x / img_w, 0.0), 1.0) ny = min(max(y / img_h, 0.0), 1.0) coords.append(f"{nx:.6f} {ny:.6f}") lines.append(f"{cls_id} " + " ".join(coords)) out_name = os.path.splitext(fname)[0] + ".txt" with open(os.path.join(output_dir, out_name), "w") as f: f.write("\n".join(lines)) labelme_to_yolo_seg("./raw_json", "./labels/train", "./images/train")这段代码的逻辑很直白：读 JSON、取图片宽高、遍历每个 shape、归一化坐标、写 txt。几个关键参数说明一下。class_map决定了类别索引，如果你的数据集有多个类别（比如「成熟芒果」「未成熟芒果」），这里要全部列出来，顺序和data.yaml的names一一对应。min(max(x / img_w, 0.0), 1.0)这个裁剪操作看起来多余，但实际标注中经常出现点稍微超出图片边界的情况，不裁剪的话 YOLOv8 训练时会报坐标越界警告。:.6f保留六位小数是 YOLO 官方推荐的精度，太少会导致小目标多边形变形。
转换完成后，务必抽查几个 txt 文件，用下面的脚本把标注画回图片上肉眼确认：
import cv2 import numpy as np def visualize_seg(img_path, label_path): img = cv2.imread(img_path) h, w = img.shape[:2] with open(label_path) as f: for line in f: parts = line.strip().split() cls_id = int(parts[0]) coords = np.array(list(map(float, parts[1:]))).reshape(-1, 2) coords[:, 0] *= w coords[:, 1] *= h pts = coords.astype(np.int32) cv2.polylines(img, [pts], True, (0, 255, 0), 2) cv2.imwrite("check.jpg", img) visualize_seg("./images/train/001.jpg", "./labels/train/001.txt")提示：可视化检查这一步千万别省。我踩过的坑是标注工具导出的多边形点序是逆时针，YOLOv8 虽然不强制方向，但某些后处理会受影响，画出来一看就能发现异常。
3. YOLOv8 实例分割训练环境搭建与参数配置
3.1 在 Ubuntu 20.04 上搭 CPU 版和 GPU 版环境
热词里有人搜「ubuntu20.04 搭建 yolov8 环境 cpu 版本」，说明不是所有人都有显卡。我的建议是：训练阶段尽量用 GPU，哪怕是一张 GTX 1660 Ti 也比 CPU 快几十倍。但如果你只是先跑通流程验证数据格式，CPU 版也能用。
GPU 版环境搭建，我一般这样操作：
conda create -n yolov8 python=3.10 -y conda activate yolov8 pip install ultralytics # 确认 CUDA 可用 python -c "import torch; print(torch.cuda.is_available())"如果输出True，说明 GPU 环境正常。如果输出False但你确实有 NVIDIA 显卡，大概率是 CUDA 版本和 PyTorch 版本不匹配。这时候不要急着重装系统，先跑nvidia-smi看驱动支持的 CUDA 版本，再去 PyTorch 官网找对应版本的安装命令。
CPU 版就简单了，pip install ultralytics之后直接跑，但训练时要把device参数设成cpu，并且做好心理准备：544 张图跑 100 轮，CPU 可能要一整天。
3.2 训练参数怎么设：从 epochs 到 imgsz 的实操建议
YOLOv8 分割训练的核心命令就一行：
yolo segment train \ data=./mango_seg/data.yaml \ model=yolov8n-seg.pt \ epochs=100 \ imgsz=640 \ batch=8 \ device=0 \ workers=4 \ patience=20 \ save=True \ project=./runs/segment \ name=mango_exp1逐个参数说清楚。model=yolov8n-seg.pt选的是 nano 版本的分割模型，参数量最小，适合小数据集快速验证。如果你数据量上千或者对精度要求高，可以换yolov8s-seg.pt或yolov8m-seg.pt，但要注意显存占用会成倍增加。epochs=100对 453 张图来说是个合理起点，配合patience=20早停机制，如果 20 轮验证指标没提升就自动停，省时间。imgsz=640是默认值，芒果图片如果分辨率很高，可以试 1024，但显存不够就老老实实 640。batch=8在 8GB 显存上比较稳，12GB 以上可以拉到 16。
训练过程中，损失曲线和 mAP 曲线是判断有没有跑偏的关键。YOLOv8 默认会在runs/segment/mango_exp1/下生成results.csv，用下面这段代码画出来：
import pandas as pd import matplotlib.pyplot as plt df = pd.read_csv("runs/segment/mango_exp1/results.csv") df.columns = df.columns.str.strip() fig, axes = plt.subplots(1, 2, figsize=(12, 4)) axes[0].plot(df["epoch"], df["train/seg_loss"], label="train seg loss") axes[0].plot(df["epoch"], df["val/seg_loss"], label="val seg loss") axes[0].set_xlabel("epoch") axes[0].set_ylabel("loss") axes[0].legend() axes[1].plot(df["epoch"], df["metrics/mAP50(B)"], label="mAP50") axes[1].plot(df["epoch"], df["metrics/mAP50-95(B)"], label="mAP50-95") axes[1].set_xlabel("epoch") axes[1].set_ylabel("mAP") axes[1].legend() plt.tight_layout() plt.savefig("training_curve.png", dpi=150)如果训练 loss 持续下降但验证 loss 从某个 epoch 开始往上走，说明过拟合了。小数据集过拟合是常态，解决办法有三个：加数据增强（YOLOv8 默认开了 mosaic、flip、scale）、降低模型复杂度（从 s 换回 n）、或者加 dropout。我一般先看验证 mAP 有没有在涨，如果 mAP 还在涨，验证 loss 稍微抬头可以再观察几轮。
4. 小数据集训练实例分割的避坑与排查
4.1 类别不均衡导致某些芒果「消失」
现象：训练完发现模型对遮挡严重的芒果分割效果极差，几乎不输出掩码。原因：453 张图里，被遮挡的芒果样本占比可能不到 10%，模型在训练中逐渐偏向「只学容易的」。解决：在data.yaml同级目录建一个hyp.yaml，调低mosaic概率、开启copy_paste增强，让遮挡样本被复制粘贴到其他图上，人为增加难度样本的权重。
4.2 验证集 mAP 虚高但实际推理一塌糊涂
现象：验证集 mAP50 跑到 0.85，但拿新拍的芒果照片推理，掩码乱七八糟。原因：训练集和验证集如果来自同一批拍摄场景，验证集不能反映真实泛化能力。解决：重新划分数据，确保验证集包含不同光照、不同角度、不同树冠背景的图片。如果原始数据全是同一棵树的照片，那 91 张验证集的意义有限，需要补拍。
4.3 多边形标注自相交导致训练报错
现象：训练启动时报Polygon self-intersection或 loss 突然变 nan。原因：LabelMe 标注时手抖，多边形边线交叉了。解决：用 shapely 库批量检测并修复：
from shapely.geometry import Polygon def check_self_intersection(label_path): with open(label_path) as f: for i, line in enumerate(f): parts = line.strip().split() coords = list(map(float, parts[1:])) points = [(coords[j], coords[j+1]) for j in range(0, len(coords), 2)] poly = Polygon(points) if not poly.is_valid: print(f"{label_path} line {i} invalid polygon")检测到之后，要么手动重新标注，要么用poly.buffer(0)修复后重新导出。
4.4 图片和标签文件名不匹配
现象：训练时提示No labels found，但明明 labels 目录里有文件。原因：图片是.jpg，标签是.txt，但文件名前缀不一致，比如图片叫mango_001.jpg，标签叫001.txt。YOLOv8 是按文件名（不含扩展名）去匹配的。解决：写个脚本批量重命名，确保images/train/xxx.jpg对应labels/train/xxx.txt。
4.5 显存溢出（OOM）的三种降级方案
现象：训练到一半报CUDA out of memory。原因：batch或imgsz设太大，或者workers太多导致数据加载占用显存。解决：按优先级依次尝试——先把batch减半，再把imgsz从 640 降到 512，最后把workers从 8 降到 2。如果还不行，换yolov8n-seg.pt并开启amp=True（自动混合精度）。
5. 用验证集和推理脚本确认模型真的能用
训练完之后，别只看 mAP 数字。我习惯做两件事：一是用yolo segment val跑一遍验证集，看混淆矩阵和各类别的 P/R 曲线；二是写一个推理脚本，拿几张验证集里的图跑预测，把掩码叠回原图肉眼检查。
yolo segment val \ model=runs/segment/mango_exp1/weights/best.pt \ data=./mango_seg/data.yaml \ imgsz=640 \ batch=8推理脚本这样写：
from ultralytics import YOLO import cv2 model = YOLO("runs/segment/mango_exp1/weights/best.pt") results = model.predict( source="./mango_seg/images/val", imgsz=640, conf=0.25, iou=0.45, save=True, project="./inference", name="val_check" )conf=0.25是置信度阈值，低于这个值的检测框会被过滤。iou=0.45是 NMS 的 IoU 阈值，控制重叠框的合并程度。这两个参数对最终效果影响很大：conf调高会减少误检但可能漏检，iou调低会抑制重叠目标。芒果互相遮挡的场景，我一般把iou设到 0.5~0.6，让模型保留更多相邻目标的掩码。
验证集只有 91 张，跑完推理后重点看三类图：单果无遮挡的、多果重叠的、背景杂乱的。如果单果图掩码边缘毛糙，说明多边形标注本身不够精细；如果多果图漏检，说明 NMS 阈值需要调；如果背景杂乱图误检，说明负样本不够，需要补一些没有芒果的树冠图作为背景类。
最后一件事：把best.pt导出成 ONNX，方便后续部署到边缘设备。命令是yolo export model=best.pt format=onnx imgsz=640。导出后拿 Netron 打开看一眼输入输出节点，确认输出里有output0和output1两个分支——分割任务比检测多一个掩码分支，如果只有一个输出，说明导出时任务类型选错了。
这套流程我跑过不止一次，544 张图做芒果实例分割，mAP50 跑到 0.8 以上是可行的，但前提是标注质量过关、验证集划分合理、训练参数不激进。小数据集训练最忌讳的就是一上来就堆 epochs 和加大模型，先用 nano 版本跑通全流程，看到曲线正常了再逐步升级。希望帮到你。
本文还有配套的精品资源，点击获取
