简介：面向目标检测与医学影像分析的入门及进阶学习者，这份肺炎图像目标检测数据集提供超过6000张已标注图片及配套标签，整体按YOLO格式整理，包含训练集、验证集、class类别文件，并已完成数据增广。数据可直接用于YOLO v5/6/7/8等系列网络训练，免去自行爬取、清洗与标注的繁琐流程。压缩包内共有2000个文件，其中1999个txt标签文件记录了各图像中肺炎目标的边界框坐标与类别编号，另提供1个show.py脚本，可一键将检测框绘制到原图上，方便核对标注质量、排查数据问题。资源包整体约367.77MB，目录组织清晰，便于直接导入训练框架。数据集聚焦肺炎单一类别，适合目标检测入门练习、医学影像模型微调或相关课题设计复用。目前已有312人学习下载，可作为快速验证算法效果的数据基础。
1. 肺炎图像目标检测数据集：超过6k张图，先别急着开训
一个顶着“目标检测数据集”名头的肺炎图像包，超过6k张图片和标签，听起来是打包好的现成资源，实际上医学图像检测的最大门槛不在网络结构，而在数据本身。这个数据集的核心内容是胸部X光或CT图像上的肺炎病灶边界框，常见类别是“normal”和“pneumonia”（有时会拆成实变、磨玻璃影），目标是让模型学会在全新片子上框出异常区域。它对两类人最有用：一是做医学影像辅助诊断的工程师，想用一个中等规模的带标签数据验证方案；二是学目标检测的新手，想找一个比猫狗更有挑战性的场景来跑通数据管线。但我要先把丑话说在前面：6k张对通用检测算小规模，对医疗影像算可用，标注质量和划分方式稍有疏忽，后面就是整夜调参也救不回来。拿到包之后，我建议你做第一件事不是解压开训，而是花一小时把目录结构、标注格式和病人划分方式摸清楚。
2. 看懂肺炎图像数据集结构：图像、标签与划分的组织方式
2.1 先看目录：VOC风格、YOLO风格还是COCO风格
很多下载回来的数据集解压后是一个混合体，作者会把原始图片、标注、划分文件都放在同一个根目录里，甚至带一两个旧版本残留文件夹。直接训练前必须先确认标注格式，因为不同格式对应的预处理管线完全不同。
常见结构有两种。VOC风格通常长这样：JPEGImages/放图片，Annotations/放同名XML，ImageSets/Main/放train.txt、val.txt；YOLO风格则是images/和labels/镜像目录，标签是同名TXT，另外有train.txt、val.txt或一个data.yaml文件。COCO风格会是一个巨大的annotations.json。我习惯先写一个十几行的探测脚本，把目录打印出来再决定下一步：
import os from collections import Counter root = "pneumonia_dataset" # 换成你解压出来的根目录 for name in ["JPEGImages", "images", "Annotations", "labels", "ImageSets", "annotations"]: p = os.path.join(root, name) if os.path.isdir(p): files = os.listdir(p) print(f"{name}: {len(files)} files") exts = Counter(os.path.splitext(f)[1].lower() for f in files) print(" extensions:", dict(exts))这个脚本只做探测：先列目录名和文件数量，再用扩展名统计判断格式。看到.xml就是VOC，.txt就是YOLO标签，.json就是COCO。这里最容易翻车的是数量对不上，比如images有6200张，labels只有5900个文件，说明有300张图没有标注、或者标注文件名和图名不一致。遇到这种情况先不要自己脑补补全，回头翻数据集自带的README或元数据表，确认是不是作者只标注了阳性样本。
2.2 标签里到底是什么：边界框坐标系约定
肺炎图像的检测框一般指向病灶区域，但不同数据集的“病灶”定义差别很大。有的只框实变区，有的连磨玻璃影也算，还有的会把右肺中叶不张也标成阳性。如果类别名只有一个pneumonia，那是二分类检测；如果出现多个类别名，说明作者把不同的异常类型分开标了。我一般会随机打开几份XML，把标注内容直接打印出来看：
import xml.etree.ElementTree as ET import glob from collections import Counter xml_files = glob.glob("Annotations/*.xml")[:200] names = Counter() coords = [] for xml_file in xml_files: tree = ET.parse(xml_file) root = tree.getroot() size = root.find("size") img_w = int(size.find("width").text) img_h = int(size.find("height").text) for obj in root.iter("object"): name = obj.find("name").text names[name] += 1 b = obj.find("bndbox") xmin = int(float(b.find("xmin").text)) ymin = int(float(b.find("ymin").text)) xmax = int(float(b.find("xmax").text)) ymax = int(float(b.find("ymax").text)) coords.append((xmax - xmin, ymax - ymin, xmin, ymin, xmax, ymax, img_w, img_h)) print("class names:", names) print("sample bbox w,h:", coords[:5])打印出来的类别名和框坐标有两件事要确认：第一，坐标值是否都在图片尺寸范围内；第二，框宽高的中位数大概是多少像素。肺炎病灶在X光上普遍偏小，很多框小于32像素，如果这类小框占多数，后面训练时imgsz就不能太小。另外我还见过某些XML里的坐标是对的，但filename字段带中文路径或特殊字符，转换时如果不处理，后面OpenCV读图会直接报错。
2.3 VOC XML转YOLO TXT：能直接跑的最小转换脚本
YOLOv8训练时读的是归一化TXT标签，每行格式为class_id cx cy w h，其中cx, cy, w, h都是0到1的相对值。如果原始数据集是VOC XML，需要先转换。我提供的这个脚本把几处容易翻车的地方都堵住了：跳过不在类别表里的目标、坐标越界截断、过滤反向框。
import xml.etree.ElementTree as ET import os CLASSES = ["normal", "pneumonia"] # 以实际标注名为准，顺序决定标签id def convert_xml(xml_path, out_dir): tree = ET.parse(xml_path) root = tree.getroot() img_w = int(root.find("size/width").text) img_h = int(root.find("size/height").text) img_name = os.path.splitext(root.find("filename").text)[0] lines = [] for obj in root.iter("object"): name = obj.find("name").text if name not in CLASSES: continue cls_id = CLASSES.index(name) b = obj.find("bndbox") xmin = float(b.find("xmin").text) ymin = float(b.find("ymin").text) xmax = float(b.find("xmax").text) ymax = float(b.find("ymax").text) # 坐标截断到图片边界，避免越界框 xmin = max(0, min(xmin, img_w - 1)) ymin = max(0, min(ymin, img_h - 1)) xmax = max(0, min(xmax, img_w - 1)) ymax = max(0, min(ymax, img_h - 1)) if xmax <= xmin or ymax <= ymin: continue # 过滤空框 cx = (xmin + xmax) / 2 / img_w cy = (ymin + ymax) / 2 / img_h w = (xmax - xmin) / img_w h = (ymax - ymin) / img_h lines.append(f"{cls_id} {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}") with open(os.path.join(out_dir, img_name + ".txt"), "w") as f: f.write("\n".join(lines)) xml_files = [f for f in os.listdir("Annotations") if f.endswith(".xml")] os.makedirs("labels", exist_ok=True) for xf in xml_files: convert_xml(os.path.join("Annotations", xf), "labels") print("converted", len(xml_files), "xml files")脚本里的CLASSES顺序必须和之后训练用的data.yaml完全一致，因为TXT里写的是类别id，而id就是列表下标。坐标截断这段不是多余的：很多公开数据集的标注在边缘会越界一两个像素，不截断的话，训练时某些增强操作可能产生负数坐标，导致 Loss 出现NaN。转换完成后不要马上删XML，先随机抽五张图，把TXT标签画回图上目检一遍。
2.4 统计类别与框尺寸：先看比例再做训练计划
6k张图听起来够用，但拆到具体类别上可能非常不平衡。比如有的肺炎数据集只标阳性病灶，阴性图片没有任何框；或者“正常”和“肺炎”两类框数比达到10:1。这种不平衡会让模型在训练初期完全倒向高频类别。另一个关键指标是框尺寸的分布，直接决定imgsz和是否开多尺度训练。
import os from collections import Counter total_boxes = Counter() widths = [] heights = [] for txt_file in os.listdir("labels"): with open(os.path.join("labels", txt_file)) as f: for line in f: parts = line.split() if len(parts) < 5: continue cls_id = int(parts[0]) total_boxes[cls_id] += 1 widths.append(float(parts[3])) heights.append(float(parts[4])) print("box count by class:", total_boxes) widths.sort() heights.sort() n = len(widths) print("median normalized w,h:", widths[n // 2], heights[n // 2]) # 按640分辨率估算真实像素 print("median pixel size at imgsz=640:", round(widths[n // 2] * 640), round(heights[n // 2] * 640))这里的宽高是归一化的，乘以未来训练用的分辨率就能估算实际像素。如果中位数在32像素以下，说明小目标占多数，建议训练时用imgsz=832或者开启多尺度数据增强。类别统计如果发现某个类别只有几十个框，那就要考虑是否合并类别、或者使用类别加权损失，而不是直接硬训。
3. 用肺炎数据集训练YOLOv8：数据划分到关键参数
3.1 按病人划分数据：不要对图片做随机shuffle
肺炎图像数据集最大的隐蔽坑是同一病人的多张片子可能同时出现在train和val里。很多公开数据集的结构是每个病人2到4张X光片，如果按图片随机划分，验证集里会出现训练集的同源图片，mAP虚高，到了真实场景立刻现原形。处理方式很简单：先找元数据里的病人ID，按病人ID分组，再划分。
import os import random from collections import defaultdict patient2files = defaultdict(list) for f in os.listdir("images"): # 假设文件名形如 patient123_01.png，下划线前为病人ID # 如果文件名没有规律，就查元数据CSV pid = f.split("_")[0] patient2files[pid].append(f) pids = list(patient2files.keys()) random.shuffle(pids) train_ratio = 0.8 split = int(len(pids) * train_ratio) train_pids = set(pids[:split]) val_pids = set(pids[split:]) with open("train.txt", "w") as ft, open("val.txt", "w") as fv: for pid, files in patient2files.items(): for f in files: line = os.path.abspath(os.path.join("images", f)) + "\n" if pid in train_pids: ft.write(line) else: fv.write(line) print("train patients:", len(train_pids), "val patients:", len(val_pids))注意，这个脚本假设病人ID能从文件名取，但现实中文件名可能是随机UUID，那就要去读CSV元数据。如果数据集本身没有病人维度信息，至少做到：先按时间戳或检查号排序再分隔，不要让同一批次拍摄的图片横跨训练和验证。
3.2 写data.yaml：路径、类别、目录镜像关系
YOLOv8的data.yaml有几个常见的坑：一是train和val写相对路径时，基准目录是yaml文件所在位置，不是当前命令行；二是类别列表顺序和TXT里的id不一致；三是labels目录和images目录没有保持同构。推荐用绝对路径，并且保持images/labels镜像：
path: /home/user/pneumonia_det train: images/train val: images/val nc: 2 names: 0: normal 1: pneumonia这里train和val填的是图片目录，YOLOv8会推断同级的labels/train和labels/val。如果转换后的TXT都放在一个labels/根目录下，那就要先按train/val再分一次文件夹。我见过有人把nc写成类别总数时漏了背景类，其实nc只算目标类别，背景由检测框架隐式处理。
3.3 训练命令与关键参数：imgsz、batch、epochs怎么定
对于6k张图和医学小目标场景，我一般用YOLOv8s起步，显存紧张就用YOLOv8n。以下命令是我在这个规模数据上常用的配置：
yolo detect train \ data=pneu.yaml \ model=yolov8s.pt \ epochs=60 \ imgsz=832 \ batch=16 \ patience=10 \ lr0=0.005 \ project=pneumonia_runs \ name=exp1 \ device=0解释一下参数：imgsz=832不是越大越好，但肺炎病灶往往偏小，640下很多目标只有二三十个像素，832能显著改善小目标召回；batch=16在16G显存下比较稳，显存不够就降到8；epochs=60配合patience=10早停，足够看出模型是否在收敛；lr0=0.005是微调预训练权重的安全值，比默认0.01温和，防止“目标检测模型微调崩了”的情况。
训练启动后，不要干等。前20个epoch主要看loss是否下降和是否有NaN，20个epoch之后再看验证集mAP。如果loss曲线在前几个epoch就剧烈震荡，说明学习率太高，按比例降到1/10重来。
3.4 预训练权重：加载哪些层，冻结哪些层
医疗影像和ImageNet自然图像差异很大，直接加载yolov8s.pt会带来一个矛盾：预训练权重学到了通用纹理特征，但也带着自然图像的偏置。我的做法是全部解冻，让所有层都参与微调，只降低学习率。不要冻结backbone，因为肺纹理的视觉模式与自然场景差异太大，冻结浅层会让模型保留很多无用的边缘检测器。
如果你坚持冻结，只建议冻结前两层，并且把学习率调到0.001以下。更稳妥的做法是分阶段：先解冻全部层训练20个epoch，再额外降低损失里对box坐标的权重，让模型优先学会框位置而不是分类。这里有个可供参考的损失权衡：在YOLOv8默认配置下，box损失权重一般大于cls，在医学小目标场景不要轻易调反，否则模型会为了分类正确而输出大量位置不准的框。
4. 肺炎图像检测的5个常见坑：从标注到训练的排查记录
4.1 转换后TXT文件是空的：类别名大小写不一致
现象：跑完转换脚本，发现几百个TXT文件是0字节，但原始XML里明明有对象。
原因：脚本里的CLASSES列表写的是 “Pneumonia”，XML里实际标注是 “pneumonia”，大小写不同，导致所有目标都被跳过。医学数据集里的类别名经常混用大小写和空格，比如 “PNEUMONIA”、“pneumonia ”。
解决：先跑一遍唯一类别名统计，把XML里所有name字段打印出来去重，再写CLASSES映射。转换后不能用“转换成功”当结论，要抽查几个文件的行数大于0。
4.2 训练loss降了但验证mAP不到0.1：数据泄露
现象：训练损失一路下降，验证损失也在降，但val/box_loss和mAP完全对不上，mAP卡在0.05附近。
原因：典型的数据泄露——同一病人的多张图被随机划分到了train和val，模型在训练时“看到过”验证图的同源版本，但真正检测时又学不到泛化特征。验证集损失被污染，训练过程也在错误的监督下进行。
解决：按病人ID重新划分数据集。如果元数据里没有病人ID，看文件名是否有前缀；都没有，就要回归最保守的做法，即按拍摄时间排序后，前80%为train，后20%为val，至少保证同批次数据不串。
4.3 小病灶一个都检不出来：imgsz和模型下采样不匹配
现象：模型能检出大片实变区，但磨玻璃影和早期小病灶全部漏检，验证集里AP_small几乎为0。
原因：病灶像素尺寸小于模型下采样后的特征图感受野。YOLOv8在输入640时，最大下采样为32倍，一个32像素的目标在特征图上只剩1像素，信号被稀释。加上数据增强里的随机缩放，小目标进一步被缩小。
解决：把imgsz从640提到832或1024，开启多尺度数据增强（在YOLOv8中通过augment和多尺度训练实现）。如果显存有限，优先切掉mosaic的缩放范围，避免目标被缩得太小。
4.4 类别严重不平衡：模型输出全是正常类别
现象：训练完成，验证时模型在几乎每张图上都输出 “normal”，实际有肺炎病灶的图漏检严重。类别统计里normal框数是pneumonia的十倍以上。
原因：默认损失函数对每个类别的权重相同，高频类别对梯度贡献更大，模型选择捷径——把所有目标都判成高频类别。
解决：先做类别重采样，让每个batch里两类框数量接近；其次在损失上加类别权重，比如pneumonia的权重设为normal的3到5倍。YOLOv8没有直接暴露类别权重参数，你可以在数据预处理时复制少类别样本，或手动修改dataset里的损失权重。
4.5 推理输出一堆重叠框：置信度和NMS参数不对
现象：验证时一张图上出现几十个重叠的框，且置信度都很低。
原因：conf阈值设得太低，默认0.25对医学图像不够，很多假阳性的置信度在0.1到0.2之间；同时NMS的IoU阈值不当，导致同类框没有被抑制。
解决：推理时用conf=0.3、iou=0.45起步，再根据验证集的precision/recall曲线调整。医学场景宁可漏检也不建议输出高假阳性框，因为临床使用会看每张图的precision。
5. 验证检测效果：mAP之外还要看病灶级别的指标
5.1 跑验证集推理并保存预测图
训练结束后，不要只看训练日志里的最后一行，要用best.pt在验证集上重新推理，生成可视化图。这样能直观看到漏检位置和假阳性分布。
yolo detect predict \ model=pneumonia_runs/exp1/weights/best.pt \ source=images/val \ conf=0.3 \ iou=0.45 \ save_txt=True \ save_conf=True \ project=pneumonia_runs \ name=val_pred这个预测过程会输出经过NMS后的目标框到runs/val_pred/labels/，带置信度值。我一般会把预测出的*.txt和目标GT做一次对比，单靠mAP数字看不出的问题，在图上往往一眼就能定位。
5.2 看mAP、Recall和AP_small：小目标指标单独看
YOLOv8训练日志里有很多字段，重点看三个：mAP50、mAP50-95、metrics/small。mAP50对框位置要求宽松，反映粗检能力；mAP50-95对IoU要求严苛，肺炎这种边界模糊的病灶通常比通用目标低0.1到0.2，这很正常。关键是看AP_small，如果它比AP_medium低一半以上，说明小病灶召回不足。
如果你要自己在验证集上重算指标，避免忘记清缓存，建议写成一个小脚本：
from ultralytics import YOLO model = YOLO("pneumonia_runs/exp1/weights/best.pt") metrics = model.val( data="pneu.yaml", split="val", conf=0.3, iou=0.45, imgsz=832 ) print("mAP50:", metrics.box.map50) print("mAP50-95:", metrics.box.map) print("AP_small:", metrics.box.ap_small)这里metrics.box.ap_small在不同版本的ultralytics包里字段名可能不同，跑之前打印一下metrics.box的属性列表即可。小目标AP是医学影像检测的核心指标，因为大病灶人类医生基本不会漏，真正有临床价值的是早期小病灶。
5.3 错误分析：把漏检按病灶位置归类
验证集跑完后，你会得到一批漏检图。把这些图按病灶位置粗略分为“肺尖”“肺门”“肺底”“胸膜侧”四类，观察集中在哪一类。常见规律是：肺尖和胸膜侧的病灶对比度低，容易漏；肺门附近结构复杂，容易假阳性。
我习惯写一个脚本，把GT和预测框重叠小于IoU 0.1的图单独拷贝出来，按文件名集中到一个目录。去翻这些图，比看任何表格都更能让你找到是数据标注问题还是模型问题。如果某个位置的病灶总是漏，检查该位置是否在数据增强中被裁掉太多。
5.4 数据增强的边界：翻转不是万能的
很多人训练通用检测时直接开默认增强，但医学图像有解剖先验。左右翻转是安全的，因为X光左右结构基本对称；上下翻转有争议，虽然肺炎病灶位置理论上可以翻转，但胸部X光的上下方向在临床上是很强先验，反转会扰乱模型对“肺尖/肺底”的感知。
建议关闭degrees旋转增强，保留小范围平移和缩放；不要用大角度旋转，否则模型会学到不存在的解剖方向。具体到YOLOv8，可以在训练命令里加：
... degrees=0 translate=0.1 scale=0.4 fliplr=0.5 flipud=0.0这套参数在医疗影像场景里被验证得比较多，能减少因为增强过度导致的定位偏移。
6. 最后一个技巧：多尺度推理与软标签把漏检率压下来
6.1 多尺度推理的收益
训练完的best.pt在验证集上可能已经达到不错的mAP，但真到了部署阶段，病灶尺寸和训练集分布未必一致。常见做法是开启YOLOv8自带的TTA（Test Time Augmentation），它会对同一张图做多尺度缩放和平移推理，再把结果合并。虽然推理时间会变长，但小目标漏检率通常能降10%到20%。
yolo detect predict ... augment=True imgsz=[640, 832, 1024]实测中，多尺度推理对肺炎图像比通用目标检测更有效，因为病灶边界模糊，单一尺度的特征可能不足以稳定触发检测头。代价是显存占用翻倍，推理时间变为2到3倍，适合离线分析场景。
6.2 软标签是后悔药
如果训练数据里的标注本身就存在大量边界模糊的情况，可以对目标框做“软化”：不再用0/1的IoU标签，而是给边界框的样本分配一个随交叠程度连续变化的标签权重。改造YOLO的标签损失函数比较麻烦，但可以通过降低box_loss权重、提高cls_loss权重来间接达到类似效果。我自己的教训是：肺炎数据集里标注的可信度通常不如自然图像数据，与其让模型硬学那些边界不确定的框，不如把位置损失权重调低，让分类正确性主导学习，这样在验证集上的粗检mAP反而更好。
如果你已经在这个数据集上翻过车，我建议下次拿到任何医学检测数据集，第一步就按病人划分，第二步统计框尺寸，第三步才是写训练命令。这三个动作做好，能避开我前面踩过的大部分坑。希望帮到你。
本文还有配套的精品资源，点击获取
