简介：面向目标检测与YOLO模型训练的中草药图像数据集，适合初学者或研究者快速上手YOLOv5。数据按YOLOv5文件夹结构保存，标注为类别加中心点坐标与宽高的相对坐标，共8个类别（如Cardamom、Cumin、Neem等），并划分训练、验证、测试集：训练集约2600张，验证集约190张，测试集约100张，可直接用于训练与评估。资源共2000个文件，主体为1999个txt标注文件与1个Python可视化脚本，压缩包约209.51MB；txt对应图片标注，脚本可随机读取图片绘制边界框并保存，无需修改即可运行。目前已有1000余人学习下载。配套提供类别class文件，目录清晰，省去自行清洗划分时间，适合作为中草药目标检测起步数据或YOLO练习。
1. 中草药目标检测，先别急着训练：数据集才是第一道坎
做中草药图像目标检测，绝大多数人上手第一件事就是找模型、调参、跑训练，结果折腾半天发现 AP 值惨不忍睹，回头查数据才发现标注错位、类别索引混乱、训练集和验证集互相“串门”。真正的瓶颈不在 YOLO 的网络结构，而在喂给 YOLO 的数据集本身。这个项目标题其实给了完整的答案：一份划分好的中草药图像数据集、一个类别 class 文件、一套数据可视化脚本。它要解决的不是“怎么把模型训出来”，而是“怎么把数据准备成 YOLO 真正能吃的样子，并且在训练之前就把烂数据揪出来”。适合正在用 YOLOv5/v8 做中草药识别、刚拿到一批药材照片不知道怎么组织成数据集、或者训练出来 AP 忽高忽低找不到原因的从业者。
2. 把中草药照片变成 YOLO 能吃的格式：目录结构与坐标换算
2.1 YOLO 标签的四字段含义与坐标归一化计算
YOLO 系列（v5/v8 都一样）不认常见的 x1y1x2y2 绝对像素坐标，而是要求归一化后的中心点坐标加宽高。每一行对应一个目标实例，结构是：class_id x_center y_center width height。class_id 是类别索引，从 0 开始，对应 class 文件里的行号；x_center 和 y_center 是目标中心点相对图片宽高的比例；width 和 height 是目标框宽高相对图片宽高的比例，全部归一化到 0~1 之间。
为什么要归一化？因为中草药数据集的照片分辨率差异极大——微距特写可能是 6000×4000，手机随手拍是 1920×1080，如果不归一化，模型预处理时就要为每种分辨率重新缩放，而归一化之后模型完全不关心输入图片的绝对像素值。一个具体的例子：一张 1920×1080 的甘草叶片照片，人工标注框左上角在 (960, 540)、右下角在 (1440, 810)，中心就是 (1200, 675)，框宽 480、高 270，归一化后得到：
0 0.625 0.625 0.25 0.25换算公式本身很简单，从绝对坐标到归一化坐标：
x_center = (x1 + x2) / 2 / image_width y_center = (y1 + y2) / 2 / image_height width = (x2 - x1) / image_width height = (y2 - y1) / image_height反向换回像素坐标，在可视化脚本里会用到：
x1 = int((x_center - width / 2) * image_width) y1 = int((y_center - height / 2) * image_height) x2 = int((x_center + width / 2) * image_width) y2 = int((y_center + height / 2) * image_height)这块的坑主要在三点：一是直接用整数坐标算中心点，会造成 1~2 像素的误差，对中草药里大量小目标（枸杞干果、金银花单朵）是能感知到的；二是忘了除以图片宽高，标签里出现大于 1 的值，训练时边框计算直接乱套；三是坐标顺序写反，把 x_center 写成了 y_center，可视化时所有框全部方向错乱。我一般会在新建数据集时先写一个扫描脚本，检查所有标签文件的数值范围：合法的 x_center、y_center、width、height 必须在 0 到 1 之间，越界的直接打印路径，人工确认后再继续。
2.2 划分好的数据集：images 与 labels 双目录结构与文件命名对齐
一个规范的、划分好的中草药 YOLO 数据集，目录结构通常长这样：
chinese_herb_dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ ├── classes.txt └── data.yaml这种 images/labels 双目录结构是 YOLO 系列的默认约定，不是个人习惯。训练时 YOLO 会根据 data.yaml 里指定的图片路径，自动在同级目录下找 labels 目录，图片在 images/train 里，标签就默认在 labels/train 里，不能自己乱放。
data.yaml 是划分配置的入口，YOLOv8 加载数据集时读的就是它：
train: ./chinese_herb_dataset/images/train val: ./chinese_herb_dataset/images/val test: ./chinese_herb_dataset/images/test nc: 5 names: ['gancao', 'gouqi', 'jinyinhua', 'dangshen', 'huangqi']这里有个高频坑：train 路径写成相对路径时，一旦训练脚本里改动过工作目录，路径解析就会失败，直接报 FileNotFoundError。我习惯在 data.yaml 里写绝对路径，换机器时多改几个字符串，但排错时间省下来远高于这点麻烦。
文件命名有一条硬规则：图片和标签的主文件名必须完全一致，只是扩展名不同。比如 images/train/gancao_001.jpg 对应 labels/train/gancao_001.txt。如果标注工具导出时命名规则不一致，YOLO 训练不会报错，只会静默忽略那张没有标签的图，你的训练数据量会在不知不觉中缩水。这是个很阴的问题，因为很多人看数据没报错就以为没问题，直到训练完才发现某类别的 AP 起不来。
“划分好的数据集”从代码上看就是一次 shuffle 加三分。下面这个脚本把一个目录下的图片和对应标注按 8:1:1 分成训练、验证、测试三份：
import os import random import shutil random.seed(2024) # 固定随机种子，保证划分结果可复现 src_images = "raw_images" # 原始图片目录 src_labels = "raw_labels" # 原始标签目录（YOLO格式） dst_root = "chinese_herb_dataset" train_ratio, val_ratio = 0.8, 0.1 image_files = [f for f in os.listdir(src_images) if f.lower().endswith(('.jpg', '.png', '.jpeg'))] random.shuffle(image_files) n = len(image_files) n_train = int(n * train_ratio) n_val = int(n * val_ratio) splits = { "train": image_files[:n_train], "val": image_files[n_train:n_train + n_val], "test": image_files[n_train + n_val:] } for split_name, files in splits.items(): os.makedirs(os.path.join(dst_root, "images", split_name), exist_ok=True) os.makedirs(os.path.join(dst_root, "labels", split_name), exist_ok=True) for fname in files: stem = os.path.splitext(fname)[0] src_img = os.path.join(src_images, fname) src_lbl = os.path.join(src_labels, stem + ".txt") shutil.copy(src_img, os.path.join(dst_root, "images", split_name, fname)) if os.path.exists(src_lbl): shutil.copy(src_lbl, os.path.join(dst_root, "labels", split_name, stem + ".txt")) else: print(f"[警告] {fname} 缺少对应标签文件")逻辑说明：先读全部图片文件名，固定随机种子后 shuffle，避免每次运行得到不同划分；再按比例切出三个文件列表；最后逐个把图片和同名标签复制到目标目录。缺失标签时打印警告但不中断运行，方便回头统计漏标情况。
参数说明：train_ratio=0.8、val_ratio=0.1，测试集自动取剩余的 0.1。如果总样本数小于 300，建议改成 0.7/0.15/0.15，因为验证集太小会导致 mAP 波动很大，同一份代码跑两遍结果差异明显。另外注意这里用的是shutil.copy，也就是复制而不是移动文件——保留原始目录这个习惯非常重要。后续要是发现划分有问题，随时可以重新切，不用后悔。
3. 类别 class 文件与数据集划分比例：参数怎么设才不翻车
3.1 class 文件一行一个类名：顺序决定训练索引，别乱排
classes.txt 就是标题里说的“类别 class 文件”，每行一个类别名。比如：
gancao gouqi jinyinhua dangshen huangqi关键规则是：每一行的行号就是训练时这个类别对应的整数索引，第一行是 0，第二行是 1，依此类推。标签文件里每行开头的数字就是这个索引。说得直接点，classes.txt 的排列顺序直接决定了所有标签文件中数字的语义。
这意味着什么？如果你中途改了 classes.txt 的顺序，比如把 jinyinhua 从第三行提到第一行，那么所有标注成 2 的标签在训练时都会变成 gancao，整个模型的类别输出彻底错位。典型翻车场景是：数据集做到一半发现少了一个类别，随手往末尾补一行，或者为了看着整齐按拼音排序了一下，结果所有标签索引全部作废。
一个保守但有效的习惯：class 文件从建立第一天就定死，后期新增类别只往末尾追加，绝对不去动已有行的顺序。另外，classes.txt 里的类别名尽量用拼音或英文，不要用中文。不是说 YOLO 不支持中文类别名，而是后续可视化脚本、评估脚本对中文的编码处理不一致，同一个名字在 Windows 命令行和 Linux 终端下显示完全不同，排查起来非常费劲。
如果你用 YOLOv8，也可以不在单独文件里写类别，直接在 data.yaml 的 names 字段定义：
names: 0: gancao 1: gouqi 2: jinyinhua 3: dangshen 4: huangqi但单独交付 classes.txt 有一个不可替代的好处：标注工具（LabelImg、CVAT、labelme）可以直接加载这个文件作为预定义类别列表，标注员不需要手动输入类别名，从根源上避免类别拼写不一致。而且很多开源目标检测项目只认 classes.txt、不认 data.yaml，两个文件都准备好，兼容性最好。
3.2 训练/验证/测试划分：按比例随机还是按采集批次分
第 2 章的划分脚本是纯随机 shuffle，适合单一批次采集、光照和背景差异不大的场景。但中草药数据集有个特点：图片往往来自多个批次。比如一批在晴天户外拍，光照充足；一批在室内补光灯下拍，背景是黑板；一批用手机随手拍，分辨率低、画面模糊。如果纯随机划分，同一株药材的不同角度照片可能同时出现在训练集和验证集里，评估结果虚高——模型不是在泛化，而是在“背答案”。
更稳的划分方式是按采集批次分组。假设你的原始数据按批次文件夹组织，每个文件夹内部是一个拍摄批次，那划分策略就变成了选哪些批次进训练集、哪些批次进验证集：
import os import shutil batch_root = "herb_batches" # 子文件夹代表不同采集批次 dst_root = "chinese_herb_dataset" train_batches = ["batch_01", "batch_02", "batch_03", "batch_04"] val_batches = ["batch_05"] test_batches = ["batch_06"] for split_name, batches in [("train", train_batches), ("val", val_batches), ("test", test_batches)]: os.makedirs(os.path.join(dst_root, "images", split_name), exist_ok=True) os.makedirs(os.path.join(dst_root, "labels", split_name), exist_ok=True) for batch in batches: batch_img_dir = os.path.join(batch_root, batch, "images") batch_lbl_dir = os.path.join(batch_root, batch, "labels") for fname in os.listdir(batch_img_dir): stem = os.path.splitext(fname)[0] src_img = os.path.join(batch_img_dir, fname) src_lbl = os.path.join(batch_lbl_dir, stem + ".txt") dst_img = os.path.join(dst_root, "images", split_name, fname) dst_lbl = os.path.join(dst_root, "labels", split_name, stem + ".txt") shutil.copy(src_img, dst_img) if os.path.exists(src_lbl): shutil.copy(src_lbl, dst_lbl) else: print(f"[警告] {batch}/{fname} 缺少标签")逻辑说明：脚本不做任何随机打乱，直接把指定的批次文件夹整体复制到对应的划分目录。每次运行结果完全一致，可复现性比随机划分好很多。因为代码里不会产生随机数，也就不存在设不设 seed 的问题。
参数说明：train_batches、val_batches、test_batches 的分组完全凭业务判断。我的经验是把光照最刁钻（强逆光、弱光）和背景最杂乱（地面、树叶缝隙）的批次放到验证集和测试集，训练集只保留条件相对正常的批次。原因是让模型先学会把类别的共性特征抓住，再去面对恶劣条件，训练损失曲线会平滑很多；反过来如果训练集全是恶劣光照，模型会花大量迭代去学光照不变性，而不是学药材本身的纹理和形状特征。
如果你只是想快速验证流程通不通，随机划分就够了；等流程跑通，再按批次重新划分一次做正式训练。这个先后顺序不冲突，用随机划分出的模型 mAP 只能作为参考，不能作为最终结论。
4. 数据可视化脚本：把每张图的标注画出来，一眼看出问题
4.1 用 OpenCV 把 YOLO 标签画回原图：脚本逻辑与参数说明
光看数字标签发现不了问题，必须把标注框可视化到原图上。这段脚本是我拿到任何新数据集时必跑的第一段代码，它读入图片和同名的 YOLO 标签，反向换算坐标后用 OpenCV 绘制矩形框和类别名称，输出到 vis_output 目录：
import cv2 import os VIS_DIR = "vis_output" IMG_DIR = "chinese_herb_dataset/images/train" LBL_DIR = "chinese_herb_dataset/labels/train" class_names = ["gancao", "gouqi", "jinyinhua", "dangshen", "huangqi"] os.makedirs(VIS_DIR, exist_ok=True) green = (0, 255, 0) # BGR 颜色，绿色框 red = (0, 0, 255) # BGR 颜色，红色文字 for img_name in os.listdir(IMG_DIR): if not img_name.lower().endswith(('.jpg', '.png', '.jpeg')): continue stem = os.path.splitext(img_name)[0] img_path = os.path.join(IMG_DIR, img_name) lbl_path = os.path.join(LBL_DIR, stem + ".txt") img = cv2.imread(img_path) if img is None: print(f"[跳过] 图片无法读取: {img_path}") continue h, w = img.shape[:2] if not os.path.exists(lbl_path): print(f"[警告] 无标签文件: {lbl_path}") continue with open(lbl_path, "r") as f: for line in f: parts = line.strip().split() if len(parts) != 5: print(f"[警告] 非法标签行 {lbl_path}: {line.strip()}") continue cls_id = int(parts[0]) x_center = float(parts[1]) y_center = float(parts[2]) bw = float(parts[3]) bh = float(parts[4]) x1 = int((x_center - bw / 2) * w) y1 = int((y_center - bh / 2) * h) x2 = int((x_center + bw / 2) * w) y2 = int((y_center + bh / 2) * h) x1 = max(0, x1); y1 = max(0, y1) x2 = min(w - 1, x2); y2 = min(h - 1, y2) cv2.rectangle(img, (x1, y1), (x2, y2), green, 2) label_text = class_names[cls_id] if cls_id < len(class_names) else f"cls_{cls_id}" cv2.putText(img, label_text, (x1, max(y1 - 5, 15)), cv2.FONT_HERSHEY_SIMPLEX, 0.6, red, 2) cv2.imwrite(os.path.join(VIS_DIR, img_name), img) print("全部可视化完成，输出目录:", VIS_DIR)逻辑说明：脚本遍历 IMG_DIR 下所有图片，对每张图执行读图、读标签、按行解析、反向归一化、画框、写字、输出。反向坐标换算必须放在画框之前，因为 YOLO 标签里是 0 到 1 的浮点数，OpenCV 必须在像素坐标系上画图。边界裁剪用 max/min 函数把坐标限制在图片范围内，防止标注框超出图像区域导致 cv2.rectangle 崩溃。len(parts) != 5的校验用来拦截空行、多余空格、tab 混用等脏行。
参数说明：颜色是 BGR 顺序，不是 RGB，green=(0, 255, 0) 表示纯绿，你要是把 RGB 的绿色直接传进去，画出来是蓝色。max(y1 - 5, 15)防止类别文字画到图片上边缘之外被截断。字体大小 0.6、线宽 2 适用于 1000 到 3000 像素分辨率的图片，更大分辨率需要按比例放大，后面单独说。
提示：如果你发现某个类别的框在可视化结果里总是明显偏大，先检查这个类别的标注规范是不是和其他类别不一致，比如把整株药材当成一个框、而不是按叶片或果实分别框选。这种情况在多人协作标注时很常见，属于“标注粒度不一致”，不是脚本问题。
4.2 可视化图里常见的三类异常：错框、漏标、类别串位
跑完可视化后，不要急着关掉输出目录，按类别翻一遍图，重点看三类异常。
错框最容易发现：框把背景圈进去了，或者只框住了药材的一半。中草药是非刚性目标，枸杞枝条是弯曲的，金银花一簇有好几朵，矩形框天然无法完美贴合，标注时要做取舍。我的原则是框宁可大一点，也不要漏掉药材边缘，因为 YOLO 靠中心点和回归框定位，中心点偏了远比框大一点影响大。
漏标就是图片里明显有一朵金银花或一颗枸杞干果，但可视化图上没有对应的框。只能回到标注工具里补标，没有捷径。但有个排查技巧：把漏标图按拍摄批次分组，如果集中在某个批次，八成是标注员后半程疲劳了；如果分散在各批次，可能是标注规范没讲清楚，大家对“什么算一个目标”的理解不一致。
类别串位是指框的位置正确，但旁边的文字对不上，比如框里明明是枸杞却写着 gancao。先检查脚本里的 class_names 和 classes.txt 的顺序是否一致，多数是脚本顺序写错了；脚本没问题，那就是标注时选错了类别，需要单独改标签文件里那一行的类别索引。这里要特别提醒：改标签索引之前先备份，改错了还有后悔药，改完了再跑一遍可视化确认，别改个寂寞。
5. 中草药数据集避坑：从标注到划分的五个常见问题
5.1 现象：训练时报错“Label class X exceeds nc=Y”
训练 YOLO 时控制台直接报一个Label class 5 exceeds nc=5，训练中断。
原因：标签文件里出现了索引为 5 的类别，但 data.yaml 里配置的 nc=5，合法索引是 0 到 4。这通常是标注工具的类别列表和 classes.txt 不一致，标注时多选了一个类别；或者某次清理时删掉了 classes.txt 里的一行，却没有去同步已经标好的标签。
解决：先写一个脚本遍历全部标签文件，统计出现过的类别索引集合，和 range(nc) 比对。发现越界索引时，定位到具体标签文件，人工核对是标注错还是样本不该保留，再决定改索引还是删文件。绝对不要批量把 5 改成 4，那会把两种不同的药材混成同一个类别，后续模型怎么训都分不开。
5.2 现象：可视化脚本运行到一半报“assertion failed”
cv2.rectangle 报assertion failed (width > 0 && height > 0)，脚本中断在某一张图片上。
原因：某个标签文件里 width 或 height 为 0，或者反向换算后 x2 <= x1、y2 <= y1。这通常是标注工具对极小目标误操作，或者有人手动编辑了标签文件，把坐标改成了同一个值。中草药里小目标特别多——枸杞干果在整张照片里可能只有二三十像素，容易出现这种精度问题。
解决：在可视化脚本里增加面积过滤，反向换算后如果宽度或高度小于等于 0，跳过这个框并打印警告。同时建议在数据预处理阶段就删除这类无效行，因为零面积框的 loss 计算没有意义，留着只会让训练过程产生 NaN。
5.3 现象：训练集 mAP 很高，但验证集 mAP 塌方
训练集 mAP 超过 90%，验证集 mAP 只有 50% 多，差距大得离谱。
原因：大概率是划分策略错了。纯随机 shuffle 时，同一采集批次的同源图片被分到训练集和验证集，验证集 mAP 虚高；反过来如果验证集塌方，通常是某个较难的批次被整体放进了验证集，而训练集完全没见过这种光照和背景，模型的泛化能力在验证集上被真实地暴露出来。
解决：先按采集批次重做划分，让验证集覆盖尽可能多样的条件。如果重划分后还是低，就去检查验证集的可视化图，确认标注框质量和类别分布。排除掉数据问题之后，才轮得上去调模型参数。很多人一上来就调学习率、改网络结构，结果根子在数据划分上，白忙一场。
5.4 现象：数据可视化图上看不清小目标标注
可视化输出图上，枸杞干果的框线太细看不清，多个框重叠之后根本分不清对应关系。
原因：画框线宽固定为 2 像素、字号固定为 0.6，而图片分辨率可能高达 4000×3000，小目标框只有几十像素，整图缩略显示时框线几乎不可见。这不算数据集坏掉，是可视化参数不适配高分辨率图片。
解决：让线宽跟着图片尺寸走，一行代码的事：cv2.rectangle(..., max(2, round(min(h, w) // 500)), ...)。字号同理按max(0.6, min(h, w) / 2000)调整。输出图保存一份缩略版，按 1200px 宽度等比缩放，方便快速扫全图。如果看完一轮还是觉得不清楚，按类别分目录输出，一次只看一个类别的标注分布。
5.5 现象：同一种药材在 class 文件里出现两种写法
统计类别分布时，发现实际类别数比预期多，比如 “gouqi” 和 “gouqi_gan” 其实是同一种枸杞，被当成了两个类。
原因：多人协作标注时，标注工具没有加载预定义的 classes.txt，标注员各自按自己的习惯手动输入类别名。这在团队项目里几乎一定会发生，越是对命名不熟悉的药材越容易出问题。
解决：先从标注工具端强制加载统一的 classes.txt，禁止自由输入。已经标完的数据，用脚本扫描全部标签文件，统计出现的类别索引集合，把多余索引统一成标准类的合法索引。做这个操作前先整体备份 labels 目录，改错了可以快速回滚，别在原始数据上反复横跳。
6. 最后一道防线：训练前跑一个数据体检脚本
数据集的体检脚本，是我每次训练前必跑的最后一段代码。它不画图，只统计四个关键数字：每类的样本数、每张图的平均标注框数、标注框的宽高分布、图片分辨率分布。这四个数字基本决定了 YOLO 训练会不会在早期就出幺蛾子。
import os from collections import Counter IMG_DIR = "chinese_herb_dataset/images/train" LBL_DIR = "chinese_herb_dataset/labels/train" class_names = ["gancao", "gouqi", "jinyinhua", "dangshen", "huangqi"] cls_counter = Counter() box_per_img = [] for img_name in os.listdir(IMG_DIR): stem = os.path.splitext(img_name)[0] lbl_path = os.path.join(LBL_DIR, stem + ".txt") if not os.path.exists(lbl_path): continue with open(lbl_path) as f: lines = f.readlines() box_per_img.append(len(lines)) for line in lines: parts = line.strip().split() if len(parts) == 5: cls_counter[int(parts[0])] += 1 print("类别分布:", dict(cls_counter)) if box_per_img: print("平均每图框数:", sum(box_per_img) / len(box_per_img)) print("最大单图框数:", max(box_per_img))逻辑说明：cls_counter 统计每个类别出现的总次数，直接暴露类别失衡。box_per_img 按图统计框数，能发现异常图——比如某张图有 200 个框而平均只有 5 个，说明这张图把整片药材都框了一遍，模型容易学偏。最后把统计结果打印出来，和自己建数据集时的预期对比。
参数说明：阈值全凭经验。我的个人标准是：单类别框数少于 300，这个类别的 AP 基本不用指望；平均每图框数超过 20，说明要么目标太密集、要么标注粒度太粗，需要重新审视标注策略；最大单图框数超过平均值的 5 倍，需要把那几张图单独拿出来人工核对。
体检跑完再决定要不要训练。这个习惯帮我躲过了大量白训的坑——很多训练完才暴露的脏数据问题，在训练前跑一遍体检就能拦住一大半。希望这些经验对正在准备中草药数据集的你有实实在在的帮助。
本文还有配套的精品资源，点击获取
