简介：瓶子目标检测数据集共收录4500张真实场景图片，提供Pascal VOC与YOLO两种格式标注，标注类别仅bottle一个，总标注框数12790个，由labelImg人工绘制矩形框完成，标注规则简洁且框位准确。面向需要训练瓶子检测模型的计算机视觉开发者、算法工程师与科研人员，既适用于检测模型入门实践，也可作为格式转换与算法对比的基准数据集。下载资源为7z压缩包，共约2000个文件，其中以1999个VOC格式XML标注文件为主，并附说明文档，整体体积约664MB。标注信息已经规范化整理，可直接导入YOLO、SSD等主流目标检测框架，省去手动标注和格式转换的时间。目前已有590人学习下载，适合需要高质量瓶子样本进行模型训练、验证与部署应用的场景。
1. 拿到这个瓶子数据集，先别急着喂给 YOLO
做目标检测绕不开数据集。前几天我拿到一套瓶子数据集，总共4500 张jpg 图片，每张图都配了VOC 格式的 xml 标注文件和YOLO 格式的 txt 标注文件，标注类别只有 bottle 一类，框数统计下来是12790 个。乍看是套能直接开工的数据，但我清点完文件后反而提醒自己：这种双格式数据集，最怕的就是 xml 和 txt 对不上、类别编号错位、或者图片尺寸和标注框坐标不一致。这套数据集用 labelImg 画矩形框标注，类别单一、框数充足，特别适合做检测入门练手、做迁移学习的底料，或者拿来验证自己的训练流程是否跑得通。本文我会把目录结构、标注格式、训练配置、质量校验和踩坑记录都拆开讲，读完后你能照着走一遍完整的验收流程。
2. VOC 与 YOLO 双格式标注：先搞懂文件里的坐标体系
2.1 数据集目录长什么样
这套数据集解压后，根目录下就是一堆 jpg 图片、xml 文件和 txt 文件混在一起。文件名像 xyxr_bottle_2847.xml、xyxr_bottle_3111.xml 这样，图片和标注用同一个主文件名，只是扩展名不同。我用 Python 跑了一遍统计，得到这样的文件结构：
$ ls | wc -l 13500 $ ls *.jpg | wc -l 4500 $ ls *.xml | wc -l 4500 $ ls *.txt | wc -l 450013500 个文件，正好等于 4500×3。这说明每张图片的标注在两个体系里各有一份，没有缺失。xml 是 Pascal VOC 标准，txt 是 YOLO 标准，两者描述同一个标注框，但坐标表达方式完全不同。拿到任何数据集，我第一步一定是先做这个数量核对，文件数对不上后面全是坑。
除了这些文件，目录里通常还有一个说明.txt，里面记录了标注类别、框数等元信息。训练前先把这份说明读一遍，它相当于数据集的"体检报告"，告诉你这个数据集承诺了什么、不承诺什么。
2.2 VOC 的 xml 文件：左上角和右下角的绝对值
挑一个 xml 文件看看，它的结构对做过检测的人应该不陌生。我用文本编辑器打开 xyxr_bottle_123.xml，内容大致如下：
<annotation> <folder>xyxr_bottle</folder> <filename>xyxr_bottle_123.jpg</filename> <path>/home/user/dataset/xyxr_bottle_123.jpg</path> <source> <database>Unknown</database> </source> <size> <width>640</width> <height>480</height> <depth>3</depth> </size> <segmented>0</segmented> <object> <name>bottle</name> <pose>Unspecified</pose> <truncated>0</truncated> <difficult>0</difficult> <bndbox> <xmin>127</xmin> <ymin>103</ymin> <xmax>384</xmax> <ymax>451</ymax> </bndbox> </object> </annotation>重点看<size>和<bndbox>这两块。<width>和<height>是图片的原始像素尺寸，<bndbox>里四个值是矩形框的左上角坐标(xmin, ymin)和右下角坐标(xmax, ymax)，全部是整数像素值，相对于图片左上角为原点。这张图里瓶子框占了 127 到 384 像素的横向区间、103 到 451 像素的纵向区间，是一个偏大且靠近画面中间的框。一个 xml 里可以有多个<object>，每个 object 对应一个矩形框，所以 xml 文件数等于图片数，但框数远大于图片数，平均一张图约 2.84 个框。
把这个 xml 读进 Python 也很直接，用 xml.etree.ElementTree 遍历所有 object 就行。关键是把 xmin、ymin、xmax、ymax 四个整数取出来，同时把 size 里的宽高也取出来，后面转 YOLO 格式要用。
2.3 YOLO 的 txt 文件：归一化中心点加宽高
再看同名的 txt 文件，YOLO 格式每行描述一个框，共五列。用 cat 命令直接看：
$ cat xyxr_bottle_123.txt 0 0.399219 0.576042 0.401562 0.725000第一列是类别编号，因为只有一个类别 bottle，所以这里恒为 0。后面四列分别是归一化后的中心点 x 坐标、中心点 y 坐标、归一化宽 w、归一化高 h。归一化的方式是除以图片原始宽高，比如 xmin=127、图片宽 640，那中心点 x 就是(127 + 384) / 2 / 640 = 0.39921875，约等于 0.399219。y 方向同理，用高度 480 做分母。这套坐标系是 0 到 1 的相对坐标，不依赖图片具体像素尺寸，训练时不管输入图片被缩放到多大，标注框都能跟着等比缩放。
我每次拿到双格式数据集，都会随机抽几个文件、手工验算一遍这个转换关系，确认 xml 和 txt 描述的是同一个框。这个验算很快，但能挡掉很多后续训练时的玄学问题，比如 loss 异常大、mAP 为 0 之类。
2.4 两种格式互相转换的计算逻辑
既然有双格式，最常做的事就是相互转换，或者校验两边是否一致。VOC 转 YOLO 的公式是固定的，我一般用一个短脚本做全量转换并校验：
import xml.etree.ElementTree as ET def voc_to_yolo(xml_path, txt_path): tree = ET.parse(xml_path) root = tree.getroot() img_w = int(root.find('size/width').text) img_h = int(root.find('size/height').text) lines = [] for obj in root.findall('object'): cls_name = obj.find('name').text # 数据集只有 bottle 一类，映射到编号 0 cls_id = 0 if cls_name == 'bottle' else -1 bnd = obj.find('bndbox') xmin = int(bnd.find('xmin').text) ymin = int(bnd.find('ymin').text) xmax = int(bnd.find('xmax').text) ymax = int(bnd.find('ymax').text) x_center = (xmin + xmax) / 2.0 / img_w y_center = (ymin + ymax) / 2.0 / img_h w = (xmax - xmin) / img_w h = (ymax - ymin) / img_h lines.append(f"{cls_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}") with open(txt_path, 'w') as f: f.write('\n'.join(lines)) # 用法示例：对指定文件做转换 voc_to_yolo('xyxr_bottle_123.xml', 'xyxr_bottle_123.txt')这段代码的核心是先取图片宽高，再对每个 object 计算中心点和宽高的归一化值。f-string 里保留六位小数，精度足够 YOLO 训练使用。如果你要换成自己的类别映射表，把cls_id那里改成你数据集的类别字典就行。写完后随机抽三个文件，把生成的 txt 和原 txt 对比一下，浮点数误差在1e-4以内都算正常，超过这个范围说明两边标注本身对不上。
3. 训练前的一顿操作：划分数据集与生成配置
3.1 按 8:1:1 划分训练、验证、测试集
拿到数据集不能直接整个丢给训练脚本，要先按经验比例切分。我用 80% 训练、10% 验证、10% 测试，这是检测任务里比较稳的默认值。划分的原则是按主文件名来分，同一张图的 jpg、xml、txt 必须进入同一个集合，不能拆散。
反例是有人直接把所有图片和标注拷进一个目录，然后随机分配文件名，结果验证集和训练集数据泄漏，评估指标虚高。正确的做法是从完整文件列表里随机挑出名字，再按名字去找三种格式的文件。我用 Python 脚本实现：
import os import random random.seed(2024) all_files = [f for f in os.listdir('.') if f.endswith('.jpg')] random.shuffle(all_files) n = len(all_files) train_names = all_files[:int(n * 0.8)] val_names = all_files[int(n * 0.8):int(n * 0.9)] test_names = all_files[int(n * 0.9):] for split, names in zip(['train', 'val', 'test'], [train_names, val_names, test_names]): os.makedirs(split, exist_ok=True) for fname in names: base = fname.replace('.jpg', '') for ext in ['.jpg', '.xml', '.txt']: src = base + ext dst = os.path.join(split, base + ext) os.rename(src, dst)seed 固定成 2024，保证每次划分结果一致，复现实验时不会因为数据分布变动导致指标对比失真。划分比例可以按实际需要调，如果样本少，可以减少测试集比例，把这部分并到验证集里。我一般保证训练集占比不低于 70%，验证集不低于 10%，太少的话评估结果的抖动会很大。
3.2 类别文件与训练入口配置
YOLO 系训练需要一份类别文件，文件名通常叫 classes.txt 或 dataset.yaml，内容就是把所有类别名列出来，一行一类。这个数据集只有一个类别，文件里就是一行：
$ cat classes.txt bottle注意类别顺序和编号的对应关系。训练脚本读取 classes.txt 时，第一个名字对应编号 0，第二个对应编号 1，依次类推。这个数据集只有 bottle 一个类，它一定是 0，但如果你以后往里面加类别，必须保证新增类别接在最后，不能插到中间，否则已标注的 txt 编号就全乱了。
在 YOLOv5 或 YOLOv8 的配置里，YAML 文件这样写：
# dataset.yaml path: ./dataset train: images/train val: images/val test: images/test nc: 1 names: ['bottle']nc必须和 names 列表长度一致，这里 nc=1，names 里只有一个 bottle，写反了或者多写了都会在训练时报维度错误。如果你把图片放到了 train/images 这样的子目录，path 和 train 的拼接要确认正确，我习惯的做法是让 path 指向最外层目录，train、val、test 用相对路径，避免绝对路径换机器后失效。
3.3 不用做数据增强但最好做预处理
这个数据集一共 12790 个框、平均每张图快 3 个框，密度不算低，训练时一般不需要强行加马赛克增强来凑样本。但预处理有一件事必须做：检查所有图片能否正常解码。有些下载来的数据集里混着损坏图片，训练跑到一半读图失败，整个进程中断。我在划分完集合后，会先用 PIL 或 OpenCV 扫一遍：
import os from PIL import Image for root, dirs, files in os.walk('.'): for f in files: if f.endswith('.jpg'): path = os.path.join(root, f) try: img = Image.open(path) img.load() except Exception as e: print(f'corrupted image: {path} -> {e}')把输出定向到文本文件里，逐条看损坏图片的名字，决定是删除对应的三种格式文件，还是找替代图补上。注意如果真的删了图片，必须把同样主文件名的 xml 和 txt 也一起删掉，否则训练脚本读取图片列表时会出现索引错位，这是新手最容易翻车的地方。
4. 全量校验脚本：验证 4500 张图的标注是否靠谱
4.1 检查坐标是否越界
标注质量直接决定训练结果的天花板。虽然说明文件声称"提供准确且合理标注"，但我拿到任何数据集都不会轻信这句话，一定要自己做全量校验。YOLO 格式的归一化坐标有个硬性约束：中心点 x、y 和宽 w、高 h 都必须在 0 到 1 之间。越界到 1.2 这种值，要么是标注时框拉出了图片边界，要么是转换脚本算错了分母。
我写了一个全量检查脚本，遍历所有 txt：
import os bad_files = [] for f in os.listdir('.'): if not f.endswith('.txt'): continue with open(f) as fh: for line in fh: parts = line.strip().split() if len(parts) != 5: bad_files.append((f, 'column count not 5')) continue cls_id, xc, yc, w, h = map(float, parts) if not (0 <= xc <= 1 and 0 <= yc <= 1 and 0 <= w <= 1 and 0 <= h <= 1): bad_files.append((f, f'out of range: {parts}')) if bad_files: for item in bad_files[:20]: print(item) else: print('all txt annotations are valid')这个脚本把越界和列数不对的文件都揪出来。列数不对的情况其实不少见，有人导出 YOLO 格式时带了多余空格或者换行符异常，导致 split 后字段错位。坐标越界最常见的原因是标注框超出了图片边缘，labelImg 里画框时可以拖到图片外，保存时框的像素坐标超出图片宽高，转成归一化坐标后就会大于 1。
4.2 交叉核对 jpg 和 xml 的尺寸一致性
YOLO 坐标是归一化的，即使图片实际尺寸和 xml 里记录的 size 不一致，正好可以跨格式验证：xml 里记录的宽高应该等于 jpg 的实际宽高，否则说明 xml 是从别的图片复制过来的，或者图片被二次裁剪过没同步标注。我通常把两边的信息一起读出来比对：
import os import xml.etree.ElementTree as ET from PIL import Image for f in os.listdir('.'): if not f.endswith('.xml'): continue base = f.replace('.xml', '') jpg = base + '.jpg' if not os.path.exists(jpg): print(f'missing jpg for {f}') continue img = Image.open(jpg) real_w, real_h = img.size tree = ET.parse(f) root = tree.getroot() xml_w = int(root.find('size/width').text) xml_h = int(root.find('size/height').text) if real_w != xml_w or real_h != xml_h: print(f'size mismatch: {base}, jpg=({real_w},{real_h}), xml=({xml_w},{xml_h})')凡是打印出来的文件，后面都要人工复查一遍。有的是因为图片本身被截图工具改过尺寸，有的是 xml 是上一个版本的标注，图片已经被替换了。这两种情况都必须修好再训练，不然隐性影响很大，轻则 mAP 偏低，重则训练直接发散。
4.3 可视化抽查：肉眼检查标注位置
脚本只能查数值合法性，框是不是准确贴着瓶子，脚本看不出来。这一步没有捷径，只能把标注画到图上，抽查几十张看一眼。我用 OpenCV 把 YOLO txt 里的归一化坐标还原成像素坐标，用矩形画到图片上：
import cv2 img_path = 'xyxr_bottle_123.jpg' txt_path = 'xyxr_bottle_123.txt' img = cv2.imread(img_path) h, w = img.shape[:2] with open(txt_path) as f: for line in f: parts = line.strip().split() cls_id = int(parts[0]) xc, yc, bw, bh = map(float, parts[1:]) x1 = int((xc - bw / 2) * w) y1 = int((yc - bh / 2) * h) x2 = int((xc + bw / 2) * w) y2 = int((yc + bh / 2) * h) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(img, f'bottle_{cls_id}', (x1, y1 - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 1) cv2.imwrite('check_xyxr_bottle_123.jpg', img)注意我用的转换公式是反过来从归一化到像素：x1 = (xc - bw/2) * w，也就是用中心点减半宽，再乘以图片宽。和小节 2.3 的公式互为逆运算。抽查时重点关注三类现象：框是不是明显偏大、把瓶子旁边的背景也框进去了；框是不是偏移了，只框住瓶口没框住瓶身；以及小目标瓶子的框是不是过小。这类问题脚本检测不出来，只能靠看。
我一般从划分好的测试集里随机抽 20 张画图，一张一张快速扫过。如果 20 张里超过 3 张有明显错标，说明整个数据集的标注一致性有问题，需要加大抽查比例，甚至全部过一遍。
5. 避坑指南：5 个标注数据集的常见翻车记录
5.1 现象：训练时 loss 正常，但 mAP 一直为 0
原因：YOLO 的 txt 类别编号从 0 开始，而有些教程或工具导出时类别编号从 1 开始，导致所有标注框被当成类别 1 处理，而模型只有类别 0，两者永远对不上。 解决：训练前用脚本扫描所有 txt 的 cls_id 最大值，如果出现大于等于数据集类别数的值，立即全量检查转换脚本。单类别数据集 cls_id 应该全为 0，出现任何 1 都要追查来源。
5.2 现象：验证集和测试集指标虚高，换张新图就废
原因：划分数据集时没有做随机均匀切分，或者同一张图片的增强版本同时进入了训练集和验证集，造成数据泄漏。我见过有人按文件名字母顺序直接切前 80% 作训练集，恰好这个数据集按时间排序，前 80% 全是同一场景的瓶子，后面全是另一场景，结果训练出来只认识前半段场景。 解决：严格按 3.1 的随机划分方式来做，设定固定 seed。划分后把 train、val、test 里是否有重叠文件名打出来检查一遍，重名了立即重新划分。
5.3 现象：坐标越界但脚本没报错，训练跑完指标很差
原因：YOLO 格式的坐标是归一化浮点数，某些错误标注恰好落在 0 到 1 之间，比如 xml 里 xmax 小于 xmin，或者框的宽高算出来是负数。数值上 0.05 到 0.95 看起来都合法，但实际标注内容完全不对。 解决：不能只查范围，还要查逻辑关系，比如xmax > xmin、ymax > ymin。在 VOC 转 YOLO 的脚本里加一个条件判断，读取 bndbox 时直接抛出异常，保证转换过程和校验过程同步。
5.4 现象：用 labelImg 重新打开数据集，xml 和 txt 反复对不上
原因：labelImg 默认以 PASCAL VOC 格式保存，如果你在软件里改了标注画了个新框，保存后只更新了 xml，而 txt 还是旧版本，除非专门用导出功能重新生成 YOLO 格式，否则两边就再也不一致了。 解决：我的习惯是定一个规则，数据集只在 VOC 格式下维护，也就是永远用 labelImg 编辑 xml 作为唯一真源，需要 YOLO 格式时跑一次全量转换脚本，统一生成 txt。不要在两种格式间来回手工编辑。
5.5 现象：图片被误删或没配对，训练脚本报错找不到文件
原因：为了清理磁盘空间，有人把看起来是重复的 jpg 删了，但 xml 和 txt 还留在目录里，或者反过来只删了标注没删图。训练脚本通常通过文件名前缀把三种格式关联起来，任何一边缺失都会在 dataloader 里报错。 解决：每次操作完文件后，跑一次完整性检查，比对 jpg、xml、txt 三个集合的文件名是否完全一致。我写了一个快速脚本，用 set 求差集，几秒钟就能把缺失文件列出来。
6. 把新瓶子并进数据集：增量标注的正确姿势
拿到数据集的下一步往往是往里加自己的数据。比如你手头有 200 张自己拍的瓶子照片，想并进这 4500 张里一起训练。这个操作用到一个很重要的工作流：新增数据全部使用 VOC 格式标注，再统一转成 YOLO。我比较推荐的做法是把新照片按同样命名规则放进一个独立目录，用 labelImg 打开目录，在 class_list 文件里只写一个 bottle，标注时自动从列表里选这个类，不会标错成别的名字。每个瓶子都画矩形框，框多大多小尽量和原数据集保持相近的风格，特别是瓶盖和瓶身的边界，如果原数据集里框住了整个瓶子，你也必须框住整个瓶子，混用不同标注风格会让模型学到的特征方差变大。
标注完成后，把新图片连同 xml 一起拷进主数据集目录，重新跑一遍小节的转换脚本，生成对应的 YOLO txt。然后重新划分训练验证测试集，因为新增数据后原有的 8:1:1 比例变了，重新划分才能保证验证集里既有原数据也有新数据。划分完后再跑一遍第四章的全量校验脚本，重点看新图片有没有越界或尺寸不匹配。
我踩过一次印象很深的坑：新拍的照片用手机拍的，分辨率 3000×4000，而原数据集是 640×480，混合训练时 dataloader 会把所有图缩放到统一尺寸，小图上本来清晰的瓶子纹理被压缩得几乎看不见，导致模型在新图上的表现明显变差。从那以后，我所有新增图片都先统一缩放到与原数据集相近的分辨率，再走标注流程。缩放时注意不要改宽高比，直接做 resize 会把瓶子拉变形，标注框同样会被拉歪。正确做法是先按比例缩放到目标尺寸内，多余部分填充灰色，和检测任务里常见的 letterbox 同理。
这套流程走完，新老数据就真正融在一起了。训练脚本不再区分哪张图来自原数据集、哪张图是你自己标的，统一读取 images 和 labels 目录，跑出来的模型瓶子检测能力既继承了原数据集的多样性，又补上了你场景下的新样本。我每次合并完，都会把分类别框数统计再打印一遍，确认自己新增的框数真的进了统计里，如果数字没变，多半是路径配错了，txt 写到了别的位置。希望这套从验收到增量标注的流程能帮到你省下几天调试时间。
本文还有配套的精品资源，点击获取
