简介：本资源面向智能零售柜商品检测项目开发者与目标检测学习者，提供真实零售柜监控场景采集的1000张高质量商品图片，覆盖罐装饮料、袋装零食等常见品类，标注标签包含113个商品类别，可作为新零售场景通用商品检测数据的补充。资源包为1个PDF文件，约5.79MB，内附数据集基本情况介绍与获取方式，并说明提供VOC、COCO、YOLO三种主流标注格式，均采用labelimg标注，可直接用于YOLO等算法训练。随资源附赠YOLO11一键训练脚本，支持GPU、CPU及Mac芯片多平台训练方案，并附博主训练结果日志供参考，便于读者快速复现与调参。目前已有529人学习下载，适合需要快速搭建商品检测基线、验证模型效果或补充零售场景数据的中高级开发者参考使用。
1. 智能零售柜商品检测：1000 张图、三种标签格式与 YOLO11 一键训练到底怎么落地
智能零售柜的商品检测，说白了就是让摄像头在货柜里认出「这一格放的是可乐还是矿泉水」。这件事的难点不在模型有多深，而在数据能不能直接用、标签格式能不能对上、训练脚本能不能在 GPU、CPU、Mac 三端都跑起来。我见过太多团队卡在第一步：拿到一批图，标注是 VOC 的 XML，训练代码却要 YOLO 的 txt，中间转格式转出一堆坐标错位，最后模型学了个寂寞。这个标题给出的方案很实在——1000 张零售柜商品图，配 VOC、COCO、YOLO 三种格式标签，再加一个支持 GPU、CPU、Mac 三平台的 YOLO11 一键训练脚本。它解决的不是「模型怎么设计」，而是「数据到模型之间那条路怎么铺平」。适合谁？做智能零售柜、无人货柜、冰柜商品识别的算法工程师和嵌入式部署同学，尤其是手头有数据但被格式和平台折腾过的人。下面我按「数据长什么样 → 三种格式怎么转 → 三平台怎么训 → 坑在哪」的顺序，把这条链路拆开讲。
2. 零售柜商品数据集：1000 张图里到底有什么，为什么三种格式都要备
2.1 零售柜场景的数据特点与标注难点
零售柜商品检测和通用目标检测最大的区别在于：商品排列密集、遮挡严重、同类商品外观差异小、光照反射强。1000 张图这个量级，放在 COCO 上连零头都不够，但在零售柜这种「背景固定、类别有限、目标位置相对规律」的场景里，如果标注质量够高，是能训出一个可用模型的。我一般会先看三个指标：类别数、每类实例数、遮挡比例。零售柜常见类别在 20 到 80 之间，每类至少要有 30 到 50 个实例，否则模型对长尾类别基本没反应。
标注难点集中在两处。第一是边界框贴边：商品紧挨着摆放时，框稍微大一点就框到隔壁商品，小一点又切掉商品边缘，YOLO 系列对框的回归比较敏感，标注不一致会直接反映在验证集的 mAP 抖动上。第二是反光区域：柜门玻璃反光会让商品局部过曝，标注时容易把反光当成商品的一部分，训练时模型学到的是反光纹理而不是商品特征。常见做法是标注时统一按「商品可见轮廓」画框，反光区域不计入，同时在数据增强里加随机亮度扰动来缓解。
1000 张图按 8:1:1 切分，训练集 800 张、验证集 100 张、测试集 100 张。如果类别多，建议按类别分层抽样，保证每个类别在验证集里都有实例。这个切分比例不是死的，数据少的时候可以 7:2:1，验证集大一点方便观察过拟合。
2.2 VOC、COCO、YOLO 三种格式的字段对照
三种格式本质上是同一份标注的不同表达方式，理解字段对应关系，转格式时就不会慌。VOC 是 XML，一个图一个文件，框用 xmin、ymin、xmax、ymax 表示绝对像素坐标。COCO 是一个大 JSON，images、annotations、categories 三个数组，框用 [x, y, width, height] 表示绝对像素，且 x、y 是左上角。YOLO 是一图一个 txt，每行class_id cx cy w h，全部是归一化到 0 到 1 的相对值，cx、cy 是框中心。
| 格式 | 存储方式 | 框表示 | 坐标类型 | 类别表示 |
|---|---|---|---|---|
| VOC | 每图一个 XML | xmin, ymin, xmax, ymax | 绝对像素 | name 字符串 |
| COCO | 单个 JSON | x, y, width, height | 绝对像素 | category_id 整数 |
| YOLO | 每图一个 txt | cx, cy, w, h | 归一化 0-1 | class_id 整数 |
转换时最容易翻车的是 VOC 到 YOLO 的归一化：cx = (xmin + xmax) / 2 / img_w，cy = (ymin + ymax) / 2 / img_h，w = (xmax - xmin) / img_w，h = (ymax - ymin) / img_h。分母是图像宽高，不是框的宽高，这一点搞错，框会整体缩到左上角。COCO 的 category_id 通常从 1 开始，YOLO 的 class_id 从 0 开始，转换时要减 1，否则类别整体偏移一位，训练时 loss 能降但预测全错。
2.3 用脚本把 VOC 批量转成 YOLO 与 COCO
下面这个脚本做三件事：读 VOC XML，生成 YOLO txt，同时汇总成 COCO JSON。放在数据集根目录运行，假设目录结构是images/和annotations/。
import os import json import xml.etree.ElementTree as ET from PIL import Image # 类别列表，顺序决定 class_id，必须与训练时的 data.yaml 一致 CLASSES = ["cola", "water", "chips", "milk", "juice"] class_to_id = {c: i for i, c in enumerate(CLASSES)} def voc_to_yolo(xml_path, img_path, out_txt_path): tree = ET.parse(xml_path) root = tree.getroot() # 读取图像真实宽高，不要用 XML 里的 size，部分标注工具会写错 with Image.open(img_path) as im: img_w, img_h = im.size lines = [] for obj in root.findall("object"): name = obj.find("name").text.strip() if name not in class_to_id: continue # 跳过未定义类别，避免 class_id 越界 bbox = obj.find("bndbox") xmin = float(bbox.find("xmin").text) ymin = float(bbox.find("ymin").text) xmax = float(bbox.find("xmax").text) ymax = float(bbox.find("ymax").text) # 裁剪到图像边界，防止标注越界导致归一化后超出 0-1 xmin = max(0, min(xmin, img_w)) xmax = max(0, min(xmax, img_w)) ymin = max(0, min(ymin, img_h)) ymax = max(0, min(ymax, img_h)) cx = (xmin + xmax) / 2.0 / img_w cy = (ymin + ymax) / 2.0 / img_h w = (xmax - xmin) / img_w h = (ymax - ymin) / img_h lines.append(f"{class_to_id[name]} {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}") with open(out_txt_path, "w") as f: f.write("\n".join(lines)) def build_coco(image_dir, xml_dir, out_json): coco = {"images": [], "annotations": [], "categories": []} for i, c in enumerate(CLASSES): coco["categories"].append({"id": i + 1, "name": c}) ann_id = 1 img_id = 1 for fname in sorted(os.listdir(xml_dir)): if not fname.endswith(".xml"): continue stem = os.path.splitext(fname)[0] img_path = os.path.join(image_dir, stem + ".jpg") if not os.path.exists(img_path): continue with Image.open(img_path) as im: w, h = im.size coco["images"].append({"id": img_id, "file_name": stem + ".jpg", "width": w, "height": h}) tree = ET.parse(os.path.join(xml_dir, fname)) for obj in tree.getroot().findall("object"): name = obj.find("name").text.strip() if name not in class_to_id: continue bbox = obj.find("bndbox") xmin = float(bbox.find("xmin").text) ymin = float(bbox.find("ymin").text) xmax = float(bbox.find("xmax").text) ymax = float(bbox.find("ymax").text) coco["annotations"].append({ "id": ann_id, "image_id": img_id, "category_id": class_to_id[name] + 1, # COCO 从 1 开始 "bbox": [xmin, ymin, xmax - xmin, ymax - ymin], "area": (xmax - xmin) * (ymax - ymin), "iscrowd": 0 }) ann_id += 1 img_id += 1 with open(out_json, "w") as f: json.dump(coco, f) if __name__ == "__main__": img_dir = "images" xml_dir = "annotations" yolo_dir = "labels" os.makedirs(yolo_dir, exist_ok=True) for fname in os.listdir(xml_dir): if fname.endswith(".xml"): stem = os.path.splitext(fname)[0] voc_to_yolo( os.path.join(xml_dir, fname), os.path.join(img_dir, stem + ".jpg"), os.path.join(yolo_dir, stem + ".txt") ) build_coco(img_dir, xml_dir, "coco.json") print("done")逻辑说明：voc_to_yolo逐图读 XML，用 PIL 拿真实宽高做归一化，并对框做边界裁剪，避免越界。build_coco同时遍历 XML 和图像，生成 COCO 的 images、annotations、categories 三段。参数上，CLASSES的顺序就是 YOLO 的 class_id 顺序，必须和训练配置里的 names 完全一致，改一个顺序就要重新生成标签。class_to_id过滤掉未定义类别，防止训练时出现越界索引。运行完检查labels/下 txt 行数是否和 XML 里 object 数一致，不一致就说明有类别被过滤或框被裁没了。
3. YOLO11 一键训练脚本：GPU、CPU、Mac 三平台怎么跑通
3.1 三平台环境差异与依赖安装
GPU、CPU、Mac 三平台的核心差异在 PyTorch 的安装包和推理后端。NVIDIA GPU 走 CUDA，需要装带 cu 版本的 torch；纯 CPU 装 CPU 版 torch 即可；Mac 走 MPS，Apple Silicon 上 torch 的 MPS 后端能加速，但部分算子支持不全，遇到不支持的算子会自动回退 CPU，速度会掉。我一般先确认三件事：Python 版本（3.9 到 3.11 比较稳）、torch 是否装对、ultralytics 版本是否支持 YOLO11。
# NVIDIA GPU 平台，CUDA 12.1 示例 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121 pip install ultralytics # 纯 CPU 平台 pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu pip install ultralytics # Mac Apple Silicon pip install torch torchvision pip install ultralytics装完用一段代码验证后端是否可用，别等训练跑起来才发现用的是 CPU。
import torch print("torch:", torch.__version__) print("cuda available:", torch.cuda.is_available()) print("mps available:", torch.backends.mps.is_available()) if torch.cuda.is_available(): print("gpu:", torch.cuda.get_device_name(0))参数说明：torch.cuda.is_available()为 True 才走 GPU，torch.backends.mps.is_available()为 True 才走 Mac 加速。如果两个都是 False，训练会自动落到 CPU，1000 张图在 CPU 上跑 YOLO11n 大概每轮几分钟到十几分钟，能跑但慢。GPU 上同样数据每轮几秒到几十秒，差距明显。
3.2 data.yaml 与训练超参的对应关系
YOLO11 训练靠一个 data.yaml 描述数据位置和类别，路径写错是最常见的翻车点。下面是一个零售柜数据集的配置示例。
path: /data/retail_cabinet train: images/train val: images/val test: images/test nc: 5 names: 0: cola 1: water 2: chips 3: milk 4: juicepath是数据集根目录，train、val、test是相对 path 的路径。YOLO 会自动去找同名 labels 目录下的 txt，所以images/train对应labels/train，目录名必须成对。nc是类别数，names的键必须从 0 连续到 nc-1，中间断号会导致类别映射错乱。改类别时，data.yaml 和生成标签时的 CLASSES 必须同步改，只改一边就是血泪经验。
训练超参里，imgsz零售柜场景建议 640，商品小的话可以上 960，但显存和速度要权衡。batch在 GPU 上按显存给，8G 显存跑 YOLO11n 640 大概能到 16 到 32。epochs1000 张图建议 100 到 300，配合早停。lr0默认 0.01，数据少可以降到 0.001 到 0.005，避免早期震荡。
3.3 一键训练脚本与三平台启动命令
把训练参数写进一个脚本，三平台共用，靠自动检测后端来切换设备。
import torch from ultralytics import YOLO def pick_device(): if torch.cuda.is_available(): return 0 # 第一块 NVIDIA GPU if torch.backends.mps.is_available(): return "mps" # Apple Silicon return "cpu" if __name__ == "__main__": device = pick_device() print("using device:", device) model = YOLO("yolo11n.pt") # 从预训练权重起步，小数据集必备 model.train( data="data.yaml", epochs=200, imgsz=640, batch=16 if device != "cpu" else 4, device=device, workers=4 if device != "cpu" else 2, patience=30, # 30 轮无提升就早停 project="runs/retail", name="yolo11n_retail", pretrained=True, optimizer="auto", cos_lr=True )逻辑说明：pick_device按 CUDA、MPS、CPU 的优先级选设备，保证同一份脚本三平台都能跑。YOLO("yolo11n.pt")加载预训练权重，1000 张图从零训基本学不出东西，预训练是必须的。batch在 CPU 上降到 4，workers降到 2，避免内存和进程数爆掉。patience=30是早停，验证集 30 轮不提升就停，省时间。cos_lr=True用余弦退火，小数据集上比固定学习率稳。跑完在runs/retail/yolo11n_retail/weights/下拿 best.pt 做推理。
三平台启动命令一致：python train.py。GPU 上想指定某块卡，改device=0或device=1。Mac 上如果 MPS 报算子不支持，把 device 改成 "cpu" 先跑通，再逐步试 MPS。
4. 训练与推理避坑：零售柜商品检测最常见的 5 个翻车点
4.1 现象：loss 一直降但 mAP 不动
原因通常是标签类别错位或框归一化错误。VOC 转 YOLO 时 class_id 没减 1，或者 cx、cy 分母用错，模型学到的是错误映射，loss 能降是因为它在拟合错误目标，验证集自然不动。解决：抽 5 张图，用脚本把 YOLO txt 画回图上，肉眼看框和类别对不对。画框代码用 PIL 的 ImageDraw，把 cx、cy、w、h 反归一化后画矩形，类别名标在框上，一眼就能看出偏移。
4.2 现象：训练报 “no labels found”
原因一般是目录结构不对。YOLO 找标签的规则是 images 路径里的images替换成labels，后缀换成 txt。如果图像在images/train，标签必须在labels/train，且文件名（不含后缀）一致。常见错误是把标签放在labels/train/下但文件名带了_jpg之类后缀。解决：写个检查脚本，遍历 images 下所有图，确认对应 labels 下同名 txt 存在且非空，缺的列出来补。
4.3 现象：GPU 显存够但训练 OOM
原因可能是 imgsz 或 batch 设太大，也可能是 workers 太多导致数据加载进程占内存。零售柜图分辨率高的话，640 的 imgsz 在 8G 显存上 batch 16 可能就顶了。解决：先把 batch 降到 8，再不行降 imgsz 到 512，或者开amp=True混合精度。workers 在 Windows 上设 0 或 2，Linux 上可以 4 到 8，Mac 上 2 比较稳。
4.4 现象：Mac 上 MPS 训练报算子不支持
原因是部分算子在 MPS 后端没实现，PyTorch 会抛错而不是自动回退。解决：设环境变量PYTORCH_ENABLE_MPS_FALLBACK=1，让不支持的算子回退 CPU，速度会慢但能跑完。如果还不行，直接 device="cpu"，Mac 上 CPU 训 1000 张图 YOLO11n 大概几小时，能接受。
4.5 现象：验证集 mAP 高但实际柜子里认错
原因是验证集和实际场景分布不一致。1000 张图如果都来自同一个柜子、同一光照，验证集再高也只是过拟合这个柜子。解决：切分数据时按柜子或按光照条件分层，验证集里放不同柜子、不同时段的图。另外推理时把 conf 阈值调高到 0.5 以上，零售柜场景宁可漏检也别错检，错检会导致结算错误。
5. 从 1000 张图到可用模型：我常用的验证与迭代习惯
训练跑完不是终点，我一般会做三件事来确认模型能不能上柜。第一件是混淆矩阵，YOLO 训练完会自动生成confusion_matrix.png，重点看同类商品之间有没有互相混，比如可乐和零度可乐混，说明特征区分度不够，要么加数据要么加类别。第二件是抽 20 张验证集图做推理，把预测框和真实框叠一起看，重点看小目标和遮挡目标的召回，零售柜里被挡一半的商品是常态，召回低就要在数据增强里加随机遮挡。第三件是拿手机拍几张实际柜子的图，不标注直接推理，看模型在真实光照和角度下的表现，这一步最能暴露过拟合。
迭代上，1000 张图训出来的模型如果 mAP50 在 0.85 以上，基本能上柜做辅助识别；要到 0.95 以上，通常得补数据到 3000 张以上，或者用更大模型如 YOLO11s、YOLO11m。我自己的习惯是先用 YOLO11n 快速跑通链路，确认数据和标签没问题，再换大模型刷精度。换模型时 data.yaml 和标签都不用动，只改YOLO("yolo11s.pt")这一行，这是 YOLO 系列最省心的地方。
还有一个容易忽略的点：推理部署时的预处理要和训练一致。训练时 imgsz=640，推理时如果传原图不 resize，YOLO 内部会自己 letterbox，但如果你在外面又做了一次 resize，就会双重缩放导致框偏移。我一般推理直接用model.predict(source, imgsz=640)，不自己预处理。最后，模型导出成 ONNX 或 TensorRT 上边缘设备时，记得确认导出时的 opset 和动态轴设置，零售柜边缘盒子算力有限，TensorRT INT8 量化能提速但会掉点，量化后一定要重新跑一遍验证集。
希望帮到你。
本文还有配套的精品资源，点击获取
