简介：本资源为面向YOLO系列目标检测算法的猴子检测数据集，适合从事目标识别、模型训练与验证的开发者及学生使用，可解决野生动物监测、生态研究等场景下的猴子目标检测需求。压缩包共2000个文件，以xml标注文件为主，同时提供yolo格式的txt标签，分别存放于两个文件夹中，并附带数据集配置文件data.yaml，整体约240.16MB。数据集已划分好训练与验证测试集，可直接用于yolov5、yolov8、yolov9、yolov7、yolov10及yolo11等算法，无需额外整理。yolo格式采用类别索引与归一化中心点、宽高坐标，便于直接读取训练；voc格式的xml文件则兼容更多传统检测框架。目前已有84人学习下载，读者可快速获得一套带标签、结构清晰的猴子检测数据，用于模型训练、迁移学习与算法对比实验，节省数据采集与标注成本。
1. 猴子检测数据集与 YOLO 训练：4690 张带标签图像到底能跑出什么
拿到一个「4690 张图像带标签」的猴子检测数据集，第一反应不该是「数据量够不够」，而是「这批标签的分布能不能撑起一个可用的检测器」。猴子检测在野生动物监测、生态园区管理、行为学研究里都是高频需求，但它的难点和常规的猫狗检测完全不同：猴子体型跨度大、姿态极端、遮挡严重、树冠背景杂乱，而且同一张图里经常出现多只个体紧挨在一起。4690 张这个量级，说多不多，说少不少——如果类别单一、标注质量过关，用 YOLO 系列从零训练一个能落地的检测器是够的；如果标注框松散、漏标严重，再翻一倍也白搭。
这篇文章面向的是手里已经拿到这批数据、想用 YOLO 跑通训练并评估是否值得继续投入的从业者。我会按「先看清数据 → 再转格式 → 配训练 → 调参 → 排错 → 验证」的顺序讲，每一步都给出可复现的命令和参数，重点说清楚哪些参数是玄学、哪些是血泪经验。新手能照着走完，熟手能直接跳到避坑章节看边界条件。
2. 先摸清 4690 张猴子图像的底细：标签分布与清洗策略
在写任何训练脚本之前，必须先把数据集的「体检报告」做出来。很多人拿到 zip 解压完直接开训，结果训到一半发现某个类别只有几十个样本，或者大量标注框宽高为 0，白白浪费几个小时 GPU 时间。猴子检测数据集尤其容易出现「远距离小目标漏标」和「树冠遮挡下的模糊框」两类问题，提前统计能省掉后面大量返工。
2.1 用脚本统计类别、框数和尺寸分布
假设解压后的目录结构是images/和labels/两个平行文件夹，标签为 YOLO 格式的 txt。下面这段脚本做三件事：统计每个类别的实例数、统计每张图的框数量分布、统计归一化框的宽高分布，用来判断是否存在异常标注。
import os import glob from collections import Counter img_dir = "dataset/images" lbl_dir = "dataset/labels" cls_counter = Counter() boxes_per_img = [] wh_list = [] empty_labels = 0 zero_area = 0 for lbl_path in glob.glob(os.path.join(lbl_dir, "*.txt")): with open(lbl_path, "r") as f: lines = [l.strip() for l in f if l.strip()] if not lines: empty_labels += 1 continue boxes_per_img.append(len(lines)) for line in lines: parts = line.split() if len(parts) != 5: continue c, x, y, w, h = int(parts[0]), *map(float, parts[1:]) cls_counter[c] += 1 wh_list.append((w, h)) if w <= 0 or h <= 0: zero_area += 1 print("类别实例数:", dict(cls_counter)) print("空标签文件数:", empty_labels) print("零面积框数:", zero_area) print("每图框数 min/avg/max:", min(boxes_per_img), sum(boxes_per_img) / len(boxes_per_img), max(boxes_per_img)) # 宽高分布分桶，看小目标占比 small = sum(1 for w, h in wh_list if w * h < 0.01) mid = sum(1 for w, h in wh_list if 0.01 <= w * h < 0.1) large = sum(1 for w, h in wh_list if w * h >= 0.1) print(f"小目标(<1%面积): {small}, 中目标: {mid}, 大目标: {large}")逻辑说明：YOLO 格式的标签是class x_center y_center width height，全部归一化到 0~1。w*h小于 0.01 意味着目标在原图中占比不到 1%，这类样本在默认输入尺寸下很容易被下采样丢掉。参数方面，分桶阈值 0.01 和 0.1 是我在多个检测项目里常用的经验值，你可以根据实际图像分辨率调整——如果原图是 4K，小目标阈值可以压到 0.005。
跑完这个脚本，你会得到几个关键判断依据：如果某个类别实例数低于总实例的 5%，训练时几乎必然被其他类别压制；如果空标签文件超过 5%，说明有大量背景图混入，这本身不一定是坏事（可以作为负样本），但要确认不是标注遗漏；如果小目标占比超过 40%，输入尺寸就不能设太小。
2.2 清洗三类高频脏标注
统计完之后，通常会发现三类问题，处理方式不同：
第一类是零面积框和越界框。宽高为 0 或者坐标超出 [0,1] 范围的框，直接删除该行。越界框常见于标注工具导出时的浮点误差，比如1.0002，可以裁剪到 1.0 而不是删掉。
第二类是重复框。同一目标被标了两次，IoU 超过 0.85 的基本可以判定为重复。写个简单的 NMS 脚本按类别做一遍去重，阈值设 0.85 比较稳妥，设太高漏删，设太低会误删紧挨着的两只猴子。
第三类是类别 ID 不连续。有些数据集标注时用了 0、2、5 这样的跳号，YOLO 训练时如果配置文件里nc设成 6 但实际只有 3 个类别，会出现类别索引越界或静默错位。统一重映射成 0 到 N-1 连续整数，这一步千万别省。
清洗完建议重新跑一遍 2.1 的统计脚本，确认实例数和分布没有剧烈变化。如果清洗后实例数掉了 20% 以上，说明原始标注质量堪忧，这时候要么联系数据提供方，要么考虑只保留高质量子集重新标注。
3. 把标注转成 YOLO 训练格式：目录结构与配置文件
YOLO 系列（这里以 Ultralytics 风格的工程实践为例）对目录结构有约定，但不同版本对配置文件的字段要求略有差异。核心原则是：图像和标签同名、路径在配置里写相对路径、类别名和 ID 严格对应。这一章把目录组织、data.yaml 写法、以及从其他格式（VOC/COCO）转换的脚本讲清楚。
3.1 标准目录结构与 data.yaml 配置
推荐的结构如下，train/val/test 按 8:1:1 划分，如果数据量紧张可以 8:2 只留 train/val：
monkey_dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── data.yamldata.yaml的内容：
path: /abs/path/to/monkey_dataset train: images/train val: images/val test: images/test nc: 1 names: 0: monkey逻辑说明：path写绝对路径最稳，避免训练时工作目录变化导致找不到文件。train/val/test写相对于path的子路径。nc是类别数，猴子检测如果只检测「猴子」这一类就是 1；如果数据集区分了不同猴种，按实际类别数改，names里的 ID 必须从 0 连续。
参数注意：如果你的数据集标签里出现了nc之外的类别 ID，训练会直接报错或静默忽略。划分脚本要保证同一只猴子的多张连续帧不要跨 train/val 分布，否则验证指标会虚高——这是视频抽帧数据集最常见的泄漏问题。
3.2 从 VOC 或 COCO 转 YOLO 的转换脚本
如果原始标签是 XML（VOC）或 JSON（COCO），需要转成 YOLO txt。下面是从 VOC 转换的核心逻辑：
import xml.etree.ElementTree as ET import os def voc_to_yolo(xml_path, out_path, class_map): tree = ET.parse(xml_path) root = tree.getroot() size = root.find("size") W = int(size.find("width").text) H = int(size.find("height").text) lines = [] for obj in root.iter("object"): name = obj.find("name").text if name not in class_map: continue cls_id = class_map[name] bbox = obj.find("bndbox") x1 = float(bbox.find("xmin").text) y1 = float(bbox.find("ymin").text) x2 = float(bbox.find("xmax").text) y2 = float(bbox.find("ymax").text) # 裁剪越界坐标 x1, y1 = max(0, x1), max(0, y1) x2, y2 = min(W, x2), min(H, y2) if x2 <= x1 or y2 <= y1: continue xc = (x1 + x2) / 2 / W yc = (y1 + y2) / 2 / H w = (x2 - x1) / W h = (y2 - y1) / H lines.append(f"{cls_id} {xc:.6f} {yc:.6f} {w:.6f} {h:.6f}") with open(out_path, "w") as f: f.write("\n".join(lines)) class_map = {"monkey": 0}逻辑说明：VOC 的坐标是绝对像素值，YOLO 要归一化。class_map把类别名映射到连续 ID，不在映射表里的类别直接跳过，避免引入未知类别。坐标裁剪到图像边界内，防止标注工具导出的越界框导致归一化后出现负值或大于 1 的值。
参数注意：{:.6f}保留 6 位小数足够，YOLO 读取时对精度不敏感，但保留太少（比如 2 位）在小目标上会有明显误差。转换完成后，务必随机抽 20 张图用可视化脚本画框检查一遍，确认框的位置和类别没错位——转换脚本的 bug 往往在坐标系翻转（比如 y 轴方向）上，肉眼看图是最快的排查方式。
4. YOLO 训练猴子检测模型：参数配置与调参逻辑
数据准备好之后进入训练环节。这一章以 Ultralytics YOLO 的工程实践为例，讲清楚输入尺寸、batch、学习率、数据增强这几个关键参数怎么设，以及猴子检测场景下哪些增强该开、哪些该关。
4.1 输入尺寸与 batch 的取舍
猴子检测的目标尺寸跨度大，输入尺寸直接决定小目标能不能被检测到。常见做法是从imgsz=640起步，如果统计发现小目标占比高，提到 960 或 1280。代价是显存和训练时间成倍增长。
yolo detect train \ data=monkey_dataset/data.yaml \ model=yolov8s.pt \ imgsz=960 \ epochs=150 \ batch=16 \ lr0=0.01 \ lrf=0.01 \ warmup_epochs=3 \ cos_lr=True \ cache=True \ workers=8 \ project=runs/monkey \ name=exp1逻辑说明：model=yolov8s.pt是中等规模的预训练权重，猴子检测这种单一类别任务，s 或 m 规模通常够用，n 规模在遮挡场景下召回会明显偏低。imgsz=960是为了保住小目标，如果你的 GPU 显存不够，优先降 batch 而不是降 imgsz。lr0=0.01是 SGD 的常见起点，用 AdamW 的话要降到 0.001 量级。cos_lr=True让学习率按余弦退火，末期收敛更平滑。cache=True把图像缓存到内存，4690 张图如果分辨率不高，内存够的话能显著加快每个 epoch。
参数注意：batch=16在 960 尺寸下大约需要 12~16GB 显存，具体看模型规模。如果爆显存，先试batch=8，再不行用梯度累积（部分版本支持nbs参数）。workers=8是数据加载线程数，设成 CPU 核心数的 0.7 倍左右比较稳，设太高反而因为 IO 竞争变慢。
4.2 数据增强：猴子检测该开什么、该关什么
YOLO 默认开启 mosaic、HSV 抖动、随机翻转、缩放等增强。猴子检测场景下，我的经验是：
- mosaic 保留，但
mosaic=1.0在训练后期要关掉（close_mosaic=10），否则最后几个 epoch 的定位精度会受影响。 - HSV 抖动适度开，
hsv_h=0.015, hsv_s=0.7, hsv_v=0.4。猴子毛色在树荫下变化大，颜色增强有帮助，但 h 不要开太大，否则棕色毛发可能被抖成绿色，反而引入噪声。 - 随机翻转开，
fliplr=0.5。猴子左右对称，水平翻转安全。flipud建议关掉或设很小，因为倒挂的猴子是真实姿态，但上下翻转会把正常姿态变成不自然的倒立，可能误导模型。 - 旋转和剪切慎开。猴子姿态本来就多样，大幅旋转会让标注框和实际目标错位，
degrees建议不超过 10，shear不超过 2。
这些参数在训练命令里可以直接覆盖：
yolo detect train \ data=monkey_dataset/data.yaml \ model=yolov8s.pt \ imgsz=960 batch=16 epochs=150 \ hsv_h=0.015 hsv_s=0.7 hsv_v=0.4 \ fliplr=0.5 flipud=0.0 \ degrees=10 shear=2 \ mosaic=1.0 close_mosaic=10逻辑说明：增强的目的是模拟真实场景的变化，而不是制造不可能出现的样本。猴子检测里最需要模拟的是光照变化（树荫、逆光）和部分遮挡，mosaic 天然带来遮挡效果，所以保留。上下翻转和大幅旋转属于「看起来增强很猛但实际有害」的典型，新手容易在这里翻车。
5. 训练过程排查：loss 不降、mAP 虚高、显存爆炸怎么处理
训练跑起来不等于跑对了。这一章按「现象 → 原因 → 解决」整理 5 条猴子检测训练中最常见的坑，都是我在实际项目里踩过的。
5.1 现象：box_loss 持续在 1.0 以上不降
原因通常有三个：学习率太大导致震荡、标注框系统性偏移、或者输入尺寸太小导致小目标定位困难。先看学习率曲线，如果 loss 在前期剧烈震荡，把lr0降到 0.001 再试。如果 loss 平稳但就是降不下去，抽几张图可视化预测框和真实框，确认不是标注坐标系搞反了（比如 y 轴翻转）。最后检查小目标占比，如果超过 50% 而 imgsz 只有 640，提到 960 通常能明显改善。
5.2 现象：验证集 mAP 很高但实际推理漏检严重
这是典型的数据泄漏。如果 train 和 val 里有同一段视频的相邻帧，模型相当于见过验证集的「近亲」，指标虚高。解决办法是按视频源或时间戳划分，而不是随机划分。另一个可能是验证集里目标普遍偏大偏清晰，和真实推理场景分布不一致。建议单独留一个「困难集」——包含遮挡、远距离、逆光的样本——作为最终评估依据。
5.3 现象：训练到一半显存爆炸（OOM）
原因多半是cache=True把图像全缓存进内存后，加上数据加载线程的副本，内存被吃满，触发系统级 OOM 而不是 GPU OOM。解决：把cache改成ram或False，或者降低workers。如果是 GPU 显存爆炸，检查是不是close_mosaic之后输入尺寸被动态放大了——部分版本在关闭 mosaic 后会改变有效 batch 的显存占用。
5.4 现象：某个类别召回率极低
猴子检测如果分了多个类别（比如成猴、幼猴），幼猴样本少且体型小，召回率往往只有成猴的一半。解决不是简单调低置信度阈值，而是：对幼猴类别做过采样、在增强里针对小目标加 copy-paste、或者把幼猴单独训一个检测器。调低置信度阈值会把大量背景误检成幼猴，得不偿失。
5.5 现象：推理速度远低于预期
训练时用了imgsz=960，推理时如果还保持 960，在边缘设备上可能只有几 FPS。猴子检测的实际部署场景（园区监控、无人机）对速度敏感。建议训练用 960 保精度，导出时用imgsz=640做推理，或者用 TensorRT/ONNX 量化。导出命令：
yolo export model=runs/monkey/exp1/weights/best.pt format=onnx imgsz=640 half=True逻辑说明：half=True启用 FP16，速度提升明显，精度损失通常在 1% 以内。导出后务必用同一批测试图对比 ONNX 和 PyTorch 的输出，确认没有算子不支持导致的精度崩塌。
6. 验证与进阶：用混淆矩阵和困难样本闭环迭代
训练完不是终点，怎么判断这个模型值不值得投入部署，靠的是系统化的验证和一轮闭环迭代。这一章讲两个具体技巧：用混淆矩阵定位类别混淆，以及用困难样本挖掘做第二轮训练。
6.1 混淆矩阵告诉你模型到底在「混」什么
YOLO 训练结束后会在 runs 目录下生成混淆矩阵图。猴子检测里最常见的混淆不是「猴子 vs 背景」，而是「猴子 vs 树枝/树叶的纹理」——尤其是远距离小目标，模型容易把树冠的团状纹理误检成猴子。看混淆矩阵时重点关注背景列（background）的误检数，如果背景误检占总预测的 20% 以上，说明模型对负样本学习不足。
解决办法是在训练集里加入纯背景图（不含猴子的树冠、岩石、天空），比例控制在 5%~10%。这些负样本不需要标注文件（空 txt 即可），但能显著降低背景误检。加完之后重新训练，背景误检通常能降一半。
6.2 困难样本挖掘：第二轮训练怎么组织
第一轮训练完，用best.pt在验证集和测试集上跑推理，把置信度在 0.1~0.5 之间的预测框对应的图像挑出来——这些是模型「犹豫」的样本，通常是遮挡、模糊、小目标。人工复核这些图，修正漏标和错标，然后和原始训练集合并做第二轮训练。
第二轮的关键参数调整：学习率降到第一轮的 1/10（lr0=0.001），epoch 数减半，mosaic关掉（mosaic=0.0），因为此时数据质量已经提升，不需要强增强来正则化。第二轮通常能把 mAP50 再提 2~5 个百分点，尤其是召回率。
yolo detect train \ data=monkey_dataset_v2/data.yaml \ model=runs/monkey/exp1/weights/best.pt \ imgsz=960 batch=16 epochs=80 \ lr0=0.001 cos_lr=True \ mosaic=0.0 close_mosaic=0 \ project=runs/monkey name=exp2_finetune逻辑说明：从best.pt继续训练而不是从预训练权重重来，能保留第一轮学到的特征。mosaic=0.0是因为困难样本本身已经够难，再叠加 mosaic 会让训练不稳定。close_mosaic=0表示不启用关闭逻辑，因为本来就没开。
6.3 一个判断「值不值得继续投入」的实用标准
4690 张图训出来的模型，如果 mAP50 能到 0.85 以上、mAP50-95 在 0.55 以上，且困难集上的召回率不低于 0.7，基本可以进入部署验证阶段。如果 mAP50 卡在 0.6 以下，先别急着加数据，回头检查标注质量和类别分布——十有八九是标注问题而不是数据量问题。我见过太多团队在标注稀烂的数据集上反复加图、调参，最后发现重新标 1000 张比在 4690 张脏数据上折腾一周更有效。
最后一句话是我自己的习惯：每次训练前先花 20 分钟跑统计脚本和可视化抽检，这 20 分钟能省掉后面至少 2 小时的无效训练。希望帮到你。
本文还有配套的精品资源，点击获取
