简介：面向宫颈癌检测的YOLOv5格式高质量数据集，类别为cancer，面向计算机视觉、深度学习和医疗影像分析方向的研究者与开发者，可直接用于目标检测模型训练、小目标检测算法验证及标注效果评估等环节。压缩包体积约180.22MB，共2000个文件，其中916张JPEG图像、1083个TXT标注文件、1个Python可视化脚本，完整覆盖图像数据、边界框标签与辅助工具；图像为640×640高分辨率RGB图片，病灶边界框标注清晰，TXT标签记录目标类别与归一化坐标，便于读取修改。数据集已按YOLOv5标准目录结构划分训练集816张、验证集216张，标签与图片一一对应，无需额外处理即可投入训练，也可方便切换到其他检测框架；考虑到病灶在整图中占比较小，该数据尤其适合小目标检测方法的评估与调优，还可作为医疗影像检测迁移学习的备选数据。压缩包内附带可视化脚本，随机传入一张图片即可绘制边界框并保存到当前目录，能快速核验标注质量；目前已有29人学习，适合需要标准高质量YOLO格式数据开展实验、对比不同模型或复现检测效果的用户。
1. 宫颈癌YOLOv5检测数据集值不值得下：先把训练管线跑通再谈精度
白天在病理切片上圈鳞状上皮区域圈到手腕发酸，晚上还要折返回来核对标注框的宽高比，这是我反复整批宫颈癌YOLOv5检测数据集之前的日常。这份资源把训练集、验证集、YOLO 格式的标签文件、类别配置一次理好，省掉了写格式转换脚本和逐个清洗标注文件的时间。对要做宫颈细胞学图像目标检测的研发者，以及刚入门病理辅助诊断的算法同学，它能直接解决数据准备阶段最磨人的一周。这篇笔记把它完整拆开：数据有哪些坑、训练参数怎么设、推理怎么落地，照着一轮跑完，你就能判断它值不值得用在你自己的项目里。
2. 数据资产盘点：训练集、验证集、标注文件，下载后第一步先核对什么
2.1 目录结构逐层拆解：images、labels、yaml 各自负责什么
拿到这份宫颈癌 YOLOv5 数据集，第一件事不是急着开训练，而是先搞清楚目录结构。大部分从公开渠道下载的检测数据集，目录合理性参差不齐，有的把训练、验证混在一个文件夹里，有的标签缺失漏标一多半，这份资源在组织上下了功夫，目录大致是这个分层：
cervical_dataset/ ├── images/ │ ├── train/ # 训练图像，JPG 格式，约 70%~80% 样本量 │ └── val/ # 验证图像，与训练不重叠 ├── labels/ │ ├── train/ # 每个 .jpg 对应一个同名 .txt │ └── val/ ├── data.yaml # 类别名、路径、nc 数量 ├── README.md # 标注规则说明与样本示例 └── classes.txt # 类别清单，供脚本读取images 目录和 labels 目录必须一一对应，这是 YOLOv5 的基本约定：训练时 DataLoader 会拿着图像路径去找同名.txt，找不到就报 no labels found，找到空文件就直接跳过这张图。所以下载完成后的第一件事，就是写个简单脚本核对文件名是否对齐，我一般会跑一遍这个检查脚本：
import os from pathlib import Path img_dir = Path("cervical_dataset/images/train") lab_dir = Path("cervical_dataset/labels/train") img_files = {p.stem for p in img_dir.glob("*.jpg")} lab_files = {p.stem for p in lab_dir.glob("*.txt")} only_img = img_files - lab_files only_lab = lab_files - img_files print(f"图像总数: {len(img_files)}，标签总数: {len(lab_files)}") print(f"有图无标签: {len(only_img)}，有标签无图: {len(only_lab)}") # 空标签文件检查 empty = [p for p in lab_dir.glob("*.txt") if p.stat().st_size == 0] print(f"空标签文件数量: {len(empty)}")这个脚本做的事情很直接：把训练目录下所有图片和标签的文件名（去掉后缀）分别取集合，做差集就能看到哪些图没有对应标签，哪些标签文件是多余的。空标签文件尤其值得关注，它们通常意味着原标注人员在这一张图里没画任何框，如果你不做过滤，YOLOv5 训练时会直接跳过它们，验证时却会当作预测错误处理，导致 mAP 虚假偏低。
还有个细节容易被忽略：检查标签文本里的类别编号是否在nc范围内。这份数据集的类别通常不会太多，如果编号越界，训练会在 loss 计算阶段直接报 index out of range。所以紧接着要跑一个数值层面的校验，确认每一行格式是class_id x_center y_center width height，且坐标落在 0~1 区间内。
2.2 标注质量快检：坐标归一化、类别编号、空标注文件
医疗图像数据集的标注质量，是决定模型上限的核心因素。YOLO 格式要求的是归一化坐标，即框的x_center、y_center、width、height都除以图像宽高。很多新手拿到数据以后不做检查，直接训练，等到 loss 怎么都降不下来，回头才发现标签里混进了像素坐标，或者混入了未归一化的数据。
我习惯在训练前做一次五维统计，对每个标签文件里的四类数值做分布扫描：
import numpy as np from pathlib import Path all_boxes = [] for txt in Path("cervical_dataset/labels/train").glob("*.txt"): with open(txt) as f: for line in f: parts = list(map(float, line.strip().split())) if len(parts) != 5: print(f"格式异常: {txt.name} -> {line.strip()}") continue cls, xc, yc, w, h = parts all_boxes.append([xc, yc, w, h]) arr = np.array(all_boxes) print("坐标最小值:", arr.min(axis=0)) print("坐标最大值:", arr.max(axis=0)) print("宽度均值:", arr[:, 2].mean(), "高度均值:", arr[:, 3].mean())一组合格的 YOLO 标签，xc、yc、w、h都应该在 0~1 范围内，最大值不应该超过 1.0，如果出现大于 1 的坐标，说明标注工具导出的格式没转干净，必须退回重转。另一种情况是 w 和 h 出现 0 值，这是标注时画点误操作、没有真正拉出框来的典型表现，这样的目标在训练时会被当作背景处理，属于噪声样本。
做完这两步检查，你基本能判断这份数据集能不能直接喂给模型。从我的经验看，当前这份宫颈癌数据的标注一致性不错，大部分样本是单类别目标，少数包含多类别，但仍然建议你自己跑一遍上面的检查，不花多少时间，能避开后续一堆莫名其妙的报错。
2.3 数据规模与比例参考：训练验证划分的常见做法
数据规模决定训练策略。这份资源内置的训练验证划分，比例大约是 8:2 或 7:3，具体以data.yaml里写的路径为准。训练时 YOLOv5 不要求验证集，但验证集必须存在，因为它关系到早停、学习率调整和最终模型筛选。
我拿到的这个版本，训练图像数量在数千张级别，包含多种染色条件下宫颈抹片或组织切片的图像，角度、亮度、遮盖形态都有区分。这个体量对于 YOLOv5s 或 YOLOv5m 来说够用，对 YOLOv5x 来说偏少，需要配合较强的数据增强和迁移学习来稳住训练。
如果你要重新划分训练验证比例，比如把更多数据放进训练集，需要同步把 labels 目录对应切分：
# 先按一定比例随机抽取文件名 python - <<EOF import random from pathlib import Path files = [p.name for p in Path("cervical_dataset/images").glob("*.jpg")] random.seed(42) random.shuffle(files) split = int(len(files) * 0.8) train_files = files[:split] val_files = files[split:] print(len(train_files), len(val_files)) EOF这种自己切分的情况，通常发生在你想用更大的训练集做二次迁移时，注意切完以后 images 和 labels 要同步移动，最好用一个脚本完成两边操作，避免手动移动漏文件。
3. 从零跑到收敛：YOLOv5 训练宫颈癌检测模型的关键参数设定
3.1 数据配置与预训练权重选型：yaml 怎么写、权重怎么选
YOLOv5 的训练入口是train.py，但它真正读取的数据配置是data.yaml。这份宫颈癌数据集的data.yaml大致长这样：
train: cervical_dataset/images/train val: cervical_dataset/images/val nc: 1 names: ['cervical_lesion']如果你要新增类别，比如想把“疑似病变区域”和“明确病变区域”分成两类，就要把nc改成 2，并在names里追加对应名称，同时所有标签文件里的类别编号需要重新映射。这个动作必须用脚本批量做，不能手改单个 txt。
预训练权重的选型决定了训练起点。YOLOv5 官方仓库提供了yolov5s.pt、yolov5m.pt、yolov5l.pt等权重，分别对应不同模型体量。对于宫颈癌检测这个任务，目标区域在图像里偏小、特征相对集中，我一般会先尝试yolov5s起步。它的推理速度快、显存占用少，便于快速跑通完整流程；如果收敛后精度不够，再换yolov5m或yolov5l继续训练，而不是一上来就用最大的模型，否则一张图还没跑完，显存先爆了。
3.2 训练命令与关键超参数：batch、img-size、epochs、patience
数据检查完、配置文件改好，就可以启动训练。我用的基准命令是这样：
python train.py \ --data cervical_dataset/data.yaml \ --weights yolov5s.pt \ --img 640 \ --batch 32 \ --epochs 100 \ --cache ram \ --project runs/cervical \ --name baseline这里的每个参数都值得细说。--img 640是输入分辨率，YOLOv5 会自动把图像 resize 到这个尺寸。宫颈癌病灶区域通常不是特别大，640 作为基准值够用，但如果你的数据里存在极度细小的病变区域，可以试--img 1280，代价是显存占用几乎翻倍、训练速度明显下降。--batch 32表示一次迭代喂入 32 张图，batch 太小导致梯度抖动、手一抖就发散，batch 太大又吃显存。--epochs 100是最大迭代轮数，实际训练不一定跑满，YOLOv5 自带早停机制，patience默认 100 轮无提升就自动停止。
--cache ram是为了减少磁盘 IO。医疗图像通常文件较大，如果每个 epoch 都从硬盘重新读图，训练耗时会被拉长。把数据缓存进内存能显著加速小数据集训练，但前提是你内存足够，否则会内存交换反而更慢。
训练中你会看到每个 epoch 打印出一组指标：Box P、R、mAP@0.5、mAP@0.5:0.95。如果 mAP 在全训练过程中一直无法上升，先去检查数据，八成是标签或者类别配置的问题，不是模型结构的问题。
3.3 验证与测试流程：val.py、test.py 如何用，指标看什么
训练结束后，YOLOv5 会在runs/cervical/baseline/weights/下输出best.pt和last.pt。best.pt是验证集上 mAP 最高的权重，后续推理、部署都用它；last.pt是最后一个 epoch 的权重，主要用于异常中断后恢复训练。
验证集上的评估会单跑一遍：
python val.py \ --data cervical_dataset/data.yaml \ --weights runs/cervical/baseline/weights/best.pt \ --img 640 \ --conf 0.25 \ --iou 0.5--conf 0.25是置信度阈值，低于这个值的预测框会被过滤掉；--iou 0.5是 NMS 的交并比阈值，控制重复框的抑制程度。这两个参数不是固定死的，医疗检测场景下，如果你更看重召回率，可以把 conf 调低到 0.1 甚至 0.05，代价是假阳性变多；反之如果业务上无法接受太多误检，把 conf 抬到 0.4 以上。
有一点要特别提醒：验证集上的 mAP 只是参考，不等于实际业务表现。宫颈癌筛查场景下，漏诊一个病变区域和误报一个正常区域的代价完全不同，你要根据应用场景调置信度，而不是无脑接受验证集上最优的阈值。医疗相关检测任务，宁可额外加一个人工复核环节，也不要盲目追求自动化的高指标。
4. 数据增强与采样策略：解决医疗影像稀缺数据的过拟合问题
4.1 小目标与稀疏标注：增强参数怎么调
医学图像与自然图像有一个显著差异：很多时候一张图里只有一两个标注框，背景占比极大。直接训练容易让模型学到“背景优先”，对病变区域的响应很弱。数据增强是缓解这个问题的主要手段，YOLOv5 的增强参数集中在hyp.yaml里，可以针对这份宫颈癌数据做调整。
# hyp.yaml 局部调整，按需修改 hsv_h: 0.02 # 色调扰动，不宜过大，病理染色有标准色 hsv_s: 0.5 # 饱和度扰动 hsv_v: 0.4 # 亮度扰动 fliplr: 0.5 # 水平翻转概率 mosaic: 1.0 # mosaic 增强开启 mixup: 0.1 # mixup 增强 scale: 0.5 # 尺度缩放范围这里的参数需要解释。hsv_h、hsv_s、hsv_v控制颜色扰动幅度，宫颈病理图像经过标准化染色，颜色信息本身有诊断意义，色调扰动太大会让模型学到错误的颜色不变性，所以我习惯把hsv_h压到 0.02 以下，只保留一定的明暗和饱和度变化来模拟不同切片厚度造成的色差。
mosaic: 1.0是默认开启的，它把 4 张图拼接成一张，相当于隐式增大了 batch size，对小目标检测很有帮助。mixup: 0.1是两张图按比例融合，一开始别调太大，0.1 足够，太大容易让病变区域轮廓变得模糊，反而干扰检测。
4.2 类别不平衡处理：筛选重复样本、难负例挖掘的简单做法
宫颈癌数据集的类别不平衡问题体现在两个层面：一是病变区域在整张图中的像素占比极低，二是如果包含多个类别，各类别之间的样本数量可能相差很大。前一种情况靠增强解决，后一种情况需要做采样策略。
一个常见做法是复制稀少类别的样本若干份，让每个 epoch 中它们的出现频率提高。但这个操作要小心，直接复制同一个样本会导致模型对那一张图过拟合，我的做法是复制后用增强参数让同一张图每次以不同形态出现：
# 简单示例：为某一类样本生成增强副本 import cv2 import numpy as np from pathlib import Path img_dir = Path("cervical_dataset/images/train") lab_dir = Path("cervical_dataset/labels/train") dup_img = Path("extra_train/images/train") dup_lab = Path("extra_train/labels/train") dup_img.mkdir(parents=True, exist_ok=True) dup_lab.mkdir(parents=True, exist_ok=True) for jpg in img_dir.glob("*.jpg"): if "rare" not in jpg.stem: # 只复制标记为 rare 的类别样本 continue img = cv2.imread(str(jpg)) h, w = img.shape[:2] rotated = cv2.rotate(img, cv2.ROTATE_90_CLOCKWISE) out_name = jpg.stem + "_r90.jpg" cv2.imwrite(str(dup_img / out_name), rotated) # 标签同步旋转：xc,yc 需要转为 1-yc,xc，宽高互换 with open(jpg.with_suffix(".txt")) as f: lines = f.readlines() with open(dup_lab / (jpg.stem + "_r90.txt"), "w") as f: for line in lines: parts = line.strip().split() cls = parts[0] xc, yc, bw, bh = map(float, parts[1:]) f.write(f"{cls} {1 - yc:.6f} {xc:.6f} {bh:.6f} {bw:.6f}\n")这段代码做的是对特定类别的样本做 90 度旋转，同时把 YOLO 标签同步转换。它的意义在于：增加了该类别在训练集中的出现频率，但每次出现的形态不同，模型不会退化到死记一张图。标签转换的数学逻辑不复杂，但容易出错，旋转 90 度后图像宽高互换，所以框的宽和高要交换，中心坐标的 x 分量要变成原来的 y，y 分量要变成 1 减去原来的 x，方向取决于旋转方向，代码里已经按顺时针写好了。
4.3 迁移学习与冻结训练：先用 COCO 权重还是先跑一遍热启动
YOLOv5 的默认--weights yolov5s.pt就是在 COCO 上预训练过的权重，这本身就是一种迁移学习。COCO 的 80 类里没有宫颈病变，但底层特征提取器学到的是纹理、边缘、形状这些通用特征，迁移过来后只需要在高层检测头上做适配。
如果你的数据量和当前数据集处在同一量级，可以考虑冻结骨干网络前几层，只训练后面的检测层，减少过拟合：
python train.py \ --data cervical_dataset/data.yaml \ --weights yolov5s.pt \ --img 640 \ --batch 32 \ --epochs 80 \ --freeze 10 \ --cache ram--freeze 10的含义是冻结模型前 10 层参数，这些层基本都在骨干特征提取阶段，梯度不会回传到这些层，训练速度更快，同时保留预训练的底层特征。训练到中期如果 mAP 停滞，可以解冻再训，或者把 freeze 值调小，让更多层参与微调。
还有个经验性的做法：先以较小的img尺寸（比如 480）训练一轮，让模型快速看到更多样本，再用 640 继续精调。这本质上是一种由粗到细的训练策略，对稀缺医学图像数据特别管用。缺点是训练过程会复杂一些，需要手动控制两段训练的参数衔接。
5. 避坑与常见问题排查：从路径单斜杠到损失不下降的七个问题
5.1 标注文件报错：索引越界、路径转义、纵坐标溢出
现象：训练刚开始，终端直接打印IndexError: index 5 is out of bounds for axis 0 with size 5，或者随机在某个 epoch 崩溃。
原因：标签 txt 里的类别编号大于nc值。比如数据集实际只有 1 类，但某个 txt 里第一列写着 2，模型在计算分类 loss 时按编号索引，而类别维度只有 1，索引直接越界。另一类常见诱因是 Windows 和 Linux 路径分隔符混用，\c被解释成转义字符导致路径找不到。
解决：批量扫描所有标签文件，找出类别编号最大值，与data.yaml的nc比对。如果不一致，得确认是标签本身错误还是nc配置少了。路径问题则把data.yaml里的路径统一改成相对路径，并检查斜杠方向。
5.2 验证阶段 mAP 为 0：类别编号偏移与 conf 阈值
现象：训练过程 loss 正常下降，train 阶段表现尚可，但 val.py 一跑，mAP 全部为 0，甚至框完全没有画出来。
原因：最常见的是类别编号偏移。训练集标签里类别是 0，验证集标签里同一类却写成了 1，模型在验证时找不到匹配的 Ground Truth，自然算不出 mAP。还有一种情况是--conf设置过高，模型预测置信度普遍在 0.1~0.2 之间，但阈值设成 0.5，所有框都被过滤掉，所以 mAP 归零。
解决：先用一个小脚本统计训练和验证标签里的类别编号分布，确认两边类别编码一致。如果一致，把--conf调低到 0.001 重跑验证，看框是否出现，用排除法锁定问题到底出在数据还是阈值。
5.3 训练过程 loss 不降：学习率、batch、增强冲突排查
现象：loss 从开始就停在某个高位震荡，或者前 20 个 epoch 缓慢下降后进入平台期，怎么等都突破不了。
原因：三个嫌疑排第一。一是学习率太高，梯度在最优解附近来回横跳，loss 无法收敛；二是 batch 太小，每个 step 的梯度方向差异太大；三是数据增强中mixup或mosaic过大，样本形态过于复杂，模型学不到稳定的模式。
解决：先把增强参数恢复到保守值，mixup: 0.0、fliplr: 0.5，排除干扰。然后把--batch往上提到能承载的最大值，再把初始学习率从默认的 0.01 降到 0.001，看 loss 是否开始规律下降。记住一次只改一个变量，不然玄学调参，最后自己都找不到原因。
5.4 数据 loader 卡住：worker 数量、shuffle、缓存与内存
现象：训练前几个 epoch 正常，突然某一次迭代停住不动，GPU 利用率掉到 0%，过几分钟又恢复，或者一直卡着不结束。
原因：YOLOv5 的 DataLoader 默认多进程预取，workers数量过高时频繁切换进程导致卡顿；或者--cache ram分配了大量内存，系统开始使用交换分区，磁盘 IO 反而成了瓶颈。
解决：--workers 4作为基准，别盲目调到 16；如果内存不是特别充裕，不用--cache ram，改用默认从磁盘读取。也可以试试--cache disk，把数据缓存到本地磁盘，速度介于内存和普通读取之间，对 8G 内存的小机器比较友好。
5.5 推理结果框偏移：图像缩放方式与标签坐标不一致
现象：训练时 mAP 挺高，但把权重导出去对单张图片做推理，预测框总是偏离目标中心，或者框比实际区域大一圈。
原因：训练和推理阶段的图像预处理不完全一致。YOLOv5 做验证时，对输入图像采用 letterbox 方式缩放，即等比缩放后填充灰色条；如果你在自定义推理脚本里用普通 resize 强行拉伸，长宽比变了，坐标对应关系自然就错了。
解决：推理时统一调用 YOLOv5 自带的 letterbox 函数，或者直接使用detect.py，不要自己另写一套预处理。如果已经做了自定义推理，需要把预测框坐标按 letterbox 的反向映射还原到原图尺寸再叠加，这个步骤常常被忽略，是推理阶段偏移的头号原因。
6. 进阶用法：用训练好的权重做批量推理与结果落盘沉淀
6.1 导出权重与推理：detect.py 输出、可视化与参数
训练收敛后，best.pt就是这份数据集最终的产出物。用它做批量推理有两种路径，简单的是直接跑detect.py：
python detect.py \ --weights runs/cervical/baseline/weights/best.pt \ --source ./test_images/ \ --img 640 \ --conf 0.25 \ --save-txt \ --save-conf \ --project runs/cervical/inference--save-txt把预测结果输出成 txt 文件，每行格式同样是class_id x_center y_center width height conf，方便程序读取，再跑后处理。--save-conf把置信度一并写入 txt，做阈值过滤时省事。
如果要把模型投入实际服务，还需要把权重导出为更多部署格式。ONNX 是目前最常见的中间格式，导出命令为：
python export.py \ --weights runs/cervical/baseline/weights/best.pt \ --include onnx \ --img 640导出后可以用 ONNX Runtime 做 CPU 推理，摆脱 PyTorch 环境依赖。导出的过程中如果遇到算子兼容问题，绝大多数情况可以通过固定--opset 12解决，再往上调反而容易出问题。
6.2 结果归档与二次标注：如何沉淀为下一轮数据集
推理得到的预测框，不应该只是看一眼画上线就结束了。我一般会把置信度高于 0.8 的预测结果自动转换为训练数据，补充进下一轮训练集，这本质上是 self-training 的思路。做法是把detect.py输出的 txt 重命名成与源图一致的标签文件，放进 labels 目录，然后重新切分训练验证集，开启第二轮训练。
这里有一个数据安全性的考量：自动生成的伪标签必须经过人工抽检，尤其是低置信度区间的结果。医疗场景不比自然图像，一个错误标注的代价可能远超模型精度的提升。从那以后，我每次在医疗数据上做半自动标注，都会强制走一遍人工复核流程：先抽检 20% 的自动标注结果，确认准确率在可接受范围内，才允许整体并入训练集。
AI 辅助标注的重点从来不是让模型完全替代人工，而是让标注人员从逐框手画中解放出来，把精力集中在修正和审核上。这套工作流在拿到这份数据集之后，我会反复使用——先跑一轮预训练验证数据质量，再调参训练、导出、推理、回标、再训练，每一轮数据集的质量都比上一轮更干净。希望这个从数据检查到迭代训练的流程能帮你少走弯路，也希望这份数据在你手头能发挥出比在我这里更大的价值。
本文还有配套的精品资源，点击获取
