简介：本资源为面向医学图像目标检测的乳腺癌检测数据集，适用于深度学习入门者、医学影像算法研究者及需要开展癌症病灶检测实验的开发者。数据集按YOLOv5目录结构组织，包含训练集778张图片与778个标签文件、验证集143张图片与143个标签文件，图像统一为640×640分辨率RGB格式，标注边界框清晰完整，前景丰富，可直接投入目标检测模型训练，无需额外预处理。压缩包共1845个文件，以jpg图像、txt标注文件为主，另附1个可视化py脚本和1个png示例图，整体约12.87MB，采用7z格式打包。其中可视化脚本无需修改即可运行，随机传入一张图片便能绘制边界框并保存至当前目录，便于快速核验标注质量。目前已有1074人学习下载，适合作为乳腺癌单类别检测任务的练手数据，也可用于验证YOLO系列模型的训练与推理流程。
1. 乳腺癌检测数据集上手：1 类别 921 张图，YOLOv5 目录直接开跑
拿到一份标注好的医学图像数据集，最怕的不是模型不收敛，而是目录结构对不上、标签格式错位、可视化脚本跑不起来。这份乳腺癌检测数据集就是冲着「省掉预处理」去的：1 个类别breast cancer，训练集 778 张图配 778 个 txt 标签，验证集 143 张图配 143 个 txt 标签，压缩后只有 13 MB，图像统一 640×640 RGB，按 YOLOv5 的images/labels双目录规范存放。换句话说，解压完改一下data.yaml里的路径就能直接喂给 YOLOv5 训练，不用再写格式转换脚本。它适合两类人：一类是想快速验证医学目标检测 pipeline 的算法工程师，另一类是需要一个干净小数据集做教学或消融实验的从业者。下面按「结构长什么样 → 怎么接进训练 → 怎么可视化验证 → 坑在哪」的顺序拆一遍。
2. 目录结构与标签格式：先看清 YOLOv5 的存放约定
2.1 解压后的真实目录长什么样
这份数据按 YOLOv5 的标准布局组织，解压后核心是datasets根目录，下面挂images和labels两棵子树，各自再分train和val。文件名是 Roboflow 风格的哈希后缀，比如kkkkk_jpg.rf.3f4bbd5aa943efae5ba8b60a5d49d109.jpg，对应的标签文件把扩展名换成.txt即可，主名完全一致。这一点很关键：YOLOv5 在训练时是按「图片路径替换images为labels、扩展名换.txt」去找标签的，主名不一致就会静默丢样本。
datasets/ ├── images/ │ ├── train/ # 778 张 .jpg │ └── val/ # 143 张 .jpg └── labels/ ├── train/ # 778 个 .txt └── val/ # 143 个 .txt先跑一条命令确认图片和标签数量是否一一对应，这是每次拿到新数据集我必做的第一件事：
# 统计图片与标签数量，两者必须相等 find datasets/images/train -name "*.jpg" | wc -l find datasets/labels/train -name "*.txt" | wc -l find datasets/images/val -name "*.jpg" | wc -l find datasets/labels/val -name "*.txt" | wc -l四个数字应该分别是 778、778、143、143。如果标签数少于图片数，说明有图没标，训练时那些图会被当作背景负样本，直接影响召回。参数上没什么可调的，这一步纯粹是核对完整性。
2.2 单类别标签的每一行代表什么
YOLO 格式的标签是「一行一个目标」，每行 5 个字段：class_id x_center y_center width height。这份数据只有 1 个类别，所以class_id恒为0，对应data.yaml里的names: ['breast cancer']。后四个值是归一化到 0~1 的浮点数，不是像素坐标，这点新手最容易搞混。
# labels/train/kkkkk_jpg.rf.3f4bbd5aa943efae5ba8b60a5d49d109.txt 0 0.512500 0.437500 0.187500 0.225000 0 0.734375 0.609375 0.156250 0.200000第一行读作：类别 0，框中心在图像宽 51.25%、高 43.75% 处，框宽占 18.75%、高占 22.5%。因为图像是 640×640，换算成像素就是中心 (328, 280)、宽 120、高 144。项目正文提到「每张图像均有多个类别的目标」，在单类别语境下应理解为「每张图可能有多个目标实例」，也就是一张图里出现多个病灶框，标签文件里就会有多行。写解析脚本时按行循环即可，不要假设一行。
提示：归一化坐标乘以图像宽高才是像素框，反算时记得
x1 = (cx - w/2) * W，别把中心点当左上角。
2.3 为什么这份数据能省掉转换脚本
常见做法是拿到 VOC 的 XML 或 COCO 的 JSON 后，写脚本转成 YOLO txt，转换过程里坐标取整、类别映射、空标签处理都容易翻车。这份数据已经转好了，省掉的就是这一整段。代价是它把类别数锁死在 1，如果你要做多类别乳腺癌分型（比如良恶性、钙化点分开），得自己在标签里加class_id并重写data.yaml的names，这一步没有捷径。
3. 接进 YOLOv5 训练：data.yaml 与超参怎么配
3.1 写一份能直接跑的 data.yaml
YOLOv5 靠data.yaml找数据，路径写错是最常见的翻车点。相对路径是相对train.py所在目录解析的，稳妥起见我一般写绝对路径或../datasets这种明确层级。
# data/breast_cancer.yaml path: ../datasets # 数据集根目录 train: images/train # 相对 path 的训练图目录 val: images/val # 相对 path 的验证图目录 nc: 1 # 类别数，必须与标签里的 class_id 最大值+1 一致 names: ['breast cancer'] # 类别名，顺序即 class_idnc和names长度必须相等，且names的下标要和标签里的class_id对得上。这份数据只有0，所以nc: 1。如果误写成nc: 2，模型会多出一个永远学不到正样本的类别，mAP 计算时那一类的 AP 恒为 0，把整体指标拉低，排查起来很费时间。
3.2 启动训练的命令与关键参数
数据量小（训练集 778 张），从零训不现实，标准做法是加载 COCO 预训练权重做迁移学习。下面这条命令是我在这类小数据集上的常用起点：
# 在 YOLOv5 根目录执行 python train.py \ --data data/breast_cancer.yaml \ --weights yolov5s.pt \ --img 640 \ --batch 16 \ --epochs 100 \ --cache \ --project runs/train \ --name breast_exp1逐项说明：--img 640与图像原生分辨率一致，不用缩放，省掉一次插值；--batch 16在 13 MB 数据量下显存压力很小，显存够可以拉到 32；--epochs 100是小数据集的常见区间，配合早停；--cache把图片缓存进内存，778 张 640×640 图占用不大，能明显加快每个 epoch；--weights yolov5s.pt用轻量 backbone，医学小数据集上大模型反而更容易过拟合。如果验证集 mAP 在 30 个 epoch 后还在涨，就把--epochs加到 200 再看。
3.3 训练过程中该盯哪几个指标
YOLOv5 每个 epoch 会打印box_loss、obj_loss、cls_loss和验证集的P、R、mAP@0.5、mAP@0.5:0.95。单类别任务里cls_loss意义不大（只有一类，分类分支几乎不贡献梯度），重点看obj_loss是否稳定下降、mAP@0.5是否爬升。如果box_loss下降但mAP不动，多半是标注框和预测框的尺度分布不匹配，可以检查一下标签里有没有宽高接近 0 的异常框。
# 快速排查标签异常：找出宽或高过小的框 import os, glob bad = [] for txt in glob.glob('datasets/labels/train/*.txt'): with open(txt) as f: for i, line in enumerate(f): parts = line.strip().split() if len(parts) != 5: bad.append((txt, i, '字段数不对')) continue _, _, _, w, h = map(float, parts) if w < 0.01 or h < 0.01: bad.append((txt, i, f'框过小 w={w} h={h}')) print(f'异常标签数: {len(bad)}') for b in bad[:10]: print(b)这段脚本遍历训练标签，检查每行字段数是否为 5、归一化宽高是否过小。字段数不对通常是转换时多写了空格或漏了类别位；框过小往往是标注时误点产生的噪声框，训练前清掉能少走弯路。
4. 可视化验证：用自带脚本确认标注质量
4.1 可视化脚本怎么用
项目提供了一个可视化 py 文件，随机传入一张图就能画框并保存到当前目录，脚本无需改动。典型用法是把它放在数据集同级目录，传入图片路径：
python visualize.py --image datasets/images/train/kkkkk_jpg.rf.3f4bbd5aa943efae5ba8b60a5d49d109.jpg脚本内部做的事是：读图 → 按同名规则找labels下的 txt → 把归一化坐标还原成像素框 → 用cv2.rectangle画框 → 保存。跑完当前目录会多出一张带框的图，肉眼确认框是否贴合病灶区域。这一步别省，医学图像里标注偏移几个像素，模型学到的就是错的定位。
4.2 自己写一个批量可视化更省事
单张看效率低，我一般改成批量抽 20 张拼图看整体标注风格：
import cv2, glob, random, os def draw(img_path, label_path): img = cv2.imread(img_path) h, w = img.shape[:2] if os.path.exists(label_path): with open(label_path) as f: for line in f: c, cx, cy, bw, bh = map(float, line.split()) x1 = int((cx - bw / 2) * w); y1 = int((cy - bh / 2) * h) x2 = int((cx + bw / 2) * w); y2 = int((cy + bh / 2) * h) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) return img imgs = random.sample(glob.glob('datasets/images/train/*.jpg'), 20) for p in imgs: lp = p.replace('images', 'labels').rsplit('.', 1)[0] + '.txt' cv2.imwrite('vis_' + os.path.basename(p), draw(p, lp))关键点是p.replace('images', 'labels')这一步，它复刻了 YOLOv5 找标签的逻辑，能顺带验证你的目录命名是否规范。如果替换后路径不存在，说明图片和标签的主名或层级对不上，训练时同样会丢样本。抽 20 张看下来，如果框普遍偏大或偏小，就要回头质疑标注质量，而不是急着调模型。
4.3 验证集该怎么用才不浪费
143 张验证集在这份数据里承担两个角色：训练中的val用于早停和选最优权重，训练后的test用于最终评估。YOLOv5 默认用val同时做这两件事，严格来说有轻微的信息泄漏。如果要做论文级评估，常见做法是从 778 张训练集里再切一小部分做独立测试，或者对 143 张验证集做交叉验证。数据量小的时候，单次划分的指标波动会很大，多跑几个 seed 取平均更可信。
5. 避坑与排查：小数据集训练最容易踩的五个坑
5.1 现象：训练启动即报「No labels found」
原因：data.yaml里的train/val路径写错，或者images与labels层级不对应。YOLOv5 找不到标签时不会报错退出，而是把图当背景训，指标一直上不去。
解决：用第 2.1 节的find命令核对数量，再确认data.yaml的path是相对train.py还是绝对路径。最稳的是写绝对路径。
5.2 现象：mAP 长期在 0.1 以下不动
原因：多半是标签坐标没归一化，或者nc与class_id不匹配。如果标签里写的是像素坐标（比如0 328 280 120 144），模型会把它当超出图像范围的框，学不到东西。
解决：抽查几个 txt，确认后四个值都在 0~1 之间。像素坐标要除以图像宽高再写回。
5.3 现象：验证集指标远高于训练集
原因：数据量太小（验证集仅 143 张），单次评估方差大；或者训练集和验证集存在同源图像，造成近似泄漏。
解决：多跑几个 seed 看指标分布，别信单次结果。如果怀疑泄漏，检查训练集和验证集的文件主名是否有重复前缀。
5.4 现象：可视化脚本画出的框位置整体偏移
原因：脚本里把中心点坐标当成了左上角，或者宽高没除以 2。YOLO 存的是中心点 + 宽高，画框要先算x1 = cx - w/2。
解决：对照第 4.2 节的还原公式逐行核对，注意乘图像宽高和减半的顺序。
5.5 现象：训练到后期 loss 突然变 NaN
原因：学习率过高，或某个 batch 里出现了宽高为 0 的退化框，除零导致梯度爆炸。
解决：先用第 3.3 节的脚本清掉异常框，再把学习率降到--lr0 0.001重跑。小数据集上默认学习率有时偏大。
6. 进阶技巧：小数据集的增强策略与评估口径
数据只有 921 张，模型容量和增强策略的取舍直接决定最终效果。我的习惯是把增强开足但别过头：YOLOv5 默认的--mosaic 1.0对医学图像要谨慎，因为 mosaic 会把四张图拼一起，病灶的解剖上下文被破坏，可能学到伪相关。常见做法是把 mosaic 降到 0.5 甚至关掉，改用--flipud 0.5 --fliplr 0.5这类几何增强，医学图像里左右翻转是否合理取决于成像部位，乳腺图像一般可以接受水平翻转。
评估口径上，单类别检测别只看 mAP@0.5。医学场景更关心召回，漏检一个病灶的代价远大于多报一个。训练完用val.py单独跑一次，把--conf-thres调低到 0.1 看召回上限：
python val.py \ --data data/breast_cancer.yaml \ --weights runs/train/breast_exp1/weights/best.pt \ --img 640 \ --conf-thres 0.1 \ --iou-thres 0.5--conf-thres 0.1会输出大量低置信预测，召回接近上限，用来判断「模型到底有没有能力找到病灶」；实际部署时再根据业务在 P-R 曲线上选阈值。--iou-thres 0.5是评估时判定 TP 的 IoU 门槛，医学小目标可以放宽到 0.3 看宽松口径下的表现。
| 参数 | 建议值 | 说明 |
|---|---|---|
| mosaic | 0.5 或 0 | 医学图像上下文敏感，过高破坏解剖结构 |
| fliplr | 0.5 | 水平翻转，多数乳腺成像可接受 |
| flipud | 0 或 0.5 | 垂直翻转视成像方向而定 |
| lr0 | 0.001~0.01 | 小数据集取小值更稳 |
| conf-thres（评估） | 0.1 | 看召回上限 |
| iou-thres（评估） | 0.3~0.5 | 小目标可放宽 |
还有一点血泪经验：每次改完增强或超参，先把--epochs设成 10 跑一遍冒烟测试，确认 loss 正常下降、没有 NaN，再开长训练。小数据集单次训练虽然快，但反复试错的累计时间很可观。从那以后我每次拿到新数据集，都强制先跑一遍数量核对、标签抽查、10 epoch 冒烟这三步，再谈调参。希望帮到你。
本文还有配套的精品资源，点击获取
