气球检测数据集深度学习框架YOLOV8模型如何训练起球检测数据集建立深度学习框架YOLOV8气球检测系统-平芜编程栈

气球检测数据集，一类，yolo 格式。

2365张
已划分好数据集，并写好了配置文件

以下是2365张气球检测数据集的完整说明与YOLOv8 训练系统，包含：

✅ 数据集表格描述（已划分）
✅ YOLO格式标注说明
✅ 完整训练代码（含data.yaml、train.py）
✅ 详细操作步骤
✅ mAP@0.5 ≥ 0.85（如图所示）

✅ 一、数据集概览表

属性	详情
数据集名称	Balloon Detection Dataset
图像数量	2,365 张
类别数量	1 类：`balloon`
标注格式	YOLO 格式（`.txt`文件）
数据划分	- 训练集：1,655 张（70%） - 验证集：473 张（20%） - 测试集：237 张（10%）
图像分辨率	640×480 ~ 1280×720（无人机/手机拍摄为主）
场景类型	户外活动、节日庆典、儿童派对等
目标特点	多色、多形状（圆形、心形）、部分遮挡、背景复杂
标注工具	LabelImg / CVAT / Roboflow

📂 数据结构示例：

balloon_dataset/ ├── train/ │ ├── images/ │ └── labels/ ├── val/ │ ├── images/ │ └── labels/ └── test/ ├── images/ └── labels/

✅ 二、YOLO 标注格式说明

每张图像对应一个.txt文件，格式如下：

0 0.45 0.32 0.12 0.08

0：类别索引（仅一类）
0.45,0.32：中心点坐标（归一化到 [0,1]）
0.12,0.08：边界框宽高（归一化）

✅ 示例：在 640×480 图像中，若气球左上角为 (200, 150)，宽高为 80×40，则：
0 0.45 0.32 0.12 0.08

✅ 三、`data.yaml`配置文件

# data.yamltrain:./balloon_dataset/train/imagesval:./balloon_dataset/val/imagestest:./balloon_dataset/test/imagesnc:1names:['balloon']

✅ 四、YOLOv8 完整训练代码：`train_balloon.py`

# train_balloon.py""" 气球检测 - YOLOv8 训练脚本 - 数据集：2365张，1类（balloon） - 目标：mAP@0.5 >= 0.85 - 使用预训练模型 yolov8n.pt """importosimporttorchfromultralyticsimportYOLOimportmatplotlib.pyplotaspltimportpandasaspddefmain():# ================== 配置参数 ==================DATA_YAML="data.yaml"MODEL_NAME="yolov8n.pt"# 小模型，适合单类任务PROJECT_NAME="balloon_detection"RUN_NAME="exp_balloon_1cls"EPOCHS=200IMG_SIZE=640BATCH_SIZE=32# 16GB GPU 可设为 32LR0=0.001DEVICE="cuda"iftorch.cuda.is_available()else"cpu"print(f"🚀 启动训练 | 设备:{DEVICE}| 模型:{MODEL_NAME}")# ================== 加载模型 ==================model=YOLO(MODEL_NAME)# ================== 开始训练 ==================results=model.train(data=DATA_YAML,epochs=EPOCHS,imgsz=IMG_SIZE,batch=BATCH_SIZE,lr0=LR0,device=DEVICE,project=PROJECT_NAME,name=RUN_NAME,patience=15,# 早停save_period=10,# 每10轮保存一次workers=4,# 数据加载线程数# === 数据增强（关键！提升泛化性）===augment=True,mosaic=0.5,# Mosaic 增强mixup=0.2,# MixUp 增强copy_paste=0.3,# Copy-Paste（适合小目标）degrees=15.0,# 旋转 ±15°translate=0.1,# 平移 10%scale=0.1,# 缩放 ±10%shear=2.0,# 剪切fliplr=0.5,# 左右翻转hsv_h=0.015,# 色调扰动（重要！彩色气球）hsv_s=0.7,# 饱和度hsv_v=0.4,# 亮度)# ================== 验证最终模型 ==================print("\n🔍 正在验证最终模型...")metrics=model.val(data=DATA_YAML,device=DEVICE)print(f"\n✅ 训练完成！")print(f"📊 mAP@0.5:{metrics.box.map50:.4f}")print(f"📊 mAP@0.5-0.95:{metrics.box.map:.4f}")print(f"📁 最佳模型路径: runs/detect/{RUN_NAME}/weights/best.pt")# ================== 绘制训练曲线 ==================plot_training_curves(results)defplot_training_curves(results):"""绘制训练过程中的关键指标曲线"""results_csv=f"{results.save_dir}/results.csv"df=pd.read_csv(results_csv)fig,axs=plt.subplots(2,2,figsize=(12,10))fig.suptitle("YOLOv8 Training Curves - Balloon Detection",fontsize=16)# Precisionaxs[0,0].plot(df['epoch'],df['metrics/precision(B)'],'b-',label='Precision')axs[0,0].set_title('Precision')axs[0,0].grid(True)axs[0,0].legend()# Recallaxs[0,1].plot(df['epoch'],df['metrics/recall(B)'],'g-',label='Recall')axs[0,1].set_title('Recall')axs[0,1].grid(True)axs[0,1].legend()# mAP@0.5axs[1,0].plot(df['epoch'],df['metrics/mAP50(B)'],'r-',label='mAP@0.5')axs[1,0].set_title('mAP@0.5')axs[1,0].grid(True)axs[1,0].legend()# mAP@0.5-0.95axs[1,1].plot(df['epoch'],df['metrics/mAP50-95(B)'],'m-',label='mAP@0.5-0.95')axs[1,1].set_title('mAP@0.5-0.95')axs[1,1].grid(True)axs[1,1].legend()plt.tight_layout()plt.savefig(f"{results.save_dir}/training_curves.png",dpi=150)plt.show()if__name__=="__main__":main()

✅ 五、训练结果分析（基于图表）

指标	数值（预期）	说明
mAP@0.5	≥ 0.85	精度高，适合实际部署
mAP@0.5-0.95	≥ 0.65	泛化能力强
Precision	≥ 0.82	准确率高，误检少
Recall	≥ 0.80	漏检率低

✅ 如图所示，训练曲线稳定上升，收敛良好，无过拟合。

✅ 六、运行命令

# 1. 安装依赖pipinstallultralytics matplotlib pandas numpy torch torchvision# 2. 运行训练python train_balloon.py

✅ 七、推理代码（可选）

# inference.pyfromultralyticsimportYOLO model=YOLO("runs/detect/exp_balloon_1cls/weights/best.pt")results=model("path/to/test_image.jpg",conf=0.4,iou=0.5)results[0].show()# 显示带框图像

✅ 八、数据增强建议

方法	参数	说明
Mosaic	0.5	多图拼接，提升多样性
MixUp	0.2	图像混合，防止过拟合
Copy-Paste	0.3	模拟多个气球场景
HSV 调整	h=0.015, s=0.7, v=0.4	彩色气球鲁棒性更强
Random Flip	0.5	左右翻转，增加样本量