简介：这套数据集面向YOLO目标检测任务，专门提供中草药图像标注样本，已按YOLOv5所需的datasets目录结构划分训练、验证与测试集，可直接进入模型训练流程，适合目标检测学习者、算法调试人员以及需要现成中医药视觉样本的开发者使用。资源共2000个文件，其中1999个为txt标注文件，另有1个Python可视化脚本，压缩包整体约209.51MB；txt文件记录类别与归一化后的边界框坐标（x_centre、y_centre、w、h），与YOLOv5默认要求一致，清晰规范便于解析。当前已有1019人学习下载，数据配套工具也经过实际验证。数据覆盖Cardamom、Cumin、Neem等8个中草药类别，训练集约2600张、验证集约190张、测试集约100张，图片与标签一一对应；自带的show脚本可随机读取图片并绘制边界框、将结果保存到当前目录，无需修改即可运行，能帮助使用者快速检查标注质量、无缝衔接YOLO系列模型的训练与评估环节。

1. 中草药图像检测，最需要的不是模型而是能用的数据集

想做中草药识别的开发者，多半会先撞上同一堵墙：模型随便换，数据集没法抄。YOLO 的通用预训练权重里没有“金银花、连翘、薄荷”这些类，想落地一个草药识别功能，最耗时间的不是训练，而是采集、标注、划分、排查标注错误这一整条数据集链路。这个标题给的是一个已经处理好的包：划分好的数据集、类别 class 文件和数据可视化脚本，拆开看就是三件事——标注长什么样、训练配置怎么写、训练前怎么检查数据。下面按这条链路往下走，适合正在做中药饮片识别、药材分拣或智能药柜的开发者，也适合第一次接触 YOLO 数据集、不想在数据准备上反复返工的新手。

2. 数据集里到底有什么：目录结构、标注格式与划分逻辑

拿到手先别急着训练。先搞清楚这个数据集的目录结构、标注格式和划分方式，这三样东西决定了你后续所有的踩坑方向。一个合格的数据集包通常有根目录，里面放着 images、labels、classes.txt（或 class 文件）和可视化脚本，部分包还会帮你把 train/val/test 三个集合的划分文件写好。

2.1 一张图看懂包内结构：images、labels 与 classes 各管什么

常见的目录结构如下，我用 tree 命令列出来：

herbal_yolo/ ├── images/ │ ├── train/ # 训练集图像 │ ├── val/ # 验证集图像 │ └── test/ # 测试集图像 ├── labels/ │ ├── train/ # 训练集标注 │ ├── val/ │ └── test/ ├── classes.txt # 类别文件，一行一个类名 ├── visualize.py # 数据可视化脚本 └── data.yaml # 部分包自带，没有就自己写

images 和 labels 是成对存在的，同一张图的图像路径和标注路径除了扩展名以外必须完全一致。比如 images/train/gold_001.jpg 对应 labels/train/gold_001.txt，如果文件名对不上，训练时会直接跳过这张图，这类问题用可视化脚本最容易发现。

classes.txt 的行序就是 YOLO 的类别 ID，第 1 行对应 ID 0，第 2 行对应 ID 1，以此类推。labels 文件里每一行的第一列就是这个 ID，所以 class 文件一旦变动，前面所有标注都会错位。检查类别文件时建议逐行看一遍，确认没有重复类名、没有空行；空行会让后续读取出的类别列表多出一个空字符串，训练时不会报错，但预测结果会把类别名显示成空白。

判断配对是否完整，可以先做一步快速体检：

#!/bin/bash # 快速核对 images/labels 是否一一对应 for split in train val test; do img_count=$(ls images/$split/*.jpg 2>/dev/null | wc -l) lab_count=$(ls labels/$split/*.txt 2>/dev/null | wc -l) echo "$split: images=$img_count labels=$lab_count" done

这段脚本分别统计三个划分集合下的图像数与标注文件数，两个数字通常应该一致。如果 labels 明显少于 images，优先去检查那些没有对应标注的图：可能是漏标、导出异常，也可能是空标注文件被放在了别处。空标注文件在训练里会被视为背景图，本身合理，但如果是误操作产生的，会让模型学出一些不必要的背景特征。

2.2 YOLO 标注格式的底层逻辑：归一化坐标与类别 ID

打开任意一个 labels 文件，每行是五个数字：类别 ID、x_center、y_center、width、height，全部是相对于图像宽高的归一化值。例如：

0 0.512345 0.678901 0.123456 0.098765

这一行表示：目标类别 ID 是 0，目标中心位于图像横向 51.23%、纵向 67.89% 的位置，目标宽度占图像宽度的 12.35%，高度占图像高度的 9.88%。所有数值必须在 0 到 1 之间，如果标注框超出图像边界，训练时会出警告甚至影响损失计算，这也是可视化脚本要重点检查的内容。

为什么要归一化？因为 YOLO 的输入分辨率是固定的，比如 640×640，而不同来源的图片尺寸差异很大。归一化之后，标注不随图像缩放而改变，训练时可以随意做缩放、裁剪增强而不用重新计算坐标。你改 imgsz 的时候不需要动标注文件，这就是归一化带来的便利。

检查标注有没有越界，用一小段 Python 就能完成：

import os from pathlib import Path label_dir = Path("labels/train") bad_files = [] for txt in label_dir.glob("*.txt"): for line in txt.read_text().strip().splitlines(): parts = line.split() if len(parts) != 5: bad_files.append((txt.name, "格式错误", line)) continue _, x, y, w, h = map(float, parts[:5]) if not (0 <= x <= 1 and 0 <= y <= 1 and 0 <= w <= 1 and 0 <= h <= 1): bad_files.append((txt.name, "越界", line)) for file, err, line in bad_files[:20]: print(file, err, line)

这段代码逐行解析每个标注文件，检查是否恰好五个字段，并判断中心点坐标与宽高是否都在合法区间。常见的越界原因是标注工具导出时勾选了“允许超出图像范围”，或者手工修改坐标时算错比例。越界框会让模型在训练时被迫去拟合一个“不存在”的目标区域，对收敛没有好处，尽早清掉。

2.3 划分数据集为什么是关键一步：避免验证集“虚高”

标题强调“划分好的数据集”，这件事在很多自采数据集里恰恰是最容易被忽略的。很多人把图片随机打乱后按 8:1:1 切就完事，结果同一株草药的多张不同角度照片被同时分到训练集和验证集，验证集 mAP 刷到 0.95，换到实地拍摄却掉到 0.6 以下。这个现象在草药场景特别明显，因为同一株植物的照片背景、光线非常相似，模型吃的其实是“记忆”不是“泛化”。

我一般会要求：划分至少要按“采集批次”或“植物个体”进行，即同一次采集、同一株个体的所有图片只能落在一个集合中。如果数据集已经划分好，先看一下 val 和 train 里有没有来自同一来源的图像，最简单的方法是看文件名前缀，很多采集者在命名时都带了批次号或个体号。

test 集常常被忽略，但它才是模型真实水平的裁判。很多教程只分 train 和 val，但对中草药这种环境差异极大的场景，强烈建议留一块 test 出来，哪怕只有几十张。这个集合里的图像训练和验证都接触不到，只在最后做一次评估，它反映的是模型在“没见过的环境”下的表现，而不是在熟悉样本上的复读。

3. 把 class 文件变成可训练配置：data.yaml 与训练参数

class 文件只是类别清单，训练时并不会直接读它，真正被加载的是 data.yaml。这个文件把 images、labels 的路径和类别列表串起来。标题里单独强调 class 文件，其实就是在提醒你：拿到 class 文件后，稍作改动就能拼出一份自己的 data.yaml。

3.1 从 class 文件到 data.yaml：路径、类别数与绝对路径陷阱

data.yaml 的标准格式如下：

path: /home/user/herbal_yolo # 改成你自己的数据集根目录 train: images/train val: images/val test: images/test nc: 10 names: 0: 金银花 1: 连翘 2: 薄荷 3: 枸杞 4: 黄芪 5: 当归 6: 甘草 7: 三七 8: 丹参 9: 陈皮

几个细节值得强调。首先，train、val、test 推荐写成相对于 path 的路径，而不是绝对路径；其次，names 的索引顺序必须和 classes.txt 一致，一个常见的低级错误是 classes.txt 里第 1 行是“金银花”，但 data.yaml 里 0 写成了“连翘”，训练时不会报错，但预测结果全部错位。nc 可以省略，框架会自动数 names 的个数；但如果 class 文件里混入空行，读取出的类别列表可能多出空字符串，此时 nc 自动加 1，类别数就对不上了。

绝对路径陷阱也很常见。如果数据集是在某台 Windows 机器上整理的，data.yaml 里可能留着盘符路径，换到 Linux 环境就会报“路径不存在”。正确做法是把根目录独立写在 path 字段，其余全部用相对路径。我习惯在每个新环境跑训练命令前先执行一次路径检查：

import yaml from pathlib import Path data = yaml.safe_load(open("data.yaml")) root = Path(data["path"]) for split in ["train", "val", "test"]: p = root / data[split] print(split, p, "存在" if p.exists() else "不存在")

读入 data.yaml，把 path 和相对子目录拼接成完整路径，逐个检查存在性。这一步能挡掉绝大多数“目录找不到”的报错。yaml 解析后的字段名要和文件里完全一致，大小写、拼写都不能差，否则输出会是 None。

3.2 训练命令与参数解读：一次落地配置

数据集和配置就绪后，训练命令可以这样写：

yolo detect train \ data=data.yaml \ model=yolov8n.pt \ epochs=150 \ imgsz=640 \ batch=16 \ device=0 \ workers=4 \ cache=True

data 指定配置文件，model 用预训练权重做迁移学习，epochs 在数据集规模不大时建议给到 150 到 200，imgsz=640 是平衡点，batch 受显存限制，device 指定显卡编号，workers 控制数据加载线程数，cache=True 把图像缓存进内存、减少磁盘读取等待。

参数怎么调，按场景来：

train 和 val 损失都是每轮输出一次，重点看 val/box_loss 是否还在走低。如果 mAP50 已经到 0.9 但 mAP50-95 只有 0.5，说明检测框位置不够准，问题往往出在标注框质量或 NMS 参数上，而不是数据量不够。mAP50 反映的是“框得差不多就算对”的松指标，mAP50-95 对框的精确度更敏感，后者才是调优阶段的主要参考。

3.3 模型选型：n/s/m 怎么选，为什么中草药场景先试小模型

YOLO 系列同一代模型按规模分为 n、s、m、l、x 几档。中草药图像检测有个特点：目标数量不多、单类目标尺寸中等，但类别间相似度高。真正难的不是“找得到”而是“分得清”，模型容量大确实有助于学更细的纹理差异，但对数据量的要求也更高。如果数据集只有几百到两三千张图，建议先上 n 或 s 档，因为过拟合带来的问题远比模型容量不足更麻烦。

怎么选？第一轮用 n 档跑通全流程，确认数据没问题、指标在合理区间后，再换 s 或者 m 做第二轮。直接上最大的 x 档，在这个场景里很少能一次成功：数据质量还没验证就引入最大的模型变量，一旦指标不理想，根本分不清是数据问题还是模型容量问题。

小模型还有个实际好处：中草药识别类应用很多要跑在移动端或边缘设备上，换成 n 档部署，推理速度能快出好几倍，而精度损失通常在可接受范围内。我的建议是先跑 n 档拿到一个“数据质量基线”，再决定要不要为了几个点的 mAP 换更大的模型。

4. 可视化脚本的正确用法：标注检查与脏数据排查

标题里特意放了“数据可视化脚本”，这是很多人容易忽略的价值点。可视化脚本不是用来发配图的，而是用来在训练前把数据集的脏东西挑出来。中草药图像采集环境复杂，背景里经常有相似叶片、手指、桌面纹理，标注错误率比常规目标检测数据集高不少，跑一遍可视化是性价比最高的体检。

4.1 标注叠加绘制：30 秒内发现漏标、错标和越界框

先把标注框原样画到图上，这是最基础也最有效的一步。以下脚本读取图像和同名标注文件，绘制矩形框与类别名称：

import cv2 from pathlib import Path img_dir = Path("images/train") label_dir = Path("labels/train") class_names = Path("classes.txt").read_text().splitlines() save_dir = Path("visual_check") save_dir.mkdir(exist_ok=True) for img_path in img_dir.glob("*.jpg"): txt_path = label_dir / (img_path.stem + ".txt") if not txt_path.exists(): print("缺标注:", img_path.name) continue img = cv2.imread(str(img_path)) h, w = img.shape[:2] for line in txt_path.read_text().strip().splitlines(): cid, x, y, bw, bh = line.split() cid = int(cid) x, y, bw, bh = map(float, (x, y, bw, bh)) # 还原为像素坐标 x1 = int((x - bw / 2) * w) y1 = int((y - bh / 2) * h) x2 = int((x + bw / 2) * w) y2 = int((y + bh / 2) * h) color = (0, 255, 0) cv2.rectangle(img, (x1, y1), (x2, y2), color, 2) cv2.putText(img, class_names[cid], (x1, y1 - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.6, color, 2) cv2.imwrite(str(save_dir / img_path.name), img) print("可视化结果已保存到", save_dir)

这段脚本做四件事：检查图像是否有对应标注文件、按归一化坐标反算像素框、在图上画矩形和类名、批量保存到新目录。画完之后翻一遍 visual_check 目录，重点看三类问题：框是否包住完整目标、框是否明显偏大偏小、类别名是否与目标一致。几百张图翻完大概十几分钟，但这十几分钟能省下后面好几轮无效训练。

参数说明：cv2.rectangle 的线宽设为 2，分辨率特别高的图可能看不清，可以改成 3 或 4；字体尺寸 fontScale 也可以按图像实际尺寸等比调整。color 用的是 BGR 的绿色，如果想按类别区分颜色，可以把 color 换成类别调色板，看到同一目标区域出现两种框色时，往往就是漏标和错标同时存在的信号。

4.2 目标尺寸分布统计：判断你的场景是不是“小目标地狱”

中草药检测一个高频问题是叶片目标太小，一张 6000×4000 的原始图里，单片叶子可能只占几百像素，缩到 640 之后几乎成噪点。可视化脚本里最好带一个目标尺寸分布统计，输出每个目标相对图像的宽高占比分布：

import numpy as np from pathlib import Path label_dir = Path("labels/train") areas = [] wh_ratios = [] for txt in label_dir.glob("*.txt"): for line in txt.read_text().strip().splitlines(): _, x, y, w, h = map(float, line.split()) areas.append(w * h) wh_ratios.append(w / h) areas = np.array(areas) # 小目标判定：面积占比小于 0.01 x 0.01 small_ratio = (areas < 0.0001).mean() print(f"样本数: {len(areas)}") print(f"目标面积占比 中位数: {np.median(areas):.5f}") print(f"小于 1% x 1% 的小目标占比: {small_ratio*100:.1f}%")

逻辑是：目标面积占比（w×h）反映目标在整幅图中的视觉大小。若中位数低于 0.001，说明一半以上的目标占图面积不到千分之一，按 640 输入算只有 20×20 像素左右，属于典型小目标场景。此时第一轮训练用 640 很可能效果很差，需要切图或提高输入分辨率。

small_ratio 的阈值 0.0001 对应 100×100 像素的目标在 10000×10000 全图里的比例，你可以根据实际图片分辨率调整。wh_ratios 分布也值得看：如果绝大多数框的宽高比集中在一个区间，说明目标形态比较固定，后续调 anchor 时应该优先照顾这个区间；如果宽高比特别分散，反而说明标注框有大量无效区域。

如果小目标占比超过三成，常见做法是先按 50% 重叠率把原图切成 640×640 的小块，再对每块单独做标注转换。切图会成倍增加样本数，但要注意块与块之间不能被切断太多，目标被切断面积超过一半的直接丢弃，否则模型学到的是各种残缺叶片，反而干扰收敛。

4.3 类别样本量统计：提前知道哪些类会训练崩

可视化脚本的第三项功能是统计各类别样本量，这一步看起来简单，却是判断类别不平衡最直接的依据：

from pathlib import Path from collections import Counter label_dir = Path("labels/train") counter = Counter() for txt in label_dir.glob("*.txt"): for line in txt.read_text().strip().splitlines(): cid = int(line.split()[0]) counter[cid] += 1 class_names = Path("classes.txt").read_text().splitlines() for cid in sorted(counter): print(f"{class_names[cid]}: {counter[cid]}")

统计结果如果出现“金银花 3000 个框、当归 80 个框”这种数量级差异，训练时模型会严重偏向多样本类别，少数类的 mAP 往往在 0.2 以下。应对方式有三条：第一，对少数类做过采样，把它的图像复制进训练集或重复参与每个 epoch；第二，增加增强强度，尤其是对少数类做随机旋转、平移、尺度扰动；第三，调整损失权重或改成按类别采样。最不推荐的做法是直接删多数类的样本——中草药识别本身就缺数据，删数据等于自断一臂。

5. 中草药检测的 4 个必踩坑：从验证集虚高到类别崩坏

这一章要写的几条，全是拿训练时长换来的血泪经验。标题里的数据包和脚本能帮你解决一部分，但有几个坑是工具之外、依赖意识和习惯的，单独列出来。

5.1 验证集 mAP 高达 0.95，实拍却全部漏检——划分泄漏

现象：训练过程非常顺利，val mAP50 一路爬到 0.95，但拿着训练好的权重去拍了一张真实场景照片，模型什么都没检测出来。

原因：数据集划分时没有按采集批次隔离。同一株草药的几十张不同角度照片被随机分到了 train 和 val，模型在验证时看到的是“见过的个体”，分数自然虚高；真实场景里的植株、花期、光照全变了，模型立刻露馅。

解决：重新划分数据集，按文件名前缀、采集日期或采集地点分组，确保同一个体的照片只出现在一个集合中。如果数据包已经划分好，就抽 20% 的 val 图片和 train 做肉眼对比，看是否有相似来源。还有一种更隐蔽的情况：数据增强版本泄漏，同一张原图切出来的重叠块被同时分到两个集合，这种情况要用文件去重把完全相同的图像剔除。

5.2 叶片太小，模型学到的是“纹理噪声”——小目标失效

现象：训练收敛正常，mAP50 有 0.7 左右，但可视化预测结果时发现，模型总是把叶片局部纹理误检成目标，大叶片也只在边缘处画框。

原因：输入分辨率 640 时，原始大图里的小叶片缩成了十几个像素的色块，模型没有足够像素去区分“真叶片”和“背景纹理”，于是开始学习局部高频特征，产生大量误检。这时候如果你急着调模特参数，大概率会翻车，因为问题根本不在模型侧。

解决：先跑 4.2 的尺寸统计确认小目标占比，然后做切图（50% 重叠率），同时把 imgsz 提到 960。如果条件允许，把训练数据里的原图统一缩放到固定短边后再标注，避免同一批数据里既有 6000 像素大图又有 800 像素小图，尺度差异过大会让模型学得很分裂。

5.3 相似叶片互相误判——形态近似导致类别边界模糊

现象：薄荷和荆芥、金银花和连翘这类形态接近的类别，混淆矩阵里互相误判的比例特别高，单独看每一类的 mAP 还可以，但实际输出经常张冠李戴。

原因：中草药很多是近缘植物，叶片形状、纹理差异极小，而数据集里拍摄角度大多为俯拍叶片，模型缺少能区分的判别特征。这个坑最容易在数据增强上翻车：过强的旋转、缩放会让本来就难分的叶片变得更像。

解决：针对易混类别补充侧视、花期、干制品等不同状态的正样本，让模型学到更多判别特征。做这类项目时，对易混类别额外采集“局部特写 + 全株环境”两种尺度，相当于人为拓宽类内多样性，比单纯增加数量更有效。训练参数上，易混场景建议关掉或降低 mixup 强度，因为它会把两张不同类别的图叠在一起，加剧边界模糊。

5.4 某一类 mAP 始终塌陷——类别不平衡与标注质量双重问题

现象：训练多次，其他类 mAP50 都能到 0.85 以上，唯独某一类始终在 0.3 附近徘徊，增加 epoch 也没有改善。

原因：先看 4.3 的类别统计，这类样本量往往极少；再翻可视化输出，会发现这类目标存在大量框偏大或框偏小的问题，标注不一致让模型无所适从。中草药标注里常见的“习惯性框大”很隐蔽，人眼看不出来，但模型对框的回归目标非常敏感。

解决：先修标注再做平衡。把该类的所有标注框重新检查一遍，删除明显错误的框，再做过采样或复制粘贴增强，让该类的有效样本量提上来。如果标注框质量太差，修完标注的收益远大于堆数据，不要急着先扩数据。跑第二轮训练时，单独打印这个类别的混淆矩阵，确认误判主要是和哪个类混在一起，再有针对性地补样本。

6. 落回真实场景：用 best.pt 做单图验证与阈值调优

训练完成后，跑一次单图预测是验证“这个数据集到底行不行”的最终标准。别把训练过程当黑匣子，验证这一步会给整个链路一个明确的交代。

6.1 单图预测命令与输出解析

yolo detect predict \ model=runs/detect/train/weights/best.pt \ source=test_real.jpg \ conf=0.25 \ iou=0.45 \ save=True

predict 子命令会输出标注框、类别名和置信度。关键参数是 conf 和 iou：conf 是置信度阈值，调低会有更多误检漏出，调高会丢掉低置信度的正确目标；iou 是 NMS 的 IoU 阈值，调低让重叠框更少，调高让密集目标更容易保留。中草药场景如果目标密集，比如一丛薄荷，iou 可以适当放宽到 0.5 以上，但要接受误检增加。

6.2 一套适合中草药场景的阈值调整方法

我的习惯是先以 conf=0.25、iou=0.45 跑一遍，看误检与漏检的比例：误检多，调高 conf 到 0.35 或 0.4；漏检多，先别急着调低 conf，回头检查是不是 5.2 的小目标问题。验证时不要只挑拍得好的图，专门挑几张光照差、背景杂的图来“找茬”，模型在这几张图上的表现才接近真实水平。

我自己做中草药检测项目时，每个数据集包到手，第一件事永远是跑可视化脚本而不是训练，这个习惯帮我避开好几次返工。数据集可以越扩越大，但脏数据只会越攒越乱，前期多花一小时检查，后期就能少熬几个通宵。希望帮到你。

本文还有配套的精品资源，点击获取