尧图网页设计 
简介这份资源面向医学影像分析与目标检测方向的开发者、研究生及算法工程师提供人脑肿瘤检测的完整数据集方案可用于CT场景下的肿瘤检测项目也可作为通用人脑检测数据的补充。数据集包含5000张真实CT高质量图片采用labelimg标注同时提供VOC(xml)、COCO(json)、YOLO(txt)三种主流格式标签可直接接入YOLO等算法训练。资源包为1个PDF文件大小约2.26MB内附数据集基本情况介绍与百度网盘获取方式。随附YOLO11一键训练脚本支持GPU、CPU及Mac(M芯片)多平台方案并给出博主训练结果日志供参考。目前已有401人学习适合希望快速搭建脑肿瘤检测基线、验证模型效果并复用标注数据的读者能有效节省数据采集与格式转换成本。1. 人脑肿瘤检测数据集5000 张图配齐 VOC/COCO/YOLO 三种标签YOLO11 一键训练到底靠不靠谱手里有一批医学影像想直接丢进 YOLO11 跑目标检测最卡人的往往不是模型而是标签格式。你拿到的是 5000 张人脑肿瘤图像标注只给了一种格式训练脚本却要另一种光转换就能耗掉一整天。这个数据集把 VOC、COCO、YOLO 三种标签一次性配齐还附带支持 GPU、CPU、Mac 三平台的 YOLO11 一键训练脚本等于把「数据准备」和「环境折腾」这两段最枯燥的路替你铺平了。它适合刚入门目标检测、想拿真实医学数据练手的人也适合需要快速验证某个改进点、不想在数据格式上反复翻车的从业者。下面按「数据长什么样 → 三种格式怎么选 → 脚本怎么跑 → 坑在哪」的顺序拆开讲。2. 先看清数据5000 张人脑肿瘤图的标注逻辑与三种格式的取舍2.1 肿瘤目标检测和自然图像检测的差别在哪自然图像里的一只鸟、一辆车边界清晰、纹理丰富模型很容易靠颜色和轮廓区分。人脑肿瘤的 MRI 或 CT 切片完全是另一回事目标区域和周围正常组织灰度接近边界模糊同一张图里可能只有一个病灶也可能有多个大小不一的区域。这意味着标注框的松紧程度直接决定模型学到什么——框太紧模型只记住高亮核心框太松把大片正常组织也圈进去召回率上去了但误检跟着涨。5000 张这个量级在医学目标检测里属于「能跑通但不算富裕」。按常见做法训练集、验证集、测试集大致按 7:2:1 切也就是 3500 张训练、1000 张验证、500 张测试。如果病灶本身稀少还要考虑类别不平衡问题。数据集同时给 VOC、COCO、YOLO 三种格式本质是让你不用自己写转换脚本但三种格式的坐标表达和目录结构差别不小选错了后面训练脚本会直接报错。2.2 VOC、COCO、YOLO 三种标签格式的坐标差异VOC 格式用 XML 存每个目标一个object坐标是左上角和右下角的绝对像素值xmin, ymin, xmax, ymax。COCO 格式用一个大 JSONbbox是[x, y, width, height]的绝对像素注意是宽高不是右下角坐标这里最容易转错。YOLO 格式是每张图一个.txt每行class_id x_center y_center width height全部归一化到 0 到 1 之间。格式存储方式坐标含义归一化典型用途VOC每图一个 XMLxmin,ymin,xmax,ymax 绝对像素否老牌检测框架、部分标注工具导出COCO单个 JSONx,y,width,height 绝对像素否通用评测、多任务、实例分割YOLO每图一个 txt中心点宽高是Ultralytics YOLO 系列直接训练选哪种取决于你用什么框架。YOLO11 走 Ultralytics 路线直接吃 YOLO 格式最省事如果你要拿 COCO 预训练权重做迁移或者后续接评测脚本COCO 格式更通用。VOC 格式现在更多是标注工具的中间产物实际训练前基本都要转一次。2.3 用脚本把 VOC 转成 YOLO 格式的最小实现假设数据集里 VOC 的 XML 放在annotations_xml/图片放在images/要生成 YOLO 需要的labels/目录。下面这段脚本处理单类别肿瘤的情况多类别时把class_map补全即可。import os import xml.etree.ElementTree as ET from PIL import Image # 类别映射单类别肿瘤时只有一类 class_map {tumor: 0} xml_dir annotations_xml img_dir images out_dir labels os.makedirs(out_dir, exist_okTrue) for xml_file in os.listdir(xml_dir): if not xml_file.endswith(.xml): continue tree ET.parse(os.path.join(xml_dir, xml_file)) root tree.getroot() # 用图片真实尺寸做归一化不能写死 img_name root.find(filename).text img_path os.path.join(img_dir, img_name) w, h Image.open(img_path).size lines [] for obj in root.findall(object): name obj.find(name).text if name not in class_map: continue bbox obj.find(bndbox) xmin float(bbox.find(xmin).text) ymin float(bbox.find(ymin).text) xmax float(bbox.find(xmax).text) ymax float(bbox.find(ymax).text) # 转成中心点宽高再归一化 xc (xmin xmax) / 2.0 / w yc (ymin ymax) / 2.0 / h bw (xmax - xmin) / w bh (ymax - ymin) / h lines.append(f{class_map[name]} {xc:.6f} {yc:.6f} {bw:.6f} {bh:.6f}) txt_name os.path.splitext(xml_file)[0] .txt with open(os.path.join(out_dir, txt_name), w) as f: f.write(\n.join(lines))这段脚本的关键点有三个。第一归一化必须用图片真实宽高不能拿 XML 里可能存在的size字段直接信有些标注工具写进去的尺寸和实际图片对不上。第二坐标要除以宽高之后再保留六位小数精度太低会让小目标框偏移。第三类别映射要和后续data.yaml里的names顺序严格一致否则模型学出来的类别是错的。转换完随手抽几张用可视化脚本画框确认比训练完发现框全歪了再回头查要省事得多。3. YOLO11 一键训练脚本三平台环境配置与启动参数怎么定3.1 GPU、CPU、Mac 三平台的环境差异一键脚本号称支持三平台但底层依赖差别很大。GPU 平台NVIDIA 显卡需要装对 CUDA 和 cuDNNPyTorch 要选对应 CUDA 版本的 wheel装错了torch.cuda.is_available()返回 False脚本会静默退回 CPU 训练速度差几十倍。CPU 平台不需要 CUDA但训练 5000 张图会非常慢适合先跑通流程验证代码。Mac 平台分 Intel 和 Apple SiliconM 系列芯片走 MPS 后端Ultralytics 支持devicemps但部分算子在小批量下可能报错需要退回 CPU。常见做法是先建独立虚拟环境再按平台装 PyTorch。GPU 平台用官方索引装 CUDA 版Mac 直接装默认版即可。# 建环境Python 版本建议 3.9 到 3.11 conda create -n tumor_yolo python3.10 -y conda activate tumor_yolo # GPU 平台按 CUDA 版本选索引这里以 cu121 为例 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121 # CPU 或 Mac直接装 pip install torch torchvision # 装 Ultralytics pip install ultralytics装完先验证设备是否可用这一步别省。import torch print(cuda:, torch.cuda.is_available()) print(mps:, torch.backends.mps.is_available())GPU 平台看到cuda: True才算环境对了。如果显示 False先查显卡驱动版本和 CUDA 版本是否匹配再查装的 PyTorch 是不是 CPU 版。Mac 上mps: True表示可以用 MPS 加速但训练时如果报算子不支持把device改成cpu先跑通。3.2 data.yaml 怎么写才不会被脚本拒收Ultralytics 训练靠一个data.yaml描述数据路径和类别。路径写错、类别数对不上是最常见的翻车点。假设目录结构是dataset/images/train、dataset/images/val、dataset/labels/train、dataset/labels/val对应的 yaml 如下。path: ./dataset train: images/train val: images/val nc: 1 names: 0: tumorpath是数据集根目录train和val是相对path的路径。nc是类别数必须和names的条目数一致也和 YOLO 标签里的class_id最大值对应。单类别肿瘤就写nc: 1。如果标签里出现了class_id为 1 的行而nc还是 1训练会直接报索引越界。改完 yaml 用几行代码检查一遍标签范围比训练到一半崩掉强。import os max_id -1 for f in os.listdir(dataset/labels/train): with open(os.path.join(dataset/labels/train, f)) as fp: for line in fp: cid int(line.split()[0]) max_id max(max_id, cid) print(最大类别 id:, max_id) # 应小于 nc3.3 一键训练脚本的核心参数怎么调Ultralytics 的训练入口很简洁但参数选错会让结果差很多。下面是一个针对 5000 张图、单类别肿瘤的启动脚本。from ultralytics import YOLO # 从预训练权重起步医学数据量不大时迁移学习更稳 model YOLO(yolo11n.pt) results model.train( datadata.yaml, epochs100, # 数据量中等100 轮起步 imgsz640, # 和预训练一致改大显存吃紧 batch16, # 显存不够就降到 8 或 4 device0, # GPU 用 0CPU 用 cpuMac 用 mps workers4, # 数据加载线程Windows 上设 0 更稳 patience20, # 20 轮没提升就早停 lr00.01, # 初始学习率 pretrainedTrue, projectruns/tumor, nameexp1 )epochs和patience配合用早停能省掉无效训练时间。imgsz默认 640医学图像如果病灶很小可以试 1024但显存占用会明显上升batch 要相应调小。batch是最需要按硬件调的参数GPU 显存 8G 左右建议从 8 试起报显存不足就减半。workers在 Windows 上经常因为多进程问题卡住设 0 用主进程加载虽然慢但不容易崩。device三平台的写法不同写错会退回 CPU 或直接报错。训练启动后重点看输出里的box_loss、cls_loss和mAP50。损失不降通常是学习率太大或标签有问题mAP 上不去但损失正常多半是验证集分布和训练集差太多。5000 张图在单卡 GPU 上跑 100 轮视显卡而定大概几小时到十几小时CPU 上则可能要好几天这也是为什么建议先在小样本上验证脚本再全量跑。4. 训练前后最容易翻车的几个地方排查清单4.1 图片和标签文件名对不上现象训练一开始就报找不到标签或者警告大量图片被跳过。原因YOLO 靠文件名匹配图片和标签images/train/001.jpg必须对应labels/train/001.txt扩展名不同但主名必须一致。解决写个脚本比对两个目录的主名集合把差集打印出来缺标签的图片要么补标要么移出训练集。4.2 坐标归一化用错尺寸现象训练能跑但预测框整体偏移或大小不对。原因转换时用了标注工具写的尺寸而不是图片真实尺寸或者把 COCO 的宽高当成了右下角坐标。解决统一用 PIL 或 OpenCV 读图取真实宽高COCO 转 YOLO 时记住xmax x width、ymax y height转换后可视化抽查。4.3 GPU 显存不足导致训练中断现象跑几轮后报 CUDA out of memory。原因batch或imgsz太大或者workers太多导致数据加载占用显存。解决先把batch减半再考虑降imgszworkers降到 2 或 0。Ultralytics 支持ampTrue混合精度默认开启能省一部分显存但个别显卡上会不稳定报 NaN 时可以关掉。4.4 Mac 上 MPS 后端算子不支持现象Mac 上设devicemps后训练报错提示某个算子未实现。原因MPS 后端覆盖的算子不如 CUDA 全部分自定义或新算子还没适配。解决把device改成cpu先跑通流程或者减小imgsz和batch试仍报错就老实用 CPU。Mac 更适合做推理验证和调试全量训练还是 GPU 平台更实际。4.5 类别数配置和标签不一致现象训练报索引越界或者模型只学到一个类别。原因data.yaml的nc和标签里的class_id对不上或者names顺序和转换脚本里的映射不一致。解决训练前跑一遍标签类别统计确认最大class_id小于ncnames的键值顺序和转换时用的class_map完全一致。5. 把训练结果用起来验证指标怎么读、推理脚本怎么写训练完别只看最后一行 mAPruns/tumor/exp1/下会生成results.csv和一批曲线图。results.csv里每轮记录train/box_loss、metrics/mAP50、metrics/mAP50-95。医学目标检测里 mAP50 到 0.7 以上算能用但更该关注召回率——漏检一个病灶比多标一个区域代价大得多。如果召回低先查标注框是不是太紧再考虑调低置信度阈值。推理脚本几行就能跑重点是把conf阈值调对。from ultralytics import YOLO model YOLO(runs/tumor/exp1/weights/best.pt) results model.predict( sourcetest_images, conf0.25, # 医学场景可降到 0.15 提高召回 iou0.5, # NMS 重叠阈值 saveTrue, device0 )conf是置信度阈值默认 0.25漏检多就往下调误检多就往上调。iou控制非极大值抑制的重叠阈值多个框套同一个病灶时调低能去掉冗余框。best.pt是验证集表现最好的权重last.pt是最后一轮通常用best.pt。我自己踩过最深的一个坑是早期图省事直接拿 VOC 的size字段做归一化结果那批图里有几十张标注尺寸和实际尺寸差了几个像素训练完框整体偏右下查了大半天才定位到转换脚本。从那以后我养成一个习惯任何格式转换完先随机抽 20 张画框可视化确认没问题再进训练。这个动作花不了几分钟但能挡掉后面几小时的无效训练。希望帮到你。本文还有配套的精品资源点击获取 人脑肿瘤检测数据集：VOC/COCO/YOLO三格式标签与YOLO11一键训练实战
简介这份资源面向医学影像分析与目标检测方向的开发者、研究生及算法工程师提供人脑肿瘤检测的完整数据集方案可用于CT场景下的肿瘤检测项目也可作为通用人脑检测数据的补充。数据集包含5000张真实CT高质量图片采用labelimg标注同时提供VOC(xml)、COCO(json)、YOLO(txt)三种主流格式标签可直接接入YOLO等算法训练。资源包为1个PDF文件大小约2.26MB内附数据集基本情况介绍与百度网盘获取方式。随附YOLO11一键训练脚本支持GPU、CPU及Mac(M芯片)多平台方案并给出博主训练结果日志供参考。目前已有401人学习适合希望快速搭建脑肿瘤检测基线、验证模型效果并复用标注数据的读者能有效节省数据采集与格式转换成本。1. 人脑肿瘤检测数据集5000 张图配齐 VOC/COCO/YOLO 三种标签YOLO11 一键训练到底靠不靠谱手里有一批医学影像想直接丢进 YOLO11 跑目标检测最卡人的往往不是模型而是标签格式。你拿到的是 5000 张人脑肿瘤图像标注只给了一种格式训练脚本却要另一种光转换就能耗掉一整天。这个数据集把 VOC、COCO、YOLO 三种标签一次性配齐还附带支持 GPU、CPU、Mac 三平台的 YOLO11 一键训练脚本等于把「数据准备」和「环境折腾」这两段最枯燥的路替你铺平了。它适合刚入门目标检测、想拿真实医学数据练手的人也适合需要快速验证某个改进点、不想在数据格式上反复翻车的从业者。下面按「数据长什么样 → 三种格式怎么选 → 脚本怎么跑 → 坑在哪」的顺序拆开讲。2. 先看清数据5000 张人脑肿瘤图的标注逻辑与三种格式的取舍2.1 肿瘤目标检测和自然图像检测的差别在哪自然图像里的一只鸟、一辆车边界清晰、纹理丰富模型很容易靠颜色和轮廓区分。人脑肿瘤的 MRI 或 CT 切片完全是另一回事目标区域和周围正常组织灰度接近边界模糊同一张图里可能只有一个病灶也可能有多个大小不一的区域。这意味着标注框的松紧程度直接决定模型学到什么——框太紧模型只记住高亮核心框太松把大片正常组织也圈进去召回率上去了但误检跟着涨。5000 张这个量级在医学目标检测里属于「能跑通但不算富裕」。按常见做法训练集、验证集、测试集大致按 7:2:1 切也就是 3500 张训练、1000 张验证、500 张测试。如果病灶本身稀少还要考虑类别不平衡问题。数据集同时给 VOC、COCO、YOLO 三种格式本质是让你不用自己写转换脚本但三种格式的坐标表达和目录结构差别不小选错了后面训练脚本会直接报错。2.2 VOC、COCO、YOLO 三种标签格式的坐标差异VOC 格式用 XML 存每个目标一个object坐标是左上角和右下角的绝对像素值xmin, ymin, xmax, ymax。COCO 格式用一个大 JSONbbox是[x, y, width, height]的绝对像素注意是宽高不是右下角坐标这里最容易转错。YOLO 格式是每张图一个.txt每行class_id x_center y_center width height全部归一化到 0 到 1 之间。格式存储方式坐标含义归一化典型用途VOC每图一个 XMLxmin,ymin,xmax,ymax 绝对像素否老牌检测框架、部分标注工具导出COCO单个 JSONx,y,width,height 绝对像素否通用评测、多任务、实例分割YOLO每图一个 txt中心点宽高是Ultralytics YOLO 系列直接训练选哪种取决于你用什么框架。YOLO11 走 Ultralytics 路线直接吃 YOLO 格式最省事如果你要拿 COCO 预训练权重做迁移或者后续接评测脚本COCO 格式更通用。VOC 格式现在更多是标注工具的中间产物实际训练前基本都要转一次。2.3 用脚本把 VOC 转成 YOLO 格式的最小实现假设数据集里 VOC 的 XML 放在annotations_xml/图片放在images/要生成 YOLO 需要的labels/目录。下面这段脚本处理单类别肿瘤的情况多类别时把class_map补全即可。import os import xml.etree.ElementTree as ET from PIL import Image # 类别映射单类别肿瘤时只有一类 class_map {tumor: 0} xml_dir annotations_xml img_dir images out_dir labels os.makedirs(out_dir, exist_okTrue) for xml_file in os.listdir(xml_dir): if not xml_file.endswith(.xml): continue tree ET.parse(os.path.join(xml_dir, xml_file)) root tree.getroot() # 用图片真实尺寸做归一化不能写死 img_name root.find(filename).text img_path os.path.join(img_dir, img_name) w, h Image.open(img_path).size lines [] for obj in root.findall(object): name obj.find(name).text if name not in class_map: continue bbox obj.find(bndbox) xmin float(bbox.find(xmin).text) ymin float(bbox.find(ymin).text) xmax float(bbox.find(xmax).text) ymax float(bbox.find(ymax).text) # 转成中心点宽高再归一化 xc (xmin xmax) / 2.0 / w yc (ymin ymax) / 2.0 / h bw (xmax - xmin) / w bh (ymax - ymin) / h lines.append(f{class_map[name]} {xc:.6f} {yc:.6f} {bw:.6f} {bh:.6f}) txt_name os.path.splitext(xml_file)[0] .txt with open(os.path.join(out_dir, txt_name), w) as f: f.write(\n.join(lines))这段脚本的关键点有三个。第一归一化必须用图片真实宽高不能拿 XML 里可能存在的size字段直接信有些标注工具写进去的尺寸和实际图片对不上。第二坐标要除以宽高之后再保留六位小数精度太低会让小目标框偏移。第三类别映射要和后续data.yaml里的names顺序严格一致否则模型学出来的类别是错的。转换完随手抽几张用可视化脚本画框确认比训练完发现框全歪了再回头查要省事得多。3. YOLO11 一键训练脚本三平台环境配置与启动参数怎么定3.1 GPU、CPU、Mac 三平台的环境差异一键脚本号称支持三平台但底层依赖差别很大。GPU 平台NVIDIA 显卡需要装对 CUDA 和 cuDNNPyTorch 要选对应 CUDA 版本的 wheel装错了torch.cuda.is_available()返回 False脚本会静默退回 CPU 训练速度差几十倍。CPU 平台不需要 CUDA但训练 5000 张图会非常慢适合先跑通流程验证代码。Mac 平台分 Intel 和 Apple SiliconM 系列芯片走 MPS 后端Ultralytics 支持devicemps但部分算子在小批量下可能报错需要退回 CPU。常见做法是先建独立虚拟环境再按平台装 PyTorch。GPU 平台用官方索引装 CUDA 版Mac 直接装默认版即可。# 建环境Python 版本建议 3.9 到 3.11 conda create -n tumor_yolo python3.10 -y conda activate tumor_yolo # GPU 平台按 CUDA 版本选索引这里以 cu121 为例 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121 # CPU 或 Mac直接装 pip install torch torchvision # 装 Ultralytics pip install ultralytics装完先验证设备是否可用这一步别省。import torch print(cuda:, torch.cuda.is_available()) print(mps:, torch.backends.mps.is_available())GPU 平台看到cuda: True才算环境对了。如果显示 False先查显卡驱动版本和 CUDA 版本是否匹配再查装的 PyTorch 是不是 CPU 版。Mac 上mps: True表示可以用 MPS 加速但训练时如果报算子不支持把device改成cpu先跑通。3.2 data.yaml 怎么写才不会被脚本拒收Ultralytics 训练靠一个data.yaml描述数据路径和类别。路径写错、类别数对不上是最常见的翻车点。假设目录结构是dataset/images/train、dataset/images/val、dataset/labels/train、dataset/labels/val对应的 yaml 如下。path: ./dataset train: images/train val: images/val nc: 1 names: 0: tumorpath是数据集根目录train和val是相对path的路径。nc是类别数必须和names的条目数一致也和 YOLO 标签里的class_id最大值对应。单类别肿瘤就写nc: 1。如果标签里出现了class_id为 1 的行而nc还是 1训练会直接报索引越界。改完 yaml 用几行代码检查一遍标签范围比训练到一半崩掉强。import os max_id -1 for f in os.listdir(dataset/labels/train): with open(os.path.join(dataset/labels/train, f)) as fp: for line in fp: cid int(line.split()[0]) max_id max(max_id, cid) print(最大类别 id:, max_id) # 应小于 nc3.3 一键训练脚本的核心参数怎么调Ultralytics 的训练入口很简洁但参数选错会让结果差很多。下面是一个针对 5000 张图、单类别肿瘤的启动脚本。from ultralytics import YOLO # 从预训练权重起步医学数据量不大时迁移学习更稳 model YOLO(yolo11n.pt) results model.train( datadata.yaml, epochs100, # 数据量中等100 轮起步 imgsz640, # 和预训练一致改大显存吃紧 batch16, # 显存不够就降到 8 或 4 device0, # GPU 用 0CPU 用 cpuMac 用 mps workers4, # 数据加载线程Windows 上设 0 更稳 patience20, # 20 轮没提升就早停 lr00.01, # 初始学习率 pretrainedTrue, projectruns/tumor, nameexp1 )epochs和patience配合用早停能省掉无效训练时间。imgsz默认 640医学图像如果病灶很小可以试 1024但显存占用会明显上升batch 要相应调小。batch是最需要按硬件调的参数GPU 显存 8G 左右建议从 8 试起报显存不足就减半。workers在 Windows 上经常因为多进程问题卡住设 0 用主进程加载虽然慢但不容易崩。device三平台的写法不同写错会退回 CPU 或直接报错。训练启动后重点看输出里的box_loss、cls_loss和mAP50。损失不降通常是学习率太大或标签有问题mAP 上不去但损失正常多半是验证集分布和训练集差太多。5000 张图在单卡 GPU 上跑 100 轮视显卡而定大概几小时到十几小时CPU 上则可能要好几天这也是为什么建议先在小样本上验证脚本再全量跑。4. 训练前后最容易翻车的几个地方排查清单4.1 图片和标签文件名对不上现象训练一开始就报找不到标签或者警告大量图片被跳过。原因YOLO 靠文件名匹配图片和标签images/train/001.jpg必须对应labels/train/001.txt扩展名不同但主名必须一致。解决写个脚本比对两个目录的主名集合把差集打印出来缺标签的图片要么补标要么移出训练集。4.2 坐标归一化用错尺寸现象训练能跑但预测框整体偏移或大小不对。原因转换时用了标注工具写的尺寸而不是图片真实尺寸或者把 COCO 的宽高当成了右下角坐标。解决统一用 PIL 或 OpenCV 读图取真实宽高COCO 转 YOLO 时记住xmax x width、ymax y height转换后可视化抽查。4.3 GPU 显存不足导致训练中断现象跑几轮后报 CUDA out of memory。原因batch或imgsz太大或者workers太多导致数据加载占用显存。解决先把batch减半再考虑降imgszworkers降到 2 或 0。Ultralytics 支持ampTrue混合精度默认开启能省一部分显存但个别显卡上会不稳定报 NaN 时可以关掉。4.4 Mac 上 MPS 后端算子不支持现象Mac 上设devicemps后训练报错提示某个算子未实现。原因MPS 后端覆盖的算子不如 CUDA 全部分自定义或新算子还没适配。解决把device改成cpu先跑通流程或者减小imgsz和batch试仍报错就老实用 CPU。Mac 更适合做推理验证和调试全量训练还是 GPU 平台更实际。4.5 类别数配置和标签不一致现象训练报索引越界或者模型只学到一个类别。原因data.yaml的nc和标签里的class_id对不上或者names顺序和转换脚本里的映射不一致。解决训练前跑一遍标签类别统计确认最大class_id小于ncnames的键值顺序和转换时用的class_map完全一致。5. 把训练结果用起来验证指标怎么读、推理脚本怎么写训练完别只看最后一行 mAPruns/tumor/exp1/下会生成results.csv和一批曲线图。results.csv里每轮记录train/box_loss、metrics/mAP50、metrics/mAP50-95。医学目标检测里 mAP50 到 0.7 以上算能用但更该关注召回率——漏检一个病灶比多标一个区域代价大得多。如果召回低先查标注框是不是太紧再考虑调低置信度阈值。推理脚本几行就能跑重点是把conf阈值调对。from ultralytics import YOLO model YOLO(runs/tumor/exp1/weights/best.pt) results model.predict( sourcetest_images, conf0.25, # 医学场景可降到 0.15 提高召回 iou0.5, # NMS 重叠阈值 saveTrue, device0 )conf是置信度阈值默认 0.25漏检多就往下调误检多就往上调。iou控制非极大值抑制的重叠阈值多个框套同一个病灶时调低能去掉冗余框。best.pt是验证集表现最好的权重last.pt是最后一轮通常用best.pt。我自己踩过最深的一个坑是早期图省事直接拿 VOC 的size字段做归一化结果那批图里有几十张标注尺寸和实际尺寸差了几个像素训练完框整体偏右下查了大半天才定位到转换脚本。从那以后我养成一个习惯任何格式转换完先随机抽 20 张画框可视化确认没问题再进训练。这个动作花不了几分钟但能挡掉后面几小时的无效训练。希望帮到你。本文还有配套的精品资源点击获取