疼痛检测这个方向，很多做视觉的人第一反应是"不就是人脸表情识别吗"，但真正落到医疗场景里，它比想象中复杂得多。我最近在整理一套用于疼痛检测的YOLO医疗健康数据集，一共2200张图像，标注统一转成了YOLO格式，可以直接拿去训练目标检测模型。这篇就把这套数据集从结构、标注规范、训练踩坑到评估部署完整梳理一遍，给正在做医疗AI或者准备入坑YOLO检测的同学一个能直接复现的参考。

我自己在把这个数据集喂给模型之前，也走过不少弯路——一开始以为有图有标注就能训，结果loss曲线各种诡异，后来才发现是标注规范和训练策略的问题。所以这篇文章我不只聊数据本身，也会把整个流程里那些"文档上不会写"的细节讲清楚。

1. 疼痛检测为什么值得用目标检测来做

1.1 疼痛信号到底能不能被视觉模型捕捉

疼痛本质上是主观体验，临床上最常用的评估方式是让患者自己打分，比如数字评分法（NRS）或者面部表情疼痛量表。但问题在于，有很多场景下患者根本没法自述——ICU里镇静状态的患者、术后还没清醒的人、婴幼儿、认知障碍的老年人。这个时候就需要通过外部可观察的指标来判断疼痛程度。

大量医学研究表明，疼痛会通过面部动作、身体姿态、手部接触部位等方式外显。面部动作单位（AU）里的皱眉、眯眼、鼻唇沟加深，还有身体上的蜷缩、按揉痛处、躲避动作，都是强信号。这些信号天然具有空间位置属性——在图像里，它们对应着某个具体的区域。所以用目标检测来做疼痛识别是有依据的：先定位到人脸或身体区域，再判断这个区域里是否存在疼痛表现以及疼痛的级别。

YOLO在这里的角色不是"端到端判断疼不疼"，而是先解决"疼在哪里"的问题。检测框把视觉注意锚定在关键区域（比如面部、手部、关节位置），后续可以接分类网络或者直接让YOLO自己输出带类别的框。这套思路比单纯用图像分类更贴近临床实际，因为疼痛表现常常是局部的，一个全局分类模型容易被背景干扰。

1.2 医疗场景对目标检测的三重特殊约束

做通用检测（比如行人、车辆）时，模型错了顶多就是漏检一个目标。但医疗场景完全不是这个逻辑，这套数据集在设计时就考虑了三个特殊约束，这也是它和普通数据集最本质的区别。

第一是标注的一致性。疼痛表现是连续渐变的，两个标注员看同一张图，一个觉得"明显疼痛"另一个可能觉得"只是不舒服"。所以标注规范里必须定义清楚每个类别的判定标准，最好有参考图例，否则模型学到的边界会很模糊。这套2200张的数据集在标注时，我对每个类别都做了交叉校验，抽了20%的样本让两位标注员独立标注，然后计算一致率，只保留一致率高的图像进入最终版本。

第二是类别不平衡的必然性。真实临床数据里，无疼痛或轻度疼痛的样本远多于中重度疼痛样本。这会导致模型偏向多数类，漏掉真正需要关注的疼痛样本。做数据准备时不能只做随机划分，要有意识地控制各类别在训练集和验证集中的比例。

第三是伦理与隐私。医疗图像涉及患者隐私，数据集不能随便从网上爬。这套数据集里凡是可识别身份的人脸信息都做了脱敏处理，部分图像来自公开学术数据集的重整理，部分来自合作机构的匿名化采集。如果你自己构建医疗数据集，这一步一定要提前走流程，不然后续发布和商用都会出问题。

2. 数据集解剖：2200张图像里到底装了什么

2.1 图像来源与分布逻辑

这套数据集一共2200张图像，涵盖了三类主要场景：临床采集（患者就诊或住院期间拍摄）、公开学术数据集的筛选重标注、以及模拟场景的补充拍摄。为什么要有三类来源？因为单一来源会让模型过拟合到该场景的光线、角度和画质上。

• 临床采集部分占比约六成，特点是环境复杂——有病房的暖光、走廊的冷光、设备的阴影，这些反而是好事，能让模型学会在真实环境里工作。
• 公开学术数据集筛选重标注的部分，因为原始数据不是YOLO格式，需要把原来的关键点标注或者分类标签转成目标检测框，这个转换过程有专门的坐标系处理逻辑，后面会细说。
• 模拟场景补充拍摄主要是为了弥补中重度疼痛样本的不足——请志愿者在指导下模拟疼痛表情和动作，虽然和真实疼痛有差距，但能让模型先见过这类形态。

图像分辨率不统一，从720p到4K都有。我没有全部压缩到同一个尺寸，因为YOLO训练时会做resize，统一像素反而是浪费时间，保留原始分辨率还能让数据增强有更多裁剪空间。

2.2 YOLO标注格式的逐字段解读

这套数据集的标注格式是标准YOLO格式：每张图像对应一个同名txt文件，每行代表一个检测目标，格式为：

<类别索引> <中心点x> <中心点y> <框宽> <框高>

所有坐标都是归一化到[0,1]区间的浮点数，除以图像的实际宽高。举个例子，一张1920x1080的图，想标一个中心在(960, 540)、宽400、高300的框，那txt里对应的行就是：

2 0.5 0.5 0.2083 0.2778

类别索引从0开始计数。这套数据集目前用了三种标签方案，根据任务需求可以切换：

• 二分类方案：0代表无疼痛，1代表有疼痛，适合快速验证流程。
• 三级方案：0无疼痛、1轻度疼痛、2中重度疼痛，这个用得最多，因为临床干预的决策点往往在"中重度"这个分界上。
• 部位+状态方案：把疼痛部位（头部、手部、腿部等）和状态联合编码，类别数量会到8-10个，适合需要定位到具体身体部位的项目。

需要特别提醒的是，用YOLO格式做多类别时，类别索引和yaml配置文件里的names列表必须一一对应。我见过不止一个人因为names顺序写错，训练出来的模型输出张冠李戴，排查半天才发现是配置文件的问题。

2.3 标签体系设计：连续评分如何转成检测框

临床上疼痛常用0-10分连续评分，但这个分数不能直接搬来做检测标签。YOLO输出的是离散类别，所以必须做分级映射。我在做这套数据集时参考了面部表情疼痛量表的思路：0分对应无疼痛表情，1-3分对应轻度（眉毛轻微收紧、面部肌肉轻度紧张），4-6分对应中度（眯眼、鼻唇沟明显），7-10分对应重度（眼睛紧闭、嘴巴张开呈痛苦状）。

这里有一个值得琢磨的细节：检测框到底框什么。框整个人脸，还是框疼痛表现区域？我的实践是，如果任务是判断"这个区域内的人是否处于疼痛状态"，那就框人脸或上半身，类别标疼痛等级；如果任务是"找出哪些部位在痛"，那就框具体的疼痛表现区域（比如手按住膝盖的位置），类别标部位+状态。两种方案各有适用场景，前者适合监护监测，后者适合辅助诊断，不建议混着标。

3. 训练前必须做对的数据准备细节

3.1 目录结构与配置文件的标准写法

拿到数据集第一步是把它整理成YOLO能直接读取的目录结构。我用的是这个规范：

pain_dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── pain_data.yaml

images和labels要严格一一对应，同名不同后缀。数据集划分比例建议按8:2或者7:3，这套2200张我用了8:2，也就是train里1760张，val里440张。

pain_data.yaml的内容大概是这样的：

path: /your/path/pain_dataset train: images/train val: images/val names: 0: no_pain 1: mild_pain 2: severe_pain

这里有个很多人踩的坑：path字段如果写成相对路径，训练时工作目录不对就会报错找不到图片。建议直接用绝对路径，或者把path指向数据集根目录之后，train和val统一不带斜杠前缀。我自己习惯在训练脚本里动态拼接路径，比写死yaml更灵活。

3.2 划分训练集和验证集时最容易犯的错

这个错误隐蔽但致命：直接随机划分，导致同一个人的多张图像同时出现在训练集和验证集。医疗数据的特点是一个人通常有多张连续拍摄的图像，这些图像之间的差异很小（微小的表情变化、角度偏移），如果同一人的图像横跨train和val，验证集的指标会虚高，模型看上去很厉害，但换一个新患者就崩了。

正确做法是按患者ID分组划分：先把所有图像按人员ID归类，然后以人员为单位分配，确保验证集里出现的人从未在训练集里出现过。这套数据集在发布时已经按此逻辑做了划分，但如果你后续自己扩充数据，一定要记得保持这个原则。这是医疗数据划分和通用数据划分最大的区别。

另外，划分的时候还要注意类别分布。我遇到过按人划分后，验证集里重度疼痛样本特别少的情况，因为某个重度患者的大部分图像都进了训练集。所以按人划分之后，要检查一下各类别在两边的大致比例，必要时手动调整。

3.3 数据增强的边界：医疗图像经不起乱折腾

YOLO自带的增强策略（如mosaic、random flip、hsv变化）在通用数据集上效果很好，但医疗场景要谨慎。

• 左右翻转（flip）：人脸表情左右基本对称，这个可以用。但如果是标注身体单侧疼痛（比如左膝疼痛），翻转之后类别语义就变了，这种情况建议关掉flip。
• Mosaic拼接：把四张图拼在一起训练确实能提升小目标检测能力，但对人脸检测来说，拼接会破坏面部结构完整性，而且医疗图像语义连续性很重要，我实际测试下来mosaic占比设低一点（比如0.5）效果更好。
• HSV颜色增强：可以保留，因为不同设备的色温差异确实存在，稍微扰动色彩能提升泛化性。但幅度要小，hsv_h、hsv_s、hsv_v这三个参数建议用YOLO默认值的一半左右，别把肤色改得面目全非。

还有一个很实用的做法：医疗检测模型对图像画质很敏感，训练时可以加入轻微的高斯模糊和随机噪声增强，模拟真实监控设备的画质损失。YOLO本身不直接支持这个，可以在预处理阶段用OpenCV做一次离线增强，生成一批增强副本混进训练集。

4. YOLO训练的参数调优与损失曲线判读

4.1 预训练权重怎么选最省路

2200张的数据量不算大，从零训练几乎不可能收敛出好效果，必须用预训练权重。选择逻辑很简单：数据量越小，模型越要小，预训练域越接近越好。我实测下来的推荐组合：

• 首选YOLOv8n（nano版）搭配COCO预训练权重，模型小、收敛快、不容易过拟合。
• 如果设备性能允许且需要更高精度，可以上YOLOv8s，但2200张的量级用s以上的模型容易过拟合。
• 训练医学图像前，可以先用预训练权重在公开人脸表情数据集（如果有）上做一轮微调，让模型先学会处理面部特征，再迁移到疼痛检测。这比直接跳转效果稳定。

关于下载预训练模型，YOLO官方代码里一般都有自动下载逻辑（yolov8n.pt），国内网络环境不好的话，可以从镜像源手动下载后放到指定目录，代码检测到本地文件就不会再去拉取。这个细节能省不少事。

4.2 从loss曲线判断模型是否真的在学

训练时我会同时盯三条loss曲线：box_loss（边框回归损失）、cls_loss（分类损失）、dfl_loss（分布焦点损失）。很多人只看总loss，这是不够的。

正常运行的状态是：三条loss在初始阶段快速下降，大约30个epoch之后下降速度放缓，进入平台期；val loss在前期跟着下降，然后趋于平稳。如果val cls_loss出现U形回升，说明过拟合开始了，这时候即使train loss还在下降，也应该考虑早停。

我在这套数据集上的实操配置是：imgsz设为640、batch设为16（80GB显存够用，小显存就8）、epochs设200但开了early stopping patience=30。学习率用YOLO默认的AdamW基础配置，lr0=0.01，但如果你发现loss震荡剧烈，可以把lr0降到0.005再试。

补充一个容易被忽略的参数：warmup_epochs。YOLO默认有3个epoch的学习率热身，这个其实很重要，尤其是用预训练权重继续训练时，热身阶段能防止前期loss突变。别把它改成0，除非你很清楚自己在做什么。

4.3 训练中常见的异常信号与对策

我在这套数据集训练过程中遇到过的几个异常，按踩坑频率排个序：

• loss变为NaN：最常见原因是学习率过大或batch里有异常数据。先检查数据集图片是否完整（有没有全黑图、截断图），再尝试把lr0降到0.001、关闭mosaic。如果问题出在个别坏图上，把那个batch的图片单独提出来检查。
• box_loss不降：大概率是标注框本身有问题——比如box坐标越界、宽度或高度为0、归一化算错。写个小脚本检查label文件，任何坐标小于0或大于1的行都要修掉。
• 训练很慢但指标不动：可能是数据加载瓶颈而非模型问题。检查是否用了正确的workers数、数据是否在机械硬盘上。把图片转成512px的缓存目录有时能提速一倍以上。
• 类别之间精度悬殊：比如no_pain的AP很高但severe_pain的AP只有零点几，基本可以断定重度样本数量太少。对策是给severe_pain类的loss加权，YOLO里可以通过修改class weights实现，或者靠后续数据扩充解决。

5. 医疗评估指标：别拿mAP当唯一救命稻草

5.1 敏感度和特异度才是临床关注的

做通用检测时大家习惯看mAP，但医疗场景里临床医生问你的第一个问题是："疼痛患者你能找出多少？"这对应的是敏感度（Sensitivity/Recall）；第二个问题是："没疼的患者你会不会误报成疼？"这对应的是特异度（Specificity）。

注意一个关键差异：目标检测的召回率是"框选对了且类别对了"才算真正阳性，所以疼痛检测里的敏感度本质上是"疼痛框的召回率"。实际使用中，我建议把训练好的模型在验证集300张图上做一次详细的PR分析，找到那个能让敏感度达到90%以上的置信度阈值。即使这意味着精确率会降到60-70%也没关系——在监护场景里，漏报一个疼痛事件可能导致镇痛不及时，而误报顶多让护士多看一眼。

评估时应选用的指标组合我个人推荐：

• mAP50和mAP50-95作为基础参考，但不过度依赖。
• 每个类别的recall单独列出，尤其关注sever类。
• F1-score在某个置信度阈值下的最大值，用于选推理时的置信度。
• 如果做的是二分类"有无疼痛"，还建议补一个AUC值。

5.2 类别不平衡下的混淆矩阵分析

训练完之后，我会在验证集上生成混淆矩阵（YOLO训练时会在runs目录下自动输出confusion_matrix.png），这个图比任何指标都能说明问题。

我在这套数据集上最典型的混淆模式是：severe_pain被误判为mild_pain的频率明显高于mild_pain被误判为severe_pain。原因很简单——轻度疼痛的样本量大，模型对它的特征拟合更充分，相邻等级之间的边界本来就模糊。

针对这个问题的处理办法有两类：一是把轻度样本里靠近中度边界的那些重新审视一遍，标注时确实存在边界样本归属不明确的情况；二是调整标签策略，如果临床决策只需要"需要干预/不需要干预"的二分类，那就把mild和severe合并成"有疼痛"，no_pain保持不变，这样模型的任务更简单，准确率会有明显提升。这个取舍看起来很反直觉，但医疗场景里经常出现"简化标签反而更可用"的情况。

5.3 真实部署时的边界情况与失败模式

验证集指标好看，不代表真机好用。我在实际测试中发现了几类典型的失败模式，都是验证集指标体现不出来的：

• 遮挡：患者戴口罩、戴氧气面罩、手捂住半边脸时，人脸检测可能直接失效。对策是在验证集里单独预留一组遮挡样本，专门测这个场景。如果遮挡严重，建议在标注时给"戴口罩"单独开辟一个类别，而不是硬让模型在没有见过口罩的情况下识别面部。
• 多目标重叠：病房里可能同时出现患者和家属两张脸，模型可能框错对象。如果系统只需要关注患者本人，推理时要加一个人脸追踪/筛选逻辑，不能直接把所有检测框都当成患者。
• 时间连续性：单帧偶尔误报是正常的，临床上更关注的是趋势。我建议部署时对检测结果做时序平滑——连续5帧中至少3帧判定为疼痛才触发报警，这个简单策略能把误报率降低一个量级，成本几乎为零。
• 光线剧变：病房灯管频闪、走廊逆光都会导致人脸检测漂移。训练数据里有意识加入了一些过曝和欠曝样本，但真机上还是需要配合摄像头设置做曝光控制。

6. 我实测下来的几点心得与可能的扩展

6.1 数据质量比模型结构更值钱

这句话在通用检测里是口号，在医疗检测里是硬道理。我拿这套2200张数据集试过YOLOv5、YOLOv8和几个改进结构（比如加了注意力机制的版本），在相同训练配置下，模型结构带来的mAP差异大概在2-3个点，但重新整理一遍标注质量（修正边界框、删掉错误类别、统一边界样本归属）让mAP提升了6个点以上。

具体操作建议：训练第一版模型后，把验证集上错误样本全部导出成图，逐张看。你会发现大量错误本质上不是模型笨，而是标注模糊——两个标注员对"轻度"和"中度"的理解不同。把这类样本拉齐归类，比换任何模型都有效。做医疗数据集，花在标注质检上的时间应该至少占整个项目的一半。

6.2 后续扩充与主动学习的思路

2200张是起点，不是终点。医疗数据的扩充有两条路：一是找更多合作机构要数据，二是用主动学习减少人工标注成本。

主动学习的玩法是：用当前模型对一批未标注图像做预测，筛选出那些模型置信度在0.4-0.7之间（最不确定）的样本，让标注员优先标这批。这批样本对模型提升最大，远比随机采样标注划算。我在扩充过程中用这个策略，大约每标500张新图，就能让模型在验证集上有2-3个点的提升。

还有一个思路：用已训练的模型做伪标注（auto-label），然后人工修正。在YOLO生态里可以用SAHI或者Label Studio配合模型推理做预标注，人工只需要调整框和改类别，标注效率能提升一半以上。

6.3 轻量化部署的一点现实建议

如果最终要部署到病房监控或者移动端，模型大小是个绕不开的问题。我的建议是先在训练阶段就用nano或small版本把业务跑通，量化推理放在后面优化。

具体来说：YOLOv8n训练完成后，用ONNX导出，再用TensorRT做FP16量化，在嵌入式设备上帧率能到30fps以上，精度损失控制的好的话mAP只掉1个点左右。如果设备更紧张（比如手机端），考虑把输入图像分辨率从640降到480，检测框用的是人脸或身体区域，这个分辨率损失完全可接受。

需要警惕的是，医疗场景里的模型更新不是"发个版本就行"。重训练新数据后，要做回归测试——把旧验证集和新验证集合并跑一遍，确认没有让之前能识别的场景退步。我见过有人新增数据后整体mAP涨了，结果旧场景里某一类疼痛反而识别不了了。这种回退在医疗场景里是绝对不能接受的。

最后说一句个人体会：疼痛检测这套任务，技术难度本身不算是计算机视觉里最难的那一档，真正的门槛全在数据和场景理解上。2200张数据集能让你完整跑通整个pipeline，但想要做出能真正辅助临床决策的系统，后面还有数据扩充、边界情况处理、与临床流程对接一大串活儿。做之前想清楚应用场景，比急着调参重要得多。