简介：这是一份面向目标检测初学者与算法验证人员的鸭子数据集，采用VOC与YOLO双格式标注，可直接用于训练和测试duck类目标检测模型，省去自行采集与标注的时间成本。压缩包共1039个文件，包含346张jpg图片、346个xml标注文件与347个txt标注文件，整体约25.28MB，解压后图片、xml、txt分文件夹存放，无需密码即可用labelImg等工具打开查看标注情况。标注过程遵循准确框选目标边界、尽量覆盖全部目标、完成后进行一致性检查等原则，标注质量较为可靠。目前已有130人学习下载，适合刚接触目标检测、需要小规模数据集练手或做课程实验的读者，可快速跑通VOC与YOLO两种格式的数据读取与训练流程，并对照标注文件理解边界框与类别标签的组织方式。

1. 鸭子数据集 VOC 和 YOLO 格式目标标注 348 张：小样本检测到底能不能打

手上只有 348 张标注图，还想训一个能用的鸭子目标检测模型，这事我干过不止一次。结论先放这：能打，但前提是你得把 VOC 和 YOLO 两套格式的转换关系吃透，把 348 张的每一张都榨干。鸭子数据集这类小样本场景，翻车点从来不在模型结构，而在标注格式、类别映射和验证集切分这三件“脏活”上。

这个标题讲的是：一份 348 张的鸭子目标标注数据，同时提供 VOC（XML）和 YOLO（TXT）两种格式，用来做目标检测训练。适合谁？适合手头数据量不大、想快速跑通 YOLO 训练链路、又不想在格式转换上反复踩坑的从业者。VOC 和 YOLO 格式的差异不是“换个后缀”那么简单，坐标归一化方式、类别索引来源、文件夹层级都不同，转换错一个环节，训练时 loss 不降、mAP 归零都是常事。下面按“先立住格式原理，再动手复现，最后讲坑”的顺序推。

2. VOC 与 YOLO 标注格式的差异：坐标、类别与目录结构

2.1 VOC 的 XML 结构：绝对坐标 + 类别名

VOC 格式每张图对应一个 XML 文件，核心信息在<object>节点里。坐标是绝对像素值，xmin/ymin/xmax/ymax直接对应原图上的框位置，类别写在<name>里。这种格式的好处是可读性强，标注工具（LabelImg、labelme 导出）默认就吐这个。坏处是文件体积大、解析慢，而且类别是字符串，训练前必须做一次类别到索引的映射。

一个典型的鸭子 VOC 标注长这样：

<annotation> <folder>duck</folder> <filename>duck_001.jpg</filename> <size> <width>640</width> <height>480</height> <depth>3</depth> </size> <object> <name>duck</name> <pose>Unspecified</pose> <truncated>0</truncated> <difficult>0</difficult> <bndbox> <xmin>112</xmin> <ymin>88</ymin> <xmax>305</xmax> <ymax>260</ymax> </bndbox> </object> </annotation>

<size>里的宽高是转换 YOLO 格式的关键，归一化分母就靠它。<difficult>字段在评估时会被 VOC 的 mAP 计算逻辑跳过，但 YOLO 训练默认不读这个字段，转换时要么丢弃要么单独处理，这点后面避坑章会细说。

2.2 YOLO 的 TXT 结构：归一化坐标 + 类别索引

YOLO 格式每张图对应一个 TXT，每行一个目标，格式是class_id x_center y_center width height，五个值全部归一化到 0~1。注意是中心点坐标加宽高，不是左上右下。这个差异是转换时最容易写错的地方，很多人直接把 xmin 当 x_center 用，训出来的框整体偏移。

0 0.325781 0.362500 0.301563 0.358333

这行对应上面那个 VOC 框：x_center = (112+305)/2/640 ≈ 0.3258，y_center = (88+260)/2/480 ≈ 0.3625，width = (305-112)/640 ≈ 0.3016，height = (260-88)/480 ≈ 0.3583。class_id 是 0，说明鸭子数据集里只有“duck”这一类，索引从 0 开始。

2.3 两种格式的目录组织差异

VOC 常见目录是Annotations/放 XML、JPEGImages/放图、ImageSets/Main/放 train/val 的 txt 列表。YOLO 常见目录是images/train/、images/val/、labels/train/、labels/val/，图片和标签同名不同后缀，靠路径对应。348 张的规模，建议按 8:2 切，train 278 张、val 70 张，别用 9:1，小样本验证集太少会导致 mAP 抖动大，看不出模型真实水平。

提示：转换前先统计一遍所有 XML 里出现过的<name>，确认鸭子数据集是否真的只有一类。有些数据集混了“duck”“duckling”“rubber_duck”多个标签，直接映射成 0 会把不同类强行合并。

3. 把 348 张 VOC 转成 YOLO：转换脚本与四个边界坑

3.1 转换脚本：从 XML 批量生成 TXT

下面这个脚本我用了很多次，处理 348 张图几秒钟跑完。核心逻辑是遍历 XML、读尺寸、算归一化、写 TXT，同时生成 train/val 划分文件。

import os import glob import random import xml.etree.ElementTree as ET # 类别映射：鸭子数据集只有一类，按需扩展 CLASS_MAP = {"duck": 0} XML_DIR = "Annotations" IMG_DIR = "JPEGImages" OUT_LABEL_DIR = "labels" VAL_RATIO = 0.2 random.seed(42) # 固定种子，保证划分可复现 def convert_one(xml_path, label_path): tree = ET.parse(xml_path) root = tree.getroot() size = root.find("size") w = int(size.find("width").text) h = int(size.find("height").text) lines = [] for obj in root.iter("object"): name = obj.find("name").text if name not in CLASS_MAP: continue # 未登记类别直接跳过，避免索引错乱 cls_id = CLASS_MAP[name] 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) # 裁剪越界坐标，防止归一化后超出 0~1 xmin, xmax = max(0, xmin), min(w, xmax) ymin, ymax = max(0, ymin), min(h, ymax) xc = (xmin + xmax) / 2.0 / w yc = (ymin + ymax) / 2.0 / h bw = (xmax - xmin) / w bh = (ymax - ymin) / h lines.append(f"{cls_id} {xc:.6f} {yc:.6f} {bw:.6f} {bh:.6f}") with open(label_path, "w") as f: f.write("\n".join(lines)) os.makedirs(OUT_LABEL_DIR, exist_ok=True) xml_files = sorted(glob.glob(os.path.join(XML_DIR, "*.xml"))) random.shuffle(xml_files) val_count = int(len(xml_files) * VAL_RATIO) val_set = set(xml_files[:val_count]) for xml_path in xml_files: stem = os.path.splitext(os.path.basename(xml_path))[0] convert_one(xml_path, os.path.join(OUT_LABEL_DIR, stem + ".txt")) with open("train.txt", "w") as f: for x in xml_files: if x not in val_set: f.write(os.path.join(IMG_DIR, os.path.basename(x).replace(".xml", ".jpg")) + "\n") with open("val.txt", "w") as f: for x in xml_files: if x in val_set: f.write(os.path.join(IMG_DIR, os.path.basename(x).replace(".xml", ".jpg")) + "\n")

逻辑说明：CLASS_MAP是唯一的类别真值来源，所有索引都从这里取，避免手写数字对不上。坐标裁剪那两行是血泪经验，标注工具偶尔会导出超出图片边界的框，不裁的话归一化后出现负数或大于 1 的值，YOLO 训练时直接报 assert 错误。random.seed(42)保证每次划分一致，方便复现实验。参数上VAL_RATIO设 0.2，348 张对应 70 张验证集，再低就撑不起 mAP 统计。

3.2 生成 YOLO 训练用的 data.yaml

YOLO 训练不直接吃 train.txt，需要一份 data.yaml 描述路径和类别。Ultralytics 系的 YOLOv8 用下面这种结构：

path: /home/user/duck_dataset train: images/train val: images/val nc: 1 names: 0: duck

path是数据集根目录，train和val是相对路径。nc必须等于len(CLASS_MAP)，写错会导致分类头维度不匹配。names的键要和 class_id 严格对应，鸭子数据集只有一类就写 0: duck，多一类就加一行，别偷懒用列表。

3.3 转换后的自检：三个必须跑的校验

转完不校验，等于埋雷。我一般跑三个检查：一是标签行数统计，确认没有空 TXT（空文件说明该图没标到目标，要么补标要么剔除）；二是坐标范围检查，扫一遍所有值是否都在 0~1；三是图片标签配对检查，确认每张 jpg 都有同名 txt。

# 检查空标签文件 find labels -name "*.txt" -empty # 检查坐标越界（输出应为空） awk '{if($2<0||$2>1||$3<0||$3>1||$4<=0||$4>1||$5<=0||$5>1) print FILENAME": "$0}' labels/*.txt # 检查图片与标签配对 for f in images/train/*.jpg; do base=$(basename "$f" .jpg) [ -f "labels/train/$base.txt" ] || echo "missing label: $base" done

第一条命令找出空标签，348 张里如果有十几张空的，说明标注时漏了目标，得回去补。第二条用 awk 扫越界，正常应该没有任何输出。第三条配对检查，路径按你实际目录改，输出 missing 的就是缺标签的图。

3.4 反向转换：YOLO 转回 VOC 的场景

有时候你拿到的是 YOLO 格式，但评估脚本只认 VOC，就得反着转。核心是把归一化值乘回宽高，再算左上右下。注意 YOLO 的 class_id 要映射回类别名，映射表得和训练时一致，否则评估出来的类别全是错的。反向转换还要处理浮点精度问题，乘完宽高后取整可能差 1 像素，一般用round而不是int，避免框整体缩水。

4. 用 348 张鸭子数据跑通 YOLO 训练：参数、增强与验证

4.1 小样本训练的增强策略

348 张图直接训，模型两轮就过拟合。必须开增强，但增强不是越多越好。鸭子这类目标，水平翻转、小幅旋转、HSV 色调抖动是安全且有效的；垂直翻转要慎用，鸭子倒过来不符合真实分布，可能引入噪声。Mosaic 增强对小样本帮助很大，它把四张图拼成一张，等效扩大了场景多样性，但要注意 Mosaic 会改变目标尺度分布，训练后期建议关掉。

from ultralytics import YOLO model = YOLO("yolov8n.pt") # 小样本用 nano 版，参数量小不易过拟合 model.train( data="data.yaml", epochs=150, imgsz=640, batch=8, lr0=0.01, lrf=0.01, momentum=0.937, weight_decay=0.0005, warmup_epochs=3, hsv_h=0.015, hsv_s=0.7, hsv_v=0.4, degrees=10.0, translate=0.1, scale=0.5, fliplr=0.5, mosaic=1.0, close_mosaic=20, # 最后 20 轮关闭 mosaic val=True, patience=30, )

参数说明：epochs=150对小样本够用，配合patience=30早停，防止无效训练。batch=8是 348 张规模下的稳妥值，显存够可以上 16。lr0=0.01是 YOLOv8 的默认起点，小样本不建议调太高，否则前期 loss 震荡。close_mosaic=20表示最后 20 轮关掉 Mosaic，让模型在真实分布上收敛，这一步对最终 mAP 影响明显。fliplr=0.5水平翻转概率，鸭子左右对称，可以放心开。

4.2 训练过程要看哪些指标

训练日志里重点盯三个：box_loss、cls_loss、mAP50。box_loss 负责框回归，cls_loss 负责分类，两个都降才说明模型在学。如果 box_loss 降但 cls_loss 不降，多半是类别映射有问题，回去查 data.yaml 的 names。mAP50 在验证集上算，小样本场景下前期抖动正常，看趋势不看单点。如果训练 50 轮后 mAP50 还在 0.1 以下，基本可以停掉排查数据，不是模型的问题。

混淆矩阵也是必看的。鸭子数据集只有一类，混淆矩阵应该是个 1x1 的格子，如果出现背景被大量误检成鸭子，说明标注里负样本太少，或者增强把目标裁得太碎。YOLO 混淆矩阵总和有时对不上，是因为置信度阈值和 NMS 的过滤，不是 bug，别在这上面纠结太久。

4.3 验证与推理：确认模型真的学到了鸭子

训练完拿验证集跑一遍，再用几张训练集外的图做推理。推理脚本很简单：

model = YOLO("runs/detect/train/weights/best.pt") results = model.predict("test_duck.jpg", conf=0.25, iou=0.45) results[0].save("output.jpg")

conf=0.25是置信度阈值，低于它的框不输出；iou=0.45是 NMS 的重叠阈值，鸭子密集场景可以调到 0.5 减少漏检。验证时如果发现框位置对但类别错，回去查 CLASS_MAP；如果框整体偏移，回去查归一化那步是不是把 xmin 当成了 x_center。

5. 鸭子数据集训练避坑：五条踩出来的经验

5.1 坑一：类别索引从 1 开始导致全盘错位

现象：训练 loss 正常下降，但推理时所有框的类别都是错的，或者置信度极低。原因：VOC 转 YOLO 时手写 class_id 从 1 开始，而 YOLO 的 class_id 从 0 开始，data.yaml 的 names 又按 0 写，两边对不上。解决：类别索引统一从 0 开始，用 CLASS_MAP 字典集中管理，转换脚本和 data.yaml 都从同一个字典取值，杜绝手写数字。

5.2 坑二：difficult 字段被忽略导致评估虚高

现象：VOC 评估 mAP 很高，转 YOLO 后 mAP 掉一截。原因：VOC 的 mAP 计算会跳过<difficult>1</difficult>的框，YOLO 训练默认不读这个字段，把这些难样本也当正常目标学，拉低了指标。解决：转换时把 difficult=1 的框单独标记或剔除，如果这些框确实难标，宁可删掉也别让它们污染训练集。348 张的规模，每个样本都金贵，但脏样本的伤害更大。

5.3 坑三：图片和标签不同名导致静默丢样本

现象：训练时提示找到的图片数少于 348，比如只有 320 张。原因：YOLO 靠文件名配对图片和标签，duck_001.jpg必须对应duck_001.txt。如果标注时图片是duck_001.JPG大写后缀，或者标签多了个_label后缀，配对就失败，这些样本被静默跳过，不报错。解决：转换后跑一遍配对检查脚本，确认每张图都有同名标签，后缀统一小写。

5.4 坑四：验证集划分随机种子不固定导致结果不可复现

现象：同样的代码跑两次，mAP 差好几个点。原因：划分 train/val 时没固定随机种子，每次跑验证集都不一样，指标自然对不上。解决：random.seed(42)固定种子，划分结果写进 train.txt 和 val.txt 落盘，后续训练直接读文件，不再重新划分。这样任何一次实验都能复现。

5.5 坑五：增强过猛把鸭子转没了

现象：训练 loss 一直很高，模型学不动。原因：旋转角度开到 30 度、缩放范围过大，鸭子被转出画面或缩到几个像素，标签还在但目标已经不可辨认。解决：小样本增强要克制，degrees控制在 10 以内，scale不超过 0.5，translate不超过 0.1。增强的目的是扩充分布，不是制造噪声。开完增强先可视化几张增强后的图，肉眼确认鸭子还在、还能认出来，再开始训练。

6. 小样本鸭子的进阶技巧：从 348 张里再挤出 10 个点

348 张的天花板摆在那，想再提点，得从数据复用和训练策略上抠。第一个技巧是交叉验证：把 348 张切成 5 折，每折轮流做验证集，训 5 个模型做集成。这样每个模型都见过全部数据的不同子集，集成后的 mAP 通常比单次划分高 3~5 个点。代价是训练时间翻 5 倍，但小样本场景下这点算力换精度是划算的。

第二个技巧是预训练权重的选择。别用 COCO 全类预训练直接微调，COCO 里没有鸭子这个类，但“鸟”类相关的特征可以迁移。我一般先用yolov8n.pt跑一轮 baseline，再换yolov8s.pt对比，小样本下 nano 版往往不比 small 版差，因为参数量少、过拟合风险低。如果数据里鸭子姿态单一，甚至可以冻结 backbone 前几层，只训检测头，收敛更快。

第三个技巧是难例挖掘。训完第一轮后，用模型在训练集上推理，把置信度低但标注正确的样本挑出来，这些是模型还没学好的难例。对这批难例做针对性增强（比如加遮挡、调亮度），再训第二轮。348 张里通常能挑出 30~50 张难例，针对性处理后 mAP 能再涨一截。

最后一个习惯：每次实验都把 data.yaml、训练参数、随机种子、mAP 结果记到一个表格里。小样本实验的方差大，不记录的话，跑着跑着就忘了哪个配置最好，回头复现都复现不出来。我吃过这个亏，现在每跑一次就记一行，哪怕只是改了个学习率。鸭子数据集这类小样本项目，拼的不是模型多先进，是细节抠得多细。希望帮到你。

本文还有配套的精品资源，点击获取