简介面向目标检测初学者与品牌视觉识别项目开发者提供一套可口可乐和百事可乐双类别标志检测数据集。资源包含对应JPG图片及Pascal VOC格式XML、YOLO格式TXT两套标注文件可直接用于YOLO、Faster R-CNN等主流检测模型的训练与评估。所有标注由labelImg以矩形框逐张完成CocaCola框数2268、Pepsi框数2398总框数4666类别数量比较均衡有利于减少模型训练中的样本不均衡问题类别体系简单只需区分可口可乐与百事可乐适合作为二分类目标检测的练习数据。压缩包内文件总数2000个以XML标注文件为主并含TXT文件整体大小约120.84MBXML标注可配合VOC生态工具完成数据检查与划分TXT标注则可直接被YOLO系列训练脚本读取免去自行转换标注格式的环节。数据集只提供准确合理的标注结果不捆绑任何预训练权重使用者可按需划分训练集、验证集自行构建检测流程。目前已有347人学习适合正在准备品牌标志识别项目、需要规范双格式数据并快速进入模型训练阶段的学习者。1. 目标检测数据集2220张可口可乐与百事可乐标志二分类边界在哪准备做无人货柜、货架识别或广告投放监测的人大概率会遇到同一个需求在画面里找到“可口可乐”和“百事可乐”的标志。这个目标检测数据集给的正是这组素材2220张图片两个标签Coke与Pepsi压缩包里同时带了VOC和YOLO两种标注格式对新手很友好对熟手来说可以直接喂给训练脚本。注意小样本不等于简单任务。二分类做起来最怕的不是“分不清”而是标注口径和验证集划分不干净导致本地指标好看、部署后翻车。这组数据能不能用取决于你怎么定义使用边界。2. 拆解 VOC 与 YOLO 双格式目录结构、标签映射和一键校验脚本2.1 双格式的目录结构VOC的XML和YOLO的txt各管什么解压后先别急着训练花10分钟把目录结构看清楚。常见的VOC组织方式是这样的JPEGImages/存放JPG原图文件名一般是数字id或带语义的名字例如000001.jpg。Annotations/存放同名XML文件每个XML记录这张图里所有目标的位置和类别。ImageSets/Main/存放划分列表常见的是train.txt、val.txt、trainval.txt内容只有文件名不带扩展名。labels/ 或 txt/存放YOLO格式的标签文本每行一个目标。XML里真正有用的是object这个节点。name字段写类别名通常叫Coke或Pepsibndbox字段写xmin、ymin、xmax、ymax这四个值都是绝对像素坐标左上角为原点单位就是像素。图片宽度高度在size节点下训练脚本会读取它做归一化。YOLO格式的txt每行五个数类别id、x_center、y_center、width、height全部归一化到0到1之间。0 0.512345 0.600123 0.123456 0.234567 1 0.213456 0.345678 0.987654 0.456789第一个数0和1对应类别表x_center是框中心点在宽度方向的比例width是框宽占图片宽度的比例。注意txt里不写图片宽高因为训练时会从images目录读取原图尺寸反推。把这两套格式放在同一份压缩包里本质是给训练框架开方便之门但如果两份标注不是从同一次标注导出的就会埋下隐患后面会专门讲这个坑。2.2 二分类标签的边界检测目标是“标志”还是“商品”“2个标签”指的是类别数。常见约定是这样的Coke可口可乐标志包括瓶身贴纸、易拉罐面上的弧形logo。Pepsi百事可乐标志包括圆形商标、瓶盖上的小标志。这里有个边界问题值得在动手前想清楚。如果把整个瓶身当成标注框模型学到的是“可乐瓶的剪影”而不是标志本身。货架上相似颜色、相近形状的竞品瓶很容易触发误检因为形状特征比logo特征更容易被神经网络抓到。反过来如果标注严格贴着标志画框模型学到的才是“标志检测”。这个数据集标题写的是标志检测那么正常预期是更贴近后者。拿到数据后建议随机打开20张图看标注框是不是真的贴在logo上。框比logo大50%以上就要警惕这会影响小目标识别和遮挡场景的表现。另一个容易忽略的是场景多样性。2220张图如果全是在相对干净的背景上拍的模型就只能记住“摆在正中间的标志”这个朴素模式。部署到货架、冷柜、卡车侧边广告这类复杂背景时性能会明显下降。所以使用之前先按拍摄场景分桶统计而不是只看总量。2.3 校验两套标注是否一致三分钟脚本排查双格式数据集最值得做的一件事是写脚本验证VOC和YOLO标注是否真的对得上。对不上的典型结果是训练时loss抖动验证集mAP和手动抽查结果互相打架。我一般用下面这种方式做交叉验证。import os import xml.etree.ElementTree as ET from PIL import Image def read_voc_boxes(xml_path, img_w, img_h): 读取VOC XML返回归一化后的[xmin, ymin, xmax, ymax]列表 tree ET.parse(xml_path) root tree.getroot() boxes [] for obj in root.iter(object): name obj.find(name).text bbox obj.find(bndbox) xmin float(bbox.find(xmin).text) / img_w ymin float(bbox.find(ymin).text) / img_h xmax float(bbox.find(xmax).text) / img_w ymax float(bbox.find(ymax).text) / img_h boxes.append((name, xmin, ymin, xmax, ymax)) return boxes def read_yolo_boxes(txt_path): 读取YOLO txt转成归一化后的[xmin, ymin, xmax, ymax]列表 boxes [] with open(txt_path, r, encodingutf-8) as f: for line in f.readlines(): parts line.strip().split() if len(parts) ! 5: continue cls_id, xc, yc, w, h parts xc float(xc) yc float(yc) w float(w) h float(h) xmin xc - w / 2 ymin yc - h / 2 xmax xc w / 2 ymax yc h / 2 boxes.append((int(cls_id), xmin, ymin, xmax, ymax)) return boxes def compute_iou(a, b): 计算两个归一化框的IoU x1 max(a[1], b[1]) y1 max(a[2], b[2]) x2 min(a[3], b[3]) y2 min(a[4], b[4]) inter max(0.0, x2 - x1) * max(0.0, y2 - y1) area_a max(0.0, a[3] - a[1]) * max(0.0, a[4] - a[2]) area_b max(0.0, b[3] - b[1]) * max(0.0, b[4] - b[2]) union area_a area_b - inter return inter / union if union 0 else 0.0这里两个读取函数都做了同一件事把标注统一换算成归一化坐标再用IoU判断两份标注里的框是否匹配。代码里有两个关键参数值得注意一是归一化分母用的是PIL读出来的真实图片宽高而不是XML里size节点写的值因为XML的size在某些后期编辑场景下可能和实际图片不一致二是IoU判匹配的阈值一般取0.85以上算匹配。如果IoU低于0.5但类别相同说明框的位置有明显偏移多半是转换脚本写错了坐标换算。# 批量比对同一张图两份标注应该基本一致 voc_xml_dir Annotations yolo_txt_dir labels img_dir JPEGImages matched 0 unmatched 0 for name in os.listdir(voc_xml_dir): base os.path.splitext(name)[0] xml_path os.path.join(voc_xml_dir, name) txt_path os.path.join(yolo_txt_dir, base .txt) img_path os.path.join(img_dir, base .jpg) if not os.path.exists(txt_path) or not os.path.exists(img_path): print(f缺失: {base}) continue w, h Image.open(img_path).size voc_boxes read_voc_boxes(xml_path, w, h) yolo_boxes read_yolo_boxes(txt_path) # 贪心匹配每个YOLO框找IoU最大的VOC框 used set() for yb in yolo_boxes: best_iou 0.0 best_idx -1 for i, vb in enumerate(voc_boxes): if i in used: continue iou compute_iou(vb, yb) if iou best_iou: best_iou iou best_idx i if best_iou 0.85: matched 1 used.add(best_idx) else: unmatched 1 print(f不匹配: {base}, max iou{best_iou:.3f}) print(f匹配框数: {matched}, 不匹配框数: {unmatched})这个批处理脚本有几个设计细节。used集合记录已经被匹配的VOC框避免一个VOC框同时和两个YOLO框匹配这在同一张图里有两个紧密挨着的瓶罐时很常见。unmatched只统计YOLO侧找不到高IoU框的个数反向的VOC侧冗余框也会体现在这里但要想精确对应到XML里的具体框可以在print处补充输出VOC框的索引自查时会更快。如果输出大量“不匹配”项优先怀疑三类问题一是两份标注里有空XML或空txt没有正常生成二是类别名拼写不一致比如一个文件里写Coke另一个写coca_cola读取时索引错位三是转换脚本把中心点除以图片尺寸时用了0.9之类缩放系数导致所有框整体偏移。先修数据再谈训练。3. 用 YOLO 训练这个二分类数据集转换脚本、关键参数与评估口径3.1 把自备图片转成训练格式VOC转YOLO脚本与参数说明训练这个数据集之前最常见的准备工作是做数据格式统一。如果你的自备图片标注是LabelImg输出XML那就把VOC格式转成YOLO格式。我每次都会先写一个一次性函数转换成txt后立刻抽查三张图用可视化脚本把框画回去看。import xml.etree.ElementTree as ET def voc_to_yolo(xml_path, class_names, out_txt_path, img_w, img_h): 把单张VOC标注转为YOLO txt tree ET.parse(xml_path) root tree.getroot() lines [] for obj in root.iter(object): name obj.find(name).text if name not in class_names: print(f跳过未知类别: {name}) continue cls_id class_names.index(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) dw 1.0 / img_w dh 1.0 / img_h x_center (xmin xmax) / 2.0 * dw y_center (ymin ymax) / 2.0 * dh w (xmax - xmin) * dw h (ymax - ymin) * dh lines.append(f{cls_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}) with open(out_txt_path, w, encodingutf-8) as f: f.write(\n.join(lines))这个函数的两个关键参数是class_names的顺序和img_w/img_h。class_names的顺序决定了最终txt里的class id训练时必须和数据集YAML里names列表保持完全一致比如names: [Coke, Pepsi]那么txt里0就是Coke1就是Pepsi。img_w和img_h建议用PIL读原图获得真实宽高不要直接从XML的size节点读因为部分标注工具在裁剪后没有更新XML里的size。还有一种常见需求是把Yolo格式转回VOC格式用于某些平台展示。反过来写即可txt里xc、yc、w、h乘以各自的长宽得到绝对像素xmin/xmax/ymax/ymin然后组织成XML结构。转换后生成一份新的XML目录尽量不要覆盖原始Annotations因为原始VOC标注如果本身质量更高后续做数据修正时还需要拿来做底稿。3.2 训练参数怎么设2220张图的小样本调参经验训练这类小数据集参数选择最忌讳直接套大模型训练参数。先用YOLOv8n这类轻量权重的常用做法起步看baseline再加大。官方提供的默认参数是锚点基准但不是小数据集的推荐方案。参数推荐值理由imgsz640显存受限用512标志面积小过小分辨率会丢失细节epochs150小数据集训练快跑太少达不到收敛batch16受显存限制8也能跑越小波动越大patience40验证集停滞40个epoch即停止mosaic0.5到1.0mosaic增强对小目标会切得更碎hsv_h0.015轻微色相扰动平衡红蓝瓶色hsv_s0.7增强饱和度变化模拟不同打光条件fliplr0.5左右翻转标志形态对称安全训练命令按当前主流yolo系列可以写成yolo train datacola.yaml modelyolov8n.pt epochs150 imgsz640 batch16 patience40如果你的环境还在用yolov5风格则用python train.py --data cola.yaml --weights yolov5s.pt --img 640 --batch 16 --epochs 150 --patience 40其中的cola.yaml是数据配置路径指到训练根目录path: ./cola_dataset train: images/train val: images/val names: 0: Coke 1: Pepsinames的顺序必须和转换脚本里的class_names一致这里出错极其隐蔽训练出来的模型类别标签会整体错位。pre-trained权重是否可用取决于你的网络环境如果本机没有预训练权重可以先把batch调小到8、freeze前几层从零训练小数据更容易过拟合叠加early stopping会好一些但mAP大概率不如用预训练权重起步。数据增强参数不要一上来就开满。mosaic合成图会让小标志变形在高分辨率下表现反而是负优化。先用官方默认然后只开hsv_h、hsv_s、fliplrmosaic调到0.5。真正常见的稳定配置是mosaic 0.5到0.8配合copy_paste 0.1这类额外增强具体要看你的部署环境。3.3 评估口径mAP 高不代表能落地训练完成后先看验证集mAP0.5和mAP0.5:0.95。二分类问题里只报“总体mAP”是在逃避问题。要分别看Coke和Pepsi的AP80到90段。如果Pepsi的AP比Coke低一大截常见原因是Pepsi标志是圆形在透视角度下会变成椭圆标注框覆盖面积大而有效特征少。可口可乐的弧形logo外框长宽比稳定模型更好学。从训练结果目录里找到confusion_matrix.png和PR曲线保存页重点关注两类之间的互检错误。如果发现“Coke预测成Pepsi”的格子明显偏高说明两个品牌在某个光照条件下的特征区分度不足常见解决办法不是加数据而是先做颜色归一化预处理或给检测结果后接一个小分类网络。验证另一件事是画框可视化。YOLO训练完会在runs/val下生成val_batch*.jpg里面是模型在验证集上的预测框。逐张看这些图和标注框的偏差特别是小标志的图。如果模型在验证集上每个Pepsi小标志都漏检那说明训练时的锚框或分辨率设置不合适建议把imgsz提高到768或使用切片推理而不是继续加训练轮数。4. 品牌标志检测避坑指南5 个容易翻车的问题与处理办法4.1 VOC 与 YOLO 双格式标注对不上现象训练时loss和mAP曲线波动剧烈验证集分数时而0.9时而0.4手动抽查发现同一张图在两份标注里框的位置和数量不一样。原因标注工具输出VOC XML后做了一次自动转换生成YOLO txt。但操作时图片被二次裁剪过XML里记录的原始坐标没有跟着更新导致txt里归一化坐标与原图尺寸错位。还有可能是两份标注来自不同批次某一批只标了部分图片另一批补标了另一部分加载时又合并到一起。解决不要自己肉眼去判断用哪个格式。先跑前面那个校验脚本把不匹配的文件名全部导出单独检查。检查时打开原始图和两份标注叠加的显示确认哪一份是错误来源。如果是从VOC转的就以VOC为准重新转换如果是工具直接导出就以txt为准重新转voc。修完再开始训练。注意拿到压缩包后先跑校验不要为了省时间直接开局。4.2 标志太小模型经常漏检现象检测结果里远处货架罐瓶上的标志被漏掉precision很高recall偏低线上监控发现漏检的都是画面里面积占比小于3%的目标。原因YOLO默认下采样倍率高小尺寸标志经过多层卷积后特征几乎消失。如果训练时imgsz使用416一个在原始图里只有18×18像素的logo在网络里只占不到两个像素。解决第一优先把imgsz提到640或768。显存不够就切成单目标推理或者用切片推理把整张大图拆成512×512的小块分别预测再合并结果。合并时注意相邻切片的overlap至少20%否则会切坏标志。训练侧还可以给mosaic概率降低因为mosaic会把多个小标志压缩成更小的目标进一步加大学习难度。4.3 反光、过曝、白平衡漂移让标志颜色不准现象白天阳光直射下的易拉罐高光区域被模型误判为“标志”或者暗光环境里可口可乐标志的红色发黑被划到Pepsi。原因易拉罐表面曲率大高光容易覆盖logo加上不同光源下白平衡差异明显红色和蓝色灯色在规范化后可能接近。网络主要学颜色特征时很容易被这种光照噪声带偏。解决训练侧把hsv_s开到0.7以上hsv_v开到0.4以上模拟曝光变化。部署侧尽量固定相机位置和曝光参数避免自动曝光在背光时剧烈变化。条件允许的时候加偏振片能直接滤掉高光干扰。如果已经训练完了才发现问题在预处理环节加一次灰度化白平衡校正效果类似给模型修正颜色偏差。4.4 Coke 和 Pepsi 混淆颜色学得太多形状学得太少现象这是二分类场景最常见的翻车点。模型在近距离高分辨率图上表现得非常好拉远到3米后Coke和Pepsi互相误判明显增大。混淆矩阵里两家主要错在对方类别上。原因两个品牌标志颜色对比较强红对蓝这在数据集主体环境下容易被当作决定性特征。一旦光线改变红蓝接近特征就失效。形状上可口可乐的弧形飘带更细百事的圆形更实网络在特征图下采样后很难保留这种精细的轮廓信息。解决给输入图像加一个亮度归一化或灰度化预处理强迫模型学形状。也可以在检测框crop后接一个小的图像分类头专门对两个品牌做二分类这个分类头可以用预训练权重复用效果比直接改检测模型更快。数据层面可以补充“两个品牌同框”的图片让模型被迫学习区别特征而不是全部框成一个类。4.5 数据泄漏train 和 val 来自同一场景的连续帧现象本地验证集mAP0.5高达0.98线上测试却只有0.65而且总是漏焦点。逐张检查发现验证集里很多图片和训练集几乎一样只是差了10帧。原因视频抽帧数据集如果不按场景分组随机划分会把同一视频里高度相似画面同时分到train和val。模型等于提前看过答案自然表现出极高分数。解决划分前先按视频ID分组。如果数据集没有视频ID信息用图像的感知哈希做去重。import imagehash from PIL import Image def phash_similar(img_path1, img_path2, threshold5): hash1 imagehash.phash(Image.open(img_path1)) hash2 imagehash.phash(Image.open(img_path2)) return hash1 - hash2 threshold用phash对全量图片两两计算汉明距离距离小于5视为重复图。然后从验证集里剔除与训练集重复的图片保证验证集真正独立。这个方法对JPEG压缩、缩放、亮度微调有很强的鲁棒性但对同一物体不同角度拍摄不敏感正好覆盖视频抽帧这种场景。划分完成后应该做一次分组统计确认train和val里两类的图片数量和标志实例数分布大致一致。如果train有92%的Coke图片val却只有60%那train出来的模型在正式环境里必然偏向Coke。5. 把 2220 张可乐数据用出效果的三个进阶技巧5.1 切片推理解决小标志漏检如果imgsz已经调到640还是漏检远处小标志不要急着加训练数据先用切片推理验证上限。做法是把推理时的原图按固定尺寸切片每块独立预测再按坐标合并。常用切图尺寸是640×640overlap 0.2。合并时要处理重复框可以用NMS把同一目标在多个切片里的预测框合并。这样能直接提升小标志召回率代价是推理时间增加适合固定点位摄像头实时检测不适合分布式大批量离线任务。5.2 训练之前先定一条过关线我习惯在第一次训练前先写下一份验收清单写在项目笔记最上面mAP0.5不低于0.9Coke和Pepsi分别的召回率不低于0.9小标志子集mAP不低于0.85。没有达标就回到数据或参数上调整而不是直接去调部署脚本。这个习惯帮我避免了很多“看起来模型很好上线却翻车”的场面。5.3 加批硬负样本当后悔药模型训练完后把测试集里所有误检结果存成crop人工过一遍。标为“错误目标”的图片不需要太多500张就能明显压掉常见的误检。把它们连同原始正确标注一起加入训练集重训一轮。这类错误往往集中在特定背景纹理、特定角度、特定光照反向学习后效果立竿见影。这个方法比盲目再增加正确标注的图片更划算因为误检本身就是模型暴露给我们的明确弱点。我第一次做品牌标志识别时拿到类似的数据集直接开了训练看验证集mAP很高就觉得很稳。上线才发现验证集和训练集基本来自同一段连续视频模型根本没学会泛化。后来养成了一个习惯任何数据集先做视频ID或感知哈希去重再谈训练。这组2220张的双格式数据值得认真对待先把数据集校验干净再谈模型调参希望帮到你。本文还有配套的精品资源点击获取