简介：面向YOLO目标检测任务的苹果缺陷数据集，共收录700张真实场景下的高清苹果图片，覆盖不同光照、角度与背景，并已划分好训练集与验证集，可直接用于模型训练与效果评估。所有图片均使用LabelImg人工标注，生成与图片一一对应的VOC格式XML文件，标注框质量高，涵盖苹果缺陷检测所需的目标类别，适合苹果分拣、农产品外观质检等场景，也可作为目标检测入门练手数据。资源压缩包内共1426个文件，其中713个JPG图片与713个XML标注文件成对存放，结构清晰，包体仅5.66MB，轻量易下载。图片与标注文件同名对应，便于脚本批量读取与增广；训练、验证子集目录明确，无需额外划分，搭配现有YOLO训练流程即可快速启动。已有1330人学习下载，适合希望节省标注成本、集中精力调优模型的目标检测开发者和AI初学者。 做目标检测的朋友应该都体会过，最花时间的往往不是模型结构，而是数据准备。我自己最开始接触YOLO时，光是搞明白标注格式就折腾了整整两天：网上教程一搜一大把，但要么只讲VOC或者YOLO其中一种，要么就是拿几个现成文件糊弄一下，真到自己标注一批苹果数据时，各种问题全冒出来了。这篇博文就把我积累的经验完整写出来——怎么把苹果目标检测数据集标成VOC格式，再转成YOLO训练能直接用的标签文件，附带完整的代码和避坑清单，新手照着操作就能跑通，有基础的也可以看看我在细节上的处理思路。
1. 整体设计思路：为什么选用VOC格式作为中间格式
1.1 先定方案，再动手标注
苹果目标检测说白了就是教会模型在图片里找到苹果的位置和大小，这和检测猫狗、行人、车辆本质上是同一类任务，都属于目标检测范畴。做这种任务绕不开数据标注格式的选择，市面上主流格式无非三种：VOC、YOLO、COCO。VOC格式是XML文件存储标注信息，YOLO格式是TXT文件存储归一化坐标，COCO格式则是JSON文件。
很多初学朋友直接一上来就用LabelImg标注成YOLO格式，这个思路不能说错，但有一个比较麻烦的问题：YOLO格式的TXT文件一旦保存，信息和原始图像的对应关系就变得非常隐晦，中间如果出了错很难排查。而VOC格式的XML文件非常直观，打开就能看到图像尺寸、目标类别、边界框坐标这些信息，后期检查、修改、清洗数据都方便得多。所以我的习惯是：标注阶段一律使用VOC格式，等数据清洗完毕、准备送入模型之前，再统一转成YOLO格式。这条思路既保留了排查的便利性，也兼顾了YOLO训练的高效性。
1.2 苹果检测数据集的特殊性
苹果这类目标有一个特点——很多是圆形或椭圆形物体，互相之间容易重叠遮挡。这和车辆检测、行人检测类似但又更麻烦：苹果长在树上时，枝叶遮挡严重；苹果放在货架上时，前后堆叠导致边界不清晰；甚至一张照片里可能有几十个苹果，密密麻麻的。这要求标注时对边界框的划定有明确规范，否则不同标注员（或者你自己分几天标注）的标准不一致，模型训练出来的效果就会很飘。
另外，苹果目标大小差异极大。近距离拍摄的特写可能撑满整张图，远景的果园照片里苹果可能只有二三十个像素大小。这种情况下如果统一用一种标注策略，小目标很容易被漏标或标偏，直接影响模型的召回率。
1.3 任务规划：先整理再标注
动手之前建议把整个流程分成五个阶段，每一步都有明确产出物，心里才踏实：
- 图像采集与筛选：收集苹果相关图片，统一格式、重命名、剔除模糊或重复的图片。
- 标注规范制定：确定类别名称、边界框标注标准、难度样本的处理方式。
- 使用标注工具制作VOC格式XML：这一步是核心工作在标注软件里手动或辅助完成。
- 数据校验与增强：检查标签是否有遗漏、错标、错位，适当做数据增强。
- 转换为YOLO格式并划分数据集：编写脚本把VOC格式换成YOLO训练所需的TXT格式，按比例划分训练集、验证集和测试集。
2. VOC格式标注实操：一步步把苹果框出来
2.1 图像采集与预处理
标注之前必须先把原始图像处理利索。我用过不少现成的苹果数据集，也自己爬过图、拍过照，整理下来的统一标准是：图片统一用JPG格式，分辨率最好不低于640x640，因为YOLO训练时通常会把输入resize到这个尺寸。如果原图太小，标注框的分辨率信息就会丢失很多，模型学到的特征质量会明显下降。
图片命名要规范，我的习惯是apple_0001.jpg这种格式，序号从0001开始递增，不要用中文名、不要有空格。这里还有个容易踩的坑——图片命名不要以数字开头，否则很多脚本处理的时候会产生莫名其妙的排序问题。另外采集时要尽量覆盖不同场景：室内白底、室外自然光、清晨逆光、傍晚暗光、树上挂果、果篮堆放、单果特写、多果远景，这些场景越丰富，模型的泛化能力越好。
处理完图片之后，把它们统一放到一个名为JPEGImages的文件夹里。这个命名是VOC数据集的惯例，虽然不是强制要求，但沿用惯例总比自创一套要省心。
2.2 标注工具选型与配置
VOC格式标注的首选工具我推荐LabelImg，这是目前使用面最广的开源图形化标注工具。它支持Windows、Linux、macOS，安装简单，导出格式直接就是VOC XML。对比其他工具，比如labelme主打多边形分割、CVAT需要部署服务器，对于只做矩形框目标检测的场景，LabelImg是最轻量高效的方案。
LabelImg的安装有几种方式，最简单的直接用pip安装：
pip install labelImg如果pip安装遇到问题，也可以从GitHub上clone源码运行，这里不展开。启动之后，界面里需要设置的最关键一项是默认标注保存目录，我把这个目录直接设置为VOC数据集的Annotations文件夹，这样标注出来的XML文件就直接落到了正确位置，省去后期移动的麻烦。
2.3 标注规范与边界框划定标准
开始标注之前，先定义标注规范，这是很多新手最容易忽略的环节。我再强调一遍，规范不提前定好，标了一半再发现标准不一致，返工成本非常高。
我自己标注苹果时用的是这样几条标准：
- 类别名称统一用
apple，全部小写。YOLO训练时类别名是大小写敏感的，Apple和apple会被当作两个不同类别，这种错误相当隐蔽，排查起来很头疼。 - 边界框要贴合苹果轮廓，但又不能太紧。苹果的轮廓虽然接近圆形，但标注框是矩形，所以框的四边应该和苹果的外切矩形基本重合，允许有1到2个像素的容差。框太紧会把苹果边缘的暗部切掉一部分，框太松又会把背景也框进去，这两种情况都会影响模型的学习效果。
- 相互遮挡的苹果，可见部分只要超过苹果整体大小的30%，就应该单独标注出来。完全被遮挡的苹果不标。这里有个小技巧：如果两个苹果紧挨着，边界框可以适当重叠，不要因为强迫症硬把框切得刚好不重叠，那样反而会让模型学不到“两个物体相邻”这种真实情况。
- 对于模糊的苹果，例如运动模糊或景深虚化导致边缘不清晰的，只要还能判断出轮廓就标注；如果已经无法判断边界位置，直接不标。宁可不标，也不要标一个边界错误的框，因为错误标注对模型训练的干扰远比漏标大。
在LabelImg里，快捷键可以大幅提高标注效率：W键画框、A键切换上一张、D键切换下一张、Ctrl+S保存。熟练之后一天标几百张不是问题。
2.4 检查XML标签文件
标完一批图之后，随手打开一个XML文件检查是很有必要的。一个标准的VOC格式XML文件长这样：
<annotation> <folder>JPEGImages</folder> <filename>apple_0001.jpg</filename> <size> <width>1920</width> <height>1080</height> <depth>3</depth> </size> <object> <name>apple</name> <pose>Unspecified</pose> <truncated>0</truncated> <difficult>0</difficult> <bndbox> <xmin>326</xmin> <ymin>189</ymin> <xmax>612</xmax> <ymax>431</ymax> </bndbox> </object> </annotation>其中size里的宽高必须和原始图像完全一致，否则后续坐标归一化时计算会出错，而且这类错误在训练阶段非常难发现。bndbox里的xmin、ymin、xmax、ymax就是苹果的边界框像素坐标，注意这个坐标体系是以图像左上角为原点的，向右为x轴正方向，向下为y轴正方向。
有的教程里会提到difficult这个参数，如果某张图里的目标特别难，可以标记为1，但在YOLO训练中这个参数通常不参与计算，所以统一设0就好。
3. 从VOC到YOLO：格式转换的核心原理与代码实现
3.1 理解两种格式的本质区别
VOC用像素坐标表示边界框：xmin是框左边的x坐标，ymin是框上边的y坐标，xmax是框右边的x坐标，ymax是框下边的y坐标。YOLO格式则完全不同，它只用一行五个数字表示一个目标：类别编号 中心点x 中心点y 框宽 框高，其中后四个数字全部是归一化到0到1之间的比例值，也就是除以了图像的宽和高。
这就是为什么转换不是简单改个扩展名，而是要做一次坐标系的换算。换算公式如下：
center_x = (xmin + xmax) / 2.0 / image_width center_y = (ymin + ymax) / 2.0 / image_height width = (xmax - xmin) / image_width height = (ymax - ymin) / image_height这里有一个新手特别容易搞混的地方：YOLO归一化是除以整张图像的宽和高，而不是某些人以为的除以边界框自身的宽高。每张图片的尺寸可能不同，所以每张图片对应的TXT里的比值是基于这张图自己的宽高来计算的，不同图之间没有可比性。
3.2 Python实现VOC转YOLO
现在直接上代码。我用的是xml.etree.ElementTree标准库来解析XML，不需要额外安装第三方依赖。完整代码如下：
import os import xml.etree.ElementTree as ET # 类别映射表，只需维护这一个列表，顺序就是YOLO类别的编号 class_names = ['apple'] def convert_voc_to_yolo(xml_file, output_dir): tree = ET.parse(xml_file) root = tree.getroot() # 获取图像尺寸 size = root.find('size') img_width = int(size.find('width').text) img_height = int(size.find('height').text) # 生成输出文件名，保持和图像同名，扩展名为txt base_name = os.path.splitext(os.path.basename(xml_file))[0] output_file = os.path.join(output_dir, base_name + '.txt') lines = [] for obj in root.iter('object'): name = obj.find('name').text if name not in class_names: # 遇到未知类别时跳过并给出提示，避免静默出错 print(f'警告: 未知类别 {name} 在 {xml_file} 中，已跳过') continue class_id = class_names.index(name) bndbox = obj.find('bndbox') xmin = float(bndbox.find('xmin').text) ymin = float(bndbox.find('ymin').text) xmax = float(bndbox.find('xmax').text) ymax = float(bndbox.find('ymax').text) # 严格校验坐标合法性 if xmin >= xmax or ymin >= ymax: print(f'错误: {xml_file} 中 {name} 的边界框坐标非法，已跳过') continue if xmin < 0 or ymin < 0 or xmax > img_width or ymax > img_height: print(f'警告: {xml_file} 中 {name} 的边界框超出图像范围') # 核心转换公式 center_x = (xmin + xmax) / 2.0 / img_width center_y = (ymin + ymax) / 2.0 / img_height width = (xmax - xmin) / img_width height = (ymax - ymin) / img_height lines.append(f'{class_id} {center_x:.6f} {center_y:.6f} {width:.6f} {height:.6f}') with open(output_file, 'w') as f: f.write('\n'.join(lines) + '\n' if lines else '') def batch_convert(annotation_dir, output_dir): os.makedirs(output_dir, exist_ok=True) for xml_file in os.listdir(annotation_dir): if xml_file.endswith('.xml'): convert_voc_to_yolo(os.path.join(annotation_dir, xml_file), output_dir) print(f'已转换: {xml_file}') if __name__ == '__main__': batch_convert('Annotations', 'YOLOLabels')运行这个脚本需要在命令行执行python convert.py，前提是把脚本文件放到VOC数据集根目录下，并确保Annotations和YOLOLabels文件夹都存在。执行完毕后，YOLOLabels文件夹下就会生成和图片一一对应的TXT文件。
3.3 数据集的划分与目录结构整理
转换完成后还有最后一步关键操作：划分数据集。YOLO训练时需要一个存放标签路径的文件列表，通常是train.txt和val.txt，每行是图片的绝对路径或相对路径，训练时框架会根据图片路径自动找对应的TXT标签文件。
目录结构上，我长期使用的标准布局是这样的：
dataset/ ├── images/ │ ├── train/ # 训练集图片 │ └── val/ # 验证集图片 ├── labels/ │ ├── train/ # 训练集标签（TXT） │ └── val/ # 验证集标签 ├── train.txt # 训练集图片路径列表 ├── val.txt # 验证集图片路径列表 └── apple.yaml # YOLO数据配置文件这里需要注意一个匹配原则：图片和标签的文件名必须完全一致（不含扩展名），且对应放置。如果图片在images/train/apple_0001.jpg，标签就必须在labels/train/apple_0001.txt。转换脚本和划分脚本里我把图片和标签放在不同目录，因为YOLO训练时默认的目录规则就是images和labels两个兄弟目录。
划分数据还有一个小建议：如果采集的图片有多张来自同一个视频片段或者同一批拍摄环境，建议把同场景的图片尽量划到同一个集合里，避免训练集和验证集之间出现数据泄露，导致验证指标虚高。
4. 常见问题与排查技巧实录
4.1 中文路径和特殊字符导致读取失败
很多新手标完数据后运行训练脚本报错，排查到最后发现是数据集路径带中文。YOLO的很多依赖库对中文路径兼容性并不好，尤其是Windows环境下，各种编码问题层出不穷。解决方案非常简单粗暴：数据集的整个路径从根目录开始就全部用英文字母、数字和下划线，不要有任何中文和空格。
4.2 类别文件缺失或名称不一致
训练YOLO时通常需要在apple.yaml里配置类别列表，而很多朋友是照着别人的配置文件改的，结果自己数据集里的类别名称、数量和顺序跟配置对不上。这里最容易出问题的是：标注时用了Apple，配置里写的是apple；或者标注时只标了一种苹果，配置却写了三种类别。这些错误不会直接报错，但训练出来的模型表现会非常诡异。
4.3 坐标越界与归一化结果异常
标注时手抖把框拖到图像边缘之外是再常见不过的事。这种越界框在VOC格式里看不太出来，但转成YOLO格式后，边界框的中心坐标就可能出现大于1或者小于0的情况，YOLO训练时遇到这种异常标签会直接导致loss变成无穷大。所以代码里写了坐标校验逻辑，同时在项目里运行一个检查脚本是值得的，逐行扫描所有TXT标签，看是否有坐标落在0到1之外，一旦发现立即返回XML检查。
4.4 转换时对象名与类别不匹配
有一种比较隐蔽的错误：XML里类别名在类别列表里不存在。比如你定义了apple，但某个XML里写的是Apples或apple_tree。转换脚本会打印警告然后跳过，但如果你粗心没看警告，就会漏掉这个目标，导致模型学不到这种样本。
4.5 个人习惯的一键检查和可视化辅助
为了省事，我一直在用的一个方法是把转换后的TXT标签重新画回原图上，直观地检查标注是否准确。代码逻辑很简单：读取原图，遍历TXT的每行数据，把归一化坐标换算回像素坐标，使用OpenCV的rectangle函数画出边界框，把生成的图片保存下来，人工过一遍就知道标注效果如何。
import cv2 def draw_yolo_labels(image_path, label_path, class_names): img = cv2.imread(image_path) height, width = img.shape[:2] with open(label_path, 'r') as f: for line in f.readlines(): parts = line.strip().split() class_id = int(parts[0]) center_x = float(parts[1]) * width center_y = float(parts[2]) * height box_width = float(parts[3]) * width box_height = float(parts[4]) * height xmin = int(center_x - box_width / 2) ymin = int(center_y - box_height / 2) xmax = int(center_x + box_width / 2) ymax = int(center_y + box_height / 2) cv2.rectangle(img, (xmin, ymin), (xmax, ymax), (0, 255, 0), 2) cv2.putText(img, class_names[class_id], (xmin, ymin - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2) cv2.imshow('check', img) cv2.waitKey(0) cv2.destroyAllWindows()这个方法对排查坐标系统错乱尤其管用，如果画出来框的位置和苹果对应不上，说明转换环节的坐标换算有问题，直接可以定位到是哪一步算错了。
5. 训练前再叮嘱几句
数据准备工作做到这里，基本已经拼齐了从原始图片到YOLO训练所需数据的完整链路。转换脚本、校验脚本和可视化脚本都跑通后，整个流程已经沉淀成一套固定的自动化工具链，后续再做其他目标检测项目，比如检测橘子或者车辆，只需要修改类别列表和重新标注即可复用。
根据我自己的实操经验，一个小型的苹果检测数据集，比如几千张图、几万个标注框，用LabelImg手工标注大概需要两到三天，转格式和可视化检查只需要几十分钟。如果想要提升标注效率，可以先用一个预训练的YOLO模型对图片做预标注，然后在LabelImg里手动修正，速度能提升不少。市面上像X-AnyLabeling这类标注工具也已经集成了模型辅助标注的能力，感兴趣的可以试试。
最后再分享一个我踩过好几次的坑：训练过程中发现验证集loss一直正常下降，但实际检测的时候大量漏检，尤其是小苹果。排查了很久才发现问题出在标注阶段——远景图片里的小苹果很多被我自己漏标了。模型根本没见过这种样本，当然检测不出来。所以在标注阶段，宁可花时间多检查几遍，也好过训练完之后再回头补数据。每一张小目标的正确标注，都可能直接影响模型在实际场景中能不能用。
本文还有配套的精品资源，点击获取
