简介目标检测是计算机视觉的核心任务之一其落地效果高度依赖数据质量与模型训练策略。在实际工程中公开数据集往往与真实场景存在偏差导致模型部署后性能下降。本文以一套包含东鹏特饮、红牛、可乐等常见饮料的罐装饮料识别数据集为例系统解析YOLOv8在真实数据上的完整训练流程。从数据集目录结构、标注格式与质量评估入手讲解小目标、遮挡、类别不平衡等典型问题的处理思路随后介绍环境搭建、data.yaml配置、超参数调优与训练监控方法再通过mAP、精度、召回率等指标评估模型并导出ONNX或TensorRT格式用于部署。针对实际运行中的解压报错、显存不足、模型效果不佳等问题也给出了系统化排查方案。这套方案不仅适用于饮料识别也可迁移至零售商品检测等场景为开发者提供从数据到部署的可复现参考。 做目标检测的同行应该都有过这种经历想训练一个贴近真实场景的识别模型却总在数据集上卡壳。要么是公开数据集太干净、太理想化部署到实际环境就露馅要么是类别对不上业务需求还得重新标注。最近整理手头资料的时候翻出一套之前用过的罐装饮料识别数据集一千多张图片带完整yolov8格式标注覆盖了东鹏特饮、红牛、芬达、养乐多、可乐、雪碧这些便利店冷柜里的高频单品还顺带标了一批薯片袋装。这套数据虽然不算海量但胜在场景真实、类别贴近日常零售场景对于想跑通目标检测全流程的新手或者需要一个基座数据来微调的开发者都挺有参考价值。这篇文章就围绕这套数据集展开从数据集的目录结构、标注质量、类别分布到yolov8训练环境搭建、参数配置、训练调优、模型评估和部署再到实际跑数据时容易踩的坑一步一步拆开讲。所有内容都基于我实际跑过的流程可以直接照着操作。1. 项目背景与数据集解读1.1 数据集规模与覆盖场景分析先说整体情况。这套数据集压缩包解压之后完整目录大概是这样的罐装饮料识别数据集/ ├── images/ │ ├── train/ # 训练集图片 │ └── val/ # 验证集图片 ├── labels/ │ ├── train/ # 训练集标注txt │ └── val/ # 验证集标注txt ├── data.yaml # 数据集配置文件 └── 类别说明.txt图片总数在一千三百张左右其中训练集约一千一百张验证集约两百张。这个比例大约是8.5比1.5符合常规的划分习惯。图片分辨率大多数在1080p级别部分来自手机拍摄部分来自商超监控视角还有一小部分是网络公开图片。手机拍摄的图片通常比较清晰构图也比较随意监控视角的图片则带有俯视角度光照条件不稳定网络图片的后期处理痕迹明显颜色饱和度高。这三种来源混合在一起反而让模型的泛化能力更好因为推理阶段遇到的真实场景往往就是这种脏乱差输入。需要说明的是数据集除了罐装饮料之外还包含薯片这个类别。一开始我也觉得奇怪薯片和罐装饮料有什么关系后来看标注图片才明白很多拍摄场景就是便利店货架、超市收银台或者办公室茶几薯片和饮料经常摆在一起。如果只标饮料不标薯片那些摆在一起的零食会成为背景干扰模型在特征提取时容易被误导。所以数据集作者把薯片也纳入了标注范围这个思路在实际项目里挺常见的——标注的类别选择往往不是按这是什么而是按哪些物体容易和目标一起出现来考虑。1.2 标注格式与标签文件结构这套数据集用的是yolov8原生支持的YOLO文本格式也就是每个图片对应一个同名txt文件放在labels目录下。txt文件名和图片文件名完全一致只是扩展名不同比如images/train/IMG_20250103_142353.jpg labels/train/IMG_20250103_142353.txt每个txt文件里的每一行对应图片中的一个目标物体格式是class_id x_center y_center width height所以最需要留意的是所有坐标都是相对图片宽高的归一化数值范围在0到1之间不是像素坐标。比如图片是1920x1080一个物体的像素边界框是xmin960、ymin540、width480、height270中心点就是(960240)/19200.625、y_center(540135)/10800.625width480/19200.25height270/10800.25。写入txt就是0 0.625 0.625 0.25 0.25类别编号从0开始。这套数据集的类别定义应该是0: crisps 薯片 1: dongpeng 东鹏特饮 2: redbull 红牛 3: fenda 芬达 4: yangleduo 养乐多 5: cola 可乐 6: sprite 雪碧 7: wanglaoji 王老吉一共8个类别。有些标注工具导出的时候类别顺序可能不一样所以拿到数据后第一步不是急着训练而是打开几个txt文件看看类别编号对应的实际物体避免标签错位。提示训练前务必检查labels里是否有文件是空的0KB空标签文件会导致训练时报错或者这部分图片没有参与训练建议直接过滤掉。2. 数据集标注质量与预处理2.1 标注质量评估的几个关键点拿到数据集之后我习惯先不急着训练而是花半小时左右抽查标注质量。因为标注质量直接决定模型效果上限模型再强也学不出标注里不存在的信息。这次抽查发现整体标注质量还不错但仍存在几个需要注意的现象。一是小目标占比高。便利店货架上的饮料瓶通常只占画面的百分之几到十几尤其是一整排商品陈列的场景单个瓶子可能只有30x80像素。小目标对检测模型的挑战很大因为特征提取层下采样多次后小目标的有效特征可能只剩一两个像素点很容易漏检。如果训练出来的模型对远距离小瓶子漏检明显可以考虑把推理分辨率从640提升到960或者1280或者换用P5层输出更强的模型变体。二是遮挡和密集排列。货架上的饮料瓶前后重叠、瓶身贴在一起是常态但我在抽查中发现有些红色瓶身挨在一起时标注框画得比较随意框住了半个相邻瓶子。这种标注噪声对模型训练影响不算致命但如果数量较多会让模型学习到错误的边界特征建议用标注工具微调一下。实际操作中我筛选出了大约三四十张有明显标注偏差的图片花了一个小时手工修正后期训练收敛速度明显变好。三是类别不平衡。可乐、雪碧这类最常见的饮料样本数量最多养乐多、王老吉样本相对少。如果按默认参数训练少量类别容易被多数类别压制。缓解的办法有三种第一对样本少的类别做数据增强比如复制粘贴到更多背景中第二在loss计算中提高小类别的权重第三最简单也最有效就是补充更多的该类图片。如果不方便采集原始图片可以用已训练好的模型做半自动标注来扩充数据人工审核后再加入训练集。但要注意半自动标注会引入模型自身的bias审核环节不能省。2.2 数据预处理与数据集划分虽然数据集作者已经划分好了train和val但实际使用中还是要检查划分是否合理。最常见的问题是同一场景的连续帧图片被同时分入训练集和验证集比如一段视频抽帧得到的图片中第10帧在train、第11帧在val这种情况下验证集的指标会虚高因为验证集图片和训练集图片太像了模型记住了场景而不只是学到了类别特征。这种问题不容易用代码直接发现只能靠肉眼抽查。我抽查的方式是把val里的图片按文件名排序然后快速浏览缩略图如果发现连续多张图片内容高度相似就确认划分有问题。如果遇到这种情况需要按场景而不是按文件随机划分比如以拍摄时间或地点为维度同一场景的图片全部归入训练集或验证集。数据预处理方面我做了两件常规操作。一是统一图片格式把所有jpg、png、bmp等格式统一转成jpg避免某些格式在训练时解码报错。二是清理损坏图片用Python脚本检查图片完整性删除无法解码的文件。脚本大概是这样的import os from PIL import Image image_dir images/train for filename in os.listdir(image_dir): filepath os.path.join(image_dir, filename) try: img Image.open(filepath) img.verify() except Exception as e: print(f损坏文件: {filepath} - {e}) os.remove(filepath)保险起见我还会把labels目录里找不到对应图片的txt文件也删掉以及把图片存在但txt为空或txt格式错误的样本标记出来在data.yaml里用exclude参数排除或者直接移出目录。3. YOLOv8训练环境搭建与配置3.1 环境依赖安装环境配置是新手最容易卡壳的环节。YOLOv8基于PyTorchPython版本建议3.8到3.10之间PyTorch版本1.8以上即可新版本2.x也兼容。硬件方面NVIDIA显卡只要有CUDA支持就基本都能跑显存不低于6GB就可以训练yolov8n和yolov8s如果只有CPU训练速度会慢很多但也不是完全不能跑。创建虚拟环境我习惯用condaconda create -n yolo python3.9 conda activate yolo然后安装PyTorch。这里有个常见的坑直接pip install torch默认安装的是CPU版本虽然能跑但速度极慢。建议到PyTorch官网选择对应CUDA版本的安装命令比如CUDA 11.8pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118安装完后可以用下面这行命令验证GPU是否可用import torch print(torch.cuda.is_available()) print(torch.cuda.get_device_name(0))如果输出True和显卡型号说明环境没问题。接着安装ultralyticspip install ultralytics这一步会把yolov8的所有依赖比如opencv-python、pandas、matplotlib这些一并装好不需要再单独安装。装完后在Python里执行import ultralytics验证能正常导入就说明环境准备完毕。注意ultralytics包更新很频繁不同版本的默认参数和行为可能有细微差别。如果你安装的是最新版但代码是照着老教程写的训练参数可能不生效。建议训练前用yolo --help查看当前版本支持的参数。我这次用的版本是8.1.x系列。3.2 编写data.yaml配置文件环境准备好之后下一步就是编写data.yaml。这是YOLOv8训练时必需的数据集配置内容非常简单# data.yaml train: /home/user/datasets/beverage/images/train val: /home/user/datasets/beverage/images/val nc: 8 names: 0: crisps 1: dongpeng 2: redbull 3: fenda 4: yangleduo 5: cola 6: sprite 7: wanglaojitrain和val路径最好写绝对路径相对路径虽然YOLOv8也能解析但在不同目录下执行训练命令时容易找不到数据集报错。names字典里的类别顺序必须和标注txt文件中的class_id一一对应这点非常重要。如果把cola的id写成5训练出来的模型预测id5时就会显示sprite部署到应用里就全乱了。4. 模型训练实操4.1 模型选型与训练参数设定YOLOv8提供了5个预训练模型yolov8nnano、yolov8ssmall、yolov8mmedium、yolov8llarge、yolov8xxlarge。它们的参数量和检测精度依次递增推理速度依次递减。对于罐装饮料识别这种单类目标检测任务我建议从yolov8s开始。yolov8n虽然最快但小目标检测能力偏弱yolov8m及以上在GTX 1660Ti这类显卡上训练时间会明显拉长6GB显存甚至可能爆显存。训练命令如下yolo detect train datadata.yaml modelyolov8s.pt epochs200 imgsz640 batch16 device0 patience30各参数含义datadata.yaml指定数据集配置modelyolov8s.pt使用yolov8s的预训练权重作为初始权重这是迁移学习的核心——利用在COCO数据集上学习到的通用特征能显著加快收敛速度epochs200最大训练轮数。并不是轮数越多越好超过100轮后模型通常已经收敛继续训练只是浪费时间配合patience参数可以在指标不再提升时自动停止imgsz640训练时输入图片的尺寸YOLOv8会自动将原图等比缩放到这个尺寸batch16批次大小16在8GB显存下比较安全device0使用第一张GPUpatience30如果连续30轮验证集指标没有提升训练提前终止提示如果显存不足优先降低batch而不是imgsz。batch8照样能训练出不错的效果但imgsz降低太多会直接影响小目标的检测能力。4.2 训练过程监控与调优训练开始后终端会实时打印每一轮的损失值、精度Precision、召回率Recall和mAP指标。我习惯用tensorboard可视化这些指标YOLOv8默认在训练结束后会生成results.png曲线图如果想在训练过程中实时查看可以额外加上projectresults nametrain参数然后用tensorboard打开tensorboard --logdir runs/detect/train观察训练曲线时我重点关注两个趋势一是训练集loss是否持续下降并趋于平稳如果loss下降缓慢或者震荡剧烈可能是学习率设置不当YOLOv8默认学习率0.01对大多数情况有效但如果自己的数据集很小降低到0.005会更稳定二是验证集mAP50是否随训练轮数上升如果mAP50上升后迅速回降说明模型过拟合了这时候需要增强数据增强、增加正则化或者收集更多数据。训练过程中值得记录的一个现象是前30轮mAP50上升很快从0直接冲到0.6左右这是预训练权重迁移学习的好处。但到了80轮之后mAP50提升就很缓慢了从0.7到0.85花了差不多60轮。这说明前期收敛靠的是预训练权重里的通用特征后期提升靠的是对饮料数据的细粒度适配。如果时间紧张训练到mAP50基本平稳就可以提前停止了不必死等200轮这个参数。5. 模型评估与结果分析5.1 评估指标解读训练结束后YOLOv8会在run目录下保存best.pt和last.pt权重同时在验证集上计算各项指标。我这次训练完的结果大致是mAP50约0.86mAP50-95约0.58精度约0.84召回率约0.77。这里解释一下这些指标的含义mAP50IoU阈值设为0.5时的平均精度均值可以理解为框得差不多的识别准确率这是许多检测任务报告的主指标mAP50-95IoU阈值从0.5到0.95以0.05步长递增计算多个IoU下的mAP再取平均要求更高反映模型对定位精度的能力精度Precision模型预测为正例的结果中预测正确的比例精度高意味着检出的大多是准的召回率Recall所有真实正例中被模型正确检出的比例召回率高意味着漏检少对于超市饮料识别这类场景我个人觉得精度和召回率比mAP50更值得关注。因为实际部署时往往需要接一个前置判断如果识别到饮料就触发后续逻辑比如价格计算、库存管理等漏检一个商品会直接导致业务错误所以召回率最好保持在较高水平。如果自己的场景里漏检严重可以尝试调低置信度阈值默认是0.25降到0.15会多检出一些低置信度的目标代价是误检也会增加。这是一个需要根据业务容忍度来权衡的参数。5.2 验证集效果与失败案例分析光看数字还不够我习惯从验证集里随机抽几十张图片用训练好的best.pt做推理对比人工标注的结果直观感受模型的实际识别水平。这次测试下来发现模型有几个典型问题第一红色瓶身的混检。红牛是金黄色为主东鹏特饮是棕褐色但有些暗光环境下、或者瓶身包装磨损的情况下模型会把红牛误检成东鹏特饮。这类误检主要因为两者的瓶型相似且颜色属性在暗光下趋同。解决办法是收集更多暗光场景的图片或者对暗光图片做亮度和对比度增强后加入训练集。第二小目标漏检。距离超过五六米的货架全景图中养乐多这种小瓶饮料非常容易被漏掉。这不是yolov8模型本身能力不足而是640x640的输入分辨率下养乐多可能只有十几个像素宽网络下采样32倍后特征图上的有效信息几乎消失了。我尝试把imgsz调到960mAP有明显提升但训练和推理耗时也增加了大约1.5倍。第三反光误检。红外监控视角下饮料瓶的反光区域会被模型当作目标边界产生一个无效的预测框。这类问题比较难通过调参解决可以在后处理时增加一个预测框内纹理复杂度的判断反光区域的纹理信息通常很单一可以据此过滤掉一部分误检。6. 模型导出与部署实践6.1 导出ONNX和TensorRT格式训练好的模型要真正用到项目里一般需要导出成部署格式。YOLOv8支持ONNX、TensorRT、CoreML等多种格式导出。如果部署在服务端并且使用NVIDIA GPUTensorRT格式是效果最好的如果跨平台、跨框架ONNX是通用性最强的选择。导出命令很简单yolo export modelbest.pt formatonnx imgsz640 yolo export modelbest.pt formatengine device0导出ONNX之后可以用onnxruntime进行推理。下面是一个简单的Python推理脚本可以用来做快速验证import onnxruntime as ort import numpy as np import cv2 # 加载ONNX模型 session ort.InferenceSession(best.onnx, providers[CUDAExecutionProvider, CPUExecutionProvider]) input_name session.get_inputs()[0].name # 加载图片并预处理 img cv2.imread(test.jpg) img_resized cv2.resize(img, (640, 640)) img_rgb cv2.cvtColor(img_resized, cv2.COLOR_BGR2RGB) img_normalized img_rgb.astype(np.float32) / 255.0 input_tensor np.transpose(img_normalized, (2, 0, 1))[None, ...] # 推理 outputs session.run(None, {input_name: input_tensor})导出TensorRT格式时如果遇到版本不兼容报错绝大多数情况是TensorRT版本和PyTorch版本对不上。建议直接用ultralytics官方Docker镜像里面预装了匹配的环境可以省去大量排查环境的时间。6.2 摄像头实时识别演示部署阶段最有意思的部分是把模型接到摄像头上做实时识别。用YOLOv8自带的预测接口写实时推理非常简单from ultralytics import YOLO model YOLO(best.pt) results model.predict(source0, showTrue, conf0.5, imgsz640)source0表示读取第0个摄像头。我实测了一下在GTX 1660Ti上跑yolov8s640x640输入推理速度大约在25到35毫秒每帧即每秒能处理大约30帧基本满足实时性要求。如果是yolov8n可以跑到每秒50帧以上。如果部署到Jetson Nano这类边缘设备建议导出TensorRT格式并用yolov8n否则帧率会很低。部署时需要注意的一个细节是摄像头的视角和光线与训练数据差异过大时模型效果会打折扣。比如训练数据都是水平视角拍摄的部署时摄像头装在货架上方俯拍模型可能不适应这个新视角。遇到这种情况不是急着调模型而是先采集一小部分新视角的图片用训练好的模型做半自动标注后微调几个epoch通常效果就回来了。7. 常见问题与排查技巧实录7.1 压缩包与文件解压问题这类数据集在网上传播时经常是zip压缩包下载后总会遇到各种解压问题。我处理过几个典型的一是file is not a zip file错误。这个报错通常说明文件下载不完整或者文件不是真正的zip格式可能下载到了网页HTML错误页面。排查方法是先看文件大小和网站标注的大小对比然后用file命令查看文件真实类型最后重新下载。在Linux系统下解压建议用unzip -O UTF-8 罐装饮料识别数据集.zip因为数据集文件名可能包含中文不指定UTF-8可能导致乱码。二是压缩包内文件缺失。解压后如果发现images目录和labels目录数量对不上比如有图片但对应的txt缺失需要先找出哪些样本缺失再用删除或重新标注的方式处理。用Python脚本可以快速找出缺失的标注文件import os image_dir images/train label_dir labels/train for fname in os.listdir(image_dir): stem os.path.splitext(fname)[0] label_path os.path.join(label_dir, stem .txt) if not os.path.exists(label_path): print(f缺失标注: {fname})7.2 训练时的路径与内存问题YOLOv8训练时最常遇到的报错是找不到数据集路径。这个报错的信息一般是AssertionError: train: No images found in ...。遇到这个报错按照下面几个方向排查检查data.yaml里的路径是否存在在终端用ls验证检查路径末尾是否有空格或特殊字符检查images目录下是否直接就是图片文件注意Ultralytics要求目录结构是images/train/*.jpg不能多一层或者少一层子目录确认图片扩展名是YOLOv8支持的格式.jpg、.jpeg、.png等另一个容易遇到的是显存不足OOM报错。如果训练中途报CUDA out of memory优先将batch减半比如从16降到8如果还是不够再把模型从yolov8s换成yolov8n最后还可以在训练命令里加上--cache False禁止YOLOv8把数据集提前缓存到显存中。7.3 训练后模型效果不佳的排查思路如果训练结束后模型在测试图片上表现不理想不要急着到处找教程先系统地排查一遍先看训练集loss是否正常收敛。如果训练集的loss都降不下去可能是学习率过大、标注数据噪声过大或者模型容量不足再看验证集指标是否和训练集指标差距很大。如果训练集mAP很高、验证集mAP很低说明过拟合需要增加数据增强、增大训练数据量或者引入dropout然后看推理时的conf阈值设置。训练时mAP是在不同置信度下的综合评估实际部署时如果conf阈值设得过高会漏掉低置信度的真目标最后看输入分辨率。如果检测目标占比都很小640x640分辨率可能不够建议用960或1280重新训练按这个顺序排查大部分模型效果问题都能定位到具体原因比盲目调参要高效得多。8. 扩展思路从饮料识别到商品识别通用方案这套数据集训练出来的模型如果只用来识别这8类商品价值有限。但如果把它当作一个起步点其实可以扩展出很多实用的方案。一种扩展方式是加入更多的商品类别。在当前模型的基础上用少量新类别的图片做半自动标注然后微调模型就能快速扩展到几十上百种商品。这也是工业界做商品识别常用的方式先用公开数据集或者预训练模型打底再针对自己的业务数据做小样本微调。另一种扩展方式是技术栈升级。如果识别场景从静态图片变成了动态视频流可以结合目标跟踪技术比如ByteTrack、DeepSORT给每个检测到的商品分配一个独立ID这样即使商品被手遮挡也能持续追踪在结算场景中可以做更精细的交互逻辑。YOLOv8官方仓库里已经有现成的BoT-SORT和ByteTrack的集成代码直接调用即可。还有一个方向是做单类商品的细粒度识别。比如把可乐细分为可口可乐和百事可乐这类任务表面上还是检测但实际上类别间差异非常小需要更关注瓶身logo、配色等局部特征。如果自己的数据量不大这种细粒度识别可能需要借助OCR先识别瓶身上的文字区域再结合检测结果做综合判断。这套数据集整体上属于一个中规中矩的入门级目标检测数据但把它完整跑一遍从解压数据到训练再到部署能把目标检测项目里的绝大多数环节都覆盖到。如果手里有类似的数据集我建议不要只是简单跑一次训练而是把上面的调优、分析、部署流程都走一遍这些经验在以后做真实业务项目时会非常有用。本文还有配套的精品资源点击获取 罐装饮料识别数据集与YOLOv8训练实战指南
简介目标检测是计算机视觉的核心任务之一其落地效果高度依赖数据质量与模型训练策略。在实际工程中公开数据集往往与真实场景存在偏差导致模型部署后性能下降。本文以一套包含东鹏特饮、红牛、可乐等常见饮料的罐装饮料识别数据集为例系统解析YOLOv8在真实数据上的完整训练流程。从数据集目录结构、标注格式与质量评估入手讲解小目标、遮挡、类别不平衡等典型问题的处理思路随后介绍环境搭建、data.yaml配置、超参数调优与训练监控方法再通过mAP、精度、召回率等指标评估模型并导出ONNX或TensorRT格式用于部署。针对实际运行中的解压报错、显存不足、模型效果不佳等问题也给出了系统化排查方案。这套方案不仅适用于饮料识别也可迁移至零售商品检测等场景为开发者提供从数据到部署的可复现参考。 做目标检测的同行应该都有过这种经历想训练一个贴近真实场景的识别模型却总在数据集上卡壳。要么是公开数据集太干净、太理想化部署到实际环境就露馅要么是类别对不上业务需求还得重新标注。最近整理手头资料的时候翻出一套之前用过的罐装饮料识别数据集一千多张图片带完整yolov8格式标注覆盖了东鹏特饮、红牛、芬达、养乐多、可乐、雪碧这些便利店冷柜里的高频单品还顺带标了一批薯片袋装。这套数据虽然不算海量但胜在场景真实、类别贴近日常零售场景对于想跑通目标检测全流程的新手或者需要一个基座数据来微调的开发者都挺有参考价值。这篇文章就围绕这套数据集展开从数据集的目录结构、标注质量、类别分布到yolov8训练环境搭建、参数配置、训练调优、模型评估和部署再到实际跑数据时容易踩的坑一步一步拆开讲。所有内容都基于我实际跑过的流程可以直接照着操作。1. 项目背景与数据集解读1.1 数据集规模与覆盖场景分析先说整体情况。这套数据集压缩包解压之后完整目录大概是这样的罐装饮料识别数据集/ ├── images/ │ ├── train/ # 训练集图片 │ └── val/ # 验证集图片 ├── labels/ │ ├── train/ # 训练集标注txt │ └── val/ # 验证集标注txt ├── data.yaml # 数据集配置文件 └── 类别说明.txt图片总数在一千三百张左右其中训练集约一千一百张验证集约两百张。这个比例大约是8.5比1.5符合常规的划分习惯。图片分辨率大多数在1080p级别部分来自手机拍摄部分来自商超监控视角还有一小部分是网络公开图片。手机拍摄的图片通常比较清晰构图也比较随意监控视角的图片则带有俯视角度光照条件不稳定网络图片的后期处理痕迹明显颜色饱和度高。这三种来源混合在一起反而让模型的泛化能力更好因为推理阶段遇到的真实场景往往就是这种脏乱差输入。需要说明的是数据集除了罐装饮料之外还包含薯片这个类别。一开始我也觉得奇怪薯片和罐装饮料有什么关系后来看标注图片才明白很多拍摄场景就是便利店货架、超市收银台或者办公室茶几薯片和饮料经常摆在一起。如果只标饮料不标薯片那些摆在一起的零食会成为背景干扰模型在特征提取时容易被误导。所以数据集作者把薯片也纳入了标注范围这个思路在实际项目里挺常见的——标注的类别选择往往不是按这是什么而是按哪些物体容易和目标一起出现来考虑。1.2 标注格式与标签文件结构这套数据集用的是yolov8原生支持的YOLO文本格式也就是每个图片对应一个同名txt文件放在labels目录下。txt文件名和图片文件名完全一致只是扩展名不同比如images/train/IMG_20250103_142353.jpg labels/train/IMG_20250103_142353.txt每个txt文件里的每一行对应图片中的一个目标物体格式是class_id x_center y_center width height所以最需要留意的是所有坐标都是相对图片宽高的归一化数值范围在0到1之间不是像素坐标。比如图片是1920x1080一个物体的像素边界框是xmin960、ymin540、width480、height270中心点就是(960240)/19200.625、y_center(540135)/10800.625width480/19200.25height270/10800.25。写入txt就是0 0.625 0.625 0.25 0.25类别编号从0开始。这套数据集的类别定义应该是0: crisps 薯片 1: dongpeng 东鹏特饮 2: redbull 红牛 3: fenda 芬达 4: yangleduo 养乐多 5: cola 可乐 6: sprite 雪碧 7: wanglaoji 王老吉一共8个类别。有些标注工具导出的时候类别顺序可能不一样所以拿到数据后第一步不是急着训练而是打开几个txt文件看看类别编号对应的实际物体避免标签错位。提示训练前务必检查labels里是否有文件是空的0KB空标签文件会导致训练时报错或者这部分图片没有参与训练建议直接过滤掉。2. 数据集标注质量与预处理2.1 标注质量评估的几个关键点拿到数据集之后我习惯先不急着训练而是花半小时左右抽查标注质量。因为标注质量直接决定模型效果上限模型再强也学不出标注里不存在的信息。这次抽查发现整体标注质量还不错但仍存在几个需要注意的现象。一是小目标占比高。便利店货架上的饮料瓶通常只占画面的百分之几到十几尤其是一整排商品陈列的场景单个瓶子可能只有30x80像素。小目标对检测模型的挑战很大因为特征提取层下采样多次后小目标的有效特征可能只剩一两个像素点很容易漏检。如果训练出来的模型对远距离小瓶子漏检明显可以考虑把推理分辨率从640提升到960或者1280或者换用P5层输出更强的模型变体。二是遮挡和密集排列。货架上的饮料瓶前后重叠、瓶身贴在一起是常态但我在抽查中发现有些红色瓶身挨在一起时标注框画得比较随意框住了半个相邻瓶子。这种标注噪声对模型训练影响不算致命但如果数量较多会让模型学习到错误的边界特征建议用标注工具微调一下。实际操作中我筛选出了大约三四十张有明显标注偏差的图片花了一个小时手工修正后期训练收敛速度明显变好。三是类别不平衡。可乐、雪碧这类最常见的饮料样本数量最多养乐多、王老吉样本相对少。如果按默认参数训练少量类别容易被多数类别压制。缓解的办法有三种第一对样本少的类别做数据增强比如复制粘贴到更多背景中第二在loss计算中提高小类别的权重第三最简单也最有效就是补充更多的该类图片。如果不方便采集原始图片可以用已训练好的模型做半自动标注来扩充数据人工审核后再加入训练集。但要注意半自动标注会引入模型自身的bias审核环节不能省。2.2 数据预处理与数据集划分虽然数据集作者已经划分好了train和val但实际使用中还是要检查划分是否合理。最常见的问题是同一场景的连续帧图片被同时分入训练集和验证集比如一段视频抽帧得到的图片中第10帧在train、第11帧在val这种情况下验证集的指标会虚高因为验证集图片和训练集图片太像了模型记住了场景而不只是学到了类别特征。这种问题不容易用代码直接发现只能靠肉眼抽查。我抽查的方式是把val里的图片按文件名排序然后快速浏览缩略图如果发现连续多张图片内容高度相似就确认划分有问题。如果遇到这种情况需要按场景而不是按文件随机划分比如以拍摄时间或地点为维度同一场景的图片全部归入训练集或验证集。数据预处理方面我做了两件常规操作。一是统一图片格式把所有jpg、png、bmp等格式统一转成jpg避免某些格式在训练时解码报错。二是清理损坏图片用Python脚本检查图片完整性删除无法解码的文件。脚本大概是这样的import os from PIL import Image image_dir images/train for filename in os.listdir(image_dir): filepath os.path.join(image_dir, filename) try: img Image.open(filepath) img.verify() except Exception as e: print(f损坏文件: {filepath} - {e}) os.remove(filepath)保险起见我还会把labels目录里找不到对应图片的txt文件也删掉以及把图片存在但txt为空或txt格式错误的样本标记出来在data.yaml里用exclude参数排除或者直接移出目录。3. YOLOv8训练环境搭建与配置3.1 环境依赖安装环境配置是新手最容易卡壳的环节。YOLOv8基于PyTorchPython版本建议3.8到3.10之间PyTorch版本1.8以上即可新版本2.x也兼容。硬件方面NVIDIA显卡只要有CUDA支持就基本都能跑显存不低于6GB就可以训练yolov8n和yolov8s如果只有CPU训练速度会慢很多但也不是完全不能跑。创建虚拟环境我习惯用condaconda create -n yolo python3.9 conda activate yolo然后安装PyTorch。这里有个常见的坑直接pip install torch默认安装的是CPU版本虽然能跑但速度极慢。建议到PyTorch官网选择对应CUDA版本的安装命令比如CUDA 11.8pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118安装完后可以用下面这行命令验证GPU是否可用import torch print(torch.cuda.is_available()) print(torch.cuda.get_device_name(0))如果输出True和显卡型号说明环境没问题。接着安装ultralyticspip install ultralytics这一步会把yolov8的所有依赖比如opencv-python、pandas、matplotlib这些一并装好不需要再单独安装。装完后在Python里执行import ultralytics验证能正常导入就说明环境准备完毕。注意ultralytics包更新很频繁不同版本的默认参数和行为可能有细微差别。如果你安装的是最新版但代码是照着老教程写的训练参数可能不生效。建议训练前用yolo --help查看当前版本支持的参数。我这次用的版本是8.1.x系列。3.2 编写data.yaml配置文件环境准备好之后下一步就是编写data.yaml。这是YOLOv8训练时必需的数据集配置内容非常简单# data.yaml train: /home/user/datasets/beverage/images/train val: /home/user/datasets/beverage/images/val nc: 8 names: 0: crisps 1: dongpeng 2: redbull 3: fenda 4: yangleduo 5: cola 6: sprite 7: wanglaojitrain和val路径最好写绝对路径相对路径虽然YOLOv8也能解析但在不同目录下执行训练命令时容易找不到数据集报错。names字典里的类别顺序必须和标注txt文件中的class_id一一对应这点非常重要。如果把cola的id写成5训练出来的模型预测id5时就会显示sprite部署到应用里就全乱了。4. 模型训练实操4.1 模型选型与训练参数设定YOLOv8提供了5个预训练模型yolov8nnano、yolov8ssmall、yolov8mmedium、yolov8llarge、yolov8xxlarge。它们的参数量和检测精度依次递增推理速度依次递减。对于罐装饮料识别这种单类目标检测任务我建议从yolov8s开始。yolov8n虽然最快但小目标检测能力偏弱yolov8m及以上在GTX 1660Ti这类显卡上训练时间会明显拉长6GB显存甚至可能爆显存。训练命令如下yolo detect train datadata.yaml modelyolov8s.pt epochs200 imgsz640 batch16 device0 patience30各参数含义datadata.yaml指定数据集配置modelyolov8s.pt使用yolov8s的预训练权重作为初始权重这是迁移学习的核心——利用在COCO数据集上学习到的通用特征能显著加快收敛速度epochs200最大训练轮数。并不是轮数越多越好超过100轮后模型通常已经收敛继续训练只是浪费时间配合patience参数可以在指标不再提升时自动停止imgsz640训练时输入图片的尺寸YOLOv8会自动将原图等比缩放到这个尺寸batch16批次大小16在8GB显存下比较安全device0使用第一张GPUpatience30如果连续30轮验证集指标没有提升训练提前终止提示如果显存不足优先降低batch而不是imgsz。batch8照样能训练出不错的效果但imgsz降低太多会直接影响小目标的检测能力。4.2 训练过程监控与调优训练开始后终端会实时打印每一轮的损失值、精度Precision、召回率Recall和mAP指标。我习惯用tensorboard可视化这些指标YOLOv8默认在训练结束后会生成results.png曲线图如果想在训练过程中实时查看可以额外加上projectresults nametrain参数然后用tensorboard打开tensorboard --logdir runs/detect/train观察训练曲线时我重点关注两个趋势一是训练集loss是否持续下降并趋于平稳如果loss下降缓慢或者震荡剧烈可能是学习率设置不当YOLOv8默认学习率0.01对大多数情况有效但如果自己的数据集很小降低到0.005会更稳定二是验证集mAP50是否随训练轮数上升如果mAP50上升后迅速回降说明模型过拟合了这时候需要增强数据增强、增加正则化或者收集更多数据。训练过程中值得记录的一个现象是前30轮mAP50上升很快从0直接冲到0.6左右这是预训练权重迁移学习的好处。但到了80轮之后mAP50提升就很缓慢了从0.7到0.85花了差不多60轮。这说明前期收敛靠的是预训练权重里的通用特征后期提升靠的是对饮料数据的细粒度适配。如果时间紧张训练到mAP50基本平稳就可以提前停止了不必死等200轮这个参数。5. 模型评估与结果分析5.1 评估指标解读训练结束后YOLOv8会在run目录下保存best.pt和last.pt权重同时在验证集上计算各项指标。我这次训练完的结果大致是mAP50约0.86mAP50-95约0.58精度约0.84召回率约0.77。这里解释一下这些指标的含义mAP50IoU阈值设为0.5时的平均精度均值可以理解为框得差不多的识别准确率这是许多检测任务报告的主指标mAP50-95IoU阈值从0.5到0.95以0.05步长递增计算多个IoU下的mAP再取平均要求更高反映模型对定位精度的能力精度Precision模型预测为正例的结果中预测正确的比例精度高意味着检出的大多是准的召回率Recall所有真实正例中被模型正确检出的比例召回率高意味着漏检少对于超市饮料识别这类场景我个人觉得精度和召回率比mAP50更值得关注。因为实际部署时往往需要接一个前置判断如果识别到饮料就触发后续逻辑比如价格计算、库存管理等漏检一个商品会直接导致业务错误所以召回率最好保持在较高水平。如果自己的场景里漏检严重可以尝试调低置信度阈值默认是0.25降到0.15会多检出一些低置信度的目标代价是误检也会增加。这是一个需要根据业务容忍度来权衡的参数。5.2 验证集效果与失败案例分析光看数字还不够我习惯从验证集里随机抽几十张图片用训练好的best.pt做推理对比人工标注的结果直观感受模型的实际识别水平。这次测试下来发现模型有几个典型问题第一红色瓶身的混检。红牛是金黄色为主东鹏特饮是棕褐色但有些暗光环境下、或者瓶身包装磨损的情况下模型会把红牛误检成东鹏特饮。这类误检主要因为两者的瓶型相似且颜色属性在暗光下趋同。解决办法是收集更多暗光场景的图片或者对暗光图片做亮度和对比度增强后加入训练集。第二小目标漏检。距离超过五六米的货架全景图中养乐多这种小瓶饮料非常容易被漏掉。这不是yolov8模型本身能力不足而是640x640的输入分辨率下养乐多可能只有十几个像素宽网络下采样32倍后特征图上的有效信息几乎消失了。我尝试把imgsz调到960mAP有明显提升但训练和推理耗时也增加了大约1.5倍。第三反光误检。红外监控视角下饮料瓶的反光区域会被模型当作目标边界产生一个无效的预测框。这类问题比较难通过调参解决可以在后处理时增加一个预测框内纹理复杂度的判断反光区域的纹理信息通常很单一可以据此过滤掉一部分误检。6. 模型导出与部署实践6.1 导出ONNX和TensorRT格式训练好的模型要真正用到项目里一般需要导出成部署格式。YOLOv8支持ONNX、TensorRT、CoreML等多种格式导出。如果部署在服务端并且使用NVIDIA GPUTensorRT格式是效果最好的如果跨平台、跨框架ONNX是通用性最强的选择。导出命令很简单yolo export modelbest.pt formatonnx imgsz640 yolo export modelbest.pt formatengine device0导出ONNX之后可以用onnxruntime进行推理。下面是一个简单的Python推理脚本可以用来做快速验证import onnxruntime as ort import numpy as np import cv2 # 加载ONNX模型 session ort.InferenceSession(best.onnx, providers[CUDAExecutionProvider, CPUExecutionProvider]) input_name session.get_inputs()[0].name # 加载图片并预处理 img cv2.imread(test.jpg) img_resized cv2.resize(img, (640, 640)) img_rgb cv2.cvtColor(img_resized, cv2.COLOR_BGR2RGB) img_normalized img_rgb.astype(np.float32) / 255.0 input_tensor np.transpose(img_normalized, (2, 0, 1))[None, ...] # 推理 outputs session.run(None, {input_name: input_tensor})导出TensorRT格式时如果遇到版本不兼容报错绝大多数情况是TensorRT版本和PyTorch版本对不上。建议直接用ultralytics官方Docker镜像里面预装了匹配的环境可以省去大量排查环境的时间。6.2 摄像头实时识别演示部署阶段最有意思的部分是把模型接到摄像头上做实时识别。用YOLOv8自带的预测接口写实时推理非常简单from ultralytics import YOLO model YOLO(best.pt) results model.predict(source0, showTrue, conf0.5, imgsz640)source0表示读取第0个摄像头。我实测了一下在GTX 1660Ti上跑yolov8s640x640输入推理速度大约在25到35毫秒每帧即每秒能处理大约30帧基本满足实时性要求。如果是yolov8n可以跑到每秒50帧以上。如果部署到Jetson Nano这类边缘设备建议导出TensorRT格式并用yolov8n否则帧率会很低。部署时需要注意的一个细节是摄像头的视角和光线与训练数据差异过大时模型效果会打折扣。比如训练数据都是水平视角拍摄的部署时摄像头装在货架上方俯拍模型可能不适应这个新视角。遇到这种情况不是急着调模型而是先采集一小部分新视角的图片用训练好的模型做半自动标注后微调几个epoch通常效果就回来了。7. 常见问题与排查技巧实录7.1 压缩包与文件解压问题这类数据集在网上传播时经常是zip压缩包下载后总会遇到各种解压问题。我处理过几个典型的一是file is not a zip file错误。这个报错通常说明文件下载不完整或者文件不是真正的zip格式可能下载到了网页HTML错误页面。排查方法是先看文件大小和网站标注的大小对比然后用file命令查看文件真实类型最后重新下载。在Linux系统下解压建议用unzip -O UTF-8 罐装饮料识别数据集.zip因为数据集文件名可能包含中文不指定UTF-8可能导致乱码。二是压缩包内文件缺失。解压后如果发现images目录和labels目录数量对不上比如有图片但对应的txt缺失需要先找出哪些样本缺失再用删除或重新标注的方式处理。用Python脚本可以快速找出缺失的标注文件import os image_dir images/train label_dir labels/train for fname in os.listdir(image_dir): stem os.path.splitext(fname)[0] label_path os.path.join(label_dir, stem .txt) if not os.path.exists(label_path): print(f缺失标注: {fname})7.2 训练时的路径与内存问题YOLOv8训练时最常遇到的报错是找不到数据集路径。这个报错的信息一般是AssertionError: train: No images found in ...。遇到这个报错按照下面几个方向排查检查data.yaml里的路径是否存在在终端用ls验证检查路径末尾是否有空格或特殊字符检查images目录下是否直接就是图片文件注意Ultralytics要求目录结构是images/train/*.jpg不能多一层或者少一层子目录确认图片扩展名是YOLOv8支持的格式.jpg、.jpeg、.png等另一个容易遇到的是显存不足OOM报错。如果训练中途报CUDA out of memory优先将batch减半比如从16降到8如果还是不够再把模型从yolov8s换成yolov8n最后还可以在训练命令里加上--cache False禁止YOLOv8把数据集提前缓存到显存中。7.3 训练后模型效果不佳的排查思路如果训练结束后模型在测试图片上表现不理想不要急着到处找教程先系统地排查一遍先看训练集loss是否正常收敛。如果训练集的loss都降不下去可能是学习率过大、标注数据噪声过大或者模型容量不足再看验证集指标是否和训练集指标差距很大。如果训练集mAP很高、验证集mAP很低说明过拟合需要增加数据增强、增大训练数据量或者引入dropout然后看推理时的conf阈值设置。训练时mAP是在不同置信度下的综合评估实际部署时如果conf阈值设得过高会漏掉低置信度的真目标最后看输入分辨率。如果检测目标占比都很小640x640分辨率可能不够建议用960或1280重新训练按这个顺序排查大部分模型效果问题都能定位到具体原因比盲目调参要高效得多。8. 扩展思路从饮料识别到商品识别通用方案这套数据集训练出来的模型如果只用来识别这8类商品价值有限。但如果把它当作一个起步点其实可以扩展出很多实用的方案。一种扩展方式是加入更多的商品类别。在当前模型的基础上用少量新类别的图片做半自动标注然后微调模型就能快速扩展到几十上百种商品。这也是工业界做商品识别常用的方式先用公开数据集或者预训练模型打底再针对自己的业务数据做小样本微调。另一种扩展方式是技术栈升级。如果识别场景从静态图片变成了动态视频流可以结合目标跟踪技术比如ByteTrack、DeepSORT给每个检测到的商品分配一个独立ID这样即使商品被手遮挡也能持续追踪在结算场景中可以做更精细的交互逻辑。YOLOv8官方仓库里已经有现成的BoT-SORT和ByteTrack的集成代码直接调用即可。还有一个方向是做单类商品的细粒度识别。比如把可乐细分为可口可乐和百事可乐这类任务表面上还是检测但实际上类别间差异非常小需要更关注瓶身logo、配色等局部特征。如果自己的数据量不大这种细粒度识别可能需要借助OCR先识别瓶身上的文字区域再结合检测结果做综合判断。这套数据集整体上属于一个中规中矩的入门级目标检测数据但把它完整跑一遍从解压数据到训练再到部署能把目标检测项目里的绝大多数环节都覆盖到。如果手里有类似的数据集我建议不要只是简单跑一次训练而是把上面的调优、分析、部署流程都走一遍这些经验在以后做真实业务项目时会非常有用。本文还有配套的精品资源点击获取