企业官网建设流程全解析

简介：面向肺炎影像识别与目标检测任务，这份X光片肺病数据集提供800张原始胸部X光图片，并使用YOLOv7格式完成标注，覆盖细菌性肺炎、新冠病毒、正常肺、结核和病毒性肺炎五种类别，适合医疗影像AI研究者、算法工程师以及相关课程实践。资源共1601个文件，包含800个jpg图像、800个对应txt标注文件以及1个yaml配置文件；其中txt为YOLO标签格式，yaml定义类别名称与路径，解压后即可接入YOLOv7训练流程。整包体积约25.51MB，轻量紧凑，便于下载与快速迭代。已有410人学习下载，说明具备一定参考价值。通过该数据集，用户可直接获得已标注的目标框信息与规范的数据目录结构，省去人工标注环节，可用于模型训练、效果评估或做数据增强、迁移学习等二次开发。

1. 800张YOLOv7格式的X光片肺病数据集：能跑，但别把它当成商用模型

一套X光片肺病数据集，800张原始图片，用YOLOv7标记，可识别细菌性肺炎、新冠病毒、正常肺、结核、病毒性肺炎五类——这样的zip出现在算法工程师手里，通常意味着一个研发起点，而不是一个能直接上线的成品。800张对有监督的目标检测来说并不多，五类分摊后每类平均只有一百多张，它的实际价值是：让训练YOLOv7检测肺部病灶的完整流程在半天内先跑起来。适合三类人：准备做医学影像识别课题的学生、想拿公开小数据验证模型选型的研究者、手上有本地数据但缺少预训练底座的团队。用它之前请先接受两个事实：标签格式未必统一，五类之间在X光片上天然有混淆，后面的每一个坑都从这里长出来。

2. 先校验再训练：YOLOv7标签格式与类别统计的检查脚本

2.1 YOLOv7标注规则：一张图对应一个同名txt，五个数字全是相对坐标

YOLOv7标注不是把框存成xml或json，而是每个目标一行，五列数字：

class_id x_center y_center width height

x_center、y_center是目标框中心的坐标，width、height是框宽和框高，四个值全部除以图片宽高做了归一化，所以都是0到1之间的浮点数。一张X光片对应一个同名txt，CXR_001.jpg对应CXR_001.txt，文件名错一个字符模型就找不到标签。

解压这个zip后，先看目录结构。如果作者是按标准布局给的，通常有images/和labels/两个平级目录，外加一个classes.txt。classes.txt里就是类别顺序，训练时对类别id的映射完全依赖这个文件的顺序，顺序错了，细菌性肺炎和新冠的标签会全部对调，且训练不会报任何错。

这中间有一个很容易看走眼的地方：正常肺这一类的标注策略。YOLOv7是目标检测，每一行代表一个有界框。正常肺如果不打框，那它的txt就是空文件；如果作者给正常肺打了双肺区域的大框，那normal就会作为一个显式类别出现在classes.txt里。两种做法都能训练，但评估口径完全不同。先确认作者选了哪一种，再看下面的脚本。

2.2 标签合法性检查脚本：越界、空txt、类别ID越界一次扫完

拿到zip后先别急着配环境，第一步永远是跑一遍标签检查。我习惯用一个脚本把所有labels文件夹里的txt扫一遍，统计每类框数量，同时抓出坐标越界、宽高为负、字段数不对、类别id越界这几类常见问题。

import os import glob from collections import Counter labels_dir = "labels" class_names = [ "bacterial_pneumonia", "covid19", "normal", "tuberculosis", "viral_pneumonia", ] # 顺序必须以解压目录里的 classes.txt 为准，这里只是最常见的一种排列 bad_files = [] # 记录格式/数值异常的文件 empty_files = [] # 记录空标签文件 cls_box_counter = Counter() total_boxes = 0 tiny_boxes = 0 for txt_path in sorted(glob.glob(os.path.join(labels_dir, "*.txt"))): with open(txt_path, "r", encoding="utf-8") as f: lines = [line.strip() for line in f if line.strip()] if not lines: empty_files.append(os.path.basename(txt_path)) continue for line in lines: parts = line.split() if len(parts) != 5: bad_files.append((os.path.basename(txt_path), f"字段数={len(parts)}")) continue try: cls_id = int(parts[0]) x_c, y_c, w, h = (float(v) for v in parts[1:]) except ValueError: bad_files.append((os.path.basename(txt_path), "数值解析失败")) continue if cls_id < 0 or cls_id >= len(class_names): bad_files.append((os.path.basename(txt_path), f"类别id={cls_id}越界")) continue if not (0.0 <= x_c <= 1.0 and 0.0 <= y_c <= 1.0): bad_files.append((os.path.basename(txt_path), "中心坐标不在[0,1]")) continue if not (0.0 < w <= 1.0 and 0.0 < h <= 1.0): bad_files.append((os.path.basename(txt_path), "宽高非法")) continue cls_box_counter[cls_id] += 1 total_boxes += 1 if w * h < 0.0005: tiny_boxes += 1 print("总框数:", total_boxes) for cls_id in range(len(class_names)): print(f"类 {cls_id} ({class_names[cls_id]}): {cls_box_counter[cls_id]} 个框") print("面积过小的框:", tiny_boxes) print("异常文件:", bad_files if bad_files else "无") print("空标签txt:", len(empty_files))

逻辑说明：先按行拆标签，再逐个字段校验。中心点坐标必须落在[0,1]区间，因为YOLO归一化后中心点不会超出图像范围；宽高也必须在(0,1]之间，等于0的框没有意义，大于1说明归一化时用错了图片尺寸。面积阈值0.0005是按640×640输入图估算的，相当于16×16像素，在X光片病灶检测里这类小框绝大多数是标注噪声或误标，需要抽查。

参数说明：class_names的顺序必须和作者给的classes.txt完全一致。如果不一致，类别id对应的名字全错，后面训练的混淆矩阵也没法看。建议把脚本里的class_names替换成classes.txt的实际内容，而不是照抄我这里的猜测顺序。

2.3 图片与标签配对检查：不要漏看“有图无标签”的无框X光片

标签内容合法不代表文件配对正确。如果某张图没有同名txt，YOLOv7训练时会跳过这张图，但你自己可能毫无感知，直到发现800张图实际只训了750张。

from pathlib import Path from PIL import Image images_dir = Path("images") labels_dir = Path("labels") image_files = sorted(list(images_dir.glob("*.jpg")) + list(images_dir.glob("*.png"))) missing_label = [] for img in image_files: txt = labels_dir / (img.stem + ".txt") if not txt.exists(): missing_label.append(img.name) print("有图无标签:", len(missing_label), missing_label[:10]) sizes = [] for img in image_files[:200]: with Image.open(img) as im: sizes.append(im.size) widths = [s[0] for s in sizes] heights = [s[1] for s in sizes] print("图片宽度范围:", min(widths), "-", max(widths)) print("图片高度范围:", min(heights), "-", max(heights))

逻辑说明：这一段遍历图片目录，检查每个jpg/png是否有同名txt文件。如果缺失数量很多，先判断是不是作者把正常肺统一留空，还是真的漏标。医学X光片数据集里，正常肺图片的txt为空是常见做法，不代表错误。

参数说明：图片尺寸范围统计我一般只看前200张，而不是全量遍历。X光片分辨率差异很大，有些是1920×1280的高清胸片，有些是512×512的缩略图。如果尺寸跨度超过四倍，建议先统一把长边压到1600再训练，否则dataloader每次做letterbox的缩放成本很高，训练速度会被明显拖慢。

3. 按患者拆train/val/test：分层划分脚本和data.yaml配置

3.1 为什么划分必须按患者而不是按图片：验证集虚高的翻车内幕

目标检测划分有两种做法：按图片随机打散，或按患者分组。很多数据集同一患者会有正位和侧位两张胸片，如果这两张被随机分进train和val，模型等于在验证集上做了开卷考试——它记住了患者特征，而不是病灶特征。训练时val mAP能到0.85，换到外部数据直接掉到0.5，这种翻车基本就是这个原因。

如果文件名里有患者ID，比如patient_001_left.jpg和patient_001_right.jpg，就要按patient_001这个前缀归组。800张的医学小数据集尤其要守这条底线。就算你这个数据集确实一人一张，也按这个逻辑写一遍，至少不会漏。

3.2 按主导类别分层的患者级划分脚本

只按患者分组还不够。五类分布很可能不均匀，新冠可能只有40张，如果随机划分，测试集里可能一张新冠都没有。所以我习惯按每个患者的主导类别做分层，再用sklearn的StratifiedShuffleSplit两次拆分，达到约70% train、15% val、15% test。

from pathlib import Path from collections import Counter, defaultdict import numpy as np from sklearn.model_selection import StratifiedShuffleSplit images_dir = Path("images") labels_dir = Path("labels") image_files = sorted(list(images_dir.glob("*.jpg")) + list(images_dir.glob("*.png"))) def patient_id_of(filename: str) -> str: # 如果文件名是 patient_001_left.jpg，取 patient_001 这一段 return "_".join(filename.split("_")[:2]) patient_to_images = defaultdict(list) for img in image_files: pid = patient_id_of(img.stem) patient_to_images[pid].append(img) # 给每个患者指定一个主导类别：该患者所有标签中出现次数最多的类 patient_dominant = {} for pid, imgs in patient_to_images.items(): cnt = Counter() for img in imgs: txt = labels_dir / (img.stem + ".txt") if not txt.exists(): continue for line in txt.read_text().splitlines(): if line.strip(): cnt[int(line.split()[0])] += 1 patient_dominant[pid] = cnt.most_common(1)[0][0] if cnt else -1 pids = np.array(list(patient_to_images.keys())) dominant = np.array([patient_dominant[pid] for pid in pids]) # 先分出 70% train，剩下 30% 是 val+test 的临时池 outer_split = StratifiedShuffleSplit(n_splits=1, test_size=0.3, random_state=42) train_idx, temp_idx = next(outer_split.split(pids, dominant)) # 再从临时池里平分 val 和 test inner_split = StratifiedShuffleSplit(n_splits=1, test_size=0.5, random_state=42) val_idx, test_idx = next(inner_split.split(pids[temp_idx], dominant[temp_idx])) train_pids = set(pids[train_idx]) val_pids = set(pids[temp_idx][val_idx]) test_pids = set(pids[temp_idx][test_idx]) def save_split(split_name, pid_set): out = [] for pid in pid_set: out.extend(str(p) for p in patient_to_images[pid]) Path(f"{split_name}.txt").write_text("\n".join(out) + "\n") save_split("train", train_pids) save_split("val", val_pids) save_split("test", test_pids) print("train患者数:", len(train_pids), "val:", len(val_pids), "test:", len(test_pids))

逻辑说明：先按文件名前缀归组，再统计每个患者所有标签里的类别分布，取最多的类作为该患者的分层标签。StratifiedShuffleSplit会按这个主导类别保持比例，避免小类别在某个集合里消失。第一次拆分拿走30%作为临时池，第二次把临时池一分为二，最终train/val/test接近70/15/15。

需要留意一个边界：如果某个类别只有一个患者，sklearn会在这里报错，因为它无法在一个样本上同时构造出train、val、test。这种情况合理处理方式是把这个患者并入train集合，val和test里放弃这个类别，而不是强行拆分。遇到报错时按这个思路降级。

3.3 划分后目录结构与data.yaml：train/val/test三处路径别写错

划分完成后有三种组织方式。一种是直接在原目录上建子目录，把图片搬进images/train、images/val、images/test，标签同步搬进labels/train等。另一种是把上面生成的train.txt、val.txt、test.txt直接作为YOLOv7的train/val参数，每行一个图片路径。我推荐用txt列表方式，因为不用挪文件，后面换划分时重跑一次脚本就行。

对应的data.yaml模板如下：

train: /absolute/path/to/train.txt val: /absolute/path/to/val.txt test: /absolute/path/to/test.txt nc: 5 names: - bacterial_pneumonia - covid19 - normal - tuberculosis - viral_pneumonia

参数说明：train和val必须填绝对路径，YOLOv7的dataloader对相对路径处理不统一，容易在换目录后找不到图片。nc是类别数，必须和names列表长度一致。names顺序必须再对一遍classes.txt，这一步错了，整个训练白跑一小时。

4. 跑通YOLOv7肺病识别训练：最小命令、小数据参数和第一个mAP

4.1 最小训练命令：从官方YOLOv7仓库直接起训

到这一步，标签检查完、数据也划分好了，接下来的流程就是标准的YOLOv7训练自己的数据集。先确认官方YOLOv7环境能正常跑起来，再跑最小训练命令。

python train.py \ --data xray.yaml \ --weights yolov7.pt \ --batch-size 8 \ --epochs 100 \ --img 640 640 \ --workers 4 \ --project runs/train \ --name xray

逻辑说明：--weights yolov7.pt表示用COCO预训练权重初始化，而不是从零开始。800张X光片从零训练必过拟合，收敛也慢，迁移学习是唯一务实起点。--img 640 640是训练和验证的统一输入尺寸，YOLOv7在训练时会对原图做letterbox再缩放。

参数说明：batch-size设8是因为X光片虽被缩到640，但原图分辨率大，dataloader的解码开销高于普通自然图像，8G显存的卡上batch 8比较稳妥。如果显存够大可以到16，但不要为了追求batch去压图片尺寸，病灶检测对细节敏感，640×640已经是下限。如果你的YOLOv7版本对--img这个参数不识别，换成--img-size再看python train.py -h确认。

4.2 针对800张小数据集的五个必要调整：freeze、mosaic、rect与batch

800张图属于小样本，直接按默认参数跑能出结果，但mAP大概率不理想。我一般会做五个调整。

第一是冻结backbone前几十层。用预训练权重起步后，前面几个epoch让特征提取层学会的是COCO里的通用纹理，而不是肺部结构。在小数据集上直接全量微调容易让backbone被少数样本带偏。YOLOv7的train.py支持--freeze 50，含义是冻结前50层，先训练检测头；跑20个epoch后再去掉这个参数继续微调全部层。

第二是保持mosaic增强开启。800张样本太少，mosaic每次把四张图拼成一张训练，相当于扩大了单次看到的上下文。但mosaic对胸片有一个副作用：四张X光片拼接后，病灶区域会被压缩，小病灶更难学。如果训练到一半发现val mAP停滞，可以关掉mosaic再续训几次，有时反而涨点。

第三是按需开启rect训练。X光片长宽比很夸张，letterbox到640×640会留下大量灰边，浪费计算量。YOLOv7训练时加--rect会在每个batch内按相近长宽比分组，减少灰边。如果你的数据集图片尺寸差异大，这个参数对训练速度和收敛都有帮助；如果图片本身就比较统一，开不开无所谓。

第四是把epochs放到200到300。100个epoch在800张图上看，每张图平均只被训练100次，加上mosaic的裁剪，实际有效迭代不够。我倾向先跑100个epoch看趋势，再决定续训到多少，而不是一次设满。

第五是降低预期。五类肺病检测里，新冠和病毒性肺炎在X光片上本来就难分，正常肺的框法又可能不统一，不要盯着总mAP看，分开看每个类别的AP。

4.3 训练完先看这四张图：混淆矩阵、PR曲线、loss曲线和bad case

训练结束不要只看最后一行mAP。打开runs/train/xray/目录，里面有YOLOv7自动保存的结果图，按下面顺序看。

先看混淆矩阵。重点关注covid19和viral_pneumonia这两个类之间的互相串门比例。如果模型把新冠大片区域标成病毒性肺炎，不是模型坏了，而是X光片本来提供不了足够信息。再看normal类：如果normal被识别成各种肺炎的比例很高，大概率是正常肺的标签框法有问题，回头看第2章的检查。

再看PR曲线。每个类单独有一条曲线，曲线越贴近右上角越好。正常肺如果曲线形状怪异，先检查一下是不是标签里“正常肺”的框既包含双肺又包含心脏区域，导致模型没学到稳定特征。

loss曲线要看train和val两条线的开口方向。train loss持续下降而val loss在某个epoch后回升，是典型过拟合。800张数据过拟合出现在50-80个epoch之间很常见，这时候最优checkpoint往往不是最后一个，而是val loss最低的那个。YOLOv7会在训练中保留best.pt，但如果best是基于val loss选的，留意它对应的epoch是否太早。

最后挑几张bad case画框看。val批次里预测置信度低于0.3但实际有GT框的图，用detect.py重新推理一次，看看模型是漏检了还是框偏移了。这一步能直接暴露出标签里没发现的错误，比如某张图标注框只框住了病灶的一半，模型学到的自然也是“半框”。

5. 五类肺病数据集绕不开的五个坑：现象、原因与排查

5.1 正常肺的“框法”没有统一：为什么normal类mAP忽高忽低

现象：训练过程一切正常，但normal类的precision和recall始终有一个偏低，PR曲线抖动剧烈，val mAP在不同seed下变化很大。

原因：正常肺在X光片里没有病灶可框，作者的标注策略不一致。一部分图打了双肺大框，一部分图是空txt，还有一部分可能只框了一个肺。模型在“正常肺到底框哪里”这件事上接收到的信号是矛盾的。

解决：二选一，然后全数据集统一。如果你想显式输出“正常肺”检测框，就把每张正常图的双肺区域都标上，两个单肺框或一个包含双肺的大框都可以，但必须统一；如果不想标框，就把正常图对应的txt全部清空，训练目标变成“异常区域检测”，推理时无输出即视为正常。两种方案都能跑，最怕的是混着来。

5.2 新冠与病毒性肺炎在X光片上天然长得像

现象：混淆矩阵里covid19和viral_pneumonia互相串门，两者的AP都低；拆开bad case看，模型把新冠的磨玻璃影标成了病毒性肺炎，把病毒性肺炎的实变标成了细菌性肺炎。

原因：这是医学影像本身的边界，不是模型问题。X光片上新冠早期表现就是磨玻璃影，和普通病毒性肺炎几乎没有差异；实变影在细菌性和病毒性肺炎里也都会出现。800张X光片样本量扛不起这种病原体级别的区分。

解决：降级任务。把它当成“正常、细菌性肺炎、结核、其他非细菌性肺炎”四类来评估，新冠并入病毒性肺炎。如果一定要区分新冠，需要CT切片或临床病史参与，单靠胸部X光片的检测模型不现实。强行训练五个类只会得到一个看起来有五个输出、实际两个类靠猜的模型。

5.3 标签坐标越界与异常框：训练loss震荡的老油条式排查

现象：训练loss整体下降但震荡幅度大，val集上预测框经常扁成一字形，或者贴在图边缘。

原因：标签坐标里混入了越界数据。典型情况是标注工具导出时把像素值当成归一化值，或者宽高写成了除以图宽但没有除以图高。

解决：别急着调超参数，先跑第2章的检查脚本。找出所有x_c + w > 1或y_c + h > 1的框，clip到边界并记录。如果异常框超过5%，直接开训会把模型带偏，最稳的办法是把这些标签导出成图片画框人工检查一轮。健康的数据集里这类问题应该一个都没有。

5.4 同设备、同患者的“数据泄漏”让验证集虚高

现象：随机划分后val mAP能到0.85，拿外部X光片一测只有0.5，差距大到不正常。

原因：划分时没有按患者分组，同一患者的正位片和侧位片分别进了train和val；更隐蔽的是，整个数据集如果来自同一台设备，设备自带的影像后处理算法会形成一种“设备伪影指纹”，模型学到的可能不是病灶，而是这台设备产出的图像风格。

解决：先按第3章的脚本按患者ID重新划分。如果全部图片来自同一台设备，那跨设备的泛化问题是无解的，这时模型的真实能力要以外部数据为准，而不是以val mAP为准。这个限制要写进项目结论里，别等上线再发现。

5.5 把检测框当成确诊结论

现象：demo图上检测框画得很漂亮，五类标签齐全，于是想直接接进临床系统或体检报告。

原因：800张图的样本量只能覆盖有限设备、有限人群、有限疾病阶段；标注的框边界是标注者的主观判断，模型学到的是“标注者认为哪里像病灶”，不是病理诊断。

解决：把模型定位成辅助筛查或科研原型。如果它的输出要进临床流程，需要拿本地多设备数据重新验证，并走完整的医学软件合规路径。这一步不能省，也别想用公开数据集绕过。

6. 用best.pt对本地X光片推理：一句话命令和两个置信度经验

6.1 最小推理命令：detect.py与两个阈值参数

训练完拿到runs/train/xray/weights/best.pt之后，真正的yolov7部署环节反而简单。官方仓库自带的detect.py就是最小推理入口：

python detect.py \ --weights runs/train/xray/weights/best.pt \ --source ./demo.jpg \ --conf-thres 0.30 \ --iou-thres 0.45 \ --project runs/detect \ --name xray_demo

参数说明：--conf-thres是置信度阈值，YOLOv7默认0.25。医学检测场景我习惯提到0.30以上，因为漏检比误检更危险，宁可多给一个低置信度框让医生看，也不要悄悄丢掉可能是病灶的区域。--iou-thres是NMS的IoU阈值，默认0.45。X光片病灶框相对稀疏，一般不用动；如果你发现同一个病灶总被拆成两个相邻框，可以适度提到0.5。

6.2 批量推理后先做类别计数，而不是只看效果图

推理后多数人直接翻开带框的效果图，但效果图看不出类别分布是否合理。我遇到过一个场景：模型把整批测试图全预测成了“正常”，看效果图才发现所有图上根本没有任何框，而这批图里有大量肺炎病例。这类问题在类别不平衡时特别容易出现，所以批量推理时加上--save-txt再统计一下输出：

python detect.py \ --weights runs/train/xray/weights/best.pt \ --source ./test_images \ --conf-thres 0.30 \ --save-txt \ --project runs/detect \ --name batch_test

统计脚本很短：

from collections import Counter from pathlib import Path result_labels = Path("runs/detect/batch_test/labels") cnt = Counter() for txt in result_labels.glob("*.txt"): for line in txt.read_text().splitlines(): if line.strip(): cls_id = int(line.split()[0]) cnt[cls_id] += 1 print(cnt)

逻辑说明：detect.py会把每个检测结果写到与图片同名的txt里，行格式和训练标签一致。统计这些txt里的类别id数量，就能快速判断模型是不是在偷懒——比如把一切都预测成正常，或者某个类完全没输出。类别id对应关系必须与训练时的classes.txt一致。

做医学影像检测这几年，我吃过的最大亏都在代码跑通之后：没有按患者划分导致验证集虚高、没检查标签导致类别错位、没做类别计数导致模型“空场”还不自知。现在拿到任何数据集，我的第一个动作永远是先跑标签统计脚本，而不是急着吹环境。这个习惯救过我很多次，希望你也能在开工前先踩一遍这套校验流程，而不是在训练到一半时才发现数据集的标签黑匣子里藏着一堆坑。希望帮到你。

本文还有配套的精品资源，点击获取