简介：这份老虎目标检测数据集专门为单类目标检测任务设计，内容包含2055张老虎图片对应的Pascal VOC格式XML标注与YOLO格式TXT标注，面向需要快速开展检测模型训练的实验人员、算法工程师和计算机视觉学习者。数据集由labelImg工具标注，类别仅Tiger，总计2487个边界框，覆盖不同姿态、光线和背景下的老虎个体，可直接接入YOLOv5、Faster R-CNN等主流检测框架，免去重复收集图片与人工标注流程。压缩包共2000个文件，以1999个XML标注文件为主，辅以1个说明TXT，整体体积约69.83MB，下载快、目录结构清晰，便于按需取用。目前已有144人浏览学习，适合用于目标检测课程教学实践、野生动物保护监控识别以及不同模型效果对比等场景。若配合YOLO系列开源训练脚本，即使初学者也能在较短时间内完成数据加载、模型训练与指标评估。

1. 老虎目标检测数据集上手：2055张图为什么够用，难点在哪

在野外相机、动物园监控和保护区巡护的场景里，老虎检测一直是个既典型又有点尴尬的需求：目标检测数据集不难找，但专门针对老虎、还同时给全 VOC 和 YOLO 两种标注格式的公开包，确实不多。2055 张图听起来不算大，对单类别检测来说，配合预训练权重和合理的训练配置，完全有机会把 mAP50 推到 0.85 以上。难点从来不在数量，而在于你怎么处理这份 zip——目录结构、坐标归一化、数据集划分，任何一步出错，后面全是白忙。

这份数据集适合三类人：刚入门目标检测、想拿现成数据练手的新手；要做野生动物监测但暂时没条件自己标注的开发者；以及想对比 YOLO 训练流程里不同参数效果的研究者，2055 张的规模足够跑完几轮消融实验。对这类数据，我拿到后的第一反应不是解压就训，而是先把格式和文件完整性查一遍。

这篇文章就按这个顺序来：先讲清 VOC 和 YOLO 两套标注各自的门道和共存方式，再给出从解压到跑出模型的完整命令，最后把最容易翻车的几个坑和提升精度的增强手段一次说透。每一步都会给可复现的脚本，你也可以直接照抄。

2. VOC与YOLO两套标注怎么共存：先读懂目录结构，再谈训练

这类数据集解压后通常是两套布局并排躺着：一套 VOC 风格的JPEGImages / Annotations / ImageSets目录，一套 YOLO 风格的images / labels目录，图片共用但不重复存放。为什么同一份数据要塞两份标注？因为生态不一样：Pascal VOC 是老牌评测基准，不少可视化工具和旧代码只认 XML；而 YOLO 系训练框架读 txt 最省事，一行五个数字直接进 numpy，连解析都省了。数据集同时给两份，是为了让你无论用什么框架都不用再裸写转换器。

我见过太多人拿到这种包，直接跳过格式检查就把路径填进训练脚本，结果跑起来全是诡异报错。所以这一章先把两套格式的底层约定讲透，再给你一个校验脚本，让你在动手训练之前就把问题挡在门外。

2.1 VOC三件套：JPEGImages、Annotations、ImageSets 各管什么

VOC 格式源自 PASCAL VOC 竞赛，目录结构严格三分：JPEGImages放原图，Annotations放同名 XML，ImageSets/Main放划分列表。列表里每行是一个不带扩展名的文件名，train 用哪些、val 用哪些都写在这里。XML 是标注本体，一张图对应一个文件，里面除了目标框还有图片尺寸，这个尺寸就是你日后做坐标换算的基准，缺了它没法转 YOLO。

<annotation> <filename>tiger_0001.jpg</filename> <size> <width>1280</width> <height>720</height> <depth>3</depth> </size> <object> <name>tiger</name> <bndbox> <xmin>214</xmin> <ymin>98</ymin> <xmax>1102</xmax> <ymax>689</ymax> </bndbox> </object> </annotation>

这份 XML 里最关键的是三块：size下的宽高决定归一化分母；object/name是类别名，数据集提供方用什么名字，你训练配置里names就得跟它一致；bndbox给的是左上角和右下角的像素坐标，注意不是中心点也不是宽高。如果一个 XML 里有多个object，说明这张图里有多个目标，转 YOLO 时就要输出多行，每个目标一行。单类别数据集还好，多类别时name的拼写稍有出入，转换脚本就会静默丢类。

2.2 YOLO的txt标注：五个数字与归一化坐标的计算关系

YOLO 格式的标注是纯文本，一张图对应一个同名 txt，每行五个数字：类别ID 中心点x 中心点y 宽度 高度。前四个值全部归一化到 0 到 1 之间，不依赖图片分辨率。比如一行0 0.5141 0.5465 0.6938 0.4104，含义就是第 0 类（tiger）的框中心在图片水平 51.41%、垂直 54.65% 的位置，框宽占图片宽 69.38%，框高占图片高 41.04%。

从 VOC 像素坐标换算过去是固定的四行公式：

# VOC -> YOLO 换算 x_center = (xmin + xmax) / 2 / width y_center = (ymin + ymax) / 2 / height box_w = (xmax - xmin) / width box_h = (ymax - ymin) / height

这里最容易出错的地方有两个：一是拿width和height用反，比例会横向拉伸整个训练分布，训练不报错但效果全废；二是忘了除以尺寸，直接把像素值写进 txt，训练时框全部超出 0 到 1 边界。另外class_id从 0 开始计数，单类别数据集固定是 0，多类别时这个数字的顺序必须和训练配置里的names列表一一对应，否则模型学到的类别和推理输出就对不上。

2.3 写一个VOC转YOLO的校验脚本：转换前先抓坐标错误

这份 zip 已经同时给了两套格式，理论上不需要你再做转换，但两套标注是不是一致、有没有缺文件、坐标有没有越界，你必须自己查一遍。我一般会写一个小脚本遍历所有 XML，同步检查同名 txt 是否存在、每行是不是五个数、归一化坐标是否在合法区间。因为刻度错误不会让训练器报错，它只会让 loss 曲线假装正常，最后 val mAP 惨不忍睹。

import os import xml.etree.ElementTree as ET xml_dir = "Annotations" txt_dir = "labels" problems = 0 for xml_name in sorted(os.listdir(xml_dir)): if not xml_name.endswith(".xml"): continue stem = xml_name[:-4] txt_path = os.path.join(txt_dir, stem + ".txt") if not os.path.exists(txt_path): print(f"[缺文件] {stem}.txt 不存在") problems += 1 continue tree = ET.parse(os.path.join(xml_dir, xml_name)) root = tree.getroot() w = int(root.findtext("size/width")) h = int(root.findtext("size/height")) with open(txt_path) as f: lines = [ln.strip() for ln in f if ln.strip()] for i, line in enumerate(lines): parts = line.split() if len(parts) != 5: print(f"[行格式错] {stem}.txt 第{i + 1}行: {line}") problems += 1 continue cx, cy, bw, bh = map(float, parts[1:]) if not (0 <= cx <= 1 and 0 <= cy <= 1 and 0 < bw <= 1 and 0 < bh <= 1): print(f"[坐标越界] {stem}.txt 第{i + 1}行: {line}") problems += 1 print("校验完成, 问题数:", problems)

这个脚本的核对逻辑分三层：先查文件一一对应，再查行格式，最后查坐标边界。那个0 < bw <= 1的判断是有讲究的，动物被图片边缘裁切时，标注框可能超出图像范围，换算后宽高会大于 1，这类框要么在训练前 clip 到边界内，要么直接剔除，否则会影响回归损失。跑完如果problems不为 0，先处理完再进下一步，不要带着问题去训练。

3. 从zip到第一个老虎检测模型：解压、划分、配置、训练的完整流程

格式这块搞清楚了，剩下的就是操作。我平时训练检测模型的固定顺序是：解压核对文件完整性，按固定随机种子划分数据集，写 data.yaml，最后用预训练权重启动训练。这套流程对 2055 张图来说有点「杀鸡用牛刀」，但养成习惯后，换任何目标检测数据集都不会慌，也基本覆盖了 yolo 入门到第一次出模型的全部环节。

下面每一步都有完整命令和参数说明，你可以直接复制改路径。我默认你用的是 YOLOv8 的官方 ultralytics 环境，如果你还在用 YOLOv5，配置思路完全一样，只是启动命令换一下脚本入口。

3.1 解压后先核对2055张图的文件完整性

解压前先建一个干净的目录，避免 zip 里的文件散落得到处都是。这个包的文件名带中文，Linux 下直接unzip没问题，Windows 下用 7-Zip 解压也正常，但你后续写进配置文件里的路径最好全部用英文，省得训练器在中文路径上出幺蛾子。

unzip '老虎数据集2055张VOC+YOLO格式.zip' -d tiger_dataset cd tiger_dataset # 常见目录布局：VOC 一套，YOLO 一套 find . -maxdepth 2 -type d | sort # 核对图片与标签数量是否一致 echo "jpg 数量: $(find . -name '*.jpg' | wc -l)" echo "xml 数量: $(find . -name '*.xml' | wc -l)" echo "txt 数量: $(find . -path '*labels*' -name '*.txt' | wc -l)"

find这段命令就是把家底盘一遍：看目录结构长什么样、图有多少张、标注文件有多少个。正常情况下图片数就是标题写的 2055，XML 也应该对应 2055（VOC 格式一张图一个 XML），txt 数量则取决于 YOLO 目录的布局方式，但最终图片和 txt 必须一一对应。如果数量对不上，最常见的原因是包里面混进了缩略图、缓存文件或者几张没有标注的「背景图」，这时候要先把差异名单列出来，单独处理，而不是直接开训。

注意：解压后如果发现图片是 2055 张但 txt 只有 2040 个，那就是有 15 张图没标注，或者标注文件丢失。带着这种残缺数据训练，会在 3.1 节和 4.1 节两个位置各炸一次。

3.2 用固定随机种子做 train/val/test 划分

YOLO 训练需要图片和同名标签保持同样的相对路径，所以划分时两个文件要一起搬。我一般按 8:1:1 切成 train/val/test，2055 张的话大约是 1644 张训练、205 张验证、206 张测试。留 test 集很多人会省，但做迁移学习对比或者最后报精度时，test 集才是你唯一能信的分数。

import os import random from shutil import copy2 random.seed(42) SRC_IMG = "images" SRC_LBL = "labels" DST = "yolo_split" imgs = [f for f in os.listdir(SRC_IMG) if f.endswith(".jpg")] imgs.sort() random.shuffle(imgs) print("图片总数:", len(imgs)) n = len(imgs) n_train = int(n * 0.8) n_val = int(n * 0.1) for part in ("train", "val", "test"): os.makedirs(os.path.join(DST, "images", part), exist_ok=True) os.makedirs(os.path.join(DST, "labels", part), exist_ok=True) for idx, name in enumerate(imgs): if idx < n_train: part = "train" elif idx < n_train + n_val: part = "val" else: part = "test" stem = os.path.splitext(name)[0] lbl = os.path.join(SRC_LBL, stem + ".txt") if not os.path.exists(lbl): print("缺标签, 跳过:", name) continue copy2(os.path.join(SRC_IMG, name), os.path.join(DST, "images", part, name)) copy2(lbl, os.path.join(DST, "labels", part, stem + ".txt")) print("划分完成: 进入 yolo_split 目录查看")

脚本里有三个细节值得说明。random.seed(42)是固定随机种子，保证你每次跑划分得到一模一样的结果，这样后面做增强对比、调参对比时，train/val/test 三套集合完全一致，变量只有一个。排序后再shuffle是为了在不同机器上拿到相同的随机序列，避免因为文件系统遍历顺序不同导致划分漂移。单选jpg扩展名是假设包内图片都是 JPEG，如果你的数据里有 png 或别的格式，在列表推导式里把扩展名条件补全。这套划分没有做按类别的分层抽样，因为单类别数据集没有这个必要；多类别时才需要考虑stratify。

3.3 写 data.yaml：路径和类别名错一个就白跑

YOLOv8 的训练入口通过一个 YAML 文件描述数据，路径、类别数、类别名全在这里。这个文件错一个字符，训练器要么报找不到数据集，要么类别数和你标注里的 class_id 对不上，跑几个小时才发现问题。我一般把路径写成绝对路径，因为相对路径是相对于 YAML 文件所在目录解析的，脚本一换目录就崩，绝对路径虽然丑但省心。

path: C:/work/tiger_dataset/yolo_split # 改成你的绝对路径 train: images/train val: images/val test: images/test nc: 1 names: 0: tiger

nc是类别总数，单类别就写 1，它必须和names的长度一致，也和标注 txt 里 class_id 的最大值匹配。如果 txt 里的类别 ID 是 0、1、2，nc就得写 3，names下面列三个名字。train/val/test三个字段是相对于path的子目录，不要在前面多加一层。Windows 用户写路径时统一用正斜杠，YAML 对反斜杠的转义处理很容易把人整疯。

3.4 用预训练权重启动训练：epochs、imgsz、batch 怎么定

划分做完、YAML 写好，就可以训练了。2055 张图不算多，我强烈建议用预训练权重而不是随机初始化，YOLOv8 官方提供的yolov8n.pt是 nano 版本，体积小、显存占用低，对单类别小数据集是性价比最高的选择。如果你显存够大，换成yolov8s.pt精度会好一点，但训练时间也翻倍。

yolo detect train \ model=yolov8n.pt \ data=data.yaml \ epochs=120 \ imgsz=640 \ batch=16 \ patience=30 \ project=runs \ name=tiger_n

训练跑起来后，终端会实时打每一轮的box_loss、cls_loss、dfl_loss和验证集的 mAP50。前二三十轮 loss 波动大是正常的，后面应该平滑下行；如果 loss 不降反升，或者 val mAP 一直趴着不动，就要回头查学习率和数据路径，而不是干等。这套配置我一般在单张 12G 显存的卡上跑完一轮要 40 分钟左右，120 轮大概五六个小时，中间随时可以用yolo detect train resume=True续跑。

4. 老虎数据集训练避坑：5个高频翻车现场与排查方法

训练脚本不是写完就能一次跑通的。这一章我把这类老虎数据集上最容易踩坑的五个场景列出来，全部按「现象 → 原因 → 解决」写，你遇到问题可以直接对号入座。这些坑我在不同项目里基本都踩过一遍，属于典型的血泪经验。

4.1 标签与图片对不上：训练一启动就报错

现象：yolo train刚跑几秒就中断，日志里出现no labels found或者Assertion之类的报错，甚至直接提示某张图找不到对应 txt。

原因：数据集打包时漏了文件，或者包内混了没有标注的图片。YOLO 训练器对图片和标签的一一对应查得很严，图片在images里但同名 txt 不在labels里，它直接罢工。这类问题在 3.1 的数量核对阶段就该发现，但如果那个包是分卷压缩或者你自己手动搬过文件，漏几张非常正常。

解决：写个脚本把缺失名单打出来，孤儿图片统一移到ignore/目录，空 txt 直接删除。带病训练没有任何好处。

import os imgs = [f for f in os.listdir("images") if f.endswith(".jpg")] missing = [ f for f in imgs if not os.path.exists(os.path.join("labels", f[:-4] + ".txt")) ] print("缺标签的图片:", missing)

这段脚本的逻辑就是拿图片名减去扩展名，去labels里找同名 txt。f[:-4]是把.jpg截掉，如果图片是 png 或其他格式，记得改成对应的切片长度。跑完如果列表为空，再回去启动训练。

4.2 归一化坐标算错：loss正常但框全在图片外

现象：训练 loss 平滑下降，看起来一切正常，但验证集 mAP 几乎为零，把预测结果可视化出来，框全在图片边缘或者完全出现在黑色区域。

原因：这是最阴间的错误——转换脚本里宽高用反，或者忘了除以图片尺寸。问题在于这类错误不会让训练器报任何异常，loss 照样降，模型也「学到了」一种扭曲的分布，属于典型的静默失败，训练日志根本看不出来。

解决：随机抽五张图，把 txt 里的归一化坐标还原成像素框，用 OpenCV 画出来人工核对。这一步花不了两分钟，但能挡住大半天的排查。

import cv2 img = cv2.imread("images/tiger_0001.jpg") h, w = img.shape[:2] with open("labels/tiger_0001.txt") as f: line = f.readline().split() cx, cy, bw, bh = map(float, line[1:]) x1 = int((cx - bw / 2) * w) y1 = int((cy - bh / 2) * h) x2 = int((cx + bw / 2) * w) y2 = int((cy + bh / 2) * h) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.imwrite("check_tiger_0001.jpg", img)

(cx - bw / 2) * w这一步是把中心点表示换算回左上角像素坐标，画框前先确认x2 > x1、y2 > y1，如果出现负数或者超过宽高，就是归一化数据本身有问题。框的位置能基本贴合老虎的身体，才说明标注链路是通的。

4.3 类别不平衡：成年虎好检，幼虎漏检

现象：整体 mAP 看着不错，但某些形态的老虎几乎检不出来——比如幼虎、伏地姿态、只露出半截身体的目标。

原因：2055 张图里的目标分布天然不均。相机陷阱拍到的多半是成年虎的侧身和正面，幼虎、隐蔽姿态的样本可能只有几十张，模型把主导形态学得太充分，稀有形态的召回率就被牺牲了。这类问题在单类别数据集里很多人会忽略，因为分类只有一个，但检测器学的其实是框内的视觉特征分布，样本少照样学不好。

解决：对稀有形态做针对性离线增强，比如把幼虎样本复制粘贴到多张背景图上扩增数量；训练时开启 YOLO 内置的 mosaic 增强，它会把四张图拼在一起，变相增加小目标样本；推理阶段把置信度阈值从 0.25 降到 0.15，先看召回有没有明显上升——如果有，说明模型其实学到了一部分特征，只是被阈值卡掉了。如果这个数据集把老虎按年龄或亚种标了多个类，还要考虑在 loss 上给稀有类加权重，ultralytics 支持按类别传入权重参数。

4.4 暗光和逆光图片：质量差导致漏检

现象：白天光线好的图片检测一切正常，到了傍晚、树荫、逆光这类低照度场景，漏检率直线上升。

原因：野生动物监测的原始素材大量来自相机陷阱，拍摄时间和光照条件非常随机。标注框内的目标与背景对比度过低，模型在训练时没怎么见过这种亮度分布，推理时纹理特征响应变弱，框就丢了。这属于典型的训练分布和实际使用分布不一致。

解决：在训练增强里加入亮度扰动，让模型在低照度分布上见过足够多样的样本。最直接的是RandomBrightnessContrast，把亮度和对比度的扰动范围开到 0.3 左右。另外可以把这类难例单独挑出来放进验证集，直接用当前模型跑一遍，确认是整体漏检还是特定场景漏检，再决定是加数据还是加增强。

4.5 划分泄露：验证集分数虚高的假象

现象：验证集 mAP50 能到 0.93，你满怀信心地把模型拿到新拍摄的照片上去测，结果只有 0.6，差距大到让人怀疑训练过程。

原因：最常见的原因是划分泄露——数据集里同一场景、同一机位的连续帧被随机分到了 train 和 val。模型在训练时已经「见过」验证集里相近的画面，相当于考试前看了答案。相机陷阱数据尤其容易出这个问题，因为同一个机位会连续拍几百张极其相似的图。

解决：按场景分组划分。先看文件名里有没有机位编号或拍摄时间字段，把同一个场景的所有图片归到同一组，再以组为单位划分 train/val/test。这样验证集里的画面是模型真正没见过的视角，分数才有参考价值。分组后 mAP 通常会掉一点，但那个掉下来的分数才是你模型真实水平的估计。

5. 把精度再往上提：增强参数、迁移学习微调与结果验证

基础训练跑通只是起点，想让这个老虎检测模型真正能在实际场景里用，还得在三个方向上做文章：迁移学习的微调策略、数据增强的参数搭配、以及验证阶段的指标解读。这一章讲的是我常用的进阶做法，每一步都有明确的目的，不是玄学调参。

5.1 迁移学习微调：冻结前层与学习率的配合

2055 张图从头训练卷积骨干是浪费，预训练权重里已经包含大量通用纹理和形状特征。我的做法是先用yolov8n.pt做底座，微调阶段把前 10 层冻结，只让后面的检测头去适应老虎数据，学习率降到 0.001。冻结前层能减少训练时间，同时避免小数据量下骨干被带偏，这个策略在单类别场景下效果非常明显。

yolo detect train \ model=yolov8n.pt \ data=data.yaml \ epochs=120 \ imgsz=640 \ batch=16 \ freeze=10 \ lr0=0.001

freeze=10表示冻结前 10 层的权重，它们只参与前向传播，不参与梯度更新。lr0=0.001是初始学习率，比默认的 0.01 低一个量级，适合小数据集微调。如果冻结后收敛太慢，可以先把freeze改成 0 跑一轮基线，再逐步加上冻结对比。

5.2 在线增强与离线增强：albumentations 参数设定

YOLOv8 默认开启了 mosaic 和 HSV 扰动，这些属于在线增强，训练时实时生成。但对小数据集，我还会用 albumentations 做一层离线增强，专门补充尺度变化和光照变化。注意增强不是越多越好，加过头会把训练分布改得面目全非，推理时反而掉点。

import albumentations as A train_transform = A.Compose([ A.HorizontalFlip(p=0.5), A.RandomBrightnessContrast(brightness_limit=0.3, contrast_limit=0.3, p=0.4), A.HueSaturationValue(hue_shift_limit=8, sat_shift_limit=15, val_shift_limit=15, p=0.3), A.RandomSizedBBoxSafeCrop(width=640, height=640, erosion_rate=0.1, p=0.5), ], bbox_params=A.BboxParams( format="yolo", label_fields=["class_ids"], min_visibility=0.3, ))

RandomSizedBBoxSafeCrop是这个组合里最值得调的一个，它会随机裁剪并缩放，同时保证框不超出边界，erosion_rate=0.1控制框边缘被裁掉的比例，min_visibility=0.3保证裁剪后目标至少还有 30% 可见，否则这个增强样本直接丢弃。brightness_limit和contrast_limit都开到 0.3，是因为老虎数据集里很多图来自野外低照度环境，这两个参数能让模型对光线变化更鲁棒。离线增强后的图片最好单独存一份，不要和原始图混在一起，方便以后复现。

5.3 验证阶段看什么：mAP50、mAP50-95 与可视化

训练结束后，用独立的 test 集做最终验证，不要用 val 集报告成绩，val 在训练过程中已经被早停机制用来挑模型了。我习惯写一个三行脚本把测试集指标打出来，然后随机抽几十张图批量预测，人工扫一遍看框的贴合度。

from ultralytics import YOLO model = YOLO("runs/detect/tiger_n/weights/best.pt") metrics = model.val(data="data.yaml", split="test") print("mAP50:", metrics.box.map50) print("mAP50-95:", metrics.box.map)

metrics.box.map50是 IoU 阈值 0.5 下的平均精度，对单类别来说就是这一类别的 AP，这个值对定位要求宽松，主要衡量「有没有框出来」；metrics.box.map是 mAP50-95，在 0.5 到 0.95 的多个 IoU 阈值上取平均，对框的贴合度要求严格得多。两个值一起看才有意义——前者高后者低，说明框位置毛糙；两个都高，这个模型才值得部署。

results = model.predict(source="test_imgs", save=True, conf=0.25)

这条命令会把测试图片连框一起存到默认输出目录，你逐个翻一遍，重点看三类：漏检（老虎没被框出来）、误检（把石头或树影框成老虎）、框贴合度（框是否明显大于或小于身体）。

我现在拿到任何带标注的数据集，第一件事永远是跑格式校验而不是直接开训——当年在归一化坐标上翻车的次数太多了，从那以后这个习惯再没丢过。第二个习惯是每个实验固定随机种子、存一份当时的 data.yaml 快照，这样回头对比增强策略或骨干网络才有底气，不然跑完十轮实验你根本说不清哪个改动起了作用。这两件事加起来花不了十分钟，但能省掉后面几小时的排查时间。希望帮到你。

本文还有配套的精品资源，点击获取