简介：面向方便面调料包正反面识别与产线质检场景的目标检测数据集，图像由海康设备拍摄，按正常放置与反方向放置分别标注为 one、two，适合训练和验证 YOLO 系列等检测模型。压缩包共 904 个文件，包含 441 张 jpg 图像、442 个 txt 标注文件及 21 个 xml 辅助标注文件，整体约 758.95MB，便于直接组织训练集、验证集与复核标注。数据为手动标注，描述中给出 YOLOv8 检测 mAP 约 90% 的参考结果，可用于课程实验、算法对比与工业视觉原型验证；包内样本覆盖不同拍摄角度与摆放状态，标注与图像对应，便于做数据清洗、标签核对和模型迭代。已有 110 人学习，适合计算机视觉初学者、目标检测实践者及需要正反面识别样本的开发者参考。

1. 方便面调料包的正反朝向，值得单独做一个检测数据集

产线上投料工位最容易被低估的一类异常，是调料包躺反了。正面朝上和背面朝上在俯视图里轮廓几乎一模一样，人眼要盯着图案方向、撕口位置才分得清，连看八小时必然走神。这份方便面调料正反目标检测数据集就是冲着这个场景整理的：工业面阵相机俯拍，正常放置标为 one，反向放置标为 two，标注直接是检测框格式，拿来就能进训练流程。它适合做食品包装产线视觉的工程师，也适合手头有工位相机、想快速验证「方向类缺陷能不能用目标检测兜住」的团队。真正难的地方不在模型，而在增强策略和标签一致性——这两点决定了这个数据集是帮你省两周，还是让你在产线上翻一次车。

2. 拆开数据集：one 与 two 的标注边界和采集口径

2.1 为什么把正反做成两个检测类，而不是「检测+分类」两段式

工业上处理方向异常，常见两条路线。第一条是先检出一个通用的「调料包」类，再把框裁出来送进一个二分类网络判断正反；第二条就是这份数据集采用的路线，直接把 one 和 two 当成两个检测类别，一次前向出结果。

两段式看起来更「模块化」，实际问题不少。裁剪框只要有几像素抖动，送进分类器的图就带上了不同比例的背景，分类器很容易把传送带纹理、阴影边缘当成判别依据，换个光照就崩。而且调料包的正反差异是全局的——整幅包装图案旋转了 180 度，撕口从左上跑到右下——这种差异在整图上判断比在裁剪块上判断更稳。单阶段两类检测还有个隐性好处：延迟低。产线节拍通常几十毫秒一个工位，两段式多一次推理和一次内存拷贝，节拍紧的时候就是硬伤。

代价也要说清楚。两类检测在目标外观高度相似时，容易出现同一包上出两个框、类别还打架的情况，后处理必须显式处理「一包只能有一个结论」。这一点在第 5 章会单独展开。

2.2 文件结构、标注格式与类别序

数据集按检测任务的通用组织方式给到，图片和同名 txt 标签一一对应，标签是 YOLO 的归一化格式，每行五个数：

<class_id> <cx> <cy> <w> <h>

其中 cx、cy、w、h 都是除以图宽图高之后的 0~1 浮点数，class_id 从 0 开始。这个数据集里，类别序必须钉死为：

目录上通常是这样的结构，划分脚本跑完就是这个样子：

seasoning/ ├── images/ │ ├── train/ *.jpg │ └── val/ *.jpg ├── labels/ │ ├── train/ *.txt │ └── val/ *.txt └── seasoning.yaml

这里有个血泪经验：类别序一旦定下来，转换脚本、data.yaml 的 names、后处理里的类别映射，三处必须同步，任何一处写反都不会报错，只会安静地把 one 判成 two。所以我一般会把类别映射抽成一个常量模块，所有脚本都从它 import，改一处全改。

2.3 工业面阵相机拍出来的图，对标注意味着什么

采集端是一台 GigE 接口的工业面阵相机，固定俯拍、配条形光源，快门和曝光锁死避免频闪。这种条件下图像有三个特征会直接影响标注和训练。

第一个是反光。调料包外层是复合膜，铝箔层在条光下会出一条高亮带，位置随包体摆放角度漂移。高亮带压在撕口或图案上时，标注员会犹豫框边界该画到哪，我给的规则是：框贴着包体最外轮廓画，不因为反光去缩框，反光交给增强和更多样本覆盖。

第二个是背景单一。传送带底色固定，模型很容易退化成「找背景里的异物」而不是「看包体方向」。所以采集时刻意保留了一些背景变化——皮带接头、边缘挡板、不同批次的色差——虽然样本变脏，但泛化会好一截。

第三个是分辨率。原图分辨率通常明显高于训练输入，直接缩到 640 会让撕口这种小结构糊掉。我的做法是训练输入不低于 960，并且关掉矩形推理，保证 letterbox 的缩放比例一致。

3. 从原始素材到可训练目录：划分、转换与自检

3.1 划分策略：按批次和时间段切，别用随机数切

这一步看着最简单，翻车率却最高。连续抽帧的图片放进随机划分，训练集和验证集里会出现几乎一样的画面，mAP 能刷到 0.98，上线一塌糊涂。

我的规则是按采集时段切分：同一个上午、同一批包材、同一次光源调整拍出来的图，整段进同一个集合，绝不拆散。训练集覆盖多种光照和包材批次，验证集单独留一到两个批次做「没见过」的检验。比例上 8:2 够用，但验证集必须至少包含一批 two 类样本，否则你根本不知道反向包检得怎么样。

如果数据里 two 类明显偏少（现场反向放置本来就是小概率事件），不要靠在验证集里多放 two 来「平衡」，那会把评估指标做虚。正确做法是在训练集里对 two 做过采样或复制粘贴增强，验证集保持真实分布，这样指标才对应产线真实表现。

3.2 标注转换脚本

如果原始标注是 Labelme 的 json，或者是一堆混在一起的 txt，用下面这段统一转成 YOLO 目录。转之前先把每张图对应的标注找齐，缺标注的图直接剔除，不要让空标签图混进训练集。

# convert_to_yolo.py import json import random import shutil from pathlib import Path # 类别序写死，禁止在其他脚本里重复定义 CLASS_MAP = {"one": 0, "two": 1} SRC_IMG = Path("raw/images") SRC_ANN = Path("raw/annotations") # labelme json 目录 DST = Path("seasoning") VAL_RATIO = 0.2 SEED = 42 def labelme_to_lines(json_path: Path, img_w: int, img_h: int) -> list[str]: data = json.loads(json_path.read_text(encoding="utf-8")) lines = [] for shape in data.get("shapes", []): label = shape["label"] if label not in CLASS_MAP: continue # 未知类别直接跳过，不猜 pts = shape["points"] xs = [p[0] for p in pts] ys = [p[1] for p in pts] # 越界坐标夹到图内，避免负值或 >1 导致训练报错 x1, x2 = max(0, min(xs)), min(img_w, max(xs)) y1, y2 = max(0, min(ys)), min(img_h, max(ys)) if x2 - x1 < 4 or y2 - y1 < 4: continue # 极小的误标框丢弃 cx = (x1 + x2) / 2 / img_w cy = (y1 + y2) / 2 / img_h w = (x2 - x1) / img_w h = (y2 - y1) / img_h lines.append(f"{CLASS_MAP[label]} {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}") return lines def main(): pairs = [] for img_path in sorted(SRC_IMG.glob("*.jpg")): json_path = SRC_ANN / f"{img_path.stem}.json" if not json_path.exists(): print(f"[skip] 无标注: {img_path.name}") continue pairs.append((img_path, json_path)) random.Random(SEED).shuffle(pairs) n_val = max(1, int(len(pairs) * VAL_RATIO)) split = {"val": pairs[:n_val], "train": pairs[n_val:]} for subset, items in split.items(): (DST / "images" / subset).mkdir(parents=True, exist_ok=True) (DST / "labels" / subset).mkdir(parents=True, exist_ok=True) for img_path, json_path in items: from PIL import Image with Image.open(img_path) as im: img_w, img_h = im.size lines = labelme_to_lines(json_path, img_w, img_h) if not lines: continue # 转完没框的图不进数据集 shutil.copy2(img_path, DST / "images" / subset / img_path.name) (DST / "labels" / subset / f"{img_path.stem}.txt").write_text( "\n".join(lines), encoding="utf-8" ) if __name__ == "__main__": main()

逻辑上分四步：建立图片和标注的一一对应，按固定种子打乱后切分，逐张读原始尺寸做归一化，最后落盘。几个参数需要按你的实际情况改。VAL_RATIO控制验证集比例，样本量小于 500 张时建议提到 0.25，否则 two 类在验证集里可能只有十几张，指标抖动大得没法看。SEED固定住是为了复现，别每次跑都换。坐标夹取那两行是必须的，Labelme 手画的框越过图像边界很常见，不夹会在训练时抛归一化越界。

要注意random.shuffle是按文件切的。如果你的数据是连续抽帧，这样做仍然会泄漏，必须改成按时间段分组后整组切分，具体见 3.1。

3.3 转换后自检：三个统计量足够发现大部分问题

转完不检查，等于把雷埋进训练。我固定跑下面这段统计，看三个数：每类框数量、每类框的面积中位数、有没有空标签。

# check_labels.py import statistics from collections import Counter, defaultdict from pathlib import Path NAMES = {0: "one", 1: "two"} root = Path("seasoning/labels") for subset in ("train", "val"): cnt = Counter() areas = defaultdict(list) empty = 0 for txt in (root / subset).glob("*.txt"): lines = [l for l in txt.read_text().splitlines() if l.strip()] if not lines: empty += 1 continue for line in lines: c, cx, cy, w, h = line.split() c = int(c) cnt[NAMES[c]] += 1 areas[NAMES[c]].append(float(w) * float(h)) print(f"--- {subset} ---") print("空标签文件:", empty) for k in ("one", "two"): a = areas[k] med = statistics.median(a) if a else 0 print(f"{k}: 框数={cnt[k]}, 面积中位数={med:.4f}")

判断标准很直接。第一，one 和 two 的框数量比例如果超过 10:1，说明反向样本严重不足，训练时会明显偏向 one，需要过采样。第二，两类框的面积中位数应该接近，因为都是同一个包，如果 two 的面积中位数只有 one 的一半，多半是标注时把反向包框小了，或者混进了别的物体。第三，空标签文件数必须是 0，出现就说明有图漏标，回去补。

4. 训练配置：把翻转类增强全部关掉

4.1 方向敏感任务的增强白名单与黑名单

这是整个流程里最容易翻车的地方，也是这类数据集和普通检测数据集最大的区别。

调料包的正反，本质是 180 度旋转关系。也就是说，你把一张 one 的图做一次水平翻转，画面看起来就是 two 的样子，但标签还写着 one。模型学到的就是「长得像 two 的东西其实是 one」。这种脏标签不会让 loss 爆炸，只会让模型在现场表现得像玄学——训练集指标漂亮，实际一到反向包就犹豫。

所以增强必须分类处理：

表里前两行是硬性约束，不管你的框架默认值是什么，都必须显式改成 0。

4.2 data.yaml 与训练命令

先把数据集描述文件写对。names 的顺序必须和转换脚本里的 CLASS_MAP 完全一致，这是唯一一处不能靠记忆的地方。

# seasoning.yaml path: ./seasoning train: images/train val: images/val names: 0: one 1: two

训练命令把增强参数一并显式传入，不要依赖默认值。不同框架版本的默认 fliplr 通常是 0.5，不改就是给自己埋雷。

yolo detect train \ model=yolov8s.pt \ data=seasoning.yaml \ imgsz=960 \ epochs=200 \ batch=16 \ workers=8 \ fliplr=0.0 \ flipud=0.0 \ degrees=0.0 \ mosaic=0.2 \ scale=0.4 \ translate=0.1 \ hsv_h=0.015 hsv_s=0.5 hsv_v=0.3 \ patience=40 \ project=runs/seasoning

逐项说一下为什么这么给。imgsz=960是为了保住撕口和图案细节，代价是显存占用约为 640 的 2.2 倍，单卡 16G 上 batch 大概只能到 16，如果显存吃紧就降到 8 配合梯度累积。epochs=200配patience=40，是因为这个任务收敛其实很快，通常 60~80 轮就基本平了，后面留着是为了等 two 类的召回慢慢爬上来。scale=0.4不算激进，产线上包体鼓包程度不同，尺度抖动是真实存在的，这个值能覆盖住。

mosaic=0.2是个折中。完全关掉，模型对背景变化的鲁棒性会差一点；开到 1.0，四图拼接会把单包压得很小，反而削弱方向特征。0.2 到 0.3 之间是我试下来比较稳的区间。

4.3 类别不平衡与置信度校准

如果自检发现 two 只有 one 的三分之一以下，光靠增强不够，得在采样上下功夫。最简单的是复制 two 的图片并改名，让它在训练集里重复出现两到三次，注意复制时要连带标签一起复制，并且验证集不能这么做。稍微讲究一点的做法是用 copy_paste，把 two 的包体抠出来贴到不同背景上，同时生成新标签，这样既增加数量又增加多样性。

另一个常被忽略的点是置信度校准。两类检测在不平衡数据上训练完，two 的置信度分布整体会比 one 低一截，因为模型见得少、把握小。如果直接拿 0.5 当阈值，one 检得挺好，two 大面积漏。所以阈值不能拍脑袋定，必须看分布，具体做法放在第 6 章。

5. 避坑与排查：五条现场记录

5.1 训练指标 0.97，上线反向包漏检一半

现象：验证集 mAP50 很高，混淆矩阵里 one 和 two 都干净，但现场连续跑一天，反向包检出率不到一半。

原因：增强配置里 fliplr 没有显式关闭，用的是框架默认的 0.5。每一轮都有一半样本被水平翻转，one 的图被翻成 two 的样子却仍标 one，模型被迫学到「这种朝向也可能是 one」，判断边界被抹平。

解决：把 fliplr、flipud、degrees 全部显式置 0 写入训练命令，不用默认值；重训后在验证集上单独看 two 的召回，正常应该比之前提升十几个点。

5.2 推理结果全是 two，一个 one 都没有

现象：模型训完直接拿现场图测，框画出来了，但类别清一色是 two，置信度还不低。

原因：data.yaml 里的 names 顺序和转换脚本的 CLASS_MAP 对不上，或者后处理里有另一份独立的类别映射写反了。这类错误框架不会报，因为类别数是对的。

解决：把类别映射收敛到一个常量模块，data.yaml 从它生成，后处理也 import 它；转换完成后抽十张图用可视化脚本画框，肉眼确认 one 的图上标的是 one。

5.3 换了批包材，指标断崖式下跌

现象：同一套权重，上一批包材测着挺好，换了一批印刷色偏深的，two 的检出率掉了三成。

原因：训练集里所有样本都来自同一两个批次，模型实际上记住了那一批的颜色和反光模式，没学到方向本身。

解决：按批次分层采样，训练集至少覆盖三批以上包材；hsv_s 和 hsv_v 适当加大到 0.5 和 0.3，模拟色差；验证集单独留一个没进训练的批次，作为上线前的真实门槛。

5.4 同一包上出两个框，类别还互相打架

现象：反向包上同时出现一个 one 框和一个 two 框，NMS 之后两个都留着，下游逻辑不知道该信谁。

原因：one 和 two 外观高度相似，模型在边界样本上会同时激活两类。默认 NMS 是类内抑制，不同类别之间不互相压制，所以两个框都能活下来。

解决：这个场景有个业务前提——每个工位视野里一包只有一个结论。所以后处理改成先做类别无关的 NMS，再对剩下的框按置信度取 top-1；如果 top-1 的置信度低于阈值，输出「未识别」交给人工复核，不要硬判。

5.5 标注框画得过紧，增强后目标被裁掉一半

现象：训练正常，但现场包体靠近视野边缘时经常漏检。

原因：标注时框贴着包体轮廓画，scale 和 translate 增强一作用，包体被推到图像边界外，只剩半个目标，模型学到的是残缺特征。

解决：标注时框外扩 2~3 像素留余量；训练时把 translate 控制在 0.1 以内，或者开启边界裁剪保护；验证集里专门放一批包体靠边的图，确认不塌。

6. 上线前的验证：拿混淆矩阵和置信度分布定阈值

模型训完不等于能用，最后一道关是把阈值定下来，并且证明这个阈值在现场站得住。

先跑一次完整验证，把混淆矩阵和每类的 P/R 曲线拉出来：

from ultralytics import YOLO model = YOLO("runs/seasoning/weights/best.pt") metrics = model.val( data="seasoning.yaml", imgsz=960, conf=0.001, # 压低阈值，拿到完整置信度分布 iou=0.6, plots=True, ) print(metrics.box.maps) # 每类 mAP50-95 print(metrics.confusion_matrix) # 看 one->two、two->one 的错分

conf=0.001是为了让所有候选框都吐出来，方便统计分布；正常推理不会用这个值。跑完重点看混淆矩阵的对角线和非对角线：如果 one 被大量判成 two，说明模型对正向样本太保守；如果 two 被大量判成 one，就是漏检反向包，这是产线上更不能接受的方向，优先级更高。

接着按类别统计置信度分位数，用验证集的结果反推阈值：

表里的数字是自己跑出来填的，不是固定值。取值思路是：让 two 的阈值落在它 P10 附近偏上，保证真实反向包九成以上能过；one 的阈值可以高一点，因为正向包数量多，误判成 two 的代价是误剔除，比漏检轻。两个阈值分开设，比全局一个阈值靠谱得多。

最后一步别省：从验证集里挑三十张图，用最终阈值跑一遍，人工核对每个框，尤其核对被压到阈值边缘的那些。我吃过一次亏，验证集指标好看，实际是模型把传送带接缝当成了包体的一部分，框大了半圈。从那以后每次定完阈值，我都强制走一遍人工抽检，不看指标只看框。希望帮到你。

本文还有配套的精品资源，点击获取