简介：显微图像数据集面向计算机视觉与医学图像分析领域的研究者与开发者，聚焦猫网织红细胞这类无核未成熟红细胞的形态识别与计数，源自一篇使用卷积神经网络测定猫网织红细胞百分比的研究论文，采用兽医诊所常见的标准实验室显微镜配合基础显微镜相机与智能手机相机采集图像，降低了数据构建门槛。压缩包共2000个文件，全部为XML标注文件，需与对应图像配合使用，可用于细胞定位、分类、计数等深度学习模型训练，也可为红细胞形态学自动筛查提供基础语料。资源整体大小98.51MB，标注文件结构规整，便于迁移至YOLO、MMDetection等主流框架。已有218人学习下载，适合希望复现论文方法或构建细胞检测应用的工程师与科研人员直接取材。

1. 先别急着训模型：细胞显微图像数据集为什么和普通视觉数据集不一样

很多做细胞检测的人上手第一件事就是下载一个显微图像数据集，把模型跑起来，看到 mAP 不错就以为稳了。结果换到自己的显微镜下一测，精度立刻垮掉——这通常不是模型的问题，而是这类数据集和普通视觉数据集在构成和标注上差异太大：染色条件、细胞密度、类别分布、位深和成像模式都会直接影响训练结果。这篇笔记围绕“不同细胞类型的显微图像数据集”，讲清楚这类数据集应该怎么拆、怎么做成 YOLOv8 能用的格式、预处理和增强有哪些边界，以及最容易让 mAP 失效的几个坑。适合正在做细胞检测与计数的工程师、病理图像算法入门者，以及准备自建细胞标注库的团队。

2. 拆解数据集结构：图像、标注、元数据三件套与格式检查方法

拿到手一个细胞数据集，不管是自己标还是下载的，先花 30 分钟把它拆开看，确认三件事：图像是什么位深、标注是什么格式、元数据里有没有批次信息。这三件事决定了后面所有工作流怎么走。

2.1 三类文件清单：图像、标注、元数据各管什么

显微图像数据集的目录通常长这样：raw 放原始图片，annotations 放标注结果，meta 放实验信息。图像文件最常见的是 TIFF 和 PNG，TIFF 会带 16bit 位深和可能的多通道；PNG 多是 8bit 灰度或 RGB。标注文件就按任务变了——检测任务通常是 COCO JSON 或 YOLO 的 txt，分割任务多是 COCO polygons 或 LabelMe JSON，分类任务一般直接是 CSV 或目录名。元数据是最容易被忽略的：显微镜型号、染色方法、细胞系、拍摄批次、放大倍数，这些字段不只是用于归档，第 3 章的数据划分要全靠它。

下面给一个最小的检查命令，把目录层级和文件数量一次看清。

find /data/cell_dataset -maxdepth 2 -type f | awk -F'/' '{print $NF}' | sed 's/.*\.//' | sort | uniq -c

代码里 find 列出前两层文件，awk 取出文件名，sed 提取后缀，uniq -c 统计每种后缀的文件个数。跑完先确认有没有混入 .rar、.tif、.tiff 这些容易忽略的格式，以及 jpg 和 png 混用的问题。显微图像领域 tif 和 tiff 混在一起很常见，一些老旧代码只认 .tif，后面训练时可能莫名其妙读不到文件。

还有一个容易忽略的点：TIFF 可能内嵌多个页面，一张 .tif 里包含多个 z 平面或时间序列。有些显微成像系统会把整个 Z 轴堆栈写进一个文件，如果直接拿 PIL 读，默认只读第一页，标注却标在另一层，模型看到的就是错位数据。遇到这种情况用 tifffile 库检查页面数，必要时先把多页 tif 拆成单张 2D 图像再进训练流程。

checklist 走完之后，再花两分钟确认图片和标注的对应关系。很多数据集标注文件里的文件名和图片对不上，这种问题不检查，训练集里就会出现大量空 label，模型学到一半突然没监督信号。

for img in images/train/*.png; do base=$(basename "$img" .png) [ -f labels/train/$base.txt ] || echo "missing label: $base" done

这段 bash 遍历 images/train 里的每张图，检查 labels/train 下是否有同名 txt，缺失的打印出来。逻辑不复杂，但能帮你把数据泄漏以外的最低级错误挡在训练之前。注意这里假设图片是 png，如果数据集里混了 jpg，把扩展名一起改掉或统一转换，别指望训练框架帮你判断。

2.2 标注体系怎么选：检测、分割、分类三种模式下细胞数据的不同口味

细胞密度高时，检测框会框进很多邻居细胞，导致前景背景混杂。如果任务只是计数和分辨类型，检测足够；如果要做形态学分析，比如核质比、细胞大小分布，就需要分割标注。分类任务则一般先切割单细胞 patch 再打类标，适合血常规这种细胞彼此不粘连的场景。

标注规则要提前定死：框是框整个细胞还是只框细胞核？细胞边缘模糊时按什么标准截断？活性差的时候要不要排除或者标记为背景？这些直接决定标注质量。三个标注员的标准不一致，训出来的模型会在边界样本上反复横跳。我一般建议在标注前抽 20 张图让每个人各标一遍，算两两之间的 IoU，低于 0.6 就说明规范没对齐，回头重新开会定规则，不要等到训练之后再用玄学调参来补救。

2.3 用脚本统计类别分布：类别不平衡一眼看清

类别不平衡是显微图像的天敌。血细胞数据集中红细胞的数量有时是中性粒细胞的几十倍，嗜碱性粒细胞可能只占 1%。稀有小类样本太少，模型为了降低 loss 会直接把它当背景。训练前一定要统计每个类别的标注数量。

import json import matplotlib.pyplot as plt from collections import Counter with open("annotations/instances_train.json") as f: data = json.load(f) id2name = {c["id"]: c["name"] for c in data["categories"]} counter = Counter(a["category_id"] for a in data["annotations"]) names = [id2name[cat_id] for cat_id, _ in counter.most_common()] counts = [cnt for _, cnt in counter.most_common()] plt.bar(names, counts) plt.xticks(rotation=45) plt.ylabel("annotation count") plt.savefig("class_distribution.png", bbox_inches="tight")

这段代码从 COCO 格式的标注文件里读出每个类别出现的次数，按数量从多到少画条形图。跑完看到长尾分布就直接决定后续策略——少的类别要么过采样，要么做复制增强，要么在训练配置里提高 loss 权重。我见过有人没看这个分布直接训练，验证集 mAP 有 0.88，一查混淆矩阵才发现稀有类别的召回率是 0，因为验证集里本来就只出现几次。统计分布这种事，最晚要在训练前算一遍，别省掉。

3. 用 YOLOv8 训练细胞检测模型：从 COCO 标注转换到参数调优的完整路径

第 2 章做完，手里应该有一份结构清晰的细胞数据集。这一章把它转成 YOLO 格式，并处理好两个最容易让模型翻车的问题：划分粒度和增强参数。

3.1 从 COCO 标注转成 YOLO 格式：坐标归一化和路径对齐

YOLO 格式的 txt 文件每行代表一个目标：class_id cx cy w h。显微图像原图经常是几千乘几千的大图，标注坐标在原始尺寸下计算，归一化时要除以原始宽高，而不是缩放后的尺寸。

import os, json from glob import glob def coco2yolo(img_root, ann_path, out_root): os.makedirs(out_root, exist_ok=True) with open(ann_path) as f: data = json.load(f) id2name = {c["id"]: c["name"] for c in data["categories"]} img_map = {img["id"]: img for img in data["images"]} for ann in data["annotations"]: img = img_map[ann["image_id"]] w0, h0 = img["width"], img["height"] x, y, bw, bh = ann["bbox"] cx, cy = x + bw / 2, y + bh / 2 cls_id = list(id2name.keys()).index(ann["category_id"]) base = os.path.splitext(os.path.basename(img["file_name"]))[0] out = os.path.join(out_root, base + ".txt") with open(out, "a") as f: f.write(f"{cls_id} {cx/w0:.6f} {cy/h0:.6f} {bw/w0:.6f} {bh/h0:.6f}\n")

COCO 的 bbox 是左上角坐标加宽高，YOLO 要的是中心点加宽高，并且全部除以原图宽高做归一化。两个细节需要留意：COCO 的 category_id 不一定从 0 开始，而 YOLO 要求类别 ID 从 0 开始连续，所以代码里用列表索引重新映射；同一张图有多条标注时是追加写同一个 txt，所以用追加模式打开文件。

3.2 按批次划分训练验证集：一个救 mAP 的操作

随机划分在普通数据集上常见，但显微图像数据集的同一个批次细胞来自同一培养条件，光照、染色和背景状态高度一致。如果把同一批图片随机拆分进 train 和 val，模型会通过背景风格偷看答案，val mAP 虚高，到了新切片立刻现原形。更稳的划分是按批次或样本编号整批移动。

import shutil from pathlib import Path root = Path("data") split_map = { "batch_20241013": "train", "batch_20241102": "train", "batch_20241201": "val", } for batch_name, part in split_map.items(): src = root / "raw" / batch_name dst_img = root / "images" / part dst_lbl = root / "labels" / part dst_img.mkdir(parents=True, exist_ok=True) dst_lbl.mkdir(parents=True, exist_ok=True) for img in src.glob("*.png"): shutil.copy(img, dst_img / img.name) lbl = root / "labels_tmp" / (img.stem + ".txt") if lbl.exists(): shutil.copy(lbl, dst_lbl / lbl.name)

划分粒度是批次，不是单张图片。跑完后检查 train 和 val 的类别分布是否接近，如果某个稀有类只在 val 里出现而 train 里没有，就得做折衷，比如把稀有类样本单独抽一部分进 train，或者对稀有类做额外过采样。这一步做对了，后面 val mAP 才有一点参考价值，否则只是在给黑匣子做心理按摩。

3.3 训练命令与三个必调参数

把 YOLOv8 训练自己的数据集的流程搬过来，需要先把数据 yaml 写好，再跑官方 detect 训练命令。

# cell.yaml path: /data/cell_dataset train: images/train val: images/val names: 0: red_blood_cell 1: neutrophil 2: lymphocyte 3: monocyte 4: eosinophil 5: basophil

yolo detect train data=cell.yaml model=yolov8n.pt imgsz=960 batch=16 epochs=100 close_mosaic=10

模型选 yolov8n 而不是更大的版本，因为显微图像的细胞目标小且密集，模型容量太大反而容易过拟合到背景纹理。imgsz 直接拉高到 960，细胞直径常常只有几十像素，imgsz=640 会丢失大量细节。close_mosaic=10 表示最后 10 个 epoch 关闭 mosaic 增强，避免训练后期还在被截断的细胞干扰。

提示：显存不够先降 batch，不要降 imgsz。batch=8 时训练也能收敛，但 batch 太小配合 BN 层，细胞类别不平衡时 loss 会震荡。我一般不低于 8，实在不行就开梯度累积。

训练结束看验证指标，要按类别看 mAP 而不是只看总 mAP。

yolo detect val model=runs/detect/train/weights/best.pt data=cell.yaml

验证命令会自动生成混淆矩阵、PR 曲线和按类别的 AP 表。AP 表里逐类看，重点看稀有类别的 AP50 和召回率。如果嗜碱性粒细胞 AP 低，说明第 2 章那个类别平衡的账没还完，回去补数据或做增强，不要在这里硬调阈值。

4. 显微图像预处理与数据增强：染色归一化和增强开关的真实边界

很多细胞数据集模型训不好，不是模型问题，是图像本身没处理好。显微图像的位深、染色和背景噪声都跟常规图像不一样，预处理不能照搬自然图像的流程。

4.1 16bit TIFF 转 8bit：直接转必翻车

很多显微镜输出的是 16bit 灰度 TIFF，值域从 0 到 65535。直接当成 8bit 读，动态范围会被压缩，细胞和背景的对比度彻底没了。正确做法是百分位拉伸，把信号范围里的有效部分映射到 0-255。

import numpy as np from PIL import Image img = Image.open("cell.tif") arr = np.array(img) lo, hi = np.percentile(arr, (2, 98)) norm = np.clip( (arr.astype(np.float32) - lo) * 255.0 / max(hi - lo, 1e-6), 0, 255 ) Image.fromarray(norm.astype(np.uint8)).save("cell_8bit.png")

取 2% 和 98% 百分位做上下界，滤掉极端亮点和暗点；分母加 1e-6 是为了防止整张图都是常数灰度时除零。这些噪音点往往是荧光信号溢出或传感器坏点，不是有效细胞信号。如果拉伸后对比度还不够，可以改成 1% 和 99% 分位，但幅度不要太大，否则背景噪声会被一起放大。

4.2 染色归一化：跨实验室数据合并的前提

不同实验室、不同批次的切片，染色深浅不一样。模型在一个染色风格上学到的特征，到了另一个染色风格下容易失效。Reinhard 染色归一化是常见做法：把图像转换到 LAB 色彩空间，将待归一化图像的均值和标准差对齐到参考图像的统计量上。参考图像一般选一张染色最标准、细胞形态最清晰的片子。

下面的代码是一个简化实现，对齐的是 LAB 三个通道的统计量，不改变细胞结构本身。

import numpy as np from PIL import Image def stain_norm(rgb_img, ref_stats): lab = rgb_img.convert("LAB") a = np.array(lab, dtype=np.float32) means = a.mean(axis=(0, 1)) stds = a.std(axis=(0, 1)) a = (a - means) / np.maximum(stds, 1e-6) a = a * ref_stats["std"] + ref_stats["mean"] return Image.fromarray( np.clip(a, 0, 255).astype(np.uint8), mode="LAB" ).convert("RGB")

ref_stats 是参考图像在 LAB 空间计算出的均值和标准差，计算方式和上面代码里的 means/std 一致。注意染色归一化要在离线预处理阶段完成，增强是训练时在线做的，如果把归一化和增强混在一起，训练数据的统计分布会被增强扰动破坏。

4.3 增强开关：哪些增强在细胞图像上要关掉

YOLOv8 训练自己的数据集时，最常踩的坑是默认增强全部打开。细胞显微图像里 mosaic 和 mixup 是真正会破坏数据语义的增强：mosaic 会把四个完全不同的染色背景拼在一起，细胞被切在边缘；mixup 会把两个不同细胞类型透明叠加，制造出模型无法学到合理语义的混合体。这几项对自然图像很友好，但对细胞数据集反而是负优化。

mosaic: 0.5 mixup: 0.0 degrees: 15 fliplr: 0.5 hsv_h: 0.0 hsv_s: 0.0 hsv_v: 0.2

mosaic 设到 0.5 而不是默认的 1.0，mixup 直接关掉。旋转给到 15 度，因为显微镜下细胞没有绝对方向；色相和饱和度扰动全部关掉，只留很小的亮度扰动。染色结果的色彩本身是诊断信息，扰动色相等于让模型忽略特征。增强参数在细胞图像上更像玄学，我的经验是任何增强都要先可视化增强后的样本，再决定开关，不要盲信默认配置。

5. 细胞数据集训练避坑：五个典型翻车现场的现象、原因与解法

这五个问题是我在细胞检测项目里见到最多的，也是调参救不回来的类型。每一条都按现象、原因、解决写清楚。

5.1 数据泄漏：val mAP 虚高到 0.9，新数据一测只剩 0.3

现象：训练到后期 val mAP 一直 0.9 附近，换一台显微镜拍的数据集测试结果只有 0.3。原因：训练验证集是随机划分的，同一批次图片被拆到了一起，模型靠背景风格过拟合。解决：按批次划分验证集，而不是按单张图随机划分；同时检查 val 中的类别分布是否跟 train 接近。如果可能，再加一个完全独立日期采集的测试集作为最终判定标准，val 只是用来调参。

5.2 标注框口径不一致：类别学得对但边界全歪

现象：同一类细胞有的框紧贴细胞膜，有的框把周围杂质也圈了进去。loss 在降，但输出的框范围忽大忽小。原因：多人标注时没有统一规范，特别是细胞边缘模糊和有突起细胞的场景。解决：定一条规则——明场图像框住细胞膜外缘，荧光图像框住可见荧光信号，边界模糊时画小不画大。标注开始前让每个人先标 20 张，算两两 IoU，低于 0.6 就对齐规范，不要等训练完再回来补。

5.3 类别不平衡：稀有类别在混淆矩阵上全是漏检

现象：训练日志 loss 正常，但 AP 按类看差异悬殊，稀有类召回率不到 10%。原因：稀有类样本太少，模型倾向把所有输入预测为多数类来压损失。解决：先对稀有类做过采样或复制增强，复制倍数控制在 3 到 5 倍，防止模型记死少数几张图。更彻底的方案是收集更多稀有类真实图像，而不是靠增强硬造。评估时看按类别的 AR 而不是总 mAP，总 mAP 会被多数类平均掉。

5.4 杂质伪影被当成细胞：死细胞碎片、玻片划痕全被框出来

现象：PR 曲线在高 IoU 处还过得去，但新数据上误检很高，错误样本大量集中在非细胞区域。原因：训练集里标注只覆盖细胞，模型没有见过“哪些背景对象不该被检”。细胞碎片和杂质跟细胞在纹理上有一定相似度，模型很容易把它们学成目标。解决：单独标一个 debris 类别并在推理时过滤掉，或者做 Hard Negative Mining——把误检区域截出来训练一个二分类器来过滤。只调置信度阈值治标不治本。

5.5 训练后期还在被 mosaic 截断：小目标召回反而下降

现象：epoch 一路在涨，但最后 20 个 epoch 里小目标 AP 掉了，尤其是细胞处在图像边缘时。原因：默认 mosaic 在训练后期仍开启，细胞被拼图边缘切断或与另一类细胞重叠，模型学到的是不真实的局部特征。解决：设置 close_mosaic=10 或更大，让最后 10 个 epoch 回到完整真实图；同时可视化增强后的样本，如果截断严重，把 mosaic 从 1.0 降到 0.3 再开一轮。

6. 用伪标签把未标注的显微图像变成训练集：自训练实验设计

第一份标注数据集永远不够用。细胞显微图像的现实是：标注成本高，未标注图像批量拍摄却很容易。我一般做伪标签自训练扩展：先用已有标注训出一个教师模型，把这个模型放到未标注数据上推理，保留高置信度预测作为伪标注，合并回训练集重新训学生模型，迭代一到两次。这个流程在细胞检测上能稳定提升稀有类别的召回和跨批次泛化。

6.1 伪标签生成与置信度阈值选择

yolo detect predict model=runs/detect/train/weights/best.pt \ source=data/unlabeled/ imgsz=960 conf=0.65 save_txt=True save_conf=True

推理时把置信度阈值先设为 0.65，同时保存每个框的置信度。输出结果在 runs/detect/predict/labels 下，每个 txt 对应一张源图。接下来过滤掉低置信度和不想要的类别。

from pathlib import Path raw_txt_dir = Path("runs/detect/predict/labels") out_txt_dir = Path("data/labels/pseudo") out_txt_dir.mkdir(parents=True, exist_ok=True) kept = dropped = 0 for txt in raw_txt_dir.glob("*.txt"): lines = [] for line in txt.read_text().strip().splitlines(): parts = line.split() conf = float(parts[-1]) if conf >= 0.7 and parts[0] != "0": lines.append(" ".join(parts[:-1])) kept += 1 else: dropped += 1 if lines: (out_txt_dir / txt.name).write_text("\n".join(lines) + "\n") print(kept, dropped)

过滤逻辑是置信度低于 0.7 直接丢弃，类别 ID 为 0 的背景类也丢弃。注意伪标签只进训练集，绝对不进验证集，否则验证指标会失真，后面评估的一切都是假的。

6.2 怎么验证伪标签有没有让模型变好

合并伪标签后重新训练一轮，分别看两件事：第一，在完全人工标注的验证集上，学生模型 mAP 是否超过或持平教师模型；第二，按类别分解 AP，检查稀有类别是否真的提升。如果伪标签数量涨了但 AP 反而掉，通常是阈值太低把噪声学进去了。我经历过一次把 conf 放到 0.5，结果模型把大量杂质也学进去，AP 普遍掉 3 个点。现在的习惯是每次合并前抽 200 张伪标签做人工抽检，确认框和细胞边缘贴合程度高于七成才进训练。

做这个方向的时间越长，越觉得迁移学习的万能说法不太可靠，真正拉开指标差距的还是数据本身的质量管理。标注口径、批次划分、类别平衡这些不性感的手段，往往是细胞显微图像识别项目里最值得投入的地方。希望帮到你。

本文还有配套的精品资源，点击获取