牙齿龋齿检测数据集 YOLO模型如何训练牙齿病害数据集 权重识别龋齿
牙齿龋齿检测数据集，2554张，提供yolo和voc两种标注方式
1类，标注数量：
caries: 6946
image num: 2554
🦷 龋齿检测数据集 (Dental Caries Detection Dataset)
| 属性 | 详细描述 |
|---|---|
| 数据集名称 | 齿科龋齿目标检测数据集 |
| 图像总数 | 2,554 张 |
| 标注格式 | YOLO (.txt) / PASCAL VOC (.xml) |
| 类别数量 | 1 类 |
| 目标标签 | caries(龋齿) |
| 总标注框数 | 6,946 个 |
📊 数据集详情
该数据集专注于单类目标检测任务，即识别口腔图像中的龋齿（蛀牙）区域。
- 数据规模：包含2,554张经过标注的牙科图像。由于平均每张图约有 2.7 个标注框（6946/2554），表明图像中通常包含多个牙齿，且部分牙齿存在病变。
- 标注质量：总共有6,946个标注实例，数据量充足，适合训练高精度的检测模型。
- 多格式支持：提供 YOLO 和 VOC 两种主流格式，可直接用于 YOLO 系列（如 YOLOv5, YOLOv8）、Faster R-CNN 等不同深度学习框架的训练。
💻 训练代码示例 (基于 YOLOv8)
假设你使用的是Ultralytics YOLOv8框架，且数据集已按标准结构存放。
1. 数据集目录结构示例
请确保你的数据组织如下：
caries_dataset/ ├── images/ │ ├── train/ # 训练图片 │ ├── val/ # 验证图片 │ └── test/ # 测试图片 (可选) └── labels/ ├── train/ # YOLO格式的标签文件 (.txt) └── val/ # YOLO格式的标签文件 (.txt)2. 数据配置文件 (caries.yaml)
你需要创建一个caries.yaml文件来定义数据路径和类别：
# 训练和验证数据集路径 train: ./caries_dataset/images/train/ val: ./caries_dataset/images/val/ # 类别数量 nc: 1 # 类别名称 names: ['caries']3. Python 训练脚本
from ultralytics import YOLO # 1. 加载预训练模型 (这里以 YOLOv8n 为例) model = YOLO('yolov8n.pt') # 你可以选择 yolov8s.pt, yolov8m.pt 等 # 2. 训练模型 results = model.train( data='caries.yaml', # 指向上面创建的yaml配置文件 epochs=100, # 训练轮数 imgsz=640, # 输入图像大小 batch=16, # 批次大小 (根据你的GPU内存调整) name='caries_detection' # 实验名称 ) # 3. 验证模型 metrics = model.val() print(f"验证集 mAP: {metrics.box.map}")4. 命令行训练
你也可以直接在终端运行：
yolo train model=yolov8n.pt data=caries.yaml epochs=100 imgsz=640💡 建议
由于这是一个单类别数据集，训练时的重点应放在提高小目标（微小龋齿区域）的检测精度上。建议开启数据增强（如mosaic和copy_paste），因为该数据集中平均每张图有多于 2 个目标，数据增强有助于模型更好地区分密集分布的牙齿病变。