YOLOv5训练猫狗数据集翻车实录：我是如何解决‘只检测到猫’这个诡异问题的

训练一个目标检测模型听起来很酷，直到你发现它只认猫不认狗。这就像养了一只"偏科"的AI宠物，让人哭笑不得。本文将带你深入排查这个看似简单却暗藏玄机的问题。

1. 问题现象与初步排查

我的训练日志看起来一切正常：损失函数稳步下降，验证集准确率逐步提升。但当我在测试集上运行detect.py时，模型对狗视而不见，仿佛世界上只有猫这一种动物。

关键异常表现：

• 测试图片中的狗全部被忽略
• 部分猫被错误分类为背景
• 模型置信度波动较大

注意：当模型出现"偏科"现象时，首先检查数据集标注格式是否正确，这是最常见的问题根源。

我使用以下命令检查了数据集标注：

python -c "from utils.general import *; check_dataset('data/catdog.yaml')"

2. 数据集层面的深度检查

2.1 标签文件结构剖析

YOLOv5要求的标签格式是每行一个对象，格式为：

<class_id> <x_center> <y_center> <width> <height>

常见标签错误对比表：

错误类型	正确示例	错误示例	导致问题
类别ID错误	0 0.5 0.5 0.2 0.3	1 0.5 0.5 0.2 0.3	类别混淆
坐标越界	0 0.5 0.5 0.2 0.3	0 1.2 0.5 0.2 0.3	训练崩溃
格式混乱	0 0.5 0.5 0.2 0.3	cat 50% 50% 20% 30%	解析失败

2.2 数据分布诊断

使用以下Python代码分析类别分布：

import os
from collections import Counter

label_dir = 'data/labels/train'
class_counts = Counter()

for label_file in os.listdir(label_dir):
    with open(os.path.join(label_dir, label_file)) as f:
        for line in f:
            class_id = int(line.split()[0])
            class_counts[class_id] += 1

print("类别分布:", class_counts)

典型数据不平衡问题：

• 猫样本远多于狗样本
• 某些角度的狗样本缺失
• 光照条件分布不均

3. 模型配置陷阱排查

3.1 配置文件关键参数

在 data/catdog.yaml 中必须明确定义类别：

# 类别数量和名称
nc: 2  # 类别数
names: ['cat', 'dog']  # 类别名称

模型配置文件对比：

参数	正确配置	错误配置	影响
nc	2	1	忽略第二类
names	['cat','dog']	['animal']	分类混乱
anchors	自动计算	不适配	检测框不准

3.2 训练参数优化

调整 train.py 中的关键参数：

# 针对类别不平衡的调整
hyp = {
    'lr0': 0.01,  # 初始学习率
    'cls': 0.5,   # 分类损失权重
    'obj': 1.0,   # 目标存在损失权重
    'fl_gamma': 1.5  # 焦点损失参数
}

4. 进阶解决方案与技巧

4.1 数据增强策略

在 data/hyps/hyp.scratch-low.yaml 中添加针对性增强：

# 针对猫狗数据集的特殊增强
hsv_h: 0.015  # 色调增强
hsv_s: 0.7    # 饱和度增强
hsv_v: 0.4    # 明度增强
flipud: 0.5   # 垂直翻转概率

效果对比实验数据：

增强策略	mAP@0.5 (猫)	mAP@0.5 (狗)	提升幅度
基础增强	0.87	0.62	-
+色调扰动	0.86	0.68	+9.7%
+垂直翻转	0.85	0.71	+14.5%

4.2 迁移学习技巧

使用预训练模型时需注意：

python train.py --weights yolov5s.pt --data catdog.yaml --epochs 100 --freeze 10

提示：冻结前10层可以防止小数据集上的过拟合，同时加速训练

5. 系统化调试流程

建立系统化的排查清单：

1. 标签验证阶段

   • 使用 labelImg 复查随机样本
   • 运行 verify_labels.py 脚本
   • 检查类别ID连续性

2. 训练监控阶段

   • 观察各类别AP曲线
   • 检查混淆矩阵
   • 验证数据加载器输出

3. 测试分析阶段

   • 在不同子集上测试
   • 可视化注意力图
   • 分析错误案例模式

典型错误模式诊断表：

错误模式	可能原因	解决方案
只检测大类	类别不平衡	重采样/重加权
漏检小物体	锚点不适配	聚类重计算
误检背景	负样本不足	添加困难负样本

最后分享一个实用技巧：当遇到难以诊断的问题时，可以先用一个极小的子集（如50张图）进行快速实验，这能大大缩短调试周期。我在解决这个猫狗问题时，就是通过简化实验发现是标签文件中的类别ID定义错误——所有狗都被标记成了猫。