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: 6946image 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( datacaries.yaml, # 指向上面创建的yaml配置文件 epochs100, # 训练轮数 imgsz640, # 输入图像大小 batch16, # 批次大小 (根据你的GPU内存调整) namecaries_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 modelyolov8n.pt datacaries.yaml epochs100 imgsz640 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。