企业官网建设流程全解析

简介：这份煤矸石识别数据集面向煤矿智能化分选、矿物图像识别方向的算法工程师与高校研究者，用于训练和验证煤炭、煤矸石、高岭石三类目标的检测模型，适合具备一定深度学习基础、正在开展YOLO系列目标检测实践的人员。资源包共205个文件，以102张现场采集的原始jpg图片和102个同名txt标注文件为主，另含1个yaml配置文件，整体约2.26MB，标注采用YOLOv8格式，可直接接入主流检测框架进行训练与评估。图片均来自真实煤矿现场，覆盖不同光照与堆叠状态，能较好反映实际工况下的类间差异与识别难点。目前已有459人学习下载。借助该数据集，读者可快速搭建三分类检测基线，完成数据加载、模型微调与指标对比，并据此分析煤与煤矸石、高岭石在纹理和灰度上的区分特征，为后续扩充样本、优化标注与提升分选精度提供可复用的实验基础。

1. 煤矸石识别数据集：102 张现场原图能跑出什么结果

在煤矿智能化改造的现场，煤矸石分选一直是个绕不开的环节。人工选矸劳动强度大、效率低，而基于机器视觉的自动识别方案，第一步卡住的往往不是模型结构，而是数据。这份煤矸石识别数据集，包含 102 张现场采集的原始图片，标注格式为 YOLOv8 可直接读取的 txt 文件，覆盖煤炭、煤矸石、高岭石三个类别。它不是那种从公开数据集里裁剪拼接出来的“干净样本”，而是带着现场光照波动、粉尘干扰、传送带背景的真实图像。适合谁用？如果你正在做煤矿场景的目标检测落地验证，或者需要一个小规模但真实的样本集来跑通 YOLOv8 训练全流程，这份资源能让你跳过最耗时的数据采集阶段，直接进入模型调参与部署测试。102 张的体量不算大，但对于验证技术路线、调试数据增强策略、评估标注质量对检测精度的影响，已经够用了。

2. YOLOv8 数据格式拆解：从文件名到标注文件的对应关系

2.1 目录结构与文件命名规律

拿到数据集后，先别急着写训练脚本。我一般会先花十分钟把目录结构摸清楚，因为标注文件和图片的对应关系一旦错位，后面训练 loss 不降你都不知道是模型问题还是数据问题。这份数据集的图片命名带有明显的预处理痕迹，类似012_png.rf.1fcc9085833b5c1b93d64d030804ac7e.jpg这种格式，rf通常是 Roboflow 导出时的标识，后面跟的哈希值用于保证文件名唯一。图片格式统一为 jpg，标注文件为同名的 txt，放在labels目录下。标准 YOLOv8 数据集目录长这样：

dataset/ ├── images/ │ ├── train/ │ │ ├── 001_png.rf.xxxx.jpg │ │ └── ... │ └── val/ │ └── ... ├── labels/ │ ├── train/ │ │ ├── 001_png.rf.xxxx.txt │ │ └── ... │ └── val/ │ └── ... └── data.yaml

如果你拿到的压缩包里没有预先划分 train/val，那就需要自己写脚本按比例拆分。常见做法是 8:2 或 9:1，102 张图的话，验证集留 10 到 20 张比较合适。注意，拆分时要保证图片和标注文件同步移动，别只挪了 jpg 忘了 txt。

2.2 标注文件内容解析与类别索引确认

YOLO 格式的标注文件每一行代表一个目标，格式为：

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

其中坐标都是归一化到 0 到 1 之间的浮点数。这份数据集定义了三个类别：煤炭、煤矸石、高岭石。类别索引通常是 0、1、2，但不同标注工具导出的顺序可能不一样。我踩过的坑是：拿到数据集直接开训，结果模型把煤矸石识别成了煤炭，排查半天才发现data.yaml里的names顺序和标注文件里的 class_id 对不上。所以第一步应该是打开几个标注文件，确认 class_id 的分布，再和data.yaml核对。

import os label_dir = "dataset/labels/train" class_count = {} for txt_file in os.listdir(label_dir): if not txt_file.endswith(".txt"): continue with open(os.path.join(label_dir, txt_file), "r") as f: for line in f: class_id = int(line.strip().split()[0]) class_count[class_id] = class_count.get(class_id, 0) + 1 print("类别分布：", class_count) # 预期输出类似：{0: 45, 1: 38, 2: 22} # 如果某个类别数量为 0，说明标注有问题或类别索引写错了

这段脚本遍历所有标注文件，统计每个 class_id 出现的次数。如果某个类别计数明显偏低甚至为 0，要么是标注遗漏，要么是类别索引映射错了。参数方面，label_dir指向你的标注目录，确保路径正确。统计结果还能帮你判断类别是否均衡——如果煤炭样本远多于高岭石，训练时可能需要做类别加权或过采样。

2.3 data.yaml 配置文件的正确写法

data.yaml是 YOLOv8 训练入口文件，路径和类别名都在这里定义。一个容易翻车的地方是路径写法：path建议用绝对路径，train和val用相对路径，这样在不同机器上迁移时不容易出错。

path: /home/user/dataset # 数据集根目录，建议绝对路径 train: images/train # 相对 path 的训练集图片目录 val: images/val # 相对 path 的验证集图片目录 nc: 3 # 类别数量 names: # 类别名称，顺序必须和 class_id 一致 0: coal 1: gangue 2: kaolinite

注意names的键值对写法，YOLOv8 支持字典格式也支持列表格式。如果你用列表['coal', 'gangue', 'kaolinite']，索引默认从 0 开始，效果一样。但字典格式更直观，不容易搞错顺序。改完 yaml 后，建议用 Python 快速加载验证一下：

import yaml with open("data.yaml", "r") as f: data = yaml.safe_load(f) print("类别数：", data["nc"]) print("类别名：", data["names"]) # 确认 nc 和 names 长度一致，且顺序与标注文件中的 class_id 对应

这一步花不了一分钟，但能避免训练跑了一半才发现类别数写错的尴尬。

3. 用 YOLOv8 跑通训练：从环境配置到第一轮收敛

3.1 环境搭建的版本选择与依赖安装

YOLOv8 对环境的要求不算苛刻，但版本不匹配导致的报错足够让人头疼。我一般推荐 Python 3.8 到 3.10，PyTorch 选 1.13 到 2.0 之间的稳定版。如果你用的是 CPU 版本，训练速度会慢很多，102 张图跑 100 轮大概需要几十分钟到一小时，具体看机器性能。有 GPU 的话，GTX 1660 Ti 这个级别就能跑，显存 6GB 足够应付 640 尺寸的输入。

# 创建虚拟环境 python -m venv yolov8_env source yolov8_env/bin/activate # Windows 用 yolov8_env\Scripts\activate # 安装 PyTorch，CPU 版本示例 pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu # 安装 ultralytics pip install ultralytics # 验证安装 yolo checks

yolo checks会输出当前环境的关键信息，包括 PyTorch 版本、CUDA 是否可用、ultralytics 版本号。如果 CUDA 显示不可用但你有 GPU，检查驱动和 PyTorch 版本是否匹配。CPU 版本训练时记得把workers调小，不然数据加载可能成为瓶颈。

3.2 训练命令与关键参数含义

YOLOv8 的训练命令很简洁，但参数背后的含义值得逐一看清楚。下面这条命令是我在 102 张图数据集上常用的配置：

yolo detect train \ data=data.yaml \ model=yolov8n.pt \ epochs=100 \ imgsz=640 \ batch=8 \ lr0=0.01 \ patience=20 \ workers=4 \ project=runs/train \ name=coal_gangue_exp1

逐项拆解：model=yolov8n.pt用的是 nano 版本，参数量小，适合小数据集快速验证；epochs=100是上限，配合patience=20做早停，验证集 loss 连续 20 轮不降就停；batch=8在 6GB 显存下比较稳妥，显存不够就降到 4；lr0=0.01是初始学习率，小数据集不建议设太大，否则 loss 震荡；imgsz=640是输入尺寸，现场图片如果分辨率很高，可以适当增大到 800 或 1024，但显存占用会上升。workers=4是数据加载线程数，Windows 下有时需要设为 0 避免多进程报错。

训练开始后，终端会输出每一轮的 box_loss、cls_loss、dfl_loss 和 mAP 指标。前几轮 loss 下降快是正常的，如果 10 轮后 cls_loss 还在 2.0 以上不降，大概率是标注有问题或者学习率太大。

3.3 训练过程监控与损失曲线解读

YOLOv8 默认会在runs/train/下生成results.csv和损失曲线图。我习惯在训练启动后另开一个终端，用脚本实时看 loss 变化：

import pandas as pd import matplotlib.pyplot as plt df = pd.read_csv("runs/train/coal_gangue_exp1/results.csv") df.columns = df.columns.str.strip() # 列名可能有空格 fig, axes = plt.subplots(1, 2, figsize=(12, 4)) axes[0].plot(df["epoch"], df["train/box_loss"], label="box_loss") axes[0].plot(df["epoch"], df["train/cls_loss"], label="cls_loss") axes[0].set_xlabel("epoch") axes[0].set_ylabel("loss") axes[0].legend() axes[1].plot(df["epoch"], df["metrics/mAP50(B)"], label="mAP50") axes[1].set_xlabel("epoch") axes[1].set_ylabel("mAP50") axes[1].legend() plt.tight_layout() plt.savefig("training_curve.png")

这段代码读取results.csv，画出损失和 mAP 曲线。重点看两个信号：一是cls_loss是否稳定下降，如果震荡剧烈，考虑降低学习率；二是mAP50是否在 50 轮后趋于平稳，如果还在上升，说明可以增加 epoch。102 张图的数据集，mAP50 能到 0.7 以上就算不错了，别指望和公开大数据集比。

3.4 验证集评估与混淆矩阵分析

训练结束后，用验证集跑一次评估：

yolo detect val \ model=runs/train/coal_gangue_exp1/weights/best.pt \ data=data.yaml \ imgsz=640 \ conf=0.25 \ iou=0.5

conf=0.25是置信度阈值，低于这个值的检测框会被过滤；iou=0.5是 NMS 的 IoU 阈值。评估结果会输出每个类别的 precision、recall 和 mAP。如果某个类别的 recall 明显偏低，说明漏检多，可能是标注框太小或者样本太少。混淆矩阵图在runs/val/下，能直观看到类别之间的误判情况。煤炭和煤矸石在视觉上确实有相似之处，如果混淆严重，可以考虑增加这两个类别的区分性特征，或者在数据增强时加入更多对比度变化。

4. 小样本数据集的避坑与排查：102 张图踩过的五个坑

4.1 标注框越界导致训练报错

现象：训练启动后几轮就报AssertionError，提示坐标超出 0 到 1 范围。原因：标注文件里某些框的 x_center 或 width 计算后超出了图像边界，常见于标注时拖拽超出图片边缘。解决：写脚本扫描所有标注文件，把越界的坐标裁剪回 0 到 1 之间，或者直接剔除这些异常标注。

import os def clamp(value, min_val=0.0, max_val=1.0): return max(min_val, min(value, max_val)) label_dir = "dataset/labels/train" for txt_file in os.listdir(label_dir): if not txt_file.endswith(".txt"): continue path = os.path.join(label_dir, txt_file) with open(path, "r") as f: lines = f.readlines() new_lines = [] for line in lines: parts = line.strip().split() if len(parts) != 5: continue cls_id = parts[0] coords = [clamp(float(x)) for x in parts[1:]] new_lines.append(f"{cls_id} {' '.join(f'{c:.6f}' for c in coords)}\n") with open(path, "w") as f: f.writelines(new_lines)

这段脚本遍历标注文件，把越界坐标裁剪到合法范围。注意clamp函数对 x_center 和 width 都做了限制，但严格来说 width 和 height 不应该超过 1，x_center 加减 width/2 也不应越界。更严谨的做法是重新计算框的边界，但小数据集上直接裁剪通常够用。

4.2 图片与标注文件名不匹配

现象：训练时提示找不到标注文件，或者某些图片被跳过。原因：图片文件名和标注文件名不完全一致，比如图片是.jpg但标注是.JPG.txt，或者哈希值部分有细微差异。解决：写脚本对比 images 和 labels 目录下的文件名，找出不匹配的项。

import os img_dir = "dataset/images/train" lbl_dir = "dataset/labels/train" img_names = {os.path.splitext(f)[0] for f in os.listdir(img_dir) if f.endswith(".jpg")} lbl_names = {os.path.splitext(f)[0] for f in os.listdir(lbl_dir) if f.endswith(".txt")} missing_labels = img_names - lbl_names missing_images = lbl_names - img_names print("有图无标注：", missing_labels) print("有标注无图：", missing_images)

输出结果如果非空，就需要手动处理。有图无标注的图片要么补标注，要么从训练集移除；有标注无图的直接删掉标注文件。

4.3 类别不均衡导致小类别漏检严重

现象：高岭石类别的 recall 只有 0.3 左右，而煤炭和煤矸石都在 0.7 以上。原因：102 张图里高岭石样本数量太少，模型学到的特征不够充分。解决：两个方向——一是数据层面，对高岭石样本做过采样或复制增强；二是损失层面，在训练时给类别加权。YOLOv8 本身没有直接的类别权重参数，但可以通过调整数据集分布来间接实现。我一般会先把高岭石图片单独复制几份，配合 mosaic 增强，让模型多看到这个类别。

4.4 验证集 mAP 波动大

现象：训练过程中 mAP50 时高时低，没有稳定上升趋势。原因：验证集只有 10 到 20 张图，样本量太小，评估结果随机性大。解决：如果数据量允许，把验证集比例提高到 20% 到 30%；或者用 K 折交叉验证，虽然麻烦但评估更可靠。另一个办法是固定随机种子，减少数据加载顺序带来的波动。

4.5 CPU 训练速度过慢的优化

现象：用 CPU 训练时，每轮耗时超过 5 分钟，100 轮跑了大半天。原因：CPU 并行能力有限，数据加载和矩阵运算都慢。解决：减小imgsz到 416 或 320，降低batch到 4，开启cache=True把图片缓存到内存。如果机器支持，装 GPU 版本 PyTorch 是最直接的提速方案。另外，workers设为 CPU 核心数的一半左右比较合适，设太大反而因为进程切换开销变慢。

5. 从 102 张到可用模型：数据增强与推理验证的实操技巧

5.1 针对煤矿场景的增强参数调整

YOLOv8 默认的增强策略包括 mosaic、mixup、HSV 调整、翻转等。对于煤矿现场图片，我一般会调整几个关键参数。hsv_v控制亮度变化，现场光照不均，适当增大到 0.5 能提升模型对明暗变化的鲁棒性；hsv_s饱和度调整设 0.7 左右，因为煤和煤矸石的颜色差异是重要特征，不能让增强把颜色信息抹掉；degrees旋转角度设 10 以内，现场相机角度相对固定，太大角度的旋转反而引入噪声。

yolo detect train \ data=data.yaml \ model=yolov8n.pt \ epochs=150 \ imgsz=640 \ batch=8 \ hsv_h=0.015 \ hsv_s=0.7 \ hsv_v=0.5 \ degrees=10 \ translate=0.1 \ scale=0.3 \ mosaic=1.0 \ mixup=0.1 \ patience=30

mosaic=1.0表示始终启用 mosaic 增强，mixup=0.1以 10% 概率混合两张图。小数据集上 mosaic 很关键，它能让模型在一张图里看到多个尺度的目标。但注意，如果图片本身分辨率不高，mosaic 拼接后目标会变得更小，可能适得其反。

5.2 推理脚本编写与置信度阈值调优

训练完模型后，写一个推理脚本验证实际效果：

from ultralytics import YOLO import cv2 model = YOLO("runs/train/coal_gangue_exp1/weights/best.pt") results = model.predict( source="test_images/", conf=0.3, iou=0.45, imgsz=640, save=True, project="runs/detect", name="test_result" ) for r in results: boxes = r.boxes for box in boxes: cls_id = int(box.cls[0]) conf = float(box.conf[0]) print(f"类别：{model.names[cls_id]}，置信度：{conf:.2f}")

conf=0.3是推理时的置信度阈值，比验证时的 0.25 稍高，能减少误检。iou=0.45控制 NMS 合并重叠框的力度。实际部署时，这个阈值需要根据业务需求调——宁可误检不可漏检的场景就调低 conf，反之调高。save=True会把标注后的图片保存到指定目录，方便肉眼检查。

5.3 模型导出与部署前的验证清单

如果要把模型部署到边缘设备，比如 RK3588 或 Orin，需要先导出为 ONNX 格式：

yolo export \ model=runs/train/coal_gangue_exp1/weights/best.pt \ format=onnx \ imgsz=640 \ simplify=True \ opset=12

simplify=True会调用 onnx-simplifier 优化计算图，opset=12是 ONNX 算子集版本，兼容性较好。导出后别急着上板子，先在 PC 上用 onnxruntime 跑一遍，确认输出和 PyTorch 版本一致。我一般会对比同一张图在两个框架下的检测框坐标，偏差超过 1 个像素就要查原因。部署前还要确认输入尺寸、归一化方式、类别顺序和训练时完全一致，任何一项对不上都会导致精度下降。

从那以后我每次拿到新数据集，都强制走一遍“看目录、查标注、对类别、跑单图”的流程，确认数据没问题再开训。希望帮到你。

本文还有配套的精品资源，点击获取