计算机视觉 / 系统课时
处理类别不平衡
处理类别不平衡
本课将从 YOLO 标签中统计每个类别的目标实例数,判断不平衡来自数据不足、标注错误还是困难样本缺失,并建立补数据、采样和验证的处理顺序。
学习目标
- 统计并解释各类别的图片覆盖量与目标实例量
- 根据不平衡原因选择补充数据、调整采样或困难样本整理
- 使用分类型指标验证少数类改善是否以牺牲多数类为代价
先用实例分布定位问题
目标检测中的一张图片可能同时包含多个类别,因此只统计图片数量容易误判。应至少同时关注每类目标实例数、包含该类的图片数,以及少数类在不同场景、尺寸和遮挡条件下是否都有覆盖。

Ultralytics 的问题排查说明指出,类别不平衡可能使模型偏向更常见的类别;性能评估应继续查看每个类别的精确率、召回率和 mAP,而不是只看总体均值。:contentReference[oaicite:1]{index=1}
统计 YOLO 标签实例数
下面的脚本读取 labels/train 下的 YOLO 文本标签。每行第一个数字是类别 ID,脚本会统计目标实例数,并计算最大类与最小非零类的比例。
from __future__ import annotations
import argparse
from collections import Counter
from pathlib import Path
def count_instances(labels_dir: Path) -> Counter[int]:
counts: Counter[int] = Counter()
for label_file in labels_dir.rglob("*.txt"):
for line_no, raw_line in enumerate(
label_file.read_text(encoding="utf-8").splitlines(), start=1
):
line = raw_line.strip()
if not line:
continue
parts = line.split()
try:
class_id = int(parts[0])
except (ValueError, IndexError) as exc:
raise ValueError(
f"{label_file}:{line_no} 的类别 ID 无效"
) from exc
counts[class_id] += 1
return counts
def main() -> None:
parser = argparse.ArgumentParser(description="统计 YOLO 标签中的类别实例数")
parser.add_argument("labels_dir", type=Path)
parser.add_argument(
"--names",
default="",
help="按类别 ID 顺序提供逗号分隔名称,例如 helmet,vest,no_helmet",
)
args = parser.parse_args()
if not args.labels_dir.is_dir():
raise SystemExit(f"标签目录不存在:{args.labels_dir}")
names = [name.strip() for name in args.names.split(",") if name.strip()]
counts = count_instances(args.labels_dir)
all_ids = sorted(set(counts) | set(range(len(names))))
for class_id in all_ids:
class_name = names[class_id] if class_id < len(names) else f"class_{class_id}"
print(f"{class_id} {class_name}: {counts[class_id]}")
positive_counts = [value for value in counts.values() if value > 0]
if positive_counts:
ratio = max(positive_counts) / min(positive_counts)
print(f"最大类/最小类实例比:{ratio:.2f}")
else:
print("未发现有效目标实例")
if __name__ == "__main__":
main()将脚本保存为 count_classes.py 后运行,<PATH> 替换为数据集路径。
python count_classes.py <PATH>/labels/train --names helmet,vest,no_helmet预期输出
0 helmet: <COUNT>
1 vest: <COUNT>
2 no_helmet: <COUNT>
最大类/最小类实例比:<RATIO><COUNT> 和 <RATIO> 由当前数据集决定。若某个已配置类别输出为 0,先检查标签类别 ID、dataset.yaml 中的名称顺序和数据划分,不要直接进入重采样。
按原因选择修复方式
优先修复标注问题。类别映射错误、漏标和同一对象标成多个类别,会制造比单纯数量不足更严重的监督噪声。抽查少数类及其相邻易混类别,确认边界框、类别 ID 和标注规则一致。
真实数据不足时,优先补充少数类在不同光照、距离、背景和遮挡下的样本。只复制同一批图片虽然能增加出现次数,但不会增加信息量,重复过多还可能使模型记住背景。
需要调整采样时,应以“包含少数类的图片”为采样单位,并注意这些图片是否同时含有多数类。少量提高其出现概率即可,验证集必须保持真实业务分布,不能跟随训练集一起过采样。
整理困难样本
困难正样本是模型经常漏检的少数类,例如远距离、严重遮挡或边缘目标;困难负样本则是不含目标但经常被误检的背景。将这些样本复核标注后加入训练集,通常比无差别复制普通样本更有效。
困难样本应来自训练集或新增数据,不能把验证集失败样本直接搬入训练集后继续使用原验证结果,否则会产生数据泄漏。可以保留一份从未参与调参的测试集,作为最终验收依据。
用分类型指标验收
完成数据调整后,使用同一验证集评估新模型。<PATH> 替换为实际权重和数据配置路径。
yolo detect val \
model=<PATH>/best.pt \
data=<PATH>/dataset.yaml \
imgsz=640 \
plots=True预期结果
验证任务完成并输出总体及各类别指标。
混淆矩阵、PR 曲线等图表写入运行目录,实际路径和日志格式可能随版本不同。验收时先看少数类召回率和 mAP 是否提高,再确认多数类没有明显退化。若总体 mAP 上升但关键少数类仍无改善,应继续补充该类的真实场景覆盖,而不是只增加训练轮数。