YOLOv5多类别数据集训练异常：仅识别1类问题求助

1. 统一标签文件的类别ID #

不同原始数据集的标签文件（.txt）可能存在类别ID冲突。比如数据集A中"马桶"是ID 0，数据集B中"洗手台"是ID 0，合并后模型会把这两类当成同一类处理。

• 操作：随机抽取各原始数据集的标签文件，查看第一列的类别ID，对比对应data.yaml的类别映射。
• 修复：将所有数据集的类别统一映射为0、1、2、3，批量修改标签文件的类别ID后重新合并数据集。

2. 验证combined_dataset.yaml配置 #

确保配置文件中：

• nc（类别数）设置为4
• names列表包含所有4个目标类别
• train/val/test路径正确指向合并后的对应文件夹
  如果names只写了1个类别或nc=1，模型只会学习单一类别。

3. 检查图片与标签的匹配性 #

合并后可能存在图片无对应标签、标签类别ID不在配置范围内的情况：

• 操作：用YOLOv5自带的python utils/autoanchor.py --data combined_dataset.yaml检查数据集完整性，或手动抽查图片与对应标签文件。
• 修复：删除无标签的图片，修正标签文件中无效的类别ID。

4. 分析训练日志与可视化结果 #

查看runs/train/yolov5s_results目录下的文件：

• 看results.png中的类别损失（cls_loss），如果只有1类损失下降，说明模型未学习到其他类特征，大概率是数据集配置问题。
• 查看train_batch*.jpg，确认训练时图片的标签是否正确显示所有类别。

5. 检查数据集类别分布 #

如果某类图片数量远多于其他类，模型会偏向识别该类：

• 操作：统计合并后每个类别的样本数量。
• 修复：增加少数类样本，或训练时添加--class-weight参数给少数类更高权重。

内容的提问来源于stack exchange，提问作者Stephanie Omwanda