使用Roboflow训练自定义目标检测模型后标签完全互换问题求助

一、优先排查标注与数据集导出问题 #

• 抽查标注数据：随机抽取100-200张标注图，确认是否存在标签标注错误——比如将门标成门把手、把手标成门的情况，尤其是批量标注操作后容易出现这类失误。同时统计两类目标的数量，若某类样本占比极低（比如门把手仅占10%以下），也可能导致模型混淆，但你的情况是标签完全互换，更大概率是标注时标签搞混。
• 核对数据集导出的标签映射：
  • 查看Roboflow导出的yaml配置文件，确认names列表的顺序是否和你标注的类别一致（比如是否把door和handle写反）。
  • 打开样本对应的txt标签文件，检查类别ID是否匹配：比如门对应的ID是0，把手对应ID是1，若ID完全颠倒，训练后模型自然会把两类标签互换。

二、分析数据特征与增强影响 #

• 对比两类目标的视觉特征：统计门和门把手的尺寸分布，如果大量门把手的尺寸和小型门（比如门洞）接近，或者部分门的视觉特征和把手高度重叠（比如窄门+大把手），模型会难以区分。可以补充更多差异化样本——比如完整门体、不同样式的门把手，明确两者的视觉边界。
• 暂停数据增强测试：暂时关闭垂直翻转增强，用小模型（比如YOLOv5n）训练10个epoch，验证是否是增强导致特征混淆（虽然垂直翻转对这类目标影响较小，但可以排除此可能性）。

三、检查训练配置 #

• 确认YOLOv5的训练yaml：检查nc是否设为2，names列表的类别顺序是否和数据集一致。比如如果数据集里0是门，yaml里names却写成['handle', 'door']，模型会把预测的0类识别为把手，1类识别为门，导致标签互换。

四、预防建议 #

• 标注前制定明确规则：比如定义“门”为完整门体区域，“门把手”为门体上的部件，制作标注示例图，避免模糊地带。
• 标注后交叉校验：安排至少两人抽查标注数据，重点检查边界框准确但标签易混淆的样本。
• 导出数据集必核对：每次导出后检查yaml的names、nc，以及txt标签的类别ID，确保映射正确。
• 训练前做数据探索：统计样本数量、目标尺寸、场景分布，及时补充差异化样本，减少特征重叠。
• 快速验证小模型：用最小规格的YOLOv5模型训练少量epoch，快速排查标签映射、标注错误等问题，节省时间。

内容的提问来源于stack exchange，提问作者Maitha Alnaqbi