简介面向目标检测初学者以及需要扑克牌识别训练数据的研究者这份资源提供了一套小型、可直接用于模型训练与评估的标注数据集。图片共三百六十三张覆盖queen、ten、nine、king、jack、ace六种扑克牌类别全部采用LabelImg工具手工标注对应生成三百六十三份XML标签文件与三百六十三张JPG原图两种文件合计七百二十六个压缩包整体约三十六点六二兆字节文件结构清晰便于快速划分训练集和验证集。已有三百九十五人学习下载适合用来练习YOLO、SSD等常见目标检测框架也能帮助理解数据标注与模型训练之间的关联。由于数据整体规模适中读者可以按需补充同类别样本以提升模型泛化能力同时XML标注格式能够方便地转换为常用的VOC或COCO格式是一份轻量、易上手的数据集资源。1. 为什么扑克牌识别这么容易翻车先想清楚三个问题再动手把 52 张扑克牌交给模型去识别看着是目标检测里的入门活真做起来才发现坑全在数据上。同样的牌面换个灯、转个角度、和别的牌叠在一起检测框就飘分类就错。做过几轮yolov8训练自己的数据集的人都有体会调参是玄学数据标注才是硬指标。这个项目要解决的就是把“标注扑克牌目标识别数据集”从拍脑袋推进到能复现从标签怎么定、数据怎么采、工具怎么选到逐帧标注、格式转换、质量校验再到用训练结果反推数据集问题做成一套能稳定交付的资产。适合三类人想快速产出训练集的新手、被漏检和误检反复折磨的调参党、以及要给团队定标注规范的技术负责人。2. 数据集标注方案设计标签体系、采集规划与工具选型动手标注之前先把方案想清楚。标签怎么定、数据怎么采、工具怎么选这三件事定了后面的执行就是体力活这三件事没定标注员和算法工程师之间会互相拉扯到怀疑人生。2.1 标签体系设置数字、花色分开标还是一起标扑克牌目标识别有两种主流标注策略。第一种是整牌一个类别比如“黑桃A”单独作为一类一共 52 类第二种是把数字和花色拆开标数字 13 类A 到 K花色 4 类推理时再组合。这两种策略在数据集标注阶段就要定死因为它直接影响标注框的数量、类别分布和后续模型结构。整牌标注的逻辑最简单一张牌一个框一个标签标注员几乎不需要思考。但 52 个类别对样本均衡性要求很高黑桃A 拍了 300 张方块7 只拍了 50 张模型对少量类别就特别容易漏检。数字加花色分开标一共有 17 个类别每个类别的样本量更容易攒够透视变形下的泛化能力也更好但推理时需要在后处理里把两个检测结果拼成完整牌面多一段逻辑就多一类 bug。我一般建议先用整牌类别做 V1 版本跑通训练和部署流程再评估要不要拆子任务。扑克牌识别最大的难点首先是“找到牌在哪里”和“框准牌面”这两件事用整牌标注反馈最快拆两个子任务会让标注工作量直接翻倍很多团队在第一步就翻车了。2.2 采集规划光照、背景、角度与遮挡覆盖标注烧时间采集更烧时间。漏检和误检多半不是模型不行而是采集的时候就没覆盖到推理时的真实场景。我一般把采集清单做成一个覆盖矩阵先对着矩阵拍拍完再补拍而不是拿到手机随便拍几百张就开始标。场景维度建议覆盖情况样本占比光照均匀光、侧光、逆光、局部阴影60% 均匀光20% 侧光10% 逆光10% 阴影背景桌面纹理、单色垫、杂色垫、手部每种背景不低于 10%拍摄角度俯拍、斜拍、平视、旋转 90 度/180 度俯拍 50%斜拍 30%平视 10%旋转 10%牌面状态单张、两张重叠、多张堆叠、边缘出画、背面朝上单张为主重叠样本不少于 20%负样本银行卡、身份证、杂志封面、其他纸牌占总图片数的 5% 到 10%这里最容易忽略的是负样本。所谓负样本就是画面里根本没有扑克牌但容易出现误检的物体比如银行卡上的数字、杂志封面上的图形。标注时如果只标正样本模型不知道“这是背景、不该检测”部署时假阳性率会高到离谱。数据标注工具里把负样本图片放进去不做任何标注训练时当作背景参与负样本挖掘这个习惯我从第一个目标检测项目就开始用。另外一个采集细节是分辨率。扑克牌的牌面文字很小图片分辨率太低时标注框内的特征根本不够模型学。我建议牌面短边像素不低于 200也就是一张 1080p 的照片里单张牌占画面面积不要小于十分之一。2.3 标注工具选型LabelImg、X-anylabeling 与 CVAT 的取舍目标检测标注工具的选型主要看三个条件单人还是多人、要不要浏览器端协作、要不要半自动预标注。这个选型判据我整理成一张表照着选基本不会出大错需求推荐工具理由单人、快速、原生桌面端LabelImg启动快快捷键顺手PascalVOC 格式直接导出需要半自动预标注X-anylabeling支持 AI 模型辅助标注先检测后修正效率高一截多人远程协作、任务分配CVATWeb 界面支持任务、标签、审核流遥感图像标注这类大图协作场景常用多边形或关键点标注LabelMe多边形能力更强以后扩展牌面关键点标注不用换工具工具选型不要花太多时间核心是把标注结果统一成一个格式。团队里最怕三个人用三种工具导出三种格式最后做数据合并的人想骂人。我一般会指定一个主工具输出 PascalVOC XML 或 COCO JSON后续统一做格式转换。X-anylabeling 这类带自动标注的工具适合先让模型预检测一批再人工修正框的位置能省不少时间但自动标注只适合做初稿最终质量必须靠人眼确认。提示标注工具不必贪多一个团队固定用一个主工具比什么都重要。3. 执行标注LabelImg 逐帧标注流程与边界规范工具定好后标注执行时最关注三件事数据目录的组织方式、标注框的边界规范、难例的标注决策。这三件事如果不先统一标注员和算法工程师会在返工中互相消耗。3.1 LabelImg 的最小可用配置与快捷键先建好目录结构避免图片、XML 和后续的 TXT 混在一起。我习惯在项目根目录下分三个子目录mkdir -p poker_dataset/images poker_dataset/labels poker_dataset/original拍摄好的原始素材放在original下经过筛选后要标注的图片放在images下labels目录留给后面 YOLO 格式的 TXT 文件。然后建一个干净的 Python 环境安装 LabelImgconda create -n labeling python3.9 -y conda activate labeling pip install labelimg启动标注界面labelimg。首次启动后先设置三处打开图片目录、保存目录也是images、标签格式选 PascalVOC。之后的工作流是按 W 画框在弹窗里选标签按 D 翻到下一张翻页时自动保存。为了让标注新手一小时上手我把常用快捷键列成一张表贴在工位旁快捷键作用W画标注框D / A下一张 / 上一张图片CtrlS手动保存当前 XMLDel删除当前选中框Space切换自动保存开关注意一点LabelImg 翻页时会自动保存但偶发弹窗卡住不保存的情况我也遇过所以翻页前按一下 CtrlS 更保险。这个习惯能避免你标了 300 张图结果 XML 没落盘的惨剧。3.2 标注框边界框住整张牌还是只框牌面图案这是扑克牌标注里最核心的规范分歧。牌面图案点数和花色通常集中在牌的中间区域如果框贴得太紧只框住中间图案模型会丢失牌的边界轮廓如果把框扩到整张牌的物理边缘遇到牌角翻转、多牌重叠时框的边界又很难保持一致。我自己定的规范是默认框住整张牌的矩形区域四个方向各留出约 2% 到 3% 的余量保证牌面的白色边框完整落在框内。如果牌是斜着放的水平框会把背景也包进来这时候要么在采集时把牌摆正要么刻意保留一部分斜牌样本让模型学会在透视变形下检测。目标检测里常用的是水平框旋转框的标注和训练链路成本都更高V1 版本不建议上。判断标准就一句标框宁大勿小。检测框略大于牌面模型能借助边框附近的上下文补全牌面信息框太小牌的边缘特征被切掉分类分支就容易出错。尤其当牌面带有边框装饰时框必须包含完整的白色边框否则推理时牌面像被腰斩了一块。这是血泪经验。注意标框宁大勿小但不要故意框得比牌面大出太多。留 2%~3% 的边距已经足够框得太多会让相邻两张牌重叠样本的检测框混在一起。3.3 难例处理反光、重叠、透视变形与模糊牌的标注策略难例标注是最能体现经验差异的地方。看到一张反光牌新手会跳过不标老手会把它标出来并保留因为推理时一定会遇到反光样本模型没见过反光就只会误检。处理策略分几种情况。反光牌只要人眼还能辨认牌面类别就正常标注不要因为画质差就丢。模糊牌如果人眼无法确认是哪一张跳过并在采集中补一张清晰同类别样本。重叠牌只标注可见面积超过 50% 的那一张被完全挡住的牌一律不标因为模型没有足够上下文去学习完全遮挡目标。透视变形严重的牌反而要标手机倾斜拍摄是常见的部署场景训练集里全是俯拍正视图的话部署时检测率会掉一大截。为了给模型“见世面”我还会从难例中单独挑出一批低置信度样本集中补标一版作为后续迭代的硬样本集。这类样本在训练时让模型反复“撞墙”撞多了漏检率就下来了。难例管理建议用一个难例清单来追踪格式列清楚文件名、问题类型、处理方式。比如一张图同时存在反光和重叠就记录“反光 重叠已标可见牌”。训练后模型如果误检反光牌先回查难例清单里有没有同类样本模型漏检重叠牌去统计重叠样本的占比。这个清单就是排查时最直接的证据链比训练后盲目调参靠谱得多。4. 避坑手册扑克牌标注最常见的 5 个坑与批量排查法标注阶段犯的错误训练时会被模型忠实地学习并放大最后以“模型太蠢”的形式反噬回来。排查的时候先怀疑数据集再怀疑模型这个顺序能省掉大量无用功。下面这五个坑基本覆盖了扑克牌目标识别数据集的大多数翻车场面。4.1 坑一正反牌面混标类别标签把背面的牌也当成正面现象训练出来的模型对背面朝上的牌疯狂给出类别预测而且置信度还不低。原因采集时背面牌被顺手标了类别比如一张朝上的黑桃A背后放着一张牌背标注框把背面牌也框成了黑桃A。模型学到的不是“牌面特征”而是“有扑克牌形状的东西都是黑桃A”。解决标注前在标签体系里加一个“back”类别或者明确规范“只标朝上的牌面背面牌不标”。如果已经标错了用脚本批量检查 XML 里的标签和图片实际内容的对应关系把误标的框删除或者改成 back。4.2 坑二类别混淆6和9、J和Q在旋转样本上标反现象验证集的混淆矩阵里6 和 9 的混淆率明显偏高J 和 Q 也有一定比例混在一起。原因采集时牌旋转了 180 度标注员没注意方向把旋转后的牌点当成了原类别。人眼能判断牌的上下但标注疲劳时特别容易忽略。解决规范牌面方向所有标注必须按牌面正向左上角点数朝上来标类别图片本身的旋转角度不影响标签内容。处理方法是如果一张图里牌是倒扣的先把图片旋转 180 度再标或者规定牌面文字可读时按可读方向标注不可读就不标。另外可以在标注界面的类别列表里让 6 和 9、J 和 Q 不相邻降低点错概率。4.3 坑三画框只贴图案没有包含牌的白色边框现象推理时模型输出的检测框整体偏小把牌面裁掉一圈分类结果变差后处理的置信度过滤也不稳定。原因标注员为了让框看起来“精准”把框紧贴牌面中间的花色图案忽略了整张牌的矩形轮廓。模型学到的是“牌就是图案”的局部视野部署时一旦有光照或阴影干扰框的位置就开始漂。解决在标注规范里写死“标注框包含整张牌四角留出 2%~3% 余量”。团队标注时用一张正确框和错误框的对比截图贴在标注界面旁边文字描述容易有歧义图像对比一眼就能看懂。4.4 坑四一个牌面上标了两个框点数区域和花色区域各标一个现象推理时同一张牌输出两个重叠的检测框NMS 之后经常只留下一个导致牌数统计少一半或多一倍。原因标注员遵循了“把牌面的点数和花色拆开标”的个人理解在一个牌面上画了两个框。这在目标检测数据里属于典型的多标签错误训练时模型对同一目标会学到两套特征响应。解决明确“一张牌一个框”的底层逻辑。如果后续产品需要牌面和花色分别输出精细识别应该拆成两个阶段做先检测整牌再裁剪牌面区域做分类而不是在检测标注阶段硬拆。4.5 坑五XML文件名和图片文件名对不上现象训练时报错找不到文件或者加载图片时标签全部缺失数据预处理阶段就断了。原因LabelImg 保存 XML 时默认使用图片名但图片一旦被批量重命名、移动目录XML 文件名和图片名就对不上了。解决图片和 XML 放在同一目录重命名图片后立刻运行批量改名脚本让 XML 文件名与图片文件名保持一致。更稳妥的做法是标注前就直接按“编号_类别_序号”的规则管理文件名标注结束后不重命名任何文件。文件名是数据集的“外键”改文件名就是改数据库主键改完必出事。4.6 用脚本批量扫雷10分钟找出全部脏标注上面的坑一、坑三、坑五可以通过脚本快速排查。我一般会在标注结束后运行一次全量扫描把坐标越界、缺图、空标注三类问题一次性列出来。import os import xml.etree.ElementTree as ET def scan_xml(xml_dir, img_dir): for xml_file in sorted(os.listdir(xml_dir)): if not xml_file.endswith(.xml): continue # 检查图片是否缺失 img_file os.path.splitext(xml_file)[0] .jpg if not os.path.exists(os.path.join(img_dir, img_file)): print(f缺图片: {xml_file} - {img_file}) continue tree ET.parse(os.path.join(xml_dir, xml_file)) root tree.getroot() img_w int(root.find(size/width).text) img_h int(root.find(size/height).text) objs root.findall(object) if not objs: print(f空标注: {xml_file}) for obj in objs: box obj.find(bndbox) xmin float(box.find(xmin).text) ymin float(box.find(ymin).text) xmax float(box.find(xmax).text) ymax float(box.find(ymax).text) # 检查标注框是否超出图片边界 if xmin 0 or ymin 0 or xmax img_w or ymax img_h: name obj.find(name).text print(f越界: {xml_file} 的 {name} ({xmin:.0f},{ymin:.0f},{xmax:.0f},{ymax:.0f})) print(扫描完成)这个脚本检查三个维度的错误图片文件是否存在、XML 里有没有空标注、以及所有框的坐标是否落在图片范围内。任何一条输出都值得手动打开图片确认。文件名不匹配的问题在扫描后基本能清干净越界问题则需要回到标注工具里一帧一帧修。至于坑二和坑四脚本抓不到它们需要靠下一章的可视化复检来发现这两类错误人眼一扫就能暴露。5. 把标注结果转成 YOLO 格式转换脚本与校验LabelImg 默认导出的是 PascalVOC XML里面记录的是绝对像素坐标一个图片一个 XML 文件。但 YOLO 训练时读的是 TXT每行一个标注目标记录类别 ID 和归一化坐标。两者之间需要做一次格式转换这是数据集落地到训练前的必经环节。5.1 VOC 转 YOLO 的转换脚本格式转换的完整步骤是四步解析 XML 取出每个 object 的类别名和四个角点坐标用图片宽高计算归一化的中心点 x、中心点 y、宽、高把类别名映射成类别 ID 写进 TXT最后按图片文件名输出对应的 TXT 并生成类别映射文件。import os import xml.etree.ElementTree as ET def voc_to_yolo(xml_dir, txt_dir, class_names): os.makedirs(txt_dir, exist_okTrue) class_to_id {name: idx for idx, name in enumerate(class_names)} for xml_file in os.listdir(xml_dir): if not xml_file.endswith(.xml): continue tree ET.parse(os.path.join(xml_dir, xml_file)) root tree.getroot() img_w int(root.find(size/width).text) img_h int(root.find(size/height).text) txt_name os.path.splitext(xml_file)[0] .txt with open(os.path.join(txt_dir, txt_name), w) as f: for obj in root.findall(object): name obj.find(name).text if name not in class_to_id: continue box obj.find(bndbox) xmin float(box.find(xmin).text) ymin float(box.find(ymin).text) xmax float(box.find(xmax).text) ymax float(box.find(ymax).text) # 换算YOLO格式中心点坐标和宽高都归一化到0-1 x_center (xmin xmax) / 2.0 / img_w y_center (ymin ymax) / 2.0 / img_h width (xmax - xmin) / img_w height (ymax - ymin) / img_h # 归一化后越界说明标注框画到了图片外面 if not (0 x_center 1 and 0 y_center 1 and 0 width 1 and 0 height 1): print(f警告: {xml_file} 中的 {name} 归一化坐标越界) f.write(f{class_to_id[name]} {x_center:.6f} {y_center:.6f} {width:.6f} {height:.6f}\n) # 生成类别映射YOLO训练配置需要引用 with open(os.path.join(txt_dir, classes.txt), w) as f: for name in class_names: f.write(name \n) print(转换完成)这个脚本的逻辑不复杂但那个越界警告是有意加的。XML 里如果标注框超出了图片宽高比如手抖把框拖到画布外转换出来的归一化坐标就会出现大于 1 或小于 0 的值。YOLO 训练时对这些越界坐标不是忽略就是裁剪框的位置和图片内容对不上导致训练出的模型在边界区域的检测很怪。越界警告比转换速度重要宁可多打印几行提示也不要静默跳过。5.2 数据集校验标注文件与图片对不上怎么办转换完成后不要直接开训练先做一次全量校验。我用一段几十行的脚本检查三件事每张图片都能找到同名 TXT、每个 TXT 的坐标都在 0 到 1 之间、每个类别 ID 都在 classes.txt 范围内。检查结果会直接输出缺哪些文件、错哪些行不需要去 YOLO 日志里猜。图片和标注对不上的常见原因是采集过程中用过批量改名工具或者图片来自多个目录但合并时没去重。这种情况我遇到不止一次解决方式有两个。第一是立刻跑上面的转脚本它会报出所有缺 XML 的图片和缺图片的 XML。第二是对图片做 MD5 去重把重复图片和它的标注一起删掉。不要留重复正样本重复样本会放大模型对该类别的敏感度还会污染验证集的真实性。提示YOLO 的类别 ID 从 0 开始与 classes.txt 的行号严格对应。classes.txt 的顺序一旦换过所有 TXT 的标签都会错位转换时务必用同一个 classes.txt 作为唯一来源。校验通过后把 images、labels、classes.txt 整理成 YOLO 要求的目录结构然后按 8:1:1 划分训练集、验证集、测试集。划分时要注意按文件夹切片不要把同一张牌的不同角度照片同时分进训练集和验证集否则验证集就是开卷考试指标虚高没有参考价值。6. 验证标注质量三种快速反馈方式标注完成、格式转好不代表数据集任务结束。拿模型跑一轮训练用结果反推数据质量是标注闭环里最重要的一步。这里给出三种快速验证方式按成本从低到高排序。6.1 可视化复检看检测框到底贴不贴训练完第一轮把验证集图片过一遍模型把检测框画到原图上一张张翻看。重点看四点框是不是整体偏移、重叠牌的框是不是重合、反光牌有没有漏检、背景里有没有把牌盒当成扑克牌。这些问题在指标曲线里看不出来但在图片上十秒就能暴露。这个步骤我每次迭代都做它决定了这一版标注数据要不要返工。6.2 错误分析按漏检、误检、错分三类归因把预测错误的样本拉出来按漏检、误检、分类错误三个维度统计。漏检集中在某种光照条件下回去补那个场景的采集误检集中在背景物体上回去补负样本分类错误集中在 6 和 9 之间回到标注规范看是不是方向混淆的样本没处理干净。三类错误对应三类数据动作这是数据驱动训练的核心步骤。6.3 交叉一致性检查用它验收新人标注找两个标注员各标同一批图片比对框的 IoU 和标签一致性。IoU 平均值低于 0.7说明标注规范还没对齐先不要训练回去统一规范。这个检查成本高平时我不常做但新人上岗或标注规范大改时会做一次当作验收关卡。做完这三步再把数据集交给模型去正式训练心里的底会足很多。扑克牌目标识别这类任务模型结构几乎固定标注数据的质量才是杠杆最大的地方。我自己的习惯是标注阶段多花一天做校验训练阶段就少花一周调参数。希望帮到你。本文还有配套的精品资源点击获取
