先看输入#

我会给每次数据集变动写一个版本说明，记录图片数量、标签数量、类别分布、train/val 划分方式和清洗规则。版本名不要只叫 new，最好包含日期和目的。

我会先选少量图片做检查：一张正常图、一张边界图、一张容易失败的图。小样本跑通以后，再扩大到完整数据集。

示例代码#

1
from pathlib import Path
2

3
images = list(Path("images").rglob("*.jpg"))
4
labels = list(Path("labels").rglob("*.txt"))
5
print("images", len(images))
6
print("labels", len(labels))

可视化验收#

• 保存至少一张中间结果图，而不是只打印数组形状。
• 检查坐标顺序，确认没有把 x/y 和 w/h 混用。
• 抽查失败样本路径，避免批量流程悄悄跳过坏图。
• 如果结果要进入训练集，记录数据版本和处理脚本版本。

常见误差来源#

常见误差来自只复制图片不复制标签、删除坏图后没有同步划分文件、增强后覆盖原图、训练记录里没有写数据版本。

最小验收样例#

我会固定一组小样本作为回归检查集。每次改处理脚本或训练配置，都先跑这组样本，确认输出图片、标注框或预测结果没有出现明显退化。

视觉任务的验收不能只依赖成功退出码。最少要打开一张输出图，并把失败样本单独记录下来。这样后续定位问题时，能从具体图片回到具体处理步骤。

小结#

图像数据集版本怎么记录 的关键是让每一步都有可视化证据。视觉任务最终要回到图像本身，不能只信日志和指标。