先看输入#

视频抽帧、连拍图片、同一物体不同角度，如果随机按图片划分，很可能把高度相似样本分到 train 和 val 两边。

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
# 实际项目可使用 imagehash 检查近似重复
4
files = sorted(Path("images").glob("*.jpg"))
5
print("images", len(files))
6
print("check split by source video or scene id")

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#

常见检查方法包括按视频、设备、场景或主体分组划分，再用感知哈希找重复或近似重复图片。

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#

图像训练集泄漏怎么发现 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。