简介这是一份适合中医智能诊断与计算机视觉研究者的舌苔图像数据集面向需要训练图像分类或语义分割模型的深度学习工程师。数据集包含两千余张512×512像素高清原图并配套Labelme生成的JSON标签文件标签覆盖黑苔、地图舌、白厚腻苔、紫苔、红黄腻苔等常见中医舌苔类型为舌诊自动化研究提供了可直接用于模型训练与验证的标注语料。压缩包共2000个JSON文件体积约206.13MB原图与标注一一对应便于开展数据预处理、数据增强和模型评估。已有2453人学习下载适合熟悉Python、PyTorch或TensorFlow的中高级开发者可基于该数据构建CNN分类模型也可扩展为舌苔区域分割任务是探索中医数字化诊断的实用资源。1. 先聊聊这套舌苔数据集到底解决什么问题做数据集这件事很多人一开始都低估了它的工作量。尤其是医学相关的图像数据集和通用的猫狗分类、COCO这种自然图像数据集完全不同它的采集门槛、标注难度、隐私合规要求每一项都比想象中复杂得多。这套舌苔数据集是两千多张图片、512x512分辨率、原图加labelme标签单看数量不算夸张但它是医工交叉项目里“地基”级别的资源整个项目能不能跑起来、模型能不能收敛、精度能不能达标很大程度上取决于这套数据集做得扎不扎实。先说舌苔数据本身的价值。中医舌诊里有句老话叫“舌为心之苗又为脾之外候”舌苔的厚薄、颜色、润燥、腐腻对应着不同的身体状态。传统场景下这项判断完全依赖医生肉眼观察主观性很强换个医生可能结论就不一样。但如果能把舌苔图像和诊断结果之间的关系用深度学习模型学出来就有机会做一个辅助诊断工具让用户拍一张舌苔照片就能得到初步的健康提示。这个方向现在确实很热智能舌诊、中医数字化、健康监测都在往这里挤。想要训练这样的模型第一步就是要有标准化的数据。这就是这套舌苔数据集的立足点两千多张真实采集的舌苔图像配合精细标注的标签直接为后续的目标检测、语义分割、分类模型提供训练素材。512x512这个分辨率也不是随便定的。这个尺寸在医学图像处理里属于“性价比”最高的档位之一。再往下压到256x256虽然推理速度更快但舌苔纹理、舌乳头、苔质颗粒这些细节已经糊掉了分割模型很难学到有价值的特征再往上到1024x1024细节是丰富了但显存占用、训练时间都要成倍增加除非是专门做超高精度辅助诊断否则对大多数团队来说不划算。512x512这个档位正好能保留足够多的纹理信息又能跑通主流的分割和检测网络是很多医学图像项目的默认配置。这套数据集的另一个关键点是用labelme打的标签。labelme和labelimg是现在做视觉标注最常用的两个开源工具前者主打多边形分割标注后者主打目标框检测标注。舌苔数据集用labelme说明标注的重点大概率是舌体区域分割或者苔质区域的精细勾画而不是简单的矩形框。这个选择很对路因为舌体的边缘是不规则的舌苔和舌体的分界也往往是渐进过渡的用矩形框会框进大量背景和无关区域干扰模型学习。多边形标注虽然费人力但能提供更干净的监督信号是医学图像分割项目里最值得投入的一步。2. 数据采集与预处理两千多张图背后的“笨功夫”2.1 数据来源和采集场景的设计做舌苔数据集第一个避不开的问题就是图片从哪来。两千多张图片的数据量靠一个人拿手机拍拍是不现实的哪怕是团队协作也要有明确的标准。我见过不少团队在这一步就翻车手里攒了一堆图但拍摄环境千奇百怪有的是自然光下拍的有的是闪光灯直射拍的有的带美颜滤镜有的分辨率天差地别。这种数据喂给模型训练出来的结果很难稳定。比较靠谱的做法是固定采集环境。理想情况下应该在统一的室内光源下拍摄光线色温尽量接近自然光避免偏色。舌苔的颜色本身是个很重要的诊断维度偏白、偏黄、偏灰黑都有不同的临床意义如果拍摄时光线不统一模型很可能会学到光线特征而不是舌苔本身的特征。如果实在做不到统一环境至少要做到分类记录什么光照条件下拍的、什么设备拍的、有没有经过处理这些元信息要跟着图片一起保存。后续做数据增强或者剔除异常样本时这些信息会派上大用场。另一个需要注意的点是舌苔图像采集的伦理规范。舌苔虽然不像人脸那样直接暴露身份但舌头写真仍然属于个人的生物特征信息。正规的数据采集流程里必须明确告知被采集者数据的用途、存储方式、是否会公开并且做去标识化处理。在论文发表或数据集公开时一定要确认是否涉及个人信息。这一点宁可多花时间走流程也不能心存侥幸出了事不是闹着玩的。2.2 预处理和尺寸归一化原始采集的照片几乎不可能是整齐的512x512手机拍出来基本都是3000x4000或者更大的分辨率。这时候就需要一个统一的预处理流程。这个流程一般分这么几步缩放、居中裁剪、去噪、色彩校正。缩放和居中裁剪要一起考虑。不能直接粗暴地把长边缩到512那样会改变图像的宽高比造成舌体变形。标准的做法是先把图像按短边缩放到目标尺寸然后再从中心裁剪出512x512的区域。如果舌体在拍摄时已经尽量居中中心裁剪通常能保留大部分舌体区域。当然更精细的做法是先跑一个人脸或者舌体的检测模型自动定位舌体位置后再裁剪这样能减少人工裁剪的工作量但对前置模型有依赖团队如果手头没有合适的模型用中心裁剪起步也够用。去噪这一步容易被忽视。手机拍摄的图片在低光环境下容易出现噪点而噪点会干扰模型对舌苔纹理的学习。可以用OpenCV的非局部均值去噪fastNlMeansDenoisingColored做一遍温和去噪注意参数不要调得太强否则会把舌苔的纹理也糊掉。色偏校正也要谨慎舌苔的颜色特征白、黄、灰等是模型的重要输入信号过度校正反而会抹掉真实信息。我的经验是只有明显偏色比如严重偏蓝或偏橙的图片才做白平衡校正正常范围内的色差保留即可。2.3 数据清洗不能忽视的脏数据问题两千多张图不是采集完就完事了中间一定混着不少“脏数据”。常见的几种情况对焦模糊的、舌头没伸出来的、舌苔被食物残渣污染的、带了滤镜或贴纸的还有拍到了口罩、手指、牙齿占画面比例过大的。这些图如果不清理模型训练时就会被带偏。我的习惯是建一个“待清洗”文件夹第一轮用肉眼快速过一遍把明显不合格的图挑出来。这一轮不用看太仔细主要筛掉模糊、过暗、过曝、异物遮挡这类一眼就看得出的问题。第二轮再逐张细看重点检查舌体是否完整、舌苔区域是否清晰、有没有反光干扰。两轮筛下来一般会淘汰掉10%到15%的图。如果采集标准严格淘汰率会低一些但我建议宁缺毋滥一张脏图对模型精度的负面影响可能要好几张干净图才能抵消。3. labelme标注从安装到导出的完整落地流程3.1 安装和环境配置labelme的安装非常友好Python环境直接pip就能搞定。建议用conda单独建一个虚拟环境不要直接装在base环境里避免依赖冲突。conda create -n labelme python3.8 conda activate labelme pip install labelme装完之后在终端输入labelme就能启动界面。如果你用的是新版可能还需要补装一下PyQt5的依赖不过通常pip会自动处理。启动后会在浏览器窗口里打开第一次打开可能有点懵其实核心功能就集中在左侧工具栏的几个按钮打开文件、打开文件夹、保存、创建多边形。对这套舌苔数据集来说大量的工作就是“打开文件夹 → 创建多边形 → 保存标签 → 下一张”其他不常用的功能可以先忽略。3.2 标签体系设计在动手标注前先想清楚这是整个标注环节里最费脑子的部分。标签怎么定、分几类、边界怎么画直接决定了数据集的可用性。如果标签体系设计得不合理后面返工的成本非常高。一个常见的标签设计思路是按舌苔的临床分型来定类别。比如类别说明标注方式正常舌苔薄白苔干湿适中舌苔区域边界框选白厚苔苔质较厚白色覆盖明显舌苔区域边界框选黄苔苔色偏黄通常伴腻舌苔区域边界框选剥苔舌苔部分或全部剥落舌质暴露剥落区域单独框选舌体边缘舌体轮廓与背景的分界沿舌体外缘框选但实际做下来我建议在第一版数据集里不要设计太多细分类。原因很简单标注人员不是医生容易分错。舌苔的厚薄、颜色深浅本来就有主观判断空间分类太细不同标注人员的标准就很难统一最终导致标签噪声很大。稳妥的做法是先从“舌体区域分割”这一件事做起——把所有舌体区域完整勾画出来再根据需求逐步叠加细分标签。有了基础的分割掩码后续要做分类、检测都可以在这个底座上二次开发。3.3 标注实操中的细节和习惯具体标注时有几个能明显提升效率和准确率的习惯。第一多边形锚点的放置要密度合适。锚点太疏勾出来的轮廓会很粗糙锚点太密不仅浪费时间还会引入不必要的噪声。我的经验是舌体轮廓的平滑段每隔10到20个像素放一个锚点在舌根、舌尖这些曲率变化大的位置适当加密。每张图做完后建议缩小画布整体检查一遍轮廓和舌体的贴合度。第二利用labelme的快捷键。建议把“下一个文件”和“保存”这两个操作着重记一下多张图熟练之后每个文件不到30秒就能搞定。频繁在鼠标和键盘间切换反而更慢。第三遮挡和模糊部分的处理原则。如果舌体边缘有嘴唇遮挡标注时只标注到能明确分辨的位置不要臆想被遮挡部分的轮廓。如果整张图有局部模糊优先保证清晰区域的标注质量。这个原则必须在团队内部统一否则A标注员和B标注员画出来的同一张图可能有明显差异。3.4 数据导出与格式转换labelme默认保存的标签是和图片同名的.json文件。在打开图像时labelme会在同名路径下生成对应的json这个文件里保存了每个多边形顶点的坐标、标签名称、图像大小等信息。这个JSON格式本身是自包含的但在实际训练时还需要把它转成模型能直接读的格式。如果你用的是MMDetection、mmsegmentation这类工具箱labelme的json格式不能直接用需要通过脚本转成MS COCO或VOC格式。如果你走的是YOLO系列训练前要转成TXT格式。不管是哪一种核心的转换逻辑都不复杂解析json中的“shapes”字段把多边形顶点坐标提取出来再按目标格式重新组织。这里要提醒一个高频踩坑点labelme保存的坐标是图像原始尺寸下的坐标如果训练时先做了缩放裁剪那么坐标也要同步变换否则会出现标签和图像错位的问题。大多数转换脚本都会处理这一层但如果你是自己写的转换逻辑一定要确认坐标系的变换关系。4. 标注完成后的质量校验与问题排查4.1 数据校验三板斧标注全部完成、数据集正式派发之前一定要做三轮校验。第一轮是格式校验。写一个脚本检查所有json文件是否能正常解析图片和json是否一一对应是否有缺失。几千个文件里有一两个格式异常是很正常的事情靠人眼检查不现实脚本一把梭最靠谱。第二轮是可视化抽检。把标注结果直接叠加绘制到原图上随机抽几十张看效果。这张图的效果是最直观的轮廓是否贴合、有没有漏标或多标一眼就能看出来。这个步骤别省格式校验只能保证“能读”不能保证“画得对”。第三轮是边缘样本审查。把标注多边形的面积、顶点数量、顶点密度统计出来找出异常值逐张核查。比如舌体区域的面积明显偏小、形状奇怪、顶点密集度异常大概率是标注失误。这一步能揪出很多肉眼抽检时遗漏的问题。4.2 标注中最常见的几个坑结合做过多套医学数据集的经历这几个问题几乎每次都会遇到标签类别拼写不一致。比如JSON里有人写“tongue”有人写“Tongue”还有的人写“tougue”转换脚本直接报错或者把类别分成三个。处理方式是转换前做一个类别的正则归一化把所有可能的变体统一映射到标准类别名上。空标注文件。打开一张图后没画内容就直接保存生成了只有基本信息、没有shapes的json。这些文件在训练时会被当作负样本处理造成误判。最好在清洗阶段直接剔除。标注面积占比异常。有的舌体区域标注只占整张图的5%有的占到70%。这种极端差异会影响模型的尺度鲁棒性增加训练难度。如果条件允许可以在预处理时统一裁剪出舌体区域让标注面积占比保持在一个相对一致的范围。4.3 多人协作标注时的质量控制如果团队有多人同时标注建议采用“先试标再统一标准”的流程。所有标注员先各自标10张图然后放在一起逐张对比把差异大的样本拿出来讨论统一标准后再大规模铺开。这个过程听起来费时间但实际能避免后面大量返工。更严格的团队可以建立交叉验证机制每个人随机抽出20%的已标数据交给另一个人复标计算IoU一致性低于阈值的返回重标。5. 这套数据集后续可以怎么用数据集本身的建设是第一步后续的模型训练和项目落地才是真正检验数据价值的环节。基于这套舌苔数据集至少有这么几个方向可以做第一舌体分割模型。用数据集里的多边形标签训练一个语义分割网络比如U-Net或者DeepLabV3做成舌体区域的自动抠图。有了这个模型后续的舌苔分析就不需要人工标注了直接输入原始图片输出舌体掩码再在掩码基础上做苔质分析。第二舌苔分类模型。在分割掩码的基础上裁剪舌体区域送入分类网络识别苔色、厚薄、润燥等特征。这里要注意分类标签需要覆盖所有舌苔类型最好有专业的医生参与打标。如果专业资源不足可以退一步先从“正常vs异常”这个二分类做起等积累了更多标注数据再细化。第三整套中医数字化流程的入口。舌苔数据只是中医四诊数据中的一个模态如果未来能整合舌苔图像、问诊文本、脉诊数据就能构建更完整的智能辅助诊断系统。这套数据集可以作为整个链路里的第一环为后续多模态模型提供基础。从我个人的经验来说做数据集这种工作短期看又累又不讨巧不像调模型那样能快速看到精度的提升但它是最值得投入的基础设施。后面每次训练出更好的结果回头想都是数据的功劳。如果现在正好计划做类似的医学图像项目不妨先花一到两周时间把数据集的规范和流程搭好后面所有工作都会顺畅很多。本文还有配套的精品资源点击获取