服饰类目标检测是电商视觉分拣、智能安防、工业质检等领域的核心技术模块，而高质量标注数据集是提升模型精度的关键前提。目前公开服饰数据集存在品类单一、标注粗糙等问题，本文整理 10 组聚焦衣帽鞋袜的细分数据集，全部兼容 YOLOv8 格式，并附上实操代码，助力算法开发效率翻倍。

一、 数据集核心参数

注：第 10 组为工业补充数据，可用于跨品类检测模型训练。

二、 技术实操：数据集加载与预处理（附 Python 代码）

1. YOLOv8 数据集加载代码

python

运行

from ultralytics import YOLO
import os

# 数据集配置文件路径
data_path = "data/clothes.yaml"
# 加载预训练模型
model = YOLO("yolov8n.pt")
# 加载数据集并验证格式
model.val(data=data_path, imgsz=640, batch=16)

2. 未标注数据集补标 + 格式转换（LabelImg 工具调用）

python

运行

# 快速启动LabelImg工具（需提前pip install labelImg）
import os
os.system("labelImg data/raw_images data/annotations --labels data/labels.txt")
# 转换为YOLOv8格式（xml转txt）
os.system("python xml2txt.py --input data/annotations --output data/labels")

3. 数据增强代码（提升模型泛化能力）

python

运行

import albumentations as A
import cv2

transform = A.Compose([
    A.RandomResizedCrop(height=640, width=640, scale=(0.8, 1.0)),
    A.HorizontalFlip(p=0.5),
    A.RandomBrightnessContrast(p=0.2),
], bbox_params=A.BboxParams(format='yolov8', label_fields=['class_labels']))

# 应用增强到单张图片
img = cv2.imread("sample.jpg")
bboxes = [[x1, y1, x2, y2, label] for x1,y1,x2,y2,label in annotations]
augmented = transform(image=img, bboxes=bboxes, class_labels=[label for _,_,_,_,label in bboxes])

三、 训练调参建议

1. 小样本数据集（如 1067 张花色帽子）：采用迁移学习，学习率设为0.001，迭代 50 轮，冻结主干网络。
2. 大样本数据集（如 5678 张头盔数据）：从头训练，学习率设为0.01，迭代 100 轮，开启早停机制（patience=5）。

四、 合规声明

1. 数据集仅限学术研究、模型训练使用。

五、 后续分享

后续将更新服饰检测模型部署教程（TensorRT/ONNX），以及更多细分场景数据集。如需数据集获取方式，欢迎关注博主，私信交流。