企业官网建设流程全解析

简介：这是一套面向计算机视觉学习者的脸部皮肤病检测数据集，包含粉刺、丘疹、结节、脓疱四类目标，适合用来练习YOLO系列或Faster R-CNN等目标检测模型的训练与验证。数据集中每张jpg图片均配有对应的xml和txt标注，既提供VOC格式便于使用现有检测框架，也提供YOLO格式方便直接训练；图片未做增强，矩形框标注清晰规范，共8827个目标框可供统计与评估。压缩包共2000个文件，其中1590个xml标注、410个txt标签文件，整体大小35.93MB，数据量适中，便于快速下载和迭代实验。目前已有103人学习，适合作为入门或课程设计的数据补充，帮助读者熟悉从标注解析、格式转换到模型训练与mAP评估的完整流程。

1. 脸部皮肤病检测：为什么说这份数据集的瓶颈在标注而不是图片

做皮肤检测的同行应该都经历过这种场景：模型结构选好了，YOLO环境也装好了，结果卡在数据上。去医院要影像数据涉及隐私，自己去网上爬图又面临标签不干净的问题。脸部皮肤病检测数据集（YOLO+VOC格式）解决的正是这个中间环节——拿到手就能直接进训练管线，不用自己写坐标转换脚本，也不用纠结标注格式到底用哪种。它覆盖的是脸部常见皮肤病变的目标检测任务，适合用来跑通算法流程、做技术验证、或者作为迁移学习的起点。

这个数据集最有价值的地方，不是图片数量，而是双格式标注的可用性。许多公开数据集只给一种格式，换框架就得重写转换逻辑，中间不知道要踩多少坑。这份数据集同时提供VOC的XML标注和YOLO的txt标注，等于给训练和验证各留了一份底稿。不过，格式齐全不意味着直接就能拿来训，标注里的细节问题仍然很多。下面从数据组织、训练配置、格式转换到翻车排查，一条线讲清楚。

适合读这篇文章的人有三类：想用YOLO做脸部皮肤异常检测但缺乏干净数据的算法工程师，需要快速验证检测方案的医疗或美容行业技术负责人，以及正在学习目标检测、想拿医疗类数据集练手的学生。接下来每一步都会贴可复现的操作，包括脚本、参数和踩坑记录。

2. 数据集的目录与标签体系：先摸清VOC和YOLO怎么对齐，再谈训练

2.1 目录结构怎么排：一张脸对应四份文件

拿到这类双格式数据集，第一件事不是去看图片长什么样，而是把目录结构完整列出来。常见布局是分为images、Annotations和labels三个目录，外加一个存放训练验证拆分的ImageSets目录。images放jpg原图，Annotations放VOC风格的XML文件，labels放YOLO风格的txt文件，ImageSets里写train.txt和val.txt。用tree命令看一眼就清楚：

dataset/ ├── images/ │ ├── 0001.jpg │ ├── 0002.jpg │ └── ... ├── Annotations/ │ ├── 0001.xml │ ├── 0002.xml │ └── ... ├── labels/ │ ├── 0001.txt │ ├── 0002.txt │ └── ... └── ImageSets/ ├── train.txt └── val.txt

一张脸图在数据集里对应四份文件：jpg是原始图像，xml记录基于像素坐标的边界框和类别字符串，txt记录归一化到0-1区间的边界框和类别整数ID，txt里还记录这张图属于训练集还是验证集。这样的结构保证了无论你用哪个框架，都能直接找到对应的标注文件。看这个布局时要确认一个关键点：VOC格式用字符串做类别名，YOLO格式用整数ID做类别索引，两个映射必须一致。如果XML里是nevus，而txt里对应ID是2，那训练时类别2的名字必须也是nevus。

提示：拿到数据集后先跑一遍文件对齐检查，统计images、Annotations、labels三个目录下的文件数量差异。差值大说明有图片漏标，差值为0再往下规划训练。

2.2 标签体系与脸部病灶检测的特殊性

脸部皮肤病变的类别在设计上通常围绕临床常见病种展开。这类数据集覆盖的典型类别包括痤疮、色素痣、脂溢性角化、寻常疣、血管性病变等。每张图里病灶的特点是两个极端：一是目标区域小，二是纹理特征与周围皮肤接近。眼镜、胡茬、刘海都会成为干扰项，模型很容易把高光区域误判成病变区域。

这些特点直接决定了标注细节要求高。VOC的XML里必须精确到像素级别，差几个像素，在脸部这种小目标场景下就可能造成IoU大幅下降。类别映射表是这份数据集的灵魂，建议先建好一个只读的映射表，训练和转换脚本共用一个来源，避免各写各的字典：

VOC的XML里存的是可读的字符串标签，YOLO的txt里存的是整数ID。标签体系里最常翻车的点就在这里：手写映射字典时把顺序排错，比如把nevus写成ID 0，而XML里acne排在第一位，结果训练时模型把痣全学成了痤疮。这类问题不会报错，只会静默地让指标变得很奇怪。

2.3 动手校验标注质量：一个脚本检查三件事

训练前做一轮标注质量检查，成本远低于训练跑了一半才发现数据有问题。我一般会写一个几十行的Python脚本，检查三件事：一是图片、XML、TXT三方是否一一对齐，二是YOLO的归一化坐标是否都落在0到1区间内，三是检查有没有空标签文件，这类文件往往代表漏标：

import os from pathlib import Path def validate_dataset(img_dir, xml_dir, label_dir): img_files = set(Path(img_dir).glob("*.jpg")) xml_files = set(Path(xml_dir).glob("*.xml")) label_files = set(Path(label_dir).glob("*.txt")) img_stems = {f.stem for f in img_files} xml_stems = {f.stem for f in xml_files} label_stems = {f.stem for f in label_files} # 检查1：三方文件是否一一对应 missing_xml = img_stems - xml_stems missing_label = img_stems - label_stems print(f"缺XML的图片: {len(missing_xml)} 张") print(f"缺txt的图片: {len(missing_label)} 张") # 检查2：TXT坐标是否越界 bad_coords = [] for f in sorted(label_files): for line in f.read_text().strip().splitlines(): parts = line.split() if len(parts) != 5: bad_coords.append((f.name, "字段数不对")) continue cls, cx, cy, w, h = parts if not (0 <= float(cx) <= 1 and 0 <= float(cy) <= 1 and 0 <= float(w) <= 1 and 0 <= float(h) <= 1): bad_coords.append((f.name, "坐标越界")) print(f"坐标越界或格式错误: {len(bad_coords)} 个") # 检查3：空标签文件统计 empty_labels = [f.name for f in label_files if not f.read_text().strip()] print(f"空标签文件: {len(empty_labels)} 个")

这段脚本的核心是三方文件名的stem对齐。图片、XML、TXT共用同一个文件名主体，任何一方缺失都意味着该样本不能参与训练。坐标越界检查针对YOLO格式尤其重要，因为txt里的值是归一化浮点数，一旦出现大于1或者小于0的值，训练时的anchor匹配就会出错，而且错误是静默的、不报错。空标签文件意味着这张图没有任何目标框，如果它在train列表里，模型会被迫去学习「这张图没有目标」的模式，污染特征提取器。

参数上需要注意，glob的pattern写死了jpg后缀，如果数据集里有png图片要改成*.png或*.jpg". 脚本只做静态检查，不负责修复，看到空标签文件时先人工确认是漏标还是背景图。若是漏标，这类数据和标注规范相关的问题最好是回到标注工具里补框，而不是用脚本硬填一个假框。

小数据集的标注质量直接影响后续迁移学习的上限。建议把校验脚本保存到数据集根目录，每次增删数据后都跑一遍，确认改动没有破坏标注一致性。

3. 将YOLO格式直接投入训练：数据集配置与关键超参数

3.1 data.yaml配置：不做这三项设置，训练结果很虚

YOLO的训练入口是数据集配置文件。data.yaml的写法直接决定了训练集和验证集从哪里读、类别怎么解释，以及模型最终输出的类别数量。一个典型的脸部皮肤病检测配置如下：

# data.yaml path: /data/face_skin_disease # 数据集根目录，用绝对路径 train: images/train # 训练集图片目录 val: images/val # 验证集图片目录，别把训练图混进来 nc: 5 # 类别数量，必须与标签系统对齐 names: 0: acne 1: nevus 2: seborrheic_keratosis 3: verruca 4: vascular

这份配置里最值得留意的是nc参数和names的对应关系。nc=5表示模型最后输出5类预测，names则把ID映射到可读名称。这两处和标签txt里的整数ID必须完全一致，否则训练日志里的类别名会张冠李戴。train和val指向的目录不要有交集，很多人图省事直接把所有图片丢进train，再从train里抽一部分当val，结果验证集指标虚高，部署到现场就翻车。

path路径建议写绝对路径。YOLO在读取data.yaml时，如果只写相对路径，工作目录一变就加载失败，或者更隐蔽地加载到了旧目录下的数据。这个坑在换机器、跑docker时特别常见。

3.2 训练超参数怎么选：小病灶场景的取舍逻辑

脸部病灶检测的难点在于目标小、背景纹理复杂，网络结构的选择要直接服务于这个特点。模型主干用YOLOv8s或YOLOv5s起步，而不是直接上l或x版本。小病灶需要的不是更大规模的参数，而是更强的局部特征敏感性，过大的模型在几千张医疗图上很容易过拟合，把皮肤纹理的噪点学成病灶特征。

输入分辨率建议从640开始试。如果发现小目标区域在640分辨率下只有十几个像素，再往768或832提。病灶检测对分辨率的需求和交通场景不同，交通检测里车很大，640足够；脸部病灶可能只占图像的1%不到，低分辨率下特征会直接被下采样磨没。提高分辨率后，一个直接代价是显存占用增大，所以后面第5章会有专门的显存排查。

损失函数部分使用YOLO自带的三分支损失：分类损失判断病灶类型，回归损失修正边界框位置，置信度损失决定框内是否有目标。脸部病灶的类别容易被混淆，比如色素痣和脂溢性角化在视觉上都很接近肤色，这种情况下不建议去改分类损失的权重，更有效的做法是在增强阶段加入color jitter、hsv增强来压制模型对颜色绝对值的依赖。

3.3 启动训练并观察指标：loss曲线怎么看才不慌

配置文件和超参数确认后，训练命令很短。以YOLOv8为例，命令行传参覆盖data.yaml里部分默认设置：

# 使用yolov8s预训练权重，训练200轮 yolo detect train \ model=yolov8s.pt \ data=/data/face_skin_disease/data.yaml \ epochs=200 \ imgsz=640 \ batch=16 \ patience=30 \ project=/output/face_skin \ name=exp_01

启动训练后，终端输出的实时指标里需要关注三条：box_loss、cls_loss、dfl_loss，它们对应框回归、分类和分布聚焦损失。脸部病灶数据集因为目标小，box_loss的初始值通常在0.1到0.2之间，比常规目标检测数据集的初始值高，这是正常的，不必惊慌。训练的决策点是看验证集的box_loss，它和训练集的box_loss之差是最有价值的指标。

patience=30表示连续30轮验证指标不提升就自动停止。对小数据集来说，200轮的上限配合早停机制，通常能避免浪费时间。如果训练跑到一半发现验证集指标震荡剧烈，先别加数据，先去看labels目录里的标注是不是有错框。

训练过程发现val损失在某个点开始回升时，这往往意味着模型开始过拟合训练集的噪声。脸部皮肤图像里的毛孔、油光、阴影都可能被模型记住，导致验证表现下降。此时优先尝试的手段是提高weight_decay、增加数据增强强度，而不是回退epoch数。数据增强方面可以开启mosaic和mixup，但对脸部病灶这种密集小目标，mosaic的尺度缩放可能会把病灶裁出图外，需要配合关闭mosaic的最后10个epoch，让模型在接近真实分布下收敛。

训练结束后，output/face_skin/exp_01目录里会生成weights/best.pt和weights/last.pt。best.pt是验证集表现最好的权重，last.pt是最后一轮权重，只用best.pt做后续验证和部署。

4. VOC与YOLO格式互转：坐标归一化脚本与四个边界坑

4.1 从VOC到YOLO：归一化时最容易错的一步

虽然这份数据集自带双格式，但做迁移学习或交叉验证时，仍然常会遇到只有VOC格式的图片需要转成YOLO格式的情况。VOC的XML里保存的坐标是像素绝对值，xmin、ymin表示左上角坐标，xmax、ymax表示右下角坐标。YOLO需要的是相对于图像宽高的归一化数值，而且要求是中心点坐标和宽高，不是左上角坐标。这一步转换逻辑很简单，但写错的人非常多：

import xml.etree.ElementTree as ET def voc_to_yolo(xml_path, img_w, img_h): tree = ET.parse(xml_path) root = tree.getroot() boxes = [] for obj in root.iter('object'): # 类别名只取basename，避免路径干扰 cls_name = obj.find('name').text.strip() bndbox = obj.find('bndbox') xmin = int(float(bndbox.find('xmin').text)) ymin = int(float(bndbox.find('ymin').text)) xmax = int(float(bndbox.find('xmax').text)) ymax = int(float(bndbox.find('ymax').text)) # 坐标裁剪到图像边界，防止负值或超界 xmin = max(0, xmin) ymin = max(0, ymin) xmax = min(img_w - 1, xmax) ymax = min(img_h - 1, ymax) # VOC是[xmin, ymin, xmax, ymax]，转换为[x_center, y_center, w, h] w = xmax - xmin h = ymax - ymin x_center = xmin + w / 2 y_center = ymin + h / 2 # 归一化到[0, 1]区间，保留6位小数 boxes.append(( x_center / img_w, y_center / img_h, w / img_w, h / img_h, cls_name )) return boxes

这段代码的关键点在于：坐标裁剪必须在转换之前做，否则越界的坐标归一化后会大于1，YOLO训练时这些框会被全部忽略，导致标注数量悄悄变少。中心点坐标用xmin + w/2，不是(xmin + xmax)/2，两者只在整数运算下等价，浮点舍入时会差出半个像素。精度保留6位足够，转出来是0.123456这样的字符串，再长的浮点对训练没有实际帮助，反而让txt文件变大。

4.2 从YOLO到VOC：回读坐标时的取整与边界问题

反向转换同样有细节问题。YOLO的txt是归一化浮点数，还原成像素坐标时必须做去归一化，然后乘回图像宽高。很多人直接在浮点上运算，最后一步才转int，结果框的位置偏了1到2个像素，验证时IoU掉0.05就是这种微小偏移积累出来的：

def yolo_to_voc(txt_path, img_w, img_h, cat_names): boxes = [] for line in open(txt_path, 'r'): parts = line.strip().split() if len(parts) < 5: continue # 跳过空行和无意义的短行 cat_id, cx, cy, w, h = parts cx, cy, w, h = float(cx), float(cy), float(w), float(h) # 去归一化还原像素坐标 x_center = cx * img_w y_center = cy * img_h box_w = w * img_w box_h = h * img_h # 还原左上角和右下角，四舍五入而不是直接截断 xmin = int(round(x_center - box_w / 2)) ymin = int(round(y_center - box_h / 2)) xmax = int(round(x_center + box_w / 2)) ymax = int(round(y_center + box_h / 2)) boxes.append({ 'name': cat_names[int(cat_id)], # 只看ID映射，不看字符串 'xmin': max(0, xmin), 'ymin': max(0, ymin), 'xmax': min(img_w - 1, xmax), 'ymax': min(img_h - 1, ymax), }) return boxes

取整方式用round而不是直接用int截断，差别在0.5像素到1像素之间。对小目标检测来说，一个病灶框如果只有12像素宽，误差1像素就是8%的位移，直接反映到IoU上。yolo_to_voc还原坐标时读的是cat_id，不要从txt里读字符串类别名，txt里存的本就是整数ID，读字符串反而可能因为浮点转字符串的格式差异导致匹配失败。

4.3 转换中的四个边界坑：现象、原因与解决

第一坑是类别错位。现象是转换后训练时发现模型把痣全部检测成痤疮，但看起来损失正常下降。原因是XML里是字符串类别名，YOLO里是整数ID，两个列表的排序不一致，比如VOC的xml按字母序排，而映射表按人工手写顺序排。解决方法是写一个公共映射字典，从XML的类别字符串出发生成ID，用代码自动排序，不要手工维护两套映射。

第二坑是空标签文件被忽略。现象是训练日志里显示的数据总张数少于图片张数，但没人注意。原因是某些图片没有病灶，转换脚本直接把空结果写成了空txt。解决方法是转换时对空标注做单独统计，将无目标图片移到背景目录，并记录数量，让训练集和验证集的组成变得可解释。

第三坑是XML编码问题。现象是某些XML文件的类别名读出来是乱码，导致类别匹配失败。原因是XML头声明的是gb2312或者gbk编码，而Python的ElementTree默认用UTF-8解析。解决方法是打开文件时明确指定编码，在ET.parse前加一层文件流包装，读出来不对时先file.read()再按声明的编码解码。

第四坑是往返转换的精度损失。现象是VOC转YOLO再转回VOC后，框的坐标偏移了2个像素。原因是两次转换间的浮点舍入被累积放大。解决方法是原始标注保留不动，转换只生成副本供训练使用，任何情况下不要用转换后的文件覆盖原始XML。这个原则应该成为处理任何标注数据时的底线。

# 转换时的公共模式：只读输入，新写输出，绝不覆盖 from pathlib import Path def batch_convert(src_dir, out_dir, w, h, names): src_dir = Path(src_dir) out_dir = Path(out_dir) out_dir.mkdir(parents=True, exist_ok=True) for xml_file in src_dir.glob("*.xml"): boxes = voc_to_yolo(str(xml_file), w, h) out_txt = out_dir / (xml_file.stem + ".txt") with open(out_txt, "w") as f: for cx, cy, bw, bh, name in boxes: cat_id = names.index(name) f.write(f"{cat_id} {cx:.6f} {cy:.6f} {bw:.6f} {bh:.6f}\n")

这段批量转换脚本展示了写入方式的要点：目录分离、名称保持一致、写入格式带6位小数。names.index(name)的写法虽然简单，但names必须是有序列表，否则ID会错。更稳妥的做法是维护一个字典，name_to_id[name]，这样即使类别列表顺序变化也不会影响结果。批量转换完成后，再次运行第2章的校验脚本，确认转换产物通过坐标越界检查。

5. 训练翻车排查：脸部皮肤检测的五个高频问题

5.1 增强把病灶裁没了：模型学到的全是正常皮肤

现象是训练到第50轮loss降得很好，但验证集的mAP卡在0.1到0.2之间不涨。查看训练样本时发现增强后的图片里根本找不到病灶区域。原因是YOLO默认开启的mosaic增强把4张图拼接在一起，病灶小、位置随机，拼接后可能整块区域被裁剪到图外，或者被缩小到几个像素。脸部皮肤病不比交通场景，车子够大不容易被裁掉，病灶只有拳头大小甚至更小，mosaic的随机裁剪很容易把唯一的目标区域扔出去。解决方法是前80轮关闭mosaic，只保留copy_paste和轻微几何增强，最后20轮再开启mosaic做微调；如果病灶占比特别小，干脆全程关闭mosaic，用平移和尺度抖动替代。这个场景下，数据增强强度不是越大越好，病灶检测的增强策略要以「病灶必须保留在画面内」为第一约束。

5.2 验证集指标虚高：train和val没做图片级去重

现象是训练时val的mAP高达0.9，但拿到现场摄像头下一测，检出率远低于预期。原因是数据集拆分时没有按图片去重，同一张脸的不同帧同时进了train和val。脸部皮肤病数据集里很多图片是同一患者的多角度拍摄，正面和侧脸看起来不同，但背景、肤色、光照高度相似，模型见过的纹理特征在验证集里重复出现，指标自然虚高。解决方法是按患者维度去重拆分，至少也要按图片哈希去重，确保没有完全相同的图片跨越train和val。跑完拆分后，做一个交并集检查，输出两边共有的文件名列表，确认交集为空，这一步要写进数据准备流程而不是事后补救。

5.3 类别不均衡导致少数类完全检不出

现象是五类病变里，痤疮样本占60%，寻常疣只占5%，训练结果里寻常疣的recall趋近于0。原因是loss被多数类主导，模型倾向于把所有框都预测成痤疮，因为这样整体损失最小。脸部皮肤病数据的类别分布天然不均衡，粉刺和痣最常见，血管病变和疣少见得多，不做干预的话模型的输出只会集中在头部类别。解决方法是先做类别频率统计，打印每个类别的框数和图片数；然后采用两种手段配合使用：一是对少数类做过采样，让每张图里至少有一个少数类框；二是对少数类使用更高的loss权重，在YOLO的loss配置里提高对应类别的cls_loss系数。需要注意的是，过采样幅度不要超过5倍，过度复制会让模型对同一张图过拟合，泛化能力反而下降。

5.4 显存不足导致训练中断：batch不是只能往小调

现象是batch设16时OutOfMemory，设8能跑但训练速度极慢。这只是表面现象，原因不只是batch本身，而是高分辨率输入和模型深度共同放大了显存占用。脸部病灶检测通常需要768分辨率，比默认640高出15%的显存占用，同时YOLOv8s虽然参数少，但特征图的显存占用并不低。解决思路有两条：一是开梯度累积，把batch分成4个小批次，每个小批次计算梯度后不清空，累积4次再更新权重，等效于batch=16却只用batch=4的显存；二是降imgsz到640并保留主干尺寸，确认小目标不丢失的前提下再考虑其他手段。

# 显存不足时用累积梯度等效大batch yolo detect train \ model=yolov8s.pt \ data=data.yaml \ epochs=200 \ imgsz=768 \ batch=4 \ nbs=32 \ project=/output/face_skin \ name=exp_grad_accum

nbs=32表示名义batch设为32，当实际batch＝4时，模型每8步做一次权重更新，效果接近batch=32，但显存占用只有batch=4的水平。这个参数是YOLO内置的，不用自己写梯度累积逻辑。如果nbs设置后显存仍然溢出，再考虑torch的checkpointing方式，但会增加计算开销。

5.5 验证损失先降后升：模型把皮肤纹理当成了特征

现象是训练前期val_loss稳步下降，第80轮后开始回升，val mAP同步下降，但train_loss还在下降。原因是模型开始过拟合训练集里特定的皮肤纹理、光照条件和拍摄角度，把油光、毛孔、摄像头噪点当成了病灶特征。脸部皮肤高分辨率图像最容易出现这类虚假特征。解决方法是做更强的正则化：dropout调到0.2以上，weight_decay从0.0005提到0.001，同时增强hsv变换里的饱和度与明度扰动幅度。另外一个常被忽略的做法是early stopping patience调小到20轮，让过拟合还没有完全形成时就停止训练，保留第80轮左右的权重作为最佳模型。更根本的手段是增加数据多样性，例如在使用训练前做光照归一化，统一所有图片的亮度分布，减少模型对特定光照条件的依赖。

训练过程中还有一类问题是标签错标但没有被脚本捕获，比如XML中框的位置正确但类别名拼错了。这类问题不报错、不显示，只能通过人工抽检验证集图片上的预测框与真实框的对比来发现。建议每50轮做一次推理可视化，把预测框画在图上，肉眼扫一遍，效率和效果都比只盯loss曲线好。

6. 验证与进阶：在部署实时检测之前，先做这三件事

模型训练完拿到best.pt之后，不要急着部署到摄像头。先做三个步骤，每一件都会改变你对模型实际效果的判断。

第一步是用固定推理尺寸把验证集完整跑一遍predict，输出每张图的置信度分布。这里的关键是固定尺寸，不要用训练时动态尺寸。脸部病灶的框有大有小，动态尺寸推理会让部分小病灶的尺度跨越预设范围，置信度漂移严重。固定尺寸跑完后，统计每类别的置信度分布，找出置信度普遍偏低的类别，这些通常是数据量少、形态变化大的病变类型，后续需要定向补数据。

第二步是导出ONNX模型并做fp16半精度推理，对比导出前后的mAP差值。导出ONNX的目的是落地部署到TensorRT或OpenVINO，但半精度化会带来精度损失。如果半精度推理的mAP相对原模型掉了超过2个百分点，就要检查推理引擎的显存分配和校准方式；如果掉落在1个点以内，说明模型结构对量化不敏感，可以安心走部署流程：

# 导出ONNX权重 yolo export model=/output/face_skin/exp_01/weights/best.pt format=onnx # 用ONNX权重做验证对比 yolo predict model=/output/face_skin/exp_01/weights/best.onnx imgsz=640 conf=0.25

第三步，把模型接到RTSP摄像头上做端到端验证。不要用静态图片验证，因为图片验证无法暴露时序抖动问题：同一病灶在相邻帧里可能出现、消失、再出现，这类现象在静态图上完全看不到。我之前的血泪经验是验证集mAP接近0.8，部署到现场摄像头后连续漏检，排查半天发现是推理前resize没有保持长宽比，模型训练的输入是正方形，而现场画幅是16:9，导致病灶区域被压扁后特征完全失真。后来固定统一为等比例缩放加padding的预处理逻辑，问题才消失。

这个教训让我养成了一个习惯：任何模型在部署前都要确认预处理逻辑与训练时完全一致。布局格式、归一化参数、尺寸变化，任何一环不一致，模型在离线验证集上的表现都可能与现场完全不同。希望帮到你，让你的脸部皮肤病检测模型少走一段弯路。

本文还有配套的精品资源，点击获取