舌苔图像数据集构建指南：从标注到语义分割训练实践

简介：这份舌苔数据集面向中医图像识别与深度学习研究者，聚焦中医舌诊中舌苔颜色、质地、厚度等特征的自动分类与标注，高分辨率原图能较好保留舌苔纹理细节。压缩包内含 2000 个 JSON 标注文件，并配有相应 512×512 像素原图，整包约 206MB；数据涵盖黑苔、地图舌、白厚腻苔、紫苔、红厚腻苔、红舌黄腻苔等多种典型证型，可直接用于训练 CNN 实现分类、分割或目标检测，也可为分割模型提供像素级监督信息。JSON 中保存了区域标注与类别信息，文件名也能直观区分不同舌苔类型，便于使用 Python、PyTorch 或 TensorFlow 进行数据预处理、数据增强与模型迭代调优。目前已有 2453 人学习下载，对希望将中医舌诊数字化、构建辅助诊断模型的开发者而言，这是一份标注规范、类别清晰、可直接上手实践的高质量基础数据集。 最近把手头这套舌苔图像数据集完整整理了一遍，两千多张样本图，全部统一成512x512分辨率，原图配上labelme标注好的JSON标签一起存放。这套东西的定位很明确：给中医舌诊客观化、计算机视觉辅助诊断这类方向做训练数据。整理过程中踩了不少坑，从标注规范到格式转换都走了一遍完整流程，正好有朋友问起数据集细节，就把整个构建思路、操作路径和复用方案系统写出来，方便准备做类似医学图像数据集的人直接参考。

这套数据适合两类人：一是想用深度学习做舌象分割、舌诊辅助判断的CV开发者，二是需要把raw图像整理成可训练数据集的初学者，尤其是对labelme标注、JSON转mask、模型输入规范这些链路不熟的朋友。数据本身包含舌体区域的多边形标注，可以直接拿来训练语义分割模型，也可以在此基础上扩展成分类或检测任务。

1. 为什么要整理这套舌苔数据集

1.1 舌诊客观化的直接需求

中医舌诊讲究“望舌质、察舌苔”，但传统方式依赖医生肉眼观察，结果描述主观性强，不同医生之间对同一舌象的判断常常有偏差。这个问题在临床带教、远程问诊、健康管理场景下尤其明显。让深度学习模型自动完成舌体分割、舌苔区域提取、舌色苔色识别，就成了一个非常接地气的落地方向。

可是真做起来才发现，公开渠道几乎没有像样的舌苔分割数据集。医疗数据本身涉及隐私，采集门槛高，很多实验室的数据又不公开，直接导致想训练一个分割模型都找不到合适的训练语料。所以自己构建一套包含原始图像和像素级标签的舌苔数据集，是绕不开的基础工作。

1.2 两千多张图够不够用，为什么定512x512

医学图像数据集的规模普遍偏小，这是行业常态。两千多张图对于语义分割任务来说属于“起步可用”的规模，如果只做二分类（区分有没有某种舌象特征）或者基础分割，配合数据增强和后处理，完全可以把模型训练到能用的程度。

分辨率选了512x512，不是拍脑袋定的。舌苔图像的特点是纹理细节重要，但整体结构并不复杂，不需要像自然图像那样动辄上千的分辨率。512x512在保留舌面纹理细节、舌苔薄厚变化这些关键信息的同时，显存开销可控。拿一张NVIDIA GTX 1080Ti或RTX 3060级别的显卡来说，batch size设到8左右跑一个U-Net基本没有压力。如果直接用原始相机照片训练，分辨率跨度太大，还要处理统一尺寸的问题，反而多一层麻烦。

1.3 labelme标签为什么值得用

labelme是语义分割标注里最常用的工具之一，它生成的是JSON格式的矢量标注文件，里面记录的是多边形关键点坐标，而不是直接输出mask图。这个设计有它的好处：多边形可以反复编辑，修改某个点不影响整张图；标签信息里可以附加额外的属性字段；后续想转换成mask、COCO格式还是YOLO格式都很方便。

很多人在标注工具选型上纠结过labelme和labelimg。简单说，labelimg适合画矩形框做目标检测，labelme适合画多边形做像素级分割。舌苔区域本身形状不规则，舌体边缘、舌苔覆盖区域都不是标准矩形，直接画框会引入大量背景噪声，所以多边形标注是必然选择。

2. 数据集结构与标注规范

2.1 目录结构设计

数据集整体存放结构如下，这个结构也是我实际在用的，简单直观，方便写脚本批量处理。

tongue_dataset/ ├── images/ │ ├── 001.jpg │ ├── 002.jpg │ └── ... ├── labels/ │ ├── 001.json │ ├── 002.json │ └── ... ├── class_names.txt ├── train.txt ├── val.txt └── test.txt

images目录存放统一处理后的512x512原图，labels目录存放同名JSON文件，一一对应。train.txt、val.txt、test.txt记录划分好的样本名，训练时直接读这些列表文件即可，不用重复搬动图片文件。

有个细节值得提一下：文件命名统一用数字序号，不要用中文名，也不要带空格。之前在整理一批数据时，文件名里有中文和空格，训练时每次加载图片都要处理编码问题，数据管道的稳定性受影响，后来全部改成纯数字再没出过幺蛾子。

2.2 labelme标注的类别设计

舌苔数据集的标注类别设计要贴合中医诊断的维度。我实际用的类别主要包括以下几类：

• tongue_body：舌体区域，整个舌头的轮廓
• tongue_coating：舌苔覆盖区域
• crack：裂纹，舌面上的裂纹纹理
• tooth_mark：齿痕，舌体边缘的牙齿压痕
• ecchymosis：瘀斑，舌面上的瘀点瘀斑

其中舌体和舌苔是最核心的类别，裂纹、齿痕、瘀斑是扩展类别。如果你只是想跑通一个分割模型，建议第一版只标舌体和舌苔两个类别，把数据规模和质量做扎实再慢慢扩。

有一点要特别提醒：舌苔和舌体不是互斥关系。舌苔覆盖在舌体之上，两个类别在空间上是重叠的。如果按照严格的语义分割要求，每个像素只能有一个类别，那就需要定义优先级。我的做法是“舌质”指没有舌苔覆盖的舌体区域，“舌苔”指有舌苔覆盖的区域，在标注时先画舌体外轮廓，再画舌苔区域，生成mask时用舌体减去舌苔得到干净的舌质区域，这样能同时保留多层信息。

2.3 512x512图像的处理细节

原始采集到的图片不可能天然就是512x512，这块我统一走了一套预处理流程：

1. 读取原始图像，先做白平衡校正，减少不同光源带来的色偏
2. 按短边等比缩放，使短边达到512像素
3. 中心裁剪到512x512
4. 保存时统一用JPEG格式，质量参数设为95

采用缩放加中心裁剪而不是直接拉伸，是为了保持舌体比例不变。直接拉伸会把舌头压扁或拉长，舌形特征变形，模型学到的特征就有偏差。

关于图像通道，这套数据是标准的三通道RGB图像。为什么强调通道？因为有些医学图像是灰度图或特殊成像模态，而舌诊图像依赖颜色信息来判断舌色、苔色，必须保留RGB三通道。模型输入层也相应设置为3通道，常见的ResNet、U-Net结构默认就支持，完全兼容。

3. 从原始标注到可训练数据的关键步骤

3.1 标注质量检查

两千多张图标注完成后，逐张人工检查不现实，但也不能直接拿去训练。我用脚本做了几项自动化检查：

• 检查JSON文件能否正常解析，有没有损坏
• 检查多边形点数量，小于3个点的多边形直接标记为异常
• 检查标注框是否超出图像边界
• 检查是否存在空标注（只有图片没有标注内容）

实际操作时发现最常出现的问题就是多边形边界超出图像范围。用labelme标注时，如果图像比较大，缩放到屏幕外后很容易把点打到画布外面，生成的坐标超出图像尺寸。这类问题必须批量筛查出来，否则转mask时会出现索引越界。

3.2 JSON转mask的方法

labelme的JSON格式不能直接拿来训练分割模型，要转成单通道的mask图，每个像素值对应一个类别编号。核心转换逻辑如下：

import json import numpy as np import cv2 from labelme import utils def json_to_mask(json_path, img_size=(512, 512), class_names=None): with open(json_path, 'r', encoding='utf-8') as f: data = json.load(f) mask = np.zeros(img_size, dtype=np.uint8) for idx, shape in enumerate(data['shapes']): points = np.array(shape['points'], dtype=np.int32) label = shape['label'] class_id = class_names.index(label) if label in class_names else 0 cv2.fillPoly(mask, [points], class_id) return mask

这段代码的核心是用cv2.fillPoly把多边形填充成掩码。注意labelme官方还提供了一个utils.shapes_to_label方法，内部逻辑差不多，但自己写一遍能更好理解数据流。

转换过程中一个容易忽略的坑：labelme JSON中记录的是多边形在原始图片上的坐标，如果你的原图在标注后做过resize，坐标也需要同步缩放。这套数据是先统一成512x512再做标注，所以坐标天然对应，省了一件事。

3.3 数据划分与增强

数据划分时要特别注意一个原则：同一个人的多张相似图片不能同时出现在训练集和验证集中。舌苔图像往往是一个人在不同时间采集的连续样本，亮度和舌象状态很接近，如果划分不干净，模型会“记住”特定人的特征，验证集指标虚高，泛化能力却很差。

我按大约7:2:1的比例划分训练集、验证集、测试集，同时保证同一人不同时间的样本划分在同一个集合内。

数据增强方面，舌苔图像有其特殊性。随机旋转、水平翻转、缩放这些常规操作没问题，但颜色类增强要非常克制。舌诊依赖颜色判断，如果过度调整亮度、对比度、色相，模型学到的是“增强后的舌头颜色”，而不是真实舌头颜色。我实际用的增强策略是：旋转范围±10度，亮度调整范围0.8到1.2，仅此而已，不做饱和度、色相的大幅扰动。

4. 基于这套数据集直接跑起来的模型训练路径

4.1 分割模型选型

有了JSON转换后的mask，最直接的任务就是语义分割。几个常见选择的适用场景不同：

• U-Net：经典医学分割网络，参数量适中，两三百张训练图就能正常收敛，是当之无愧的第一选择
• DeepLabV3+：分割精度更高，边界更平滑，但对训练数据量和调参水平要求更高
• nnUNet：自动化程度极高，自带数据预处理、网络配置和训练流程，但配置复杂，且默认流程在设计上更偏向CT、MRI这类医疗影像，直接跑舌苔图像需要适配

我的建议是先用U-Net跑通基线，验证数据质量，再逐步尝试更复杂的模型。

4.2 从分割到分类和检测的扩展

分割模型输出的mask其实还能二次利用。比如要做一个“舌苔厚度分级”的分类任务，可以先用分割模型把舌苔区域裁出来，再训练一个轻量分类模型。这样比直接让分类模型全图判断更准确，因为排除了背景干扰。

如果要做目标检测，可以把分割mask的外接矩形提取出来，转成YOLO需要的txt格式。不过舌体检测的直接价值有限，更推荐直接做分割。分割本身已经提供了比检测更丰富的信息，从这个角度来说，这套数据更偏语义分割场景。

4.3 训练参数参考

我把实际训练中效果比较稳定的参数组合列在这里，按这个配比起步不会出大问题。

评估指标主要看Dice系数和IoU。对于二分类舌头分割任务，Dice达到0.95以上比较理想；舌苔分割的难度稍高，Dice达到0.85以上已经可用。

5. 常见问题与排查技巧实录

5.1 labelme安装和使用高频问题

labelme的安装本身不算麻烦，但在不同环境下确实容易踩坑。早期版本依赖Python的某些包，版本冲突多，建议直接用conda创建独立环境，Python版本3.8到3.10之间都比较稳，然后执行安装：

conda create -n labelme python=3.9 conda activate labelme pip install labelme

启动直接用labelme命令即可。如果遇到界面打不开，大多数情况是PyQt5相关依赖没装好，常规做法是重装依赖。

日常标注中几个高频操作的快捷键很实用，用好了效率能提一大截：

• w：开始画多边形
• Ctrl+Z：撤销上一个点
• Ctrl+S：保存当前标注
• D：切换到下一张图
• A：切换到上一张图

5.2 标注和训练环节的几个常见问题

我把整个流程里遇到典型问题整理成一张表，方便对应排查。

5.3 一个特别容易被忽视的坑：JSON里的imagePath

labelme在保存JSON时，会在内部记录原始图片路径，即imagePath字段。如果你在标注后移动了图片文件或改了文件名，再用labelme打不开JSON，原因就在这里。

解决方案有两种：一是用文本编辑器打开JSON，手动更新imagePath为正确的文件名；二是写一个批量脚本，遍历所有JSON文件并修改这个字段。这块看似不起眼，但一旦你处理上百个文件就会非常费时间，建议从第一天就保持图片和JSON同名同目录。

另一个容易踩的坑是标注类别名用中文。倒不是完全不能用，但后续转mask、训练、可视化等环节，只要有一处编码没处理好就容易出问题。建议统一用拼音或英文做类别名，显示中文标签的需求可以放到后处理阶段实现。

最后补一句个人的实际心得

整理这套舌苔数据集前后花了几周时间，真正耗时的地方不是标注本身，而是反复检查和修正标准。如果当初在采集阶段就严格控制光源、固定拍摄距离、做好白平衡，后面很多图像增强和预处理的功夫都能省下来。数据质量永远是模型效果的天花板，这个体会在做任何医学图像项目时都适用。标注阶段多花的时间，最后都会以模型精度的形式给你回报。

本文还有配套的精品资源，点击获取