人脸多类型皮肤瑕疵智能检测数据集| 3000张YOLO皮肤分析数据集

人脸多类型皮肤瑕疵智能检测数据集（Facial Skin Defect）| 3000张YOLO皮肤分析数据集 适用于智能美妆、医美辅助诊断与目标检测研究

一、数据集概述

本数据集是一套面向高精度面部皮肤分析与智能检测场景构建的多目标检测数据集，专注于面部常见皮肤瑕疵的精准识别与定位任务。数据集共包含3000张高分辨率人工标注图像，覆盖色素沉着、炎症反应、结构老化等多种皮肤问题类型，适用于YOLO系列、Faster R-CNN、SSD、RetinaNet等主流目标检测算法的训练、验证与测试。

随着智能美妆、皮肤健康管理及医美辅助诊断技术的发展，利用计算机视觉技术实现面部皮肤瑕疵的自动识别、分类与定位已成为美妆科技与数字医疗领域的重要发展方向。本数据集针对面部皮肤检测场景中瑕疵尺度差异大、形态多样、肤色与光照条件复杂等问题进行专项构建，可为智能美妆APP、皮肤健康管理平台、医美辅助诊断系统以及皮肤科人工智能研究提供高质量数据支撑。

数据集下载

通过网盘分享的文件：人脸18种皮肤瑕疵智能检测数据集

链接: https://pan.baidu.com/s/1AqlR-9iARkL_yRbaMMpYiQ?pwd=f3ch

提取码: f3ch

二、数据集基本信息

三、数据集类别说明

本数据集原始标注包含19个标签条目，但存在明显的重复和大小写不一致问题。为构建高效的检测模型，建议将类别聚类为8个语义类别，涵盖面部常见的色素沉着、炎症反应与结构老化三大类皮肤问题。语义聚类后的类别体系如下：

类别配置（建议统一后）

nc: 8

names:
  - dark_circle_eyebag
  - acne_scar
  - blackhead
  - dark_spot_freckle_melasma
  - skin_redness_inflammation
  - nodule_papule_pustule
  - whitehead
  - wrinkle

类别详情

注意：原始标注数据中包含19个标签条目，存在重复与大小写不一致问题（如Dark Circle与Dark circle），建议在数据预处理阶段按照上表完成标签映射与统一，以确保模型训练的准确性与稳定性。

多类别细粒度设计能够使模型更好地区分不同类型、不同严重程度的皮肤瑕疵，特别适用于智能测肤、医美辅助诊断与护肤效果评估等专项应用场景。

四、数据集结构说明

数据集采用标准YOLO目录结构组织，按标准机器学习规范划分为三部分，可直接用于目标检测模型训练。

database/
└── 人脸18种皮肤瑕疵智能检测数据集
    ├── train
    │   └── images
    ├── valid
    │   └── images
    └── test
        └── images

各数据集作用如下：

• train/images：训练集，用于模型特征学习与权重更新；
• valid/images：验证集，用于超参数调优、早停监控及防止过拟合；
• test/images：测试集，用于最终模型性能的客观评估。

所有标签文件均采用标准YOLO格式，与图像文件一一对应，无需额外格式转换即可直接使用。

五、数据集核心优势

1. 真实人脸多场景采集

数据全部来源于真实人脸图像采集，覆盖不同肤色、光照条件、拍摄角度及面部遮挡情况，真实反映智能测肤与医美辅助诊断实际应用场景。

覆盖维度包括：

• 不同肤色类型（浅色、中等、深色）
• 不同年龄段（青年、中年、老年）
• 不同性别（男性、女性）
• 不同肤质类型（干性、油性、混合性、敏感性）
• 不同拍摄环境（室内自然光、室内灯光、户外）

能够有效提升模型的实际部署效果。

2. 多尺度瑕疵目标覆盖

皮肤瑕疵在面部图像中呈现显著的尺度差异，从细微的毛孔级到显著的片状区域。

数据集中包含：

• 细微瑕疵（黑头、白头、雀斑等小尺度目标）
• 中等瑕疵（痘疤、丘疹、色斑等中尺度目标）
• 显著瑕疵（红肿、炎症、眼袋等大尺度目标）
• 孤立瑕疵与密集瑕疵集群

有助于提升模型对不同尺度瑕疵目标的检测能力。

3. 丰富的皮肤问题类型覆盖

数据覆盖三大类皮肤问题：

• 色素沉着类：雀斑、晒斑、黄褐斑、黑眼圈等
• 炎症反应类：红肿、血管扩张、丘疹、脓疱、结节等
• 结构老化类：皱纹、眼袋、疤痕等

能够有效增强模型在多种皮肤问题复合场景中的鲁棒性。

4. 高质量专业标注

所有图像均经过专业培训的标注人员精细化标注与多轮审核：

• 标注者经过专业培训，确保不同瑕疵边界的准确性
• 覆盖细微瑕疵与显著瑕疵的精准定位
• 边界框精准贴合瑕疵区域
• 无漏标现象
• 无类别混淆

有效保证模型训练质量。

5. 强泛化能力

数据涵盖：

• 不同面部特征与面部朝向
• 不同表情状态
• 不同面部遮挡（眼镜、刘海、口罩等）
• 不同光照条件与拍摄距离

能够显著提升模型在实际皮肤分析任务中的泛化能力。

六、适用场景

智能美妆APP/AI测肤

为用户提供个性化的皮肤问题报告、肤质评估及定制化护肤建议。

医美辅助诊断系统

辅助医生进行面部瑕疵的定位、面积估算及严重程度分级，提升诊疗效率。

护肤品效果验证

量化评估产品使用前后皮肤瑕疵面积与数量的变化，为护肤效果提供客观数据支撑。

皮肤健康管理平台

作为皮肤健康管理的核心视觉感知模块，实现日常肤质跟踪与问题预警。

面部识别预处理

在人脸识别前去除皮肤瑕疵干扰，提高人脸识别系统的准确率与鲁棒性。

皮肤科人工智能研究

为皮肤科AI研究提供高质量标注数据，推动计算机辅助诊断技术发展。

七、适用研究方向

本数据集可广泛应用于以下研究领域：

• 面部皮肤瑕疵检测研究
• 多尺度目标检测研究
• 细粒度目标检测与分类研究
• 医学图像目标检测研究
• 智能美妆与肤质分析算法研究
• YOLO系列模型优化研究
• 轻量化检测模型研究
• 数据不平衡与标签噪声处理研究
• 域适应与跨数据集泛化研究
• 面部图像分析研究
• 计算机辅助诊断研究
• 护肤品功效量化评估研究

八、总结

人脸多类型皮肤瑕疵智能检测数据集（Facial Skin Defect） 包含3000张高分辨率标注图像，采用标准YOLO格式构建，专注于面部皮肤瑕疵的智能识别与定位任务。数据集覆盖黑眼圈/眼袋、痤疮疤痕、黑头、色斑/晒斑、炎症/红肿、丘疹/脓疱、白头粉刺、皱纹等8类核心皮肤问题，具有瑕疵尺度跨度大、肤色与场景多样、专业标注精准等特点，可广泛应用于智能美妆、医美辅助诊断、皮肤健康管理、护肤品效果验证等领域，是开展面部皮肤分析算法研发与智慧美妆系统建设的优质数据资源。