【标注】YOLO数据格式​ 的详细解析和实战指南

一、YOLO数据格式核心规则

1. ​标注文件规范​

• ​文件命名​：每个图像对应一个 .txt 文件，与图像同名（如 image_001.jpg → image_001.txt）。

• ​标注格式​：每行表示一个目标，格式为：

  <class_id> <x_center> <y_center> <width> <height>

  • ​参数说明​：
    • class_id：类别索引（从0开始，与 data.yaml 中的类别顺序一致）。
    • x_center, y_center：边界框中心点坐标（归一化到图像尺寸的比例值，范围 0~1）。
    • width, height：边界框的宽高（归一化比例值，范围 0~1）。

• ​示例​：
  若图像尺寸为 640x480，标注某目标中心点坐标为 (320, 240)，宽高为 100x80，则归一化后：

  0 0.5 0.5 0.15625 0.166667

2. ​目录结构要求​

my_dataset/
├── images/              # 存放所有图像
│   ├── train/           # 训练集图像（如：0001.jpg, 0002.jpg）
│   └── val/             # 验证集图像
└── labels/              # 存放所有标注文件
    ├── train/           # 训练集标签（如：0001.txt, 0002.txt）
    └── val/             # 验证集标签

• ​强制规则​：
  • images 和 labels 的文件夹名称必须一致（如 train、val）。
  • 图像与标注文件必须一一对应（文件名相同，扩展名不同）。

二、数据配置文件 data.yaml

1. ​文件内容示例​

path: ../my_dataset        # 数据集根目录
train: images/train        # 训练集路径（相对path）
val: images/val            # 验证集路径
test: images/test          # 测试集路径（可选）

nc: 3                     # 类别总数
names: ['cat', 'dog', 'bird']  # 类别名称列表（顺序与class_id对应）

2. ​关键字段说明​

• ​**nc**​：必须与 names 列表长度一致。
• ​**names**​：类别名称区分大小写，需与标注文件中的 class_id 严格对应。

三、标注文件生成与验证

1. ​从VOC/COCO格式转换​

• ​VOC转YOLO​：

  import xml.etree.ElementTree as ET
  
  def convert_voc_to_yolo(xml_path, output_txt_path, classes):
      tree = ET.parse(xml_path)
      root = tree.getroot()
      size = root.find('size')
      width = int(size.find('width').text)
      height = int(size.find('height').text)
      
      with open(output_txt_path, 'w') as f:
          for obj in root.findall('object'):
              cls_name = obj.find('name').text
              if cls_name not in classes:
                  continue
              cls_id = classes.index(cls_name)
              bbox = obj.find('bndbox')
              xmin = float(bbox.find('xmin').text)
              ymin = float(bbox.find('ymin').text)
              xmax = float(bbox.find('xmax').text)
              ymax = float(bbox.find('ymax').text)
              
              x_center = (xmin + xmax) / (2 * width)
              y_center = (ymin + ymax) / (2 * height)
              w = (xmax - xmin) / width
              h = (ymax - ymin) / height
              
              f.write(f"{cls_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}\n")

2. ​标注验证脚本​

检查标注文件是否合法：

import os

def validate_yolo_labels(label_dir, image_dir, classes):
    for label_file in os.listdir(label_dir):
        label_path = os.path.join(label_dir, label_file)
        image_path = os.path.join(image_dir, label_file.replace('.txt', '.jpg'))
        
        # 检查图像是否存在
        if not os.path.exists(image_path):
            print(f"错误：图像 {image_path} 缺失！")
            continue
            
        # 检查标注格式
        with open(label_path, 'r') as f:
            lines = f.readlines()
            for line in lines:
                parts = line.strip().split()
                if len(parts) != 5:
                    print(f"错误：{label_path} 格式错误！")
                cls_id, x, y, w, h = map(float, parts)
                if not (0 <= cls_id < len(classes)):
                    print(f"错误：{label_path} 类别ID {cls_id} 越界！")
                if any(val < 0 or val > 1 for val in [x, y, w, h]):
                    print(f"警告：{label_path} 坐标值超出0~1范围！")

四、实战技巧与常见问题

1. ​数据增强与标注同步​

• ​翻转/旋转​：若对图像做水平翻转，需同步调整 x_center 为 1 - x_center。
• ​裁剪​：裁剪后需重新计算归一化坐标（基于新图像尺寸）。

2. ​处理小目标​

• ​标注要求​：确保边界框至少占据图像的 2%（如 640x480 图像，框宽高需 ≥ 12 像素）。
• ​增强策略​：使用马赛克增强（YOLOv5/v8默认支持），提升小目标检测效果。

3. ​常见错误排查​

• ​错误1​：RuntimeError: No labels found in *.txt files
  ​原因​：标注文件未正确生成或路径配置错误。
  ​解决​：检查 data.yaml 中的路径是否指向正确的 labels 文件夹。

• ​错误2​：Class label mismatch
  ​原因​：data.yaml 中的 names 列表与标注文件的 class_id 不一致。
  ​解决​：统一类别名称顺序，确保 class_id 从0开始连续。

五、工具推荐

1. ​标注工具​：

   • LabelImg（支持YOLO格式导出）
   • CVAT（在线协作，支持自动化脚本）

2. ​数据可视化​：

   • 使用YOLOv8自带的可视化命令：

     yolo detect train data=data.yaml model=yolov8s.pt --show-labels

3. ​数据集划分​：

   • 使用Python脚本随机划分：

     import splitfolders
     splitfolders.ratio("raw_data", output="my_dataset", seed=42, ratio=(0.7, 0.2, 0.1))

六、总结

• ​核心原则​：确保标注文件与图像严格对应，坐标归一化正确。
• ​高效流程​：
  原始数据 → 标注工具 → 生成YOLO格式 → 验证 → 训练模型
• ​进阶优化​：结合数据增强和困难样本挖掘，提升模型鲁棒性。

YOLO数据格式规范要求每个图像对应一个同名的.txt标注文件，标注格式为<class_id> <x_center> <y_center> <width> <height>，所有坐标值需归一化到0~1范围。数据集目录需包含images和labels文件夹，且保持文件名一致。数据配置文件data.yaml需定义路径、类别数和名称列表。标注验证需检查格式合法性，数据增强时需同步调整标注坐标。常见错误包括路径配置错误和类别标签不匹配。推荐使用LabelImg等工具进行标注，并通过可视化命令验证数据质量。遵循这些规范可构建高质量数据集，为模型训练奠定基础。