4、常见标注格式详解（中）：Pascal VOC XML格式、YOLO TXT格式

好，咱们接着聊标注格式。上一节我们把 COCO 的 JSON 格式拆了个七七八八，这一节轮到另外两个“老熟人”——Pascal VOC 和 YOLO。

说实话，这两个格式在工业界和学术界的出场率极高。我最早接触目标检测时，用的就是 VOC 格式。那时候年轻，觉得 XML 好啰嗦，后来才发现，啰嗦有啰嗦的好处。

4.1 Pascal VOC XML 格式：老牌标杆

Pascal VOC 是什么？它最初是一个视觉竞赛（Visual Object Classes），后来它的标注格式成了行业标准。很多开源检测模型，比如 Faster R-CNN、SSD，原生就支持这种格式。

它的核心是 XML 文件。每张图片对应一个同名的 XML 文件。比如 cat.jpg 对应 cat.xml。

4.1.1 文件结构长什么样？

我直接给你看一个典型的 VOC XML 文件。你感受一下它的“骨架”：

<annotation>
    <folder>images</folder>
    <filename>cat_001.jpg</filename>
    <size>
        <width>640</width>
        <height>480</height>
        <depth>3</depth>
    </size>
    <object>
        <name>cat</name>
        <pose>Unspecified</pose>
        <truncated>0</truncated>
        <difficult>0</difficult>
        <bndbox>
            <xmin>100</xmin>
            <ymin>50</ymin>
            <xmax>300</xmax>
            <ymax>200</ymax>
        </bndbox>
    </object>
</annotation>

嗯，结构很清晰。根节点是 <annotation>，里面包含图片信息和所有目标。

我个人习惯把 <size> 和 <object> 才是真正的标注内容。

4.1.2 核心字段解读

字段 含义 说明
filename 图片文件名 不含路径，只含文件名
size 图片尺寸 width、height、depth（通道数）
object 目标实例 一个图片可以有多个 object
name 类别名称 比如 cat、dog、person
bndbox 边界框 xmin、ymin、xmax、ymax（像素坐标）
truncated 是否被截断 0 表示完整，1 表示被图片边界截断
difficult 是否难识别 1 表示该目标很难辨认，通常训练时忽略

这里有个细节我想提一下。<truncated> 和 <difficult> 这两个字段，很多新手会忽略。我在项目中遇到过，有些目标只有半个身子露在画面里，如果不标记 truncated，模型会学到“猫只有半截身子”这种错误特征。你想想看，这多坑。

4.1.3 坐标格式：左上右下

VOC 的坐标是 绝对像素坐标。也就是 xmin 和 ymin 是框的左上角，xmax 和 ymax 是右下角。

举个例子：

  • 图片宽 640，高 480
  • 框的左上角在 (100, 50)
  • 框的右下角在 (300, 200)

那这个框的宽度就是 300 - 100 = 200，高度是 200 - 50 = 150。

小技巧： 如果你需要把 VOC 格式转成 YOLO 格式，核心就是把这个绝对坐标转成归一化的中心点坐标。后面我们会详细讲。

4.2 YOLO TXT 格式：简洁至上

YOLO 格式，说白了就是“极简主义”。它没有 XML 那么啰嗦，一个 TXT 文件搞定所有标注信息。

我第一次用 YOLO 格式时，心里想的是：“这才对嘛，标注数据就该这么干净。” 但后来发现，简洁的代价是——你必须严格遵守它的目录结构。

4.2.1 文件结构

YOLO 格式的目录通常长这样：

dataset/
├── images/
│   ├── train/
│   │   ├── img_001.jpg
│   │   └── img_002.jpg
│   └── val/
│       └── img_003.jpg
└── labels/
    ├── train/
    │   ├── img_001.txt
    │   └── img_002.txt
    └── val/
        └── img_003.txt

看到了吗？图片和标注文件是分开存放的。图片在 images/ 下，标注在 labels/ 下。而且文件名必须一一对应，只是后缀不同。

注意： 我曾经犯过一个低级错误——把标注文件放错了子目录。训练时模型死活不收敛，查了两天才发现是路径配错了。所以，目录结构一定要严格遵循。

4.2.2 TXT 文件内容

一个 YOLO 标注文件的内容长这样：

0 0.546875 0.260417 0.312500 0.416667
1 0.750000 0.520833 0.250000 0.291667

每一行代表一个目标。每行有 5 个数字，用空格分隔：

  1. 类别索引：从 0 开始。比如 0 代表 cat，1 代表 dog
  2. 中心点 x：归一化后的 x 坐标（值在 0~1 之间）
  3. 中心点 y：归一化后的 y 坐标（值在 0~1 之间）
  4. 宽度 w：归一化后的宽度（值在 0~1 之间）
  5. 高度 h：归一化后的高度（值在 0~1 之间）

说白了，YOLO 不存绝对坐标，它存的是 相对比例。这样做的好处是：不管图片怎么缩放，标注数据都不用改。

4.2.3 坐标转换：从 VOC 到 YOLO

这是面试常考题，也是实际工作中最常用的技能。我直接给你公式：

# 假设图片宽为 W，高为 H
# VOC 坐标：xmin, ymin, xmax, ymax

# 计算中心点
center_x = (xmin + xmax) / 2.0 / W
center_y = (ymin + ymax) / 2.0 / H

# 计算宽高
width = (xmax - xmin) / W
height = (ymax - ymin) / H

# 输出 YOLO 格式
# class_id center_x center_y width height

举个例子：

  • 图片宽 640，高 480
  • VOC 框：xmin=100, ymin=50, xmax=300, ymax=200
  • 计算：center_x = (100+300)/2/640 = 0.3125
  • 计算：center_y = (50+200)/2/480 = 0.2604
  • 计算：width = (300-100)/640 = 0.3125
  • 计算：height = (200-50)/480 = 0.3125
  • 最终结果：0 0.3125 0.2604 0.3125 0.3125
核心要点： 归一化后的值一定在 0~1 之间。如果算出来大于 1，说明你的坐标或者图片尺寸算错了。

4.3 两种格式的对比

我整理了一张对比表，方便你快速决策：

对比维度 Pascal VOC XML YOLO TXT
文件格式 XML（可读性强） TXT（极简）
坐标类型 绝对像素坐标 归一化相对坐标
坐标表示 左上角 + 右下角 中心点 + 宽高
每张图片 一个 XML 文件 一个 TXT 文件
类别信息 类别名称（字符串） 类别索引（整数）
额外信息 支持 truncated、difficult 等 无额外信息
适用场景 学术研究、通用检测 YOLO 系列模型、工业部署

我个人建议：如果你在做学术研究或者需要保留丰富的标注信息（比如遮挡、截断），选 VOC。如果你在落地 YOLO 项目，直接上 TXT 格式，省心省力。

4.4 知识体系结构图

下面这张图，帮你理清这两种格式的核心逻辑：

常见标注格式核心逻辑 Pascal VOC XML 文件：每张图片一个 .xml 坐标：绝对像素 (xmin, ymin, xmax, ymax) 类别：字符串名称 (cat, dog) 特点：信息丰富，可读性强 适用：学术研究、通用检测 转换 归一化 YOLO TXT 文件：每张图片一个 .txt 坐标：归一化 (cx, cy, w, h) 类别：整数索引 (0, 1, 2) 特点：极简，高效，无冗余 适用：YOLO 系列、工业部署 核心：VOC 存绝对坐标，YOLO 存相对比例。转换就是做归一化。

4.5 避坑指南

最后，分享几个我踩过的坑：

  • 类别索引别搞错：YOLO 的类别索引从 0 开始。如果你有 3 个类别，索引是 0、1、2。我曾经把索引写成 1、2、3，结果模型把猫认成了狗。
  • 归一化别除错：计算 YOLO 坐标时，分母是图片的宽和高。别把宽高搞反了。我见过有人用宽去除高度，结果框全变形了。
  • XML 解析注意编码：VOC 的 XML 文件默认是 UTF-8 编码。如果你用 Python 的 xml.etree.ElementTree 解析，记得指定编码，否则中文路径会报错。
  • 空图片的处理：如果一张图片里没有目标，VOC 格式可以没有 <object> 节点。但 YOLO 格式必须有一个空的 TXT 文件（0 字节），不能没有文件。

嗯，这两种格式就先讲到这里。你只要记住：VOC 是“详细派”，YOLO 是“极简派”。实际工作中，两者经常需要互相转换。下一节我们会聊更复杂的格式，比如 JSON 和 COCO 的变体，到时候你就知道这些基础有多重要了。

公众号:蓝海资料掘金营，微信deep3321

← 上一章 📖 返回目录 下一章 →