3、数据集准备：从零搭建你的YOLO训练数据

说实话，数据集准备这一步，是整条YOLO流水线里最枯燥、但也最关键的环节。我见过太多同学模型调了半天效果不好，最后发现是标注数据出了问题。嗯，咱们今天就把这块彻底讲透。

3.1 LabelImg标注工具：安装与使用

先聊聊标注工具。市面上工具不少，但LabelImg是我个人用得最顺手的。它轻量、开源，支持PascalVOC和YOLO两种格式，对新手特别友好。

安装方式

我建议直接用pip安装，省心：

pip install labelImg
labelImg

如果你在Windows上遇到问题，也可以从GitHub下载打包好的exe版本。我在项目里遇到过Python环境冲突的情况，后来直接用exe版本，稳得很。

使用流程

1. 打开LabelImg，点击「Open Dir」选择图片文件夹
2. 按 w 键开始画框（或者点左侧的Create RectBox）
3. 画完框后输入类别名称，比如 person、car
4. 按 Ctrl+S 保存标注文件
5. 按 d 切换到下一张图片

标注格式选择

LabelImg默认保存为PascalVOC格式（XML文件）。但YOLO需要的是TXT格式。你可以在界面左侧把「YOLO」勾上，这样保存的就是YOLO格式了。

YOLO格式长这样：

class_id x_center y_center width height

注意，这里的坐标都是归一化后的值（0~1之间）。举个例子：

0 0.5 0.5 0.3 0.4

这表示类别0的物体，中心点在图片的(50%, 50%)位置，宽占图片的30%，高占40%。

3.2 COCO数据集格式解析

COCO数据集是目标检测领域的「标准答案」。很多预训练模型都是在COCO上训的。理解它的格式，对你后续做迁移学习很有帮助。

COCO使用JSON格式存储标注信息。核心结构如下：

{
  "images": [
    {
      "id": 1,
      "file_name": "000001.jpg",
      "width": 640,
      "height": 480
    }
  ],
  "annotations": [
    {
      "id": 1,
      "image_id": 1,
      "category_id": 1,
      "bbox": [100, 150, 200, 300],
      "area": 60000,
      "iscrowd": 0
    }
  ],
  "categories": [
    {
      "id": 1,
      "name": "person"
    }
  ]
}

这里有个细节要注意：COCO的bbox格式是 [x, y, width, height]，其中x和y是左上角坐标。而YOLO用的是中心点坐标。两者转换时别搞混了。

我个人的做法是：写一个转换脚本，把COCO格式转成YOLO格式。这样既可以用COCO的预训练权重，又能用自己标注的数据。

3.3 自定义数据集制作

实际项目中，你很少能直接用现成的数据集。大部分时候得自己动手。我总结了一套流程：

第一步：收集图片

图片数量建议至少1000张以上（每个类别至少100张）。来源可以是：

• 自己拍摄（最靠谱，但成本高）
• 从视频中抽帧（我常用，用OpenCV每隔几帧保存一张）
• 网络爬虫（注意版权问题）

第二步：统一图片格式

把所有图片统一成JPG格式，分辨率建议在640x640以上。YOLO对输入尺寸有要求，但训练时会自动resize，所以原始图片大一点没关系。

第三步：标注

用LabelImg一张一张标。这里有个经验：

• 遮挡严重的物体可以不标
• 边界模糊的物体尽量标得紧贴边缘
• 同一类别的标注风格要一致

3.4 数据集划分

标注完数据后，得把数据集分成三份：训练集、验证集、测试集。我常用的比例是：

数据集	比例	用途
训练集	70%	训练模型参数
验证集	15%	调参、选模型
测试集	15%	最终评估

划分时要注意：

• 随机打乱：别让同一场景的图片都跑到一个集里
• 类别均衡：每个类别在三个集中的比例要差不多
• 不要泄露：测试集在训练过程中绝对不能碰

我写了个简单的Python脚本做划分：

import os
import random
import shutil

# 假设图片和标注文件都在data目录下
files = os.listdir('data/images')
random.shuffle(files)

total = len(files)
train_end = int(total * 0.7)
val_end = int(total * 0.85)

train_files = files[:train_end]
val_files = files[train_end:val_end]
test_files = files[val_end:]

# 然后分别复制到对应目录
# 记得同时复制图片和标注文件

好了，数据集准备这块就讲到这里。下一章咱们开始搭建YOLO训练环境，到时候你会感谢今天认真标注的自己的。