3、数据集构建与标注：LabelImg/Labelme使用、COCO数据集格式详解、自定义数据集制作流程

做目标检测，数据是第一步。说实话，模型结构再花哨，数据不行全白搭。我见过太多同学把时间花在调参上，结果发现是标注格式搞错了，或者数据集质量太差。今天咱们就把数据集构建这件事彻底讲透。

3.1 标注工具的选择：LabelImg vs Labelme

先聊聊工具。市面上标注工具不少，但最常用的就两个：LabelImg 和 Labelme。很多人搞不清它们的区别，我简单说说。

特性	LabelImg	Labelme
标注类型	矩形框（目标检测）	多边形、矩形、点、线（分割+检测）
输出格式	PASCAL VOC XML / YOLO TXT	JSON（支持COCO格式转换）
适用场景	目标检测（YOLO系列）	实例分割、语义分割、关键点检测
安装难度	极简（pip install）	稍复杂（依赖较多）

我个人习惯：做YOLOv5检测任务，首选LabelImg。它轻量、快，而且直接支持YOLO格式输出。但如果你要做分割任务，比如Mask R-CNN或者YOLOv5-seg，那就得上Labelme了。

3.2 LabelImg实战：从安装到标注

安装LabelImg很简单，一行命令搞定：

pip install labelImg

然后终端输入 labelImg 就能启动。嗯，这里要注意——如果你用的是Python 3.10以上版本，可能会遇到PyQt5的兼容问题。我遇到过这种情况，解决方案是用conda创建一个Python 3.8的环境。

标注流程其实就四步：

1. 打开图片目录：点击"Open Dir"选择你的图片文件夹
2. 创建类别：点击"Change Save Dir"设置标注文件保存路径，然后用"Create RectBox"画框
3. 标注：框选目标后，输入类别名称（比如person、car）
4. 保存：按Ctrl+S，默认保存为PASCAL VOC格式的XML文件

输出格式怎么选？我个人建议：如果你打算用YOLOv5训练，直接保存为YOLO格式。在LabelImg里点击"View"→"Auto Save mode"，再设置"YOLO"格式。这样每个图片会生成一个同名的.txt文件，里面格式是：

class_id x_center y_center width height

注意，这里的坐标是归一化后的，取值范围0~1。举个例子：

0 0.5 0.5 0.3 0.4
1 0.2 0.8 0.1 0.15

这表示第一个目标类别ID为0，中心点在(0.5, 0.5)，宽0.3高0.4。第二个目标类别ID为1，中心点在(0.2, 0.8)，宽0.1高0.15。

3.3 COCO数据集格式详解

COCO数据集格式是目前最通用的标注格式之一。YOLOv5官方也提供了COCO格式的支持。说白了，你只要把数据转成COCO格式，就能用YOLOv5的脚本直接训练。

COCO格式的核心是一个JSON文件，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"
    }
  ]
}

这里有几个关键字段：

• images：图片信息列表，每张图片一个对象，包含id、文件名、宽高
• annotations：标注信息列表，每个目标一个对象，包含所属图片id、类别id、bbox坐标
• categories：类别列表，id和名称的映射

bbox的格式是 [x, y, width, height]，注意这是左上角坐标+宽高，不是中心点坐标。和YOLO格式不一样，转换时要小心。

3.4 自定义数据集制作流程

好了，理论讲完了，咱们来点实际的。假设你要做一个「安全帽检测」的数据集，完整流程是这样的：

第一步：数据采集

别想着自己拍几千张照片，太累了。我一般用三种方式：

• 网上爬虫（注意版权问题）
• 公开数据集（比如Google Open Images）
• 自己拍摄（补充特殊场景）

数量上，我建议至少1000张起步。类别越多，每类需要的样本也越多。

第二步：数据清洗

采集回来的图片，先过一遍。模糊的、重复的、无关的，统统删掉。我习惯写个脚本自动检测模糊图片：

import cv2
import os

def is_blurry(image_path, threshold=100):
    img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
    laplacian_var = cv2.Laplacian(img, cv2.CV_64F).var()
    return laplacian_var < threshold

# 遍历图片目录，删除模糊图片
for img_file in os.listdir('raw_images'):
    if is_blurry(f'raw_images/{img_file}'):
        os.remove(f'raw_images/{img_file}')
        print(f'删除模糊图片: {img_file}')

第三步：标注

用LabelImg一张一张标。这里有个经验：标注质量比数量重要。我宁愿要500张高质量标注，也不要2000张粗标的数据。边界框要贴合目标，不要留太多背景，也不要切掉目标主体。

第四步：数据集划分

标注完成后，把数据分成三份：训练集70%、验证集20%、测试集10%。YOLOv5要求的数据目录结构是这样的：

dataset/
├── images/
│   ├── train/
│   ├── val/
│   └── test/
└── labels/
    ├── train/
    ├── val/
    └── test/

每个子目录里放对应的图片和标注文件，文件名要一一对应。比如 images/train/001.jpg 对应 labels/train/001.txt。

第五步：创建配置文件

在YOLOv5项目里，创建一个 data.yaml 文件：

train: dataset/images/train
val: dataset/images/val
test: dataset/images/test

nc: 2
names: ['helmet', 'no_helmet']

nc是类别数量，names是类别名称列表。注意顺序要和标注时的类别ID一致。

3.5 格式转换：LabelImg标注转COCO格式

有时候你需要把LabelImg标注的数据转成COCO格式，比如要用MMDetection或者Detectron2。我分享一个转换脚本的核心逻辑：

import json
import os
import xml.etree.ElementTree as ET

def voc_to_coco(voc_dir, output_json):
    coco = {
        "images": [],
        "annotations": [],
        "categories": []
    }
    
    # 先构建类别映射
    categories = {}
    # ... 遍历XML文件，提取信息
    
    # 每张图片生成一个image对象
    # 每个目标生成一个annotation对象
    
    with open(output_json, 'w') as f:
        json.dump(coco, f, indent=4)

这个脚本网上有很多现成的，但建议你自己写一遍。为什么？因为每个项目的目录结构、命名规则都不一样，直接套用别人的脚本往往要改半天。我自己就吃过这个亏。

3.6 数据增强：让有限的数据发挥最大价值

数据不够？别急着去采集。先做数据增强。YOLOv5自带了很多增强策略，比如马赛克增强、随机缩放、色彩抖动等。但我要说的是：增强不是越多越好。

我见过有人把一张图片增强出50个版本，结果模型过拟合到增强模式上去了。合理的做法是：

• 小数据集（<500张）：用马赛克增强、随机裁剪、翻转
• 中等数据集（500-2000张）：用色彩抖动、模糊、噪声
• 大数据集（>2000张）：基本不用增强，或者只用轻微的马赛克

嗯，这里有个坑——增强后的数据要检查。我曾经用马赛克增强，结果把两个不同类别的目标拼在一起，标注框重叠了，模型学到的特征完全混乱。后来我加了一个检查逻辑：增强后的标注框面积不能小于原图的1%，也不能大于原图的90%。

好了，数据集构建这部分就讲到这里。记住一句话：数据质量决定模型上限，算法只是逼近这个上限。下一章咱们聊聊YOLOv5的网络结构，看看这个模型到底是怎么工作的。