3. 标注格式详解：COCO、VOC、YOLO 格式的差异与转换

做数据标注，说白了就是在教机器「看」东西。但你教它的「语言」不一样，它理解的方式也就不一样。

我刚开始带项目时，团队里有人用 VOC，有人用 YOLO，还有人直接丢给我一堆 JSON。结果模型训练时，数据加载器报错报了一整天。嗯，从那以后我定了个规矩：项目启动前，先把标注格式统一了。

这一章，咱们就把三种主流格式掰开揉碎讲清楚。你搞懂了它们的差异，转换起来自然顺手。

3.1 三种格式的核心差异

先看一张总览表，心里有个底：

维度	COCO	VOC	YOLO
文件类型	单个 JSON	每张图一个 XML	每张图一个 TXT
坐标格式	左上角 (x, y) + 宽高 (w, h)	左上角 (xmin, ymin) + 右下角 (xmax, ymax)	归一化的中心点 (cx, cy) + 宽高 (w, h)
类别管理	JSON 内嵌 categories 数组	XML 内嵌 name 标签	类别 ID 从 0 开始，需额外映射文件
适用场景	检测、分割、关键点	检测、分割	检测（YOLO 系列）
文件数量	1 个 JSON 管全部	N 张图 = N 个 XML	N 张图 = N 个 TXT

你想想看，COCO 把所有信息塞进一个 JSON，管理起来方便，但文件大了加载慢。VOC 每个 XML 独立，好读好改，但文件多了找起来头疼。YOLO 最轻量，一个 TXT 几行数字，训练时读取速度飞快——这也是它能在边缘设备上跑的原因之一。

3.2 COCO 格式详解

COCO 格式的核心是一个 JSON 字典。结构大概是这样的：

{
    "images": [
        {"id": 1, "file_name": "001.jpg", "width": 640, "height": 480}
    ],
    "annotations": [
        {
            "id": 1,
            "image_id": 1,
            "category_id": 3,
            "bbox": [100, 150, 200, 300],
            "area": 60000,
            "segmentation": [...],
            "iscrowd": 0
        }
    ],
    "categories": [
        {"id": 3, "name": "car", "supercategory": "vehicle"}
    ]
}

这里要注意几个点：

• bbox 是 [x, y, width, height]，x 和 y 是左上角坐标。
• area 是 bbox 的面积，有些工具会校验这个值。
• iscrowd 表示目标是否密集重叠，0 是单目标，1 是群体。

3.3 VOC 格式详解

VOC 格式每个 XML 文件对应一张图片。结构清晰，但写起来啰嗦：

<annotation>
    <folder>images</folder>
    <filename>001.jpg</filename>
    <size>
        <width>640</width>
        <height>480</height>
        <depth>3</depth>
    </size>
    <object>
        <name>car</name>
        <bndbox>
            <xmin>100</xmin>
            <ymin>150</ymin>
            <xmax>300</xmax>
            <ymax>450</ymax>
        </bndbox>
    </object>
</annotation>

VOC 的坐标是 绝对坐标，直接标出框的四个角。好处是直观，坏处是图片尺寸一变，坐标就得重新算。

3.4 YOLO 格式详解

YOLO 格式最简单，一个 TXT 文件里每行一个目标：

3 0.546875 0.468750 0.312500 0.625000
1 0.156250 0.312500 0.125000 0.250000

每行格式：class_id cx cy width height。

• class_id 从 0 开始，需要额外一个 classes.txt 文件做映射。
• cx, cy, width, height 都是归一化到 [0, 1] 的浮点数。
• 归一化公式：cx = (xmin + xmax) / 2 / image_width。

为什么 YOLO 要用归一化坐标？说白了，就是为了让模型不关心图片原始尺寸。你训练时用 640x640，部署时用 1280x1280，坐标值不用改。

3.5 格式转换实战

下面是我自己写的一个转换脚本片段，把 VOC 转成 YOLO。核心逻辑就几步：

import xml.etree.ElementTree as ET

def voc_to_yolo(xml_path, classes):
    tree = ET.parse(xml_path)
    root = tree.getroot()
    
    # 获取图片尺寸
    width = int(root.find('size/width').text)
    height = int(root.find('size/height').text)
    
    yolo_lines = []
    for obj in root.findall('object'):
        name = obj.find('name').text
        class_id = classes.index(name)
        
        # 读取 VOC 坐标
        xmin = int(obj.find('bndbox/xmin').text)
        ymin = int(obj.find('bndbox/ymin').text)
        xmax = int(obj.find('bndbox/xmax').text)
        ymax = int(obj.find('bndbox/ymax').text)
        
        # 转成 YOLO 归一化坐标
        cx = (xmin + xmax) / 2.0 / width
        cy = (ymin + ymax) / 2.0 / height
        w = (xmax - xmin) / width
        h = (ymax - ymin) / height
        
        yolo_lines.append(f"{class_id} {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}")
    
    return yolo_lines

这段代码我用了好几年，基本没出过问题。你只需要准备一个 classes 列表，比如 ['person', 'car', 'dog']，脚本会自动匹配类别 ID。

3.6 知识结构图

下面这张图帮你理清三种格式的转换关系：

3.7 避坑指南

最后，分享几个我实际项目中遇到的坑：

• 坐标越界：YOLO 的归一化坐标理论上在 [0, 1] 之间，但标注时偶尔会标出图片边界。我习惯在转换后加一个 clip 操作，把坐标限制在 [0, 1] 内。
• 类别 ID 不一致：不同数据集的类别编号可能不同。比如 COCO 的「car」是 3，你的项目里可能是 0。转换时一定要做一次映射。
• 空标注文件：有些图片没有目标，YOLO 格式会生成一个空 TXT。训练时记得检查，否则数据加载器会报错。