3. 数据标注与格式转换

在农作物病虫害识别项目中，模型的上限往往在数据标注阶段就已经被决定。YOLO 系列模型需要的是“边界框 + 类别”的监督信号，而原始图像本身并不携带这些信息。本节围绕三件事展开：如何用 LabelImg 与 Roboflow 把图像变成可用的标注，YOLO 格式到底规定了什么，以及如何系统性地检查并修正标注错误。

一、标注工具的选择与实操要点

LabelImg 是本地化的轻量标注工具，适合小规模、离线、需要精细控制标注文件的场景。安装后通过 labelImg 图像目录 预定义类别文件 启动，在界面中切换到 YOLO 模式（左侧工具栏的保存格式按钮），此后每画一个框，都会在图像同目录生成一个同名 .txt 文件。操作流程是：按 W 创建矩形框，拖动调整边界，选择类别，按 Ctrl+S 保存，按 D 切到下一张。关键习惯是“先定类别体系，再开始标注”，类别文件 classes.txt 中每行一个类名，顺序即类别索引，一旦开始标注就不要随意增删或调序，否则索引会整体错位。

Roboflow 则是云端协作平台，优势在于多人分工、自动预标注和格式导出。上传图像后建立项目并设定类别，可使用其模型生成初稿框，人工只做增删改，能显著降低重复劳动。标注完成后在 Export 环节直接选择 “YOLOv8” 或 “YOLO Darknet” 格式导出，平台会自动完成坐标归一化和目录划分。对于团队项目，建议在 Roboflow 中固定标注规范（如“只框住病斑区域，不框整片叶”），并利用其 Review 功能做交叉复核。

二、YOLO 格式解析

YOLO 标注文件是纯文本，每行描述一个目标，格式为：

类别索引 中心点x 中心点y 宽度 高度

其中后四个数值均为相对于图像宽高的归一化值，取值范围 0～1。设图像宽 W、高 H，标注框左上角为 (x1, y1)、右下角为 (x2, y2)，则换算关系为：

cx = ((x1 + x2) / 2) / W
cy = ((y1 + y2) / 2) / H
w  = (x2 - x1) / W
h  = (y2 - y1) / H

例如一张 1280×720 的图像，某病斑像素框为 (320, 180) 到 (640, 360)，类别索引为 2，则标注行为 2 0.375 0.375 0.25 0.25。理解这个换算非常重要：它解释了为什么标注框必须严格落在图像范围内，也解释了为什么图像被缩放或裁剪后，标注文件必须同步重算，否则框会整体偏移。

配套的目录结构通常为 images/train、images/val、labels/train、labels/val，图像与标签文件同名、仅扩展名不同。数据集根目录下的 data.yaml 声明训练与验证路径、类别数和类名列表，类名顺序必须与标注中的索引严格一致。

三、标注质量检查与修正

标注错误在训练前不发现，就会变成模型学到的“错误知识”。常见问题有四类：漏标（目标存在但无框）、误标（背景被当成目标）、框不准（边界明显偏离目标）、类别错（索引与类名不匹配）。建议按以下顺序检查。

第一，文件级一致性检查。统计图像数量与标签数量是否相等，找出“有图无标签”和“有标签无图”的样本。有图无标签若确实是负样本（无病虫害的健康叶片），应保留空标签文件；若本应有目标，则属于漏标。可用脚本快速比对文件名集合。

第二，数值合法性检查。逐行解析标签，确认每行 5 个字段、类别索引在 [0, 类别数-1] 范围内、四个坐标值均在 [0,1] 内、宽高大于 0。越界值通常来自手工编辑或裁剪后未重算，必须修正。

第三，可视化复核。把归一化坐标还原为像素框并画回原图，批量生成带框预览图，人工快速扫视。这一步能高效发现框偏移、框过大过小和类别错标。对密集病斑图像，重点看是否有框重叠到无法区分。

第四，抽样交叉复核。按 10%～20% 比例随机抽样，由第二人独立复核，记录错误率。若某类错误率超过约定阈值（例如 5%），应回到该类别的标注规范重新培训，而不是逐张修补。

下面给出一份可直接使用的标注质量检查清单，字段按农作物检测任务的实际需要设定：

完成上述检查后，数据集才具备进入训练的条件。标注质量不是一次性工作，而应作为数据版本的一部分被记录：每次修订保留变更说明，便于后续复现和追溯。把“标注—检查—修正”做成可重复的流程，比单次追求完美标注更能保证农作物病虫害识别项目的长期稳定性。