4、数据集准备：数据采集、标注工具（LabelImg、CVAT）、数据增强、数据集划分与格式转换
在AI分拣机器人项目中，模型能否准确识别目标物体并驱动机械臂完成抓取，其根基完全取决于训练数据集的质量与结构。一个仅有数百张图片、标注不一致、类别分布失衡的数据集，即便使用最先进的YOLOv8或RT-DETR模型，也难以在真实产线上达到99%以上的抓取准确率。本章将系统拆解数据集准备的四个核心环节：数据采集策略、标注工具选型与实操、数据增强方法、以及数据集划分与格式转换，帮助读者建立一套可复用的工业级数据工程流程。
4.1 数据采集：从产线到数据集的工程化方法
核心原理：数据采集不是简单地用相机拍几张照片，而是需要模拟模型部署后的真实推理环境。对于分拣机器人，相机通常固定安装在传送带上方或机械臂末端，因此采集视角、光照条件、物体姿态必须与运行时保持一致。采集策略的核心原则是“覆盖部署域”——即训练数据的分布应尽可能覆盖推理时可能遇到的所有情况。
- 相机参数：分辨率（建议≥1280×720）、帧率（≥30fps）、曝光时间、增益、白平衡固定为与部署一致。
- 光照条件：至少采集3种光照（强光、正常、暗光），若产线有频闪灯需同步采集。
- 物体姿态：每个物体至少包含5种旋转角度（0°/45°/90°/135°/180°）和3种倾斜状态。
- 遮挡情况：模拟物体相互遮挡、部分出界、被传送带边缘切割等场景。
- 负样本：采集不含目标物体的背景图，用于降低误检率。
操作流程：首先，使用工业相机（如海康MV-CA050-10GC）或高分辨率USB相机采集原始视频流；其次，通过视频抽帧工具（如FFmpeg）按每秒1-2帧抽取关键帧，避免连续帧高度相似导致的数据冗余；最后，人工筛选剔除模糊、过曝、失焦的图片。对于分拣项目，建议每类物体采集500-1000张有效图片，总数据集规模控制在3000-8000张之间，既保证模型收敛，又不至于标注成本过高。
4.2 标注工具选型：LabelImg与CVAT的对比与实操
核心原理：标注是将原始图像转化为模型可学习的监督信号。对于目标检测任务，标注的核心是确定每个目标物体的边界框（Bounding Box）和类别标签。标注质量直接决定模型的上限——如果标注框偏移超过5个像素，或类别标签混淆，模型将学到错误特征。
| 对比维度 | LabelImg | CVAT |
|---|---|---|
| 安装方式 | 本地Python包（pip install labelImg） | Docker容器或在线服务 |
| 标注类型 | 仅矩形框 | 矩形框、多边形、关键点、标签属性 |
| 多人协作 | 不支持，单机操作 | 支持多用户同时标注、任务分配 |
| 输出格式 | Pascal VOC（XML） | VOC、YOLO、COCO、TFRecord |
| 适用场景 | 个人或小团队（<500张） | 团队协作、复杂标注、大规模数据 |
操作流程（以LabelImg为例）：
- 安装并启动：
pip install labelImg && labelImg，打开图片目录。 - 使用快捷键
W创建矩形框，拖动鼠标框选目标物体。 - 在弹出的对话框中输入类别名称（如“bottle”“can”“box”），点击OK。
- 按
D切换到下一张图片，重复标注。 - 保存后生成同名XML文件，包含
<object>标签及<bndbox>坐标信息。
4.3 数据增强：提升模型泛化能力的关键手段
核心原理：数据增强通过对原始图像进行随机变换，生成更多样化的训练样本，防止模型过拟合。对于分拣场景，增强策略必须保持语义不变——即变换后的图像仍能代表真实世界中的物体。例如，水平翻转对分拣任务有效，但垂直翻转可能不符合物理规律（物体不会倒置在传送带上）。
常用增强方法分类：
- 几何变换：随机旋转（±15°）、平移（±10%）、缩放（0.8-1.2倍）、水平翻转。
- 颜色扰动：亮度调整（±20%）、对比度（±15%）、饱和度（±10%）、HSV通道偏移。
- 噪声注入：高斯噪声、椒盐噪声、运动模糊（模拟传送带运动）。
- 高级增强：Mosaic（将4张图拼接为1张）、MixUp（两张图像素混合）、CutOut（随机遮挡区域）。
实战案例：某3C电子元件分拣项目，原始数据集仅1200张图片，模型在验证集上mAP@0.5仅为78.5%。通过引入Mosaic增强（每批次50%概率使用）和随机亮度扰动后，训练数据等效扩充至5000张，mAP提升至91.2%。但需注意，增强强度过大（如旋转超过30°）会导致物体形状失真，反而降低精度。
# 使用Albumentations库实现增强（推荐）
import albumentations as A
transform = A.Compose([
A.RandomRotate90(p=0.5),
A.HorizontalFlip(p=0.5),
A.RandomBrightnessContrast(brightness_limit=0.2, contrast_limit=0.15, p=0.7),
A.MotionBlur(blur_limit=5, p=0.3),
A.Mosaic(p=0.5) # 需配合bbox_params使用
], bbox_params=A.BboxParams(format='yolo', label_fields=['class_labels']))4.4 数据集划分与格式转换：从标注到训练的无缝衔接
核心原理：数据集划分遵循分层采样原则，确保训练集、验证集、测试集中的类别分布与整体数据集一致。划分比例通常为70%训练、15%验证、15%测试。验证集用于训练过程中的模型选择与超参数调优，测试集仅在最终评估时使用一次，避免信息泄露。
格式转换流程：不同标注工具和训练框架使用不同格式，常见的有Pascal VOC（XML）、YOLO（TXT）、COCO（JSON）。YOLO格式将边界框归一化为class_id x_center y_center width height，坐标值在0-1之间。
| 格式类型 | 文件后缀 | 坐标表示 | 适用框架 |
|---|---|---|---|
| Pascal VOC | .xml | 像素值（xmin, ymin, xmax, ymax） | Faster R-CNN、SSD |
| YOLO | .txt | 归一化（x_center, y_center, w, h） | YOLOv5/v8、RT-DETR |
| COCO | .json | 像素值（x, y, w, h） | Detectron2、MMDetection |
操作流程：首先，使用脚本将LabelImg生成的XML文件转换为YOLO格式TXT文件；其次，按类别比例随机划分数据集，生成train.txt、val.txt、test.txt文件，每行记录图片路径；最后，整理目录结构如下：
dataset/
├── images/
│ ├── train/ (2100张)
│ ├── val/ (450张)
│ └── test/ (450张)
├── labels/
│ ├── train/ (对应TXT文件)
│ ├── val/
│ └── test/
├── train.txt
├── val.txt
└── test.txtsklearn.model_selection.train_test_split的stratify参数按类别比例划分后，三类物体mAP均提升至88%以上。此外，通过编写转换脚本将VOC格式转为YOLO格式，训练时间减少了20%（YOLO格式读取更快）。