第1章：数据集准备——公开数据集与标注格式详解

做障碍物检测，第一步不是调模型，而是找数据。

我见过太多同学一上来就撸代码，结果训练到一半发现数据格式不对，或者类别对不上，白白浪费几天时间。今天咱们就把数据集准备这件事彻底讲清楚。

1.1 三大主流公开数据集

先说说我常用的三个数据集。它们各有各的脾气，选对了能省不少事。

COCO（Common Objects in Context）

COCO 是微软搞出来的，80个类别，涵盖人、车、动物、日常用品。我个人习惯用它做通用检测的基准测试。

• 特点：图片场景丰富，标注质量高
• 规模：约33万张图片，250万个标注实例
• 适合场景：通用目标检测、实例分割
• 标注格式：COCO JSON

KITTI

KITTI 是自动驾驶领域的标杆。我在做车载项目时，第一个想到的就是它。

• 特点：真实道路场景，包含双目图像、激光雷达点云
• 规模：约1.5万张标注图片
• 适合场景：车辆、行人、自行车检测
• 标注格式：自定义TXT格式

Waymo Open Dataset

Waymo 是 Google 旗下的自动驾驶公司，它的数据集质量非常高。

• 特点：多传感器融合，标注精细
• 规模：约1000个场景，2000万+标注框
• 适合场景：3D障碍物检测、多模态融合
• 标注格式：TFRecord（内含边界框、类别、速度等信息）

说实话，Waymo 的数据量太大了，本地跑不动的话，建议先采样一部分用。

1.2 数据标注格式详解

标注格式说白了就是告诉模型：这张图里有什么东西，在什么位置。不同框架支持的格式不一样，但核心信息就那几样。

COCO JSON 格式

这是 COCO 数据集的标准格式，也是很多现代检测框架的首选。

{
  "images": [
    {
      "id": 1,
      "file_name": "000001.jpg",
      "width": 640,
      "height": 480
    }
  ],
  "annotations": [
    {
      "id": 1,
      "image_id": 1,
      "category_id": 3,
      "bbox": [100, 150, 200, 300],
      "area": 60000,
      "iscrowd": 0
    }
  ],
  "categories": [
    {"id": 3, "name": "car"}
  ]
}

bbox 的格式是 [x, y, width, height]，注意是左上角坐标加宽高，不是中心点。

Pascal VOC XML 格式

这是比较老的格式了，但很多老项目还在用。说白了就是每个图片对应一个 XML 文件。

<annotation>
  <folder>images</folder>
  <filename>000001.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 用的是绝对坐标，xmin/ymin 是左上角，xmax/ymax 是右下角。嗯，这里要注意，坐标不能超出图片边界。

YOLO TXT 格式

YOLO 的格式最简单，每个图片对应一个 TXT 文件，每行一个目标。

0 0.5 0.5 0.3 0.4
1 0.2 0.3 0.1 0.2

格式是：class_id center_x center_y width height，所有值都是归一化的（0~1之间）。

1.3 格式对比与选择建议

格式	坐标类型	文件形式	适用框架	我的推荐
COCO JSON	绝对坐标 (x,y,w,h)	单个JSON文件	Detectron2, MMDetection	★★★★★
Pascal VOC XML	绝对坐标 (xmin,ymin,xmax,ymax)	每图一个XML	SSD, Faster R-CNN	★★★☆☆
YOLO TXT	归一化坐标 (cx,cy,w,h)	每图一个TXT	YOLOv5, YOLOv8	★★★★☆

你想想看，如果项目刚起步，我建议直接用 YOLO 格式，简单粗暴。但如果要做多类别、实例分割，COCO JSON 更合适。

1.4 核心知识体系

下面这张图是我自己整理的，把数据集准备的核心逻辑串起来了。

从这张图可以看出来，不管数据从哪来，最终都要统一成模型能吃的格式。我建议你提前规划好，别等到训练前才临时转换格式。

好了，数据集准备这块就聊到这儿。下一章咱们聊聊数据预处理和增强，那才是真正拉开差距的地方。