2. 数据集构建与标注：从零搭好你的训练地基

做目标检测，尤其是 YOLO 这种监督学习模型，数据就是你的命根子。模型再牛，喂进去的是垃圾，吐出来的还是垃圾。这一章，我带你走一遍从采集到标注再到划分的完整流程。说白了，就是教会你怎么给模型准备一份「标准答案」。

2.1 数据采集策略：别让模型「偏科」

很多新手上来就找一堆网图，标注完直接开训。结果模型在测试集上表现不错，一到真实场景就翻车。为什么？因为数据分布太单一了。

我个人习惯，在采集阶段会先问自己三个问题：

• 场景够不够全？ 白天、夜晚、逆光、阴天、室内、室外……你的模型最终要在什么环境下跑，数据里就得有什么。
• 目标够不够「歪」？ 正面的、侧面的、被遮挡的、模糊的、只有一半的。YOLO 要学的是目标的通用特征，不是「证件照」。
• 背景够不够杂？ 纯色背景和复杂街景，模型学到的特征完全不同。我建议至少 30% 的数据要包含复杂背景。

另外，数据量不是越多越好。对于 YOLOv8 这种模型，每个类别有个 500-1000 张高质量标注图，基本就能训出一个可用的模型。再多，边际效益就递减了。

2.2 LabelImg 标注工具：手把手画出你的第一个框

标注工具很多，但 LabelImg 是我用得最顺手的。轻量、免费、支持 YOLO 和 VOC 格式。嗯，这里要注意，它虽然界面简陋，但功能一点不差。

安装方式（我推荐用 pip）：

pip install labelImg
labelImg

启动后，界面很简单。我带你走一遍核心操作：

1. 打开图片目录：点击「Open Dir」，选择你存放图片的文件夹。
2. 选择保存格式：点击「Change Save Dir」设置标注文件保存路径。然后在菜单栏 View 里勾选「Auto Save mode」和「Single Class Mode」（如果你一次只标一个类别）。
3. 创建矩形框：按键盘 W 键，鼠标变成十字。从目标左上角拖到右下角，松开。
4. 输入标签：弹窗里输入类别名称，比如 person、car。注意大小写，后面训练时类别名要一致。
5. 快捷键加速：
   • A / D：上一张 / 下一张图片
   • Ctrl + S：保存
   • Ctrl + 鼠标滚轮：缩放图片
   • Delete：删除当前选中的框

标注完成后，LabelImg 会为每张图片生成一个同名的 .txt 文件（YOLO 格式）。里面每一行代表一个目标：

<class_id> <x_center> <y_center> <width> <height>

注意，这里的坐标都是归一化到 0-1 之间的。比如一张 1920x1080 的图，目标中心在 (960, 540)，宽 200，高 300，那对应的值就是：

0 0.5 0.5 0.104 0.278

你想想看，如果直接存像素值，模型对不同分辨率的图片就没法泛化了。归一化就是为了解决这个问题。

2.3 COCO 数据集格式详解：不只是「标准答案」

COCO 格式是目前目标检测领域最通用的数据格式之一。很多预训练模型都是用 COCO 数据集训出来的。理解它的结构，对你后续做模型微调、数据转换都很有帮助。

COCO 标注文件是一个 JSON 文件，核心包含三个字段：

这里有个关键点：COCO 的 bbox 格式是 [x, y, width, height]，其中 x, y 是框左上角的像素坐标。而 YOLO 用的是中心点坐标。所以做格式转换时，一定要算清楚。

我贴一段我自己常用的转换代码，把 COCO 转成 YOLO 格式：

import json
import os

def coco_to_yolo(coco_json_path, output_dir):
    with open(coco_json_path, 'r') as f:
        coco_data = json.load(f)

    # 建立 category_id 到 class_id 的映射
    cat_id_map = {cat['id']: idx for idx, cat in enumerate(coco_data['categories'])}

    # 建立 image_id 到图片信息的映射
    img_info_map = {img['id']: img for img in coco_data['images']}

    for ann in coco_data['annotations']:
        img_id = ann['image_id']
        img_info = img_info_map[img_id]
        img_w = img_info['width']
        img_h = img_info['height']

        # COCO bbox: [x, y, w, h] 左上角坐标
        x, y, w, h = ann['bbox']
        # 转成 YOLO 格式：中心点 + 宽高，归一化
        x_center = (x + w / 2) / img_w
        y_center = (y + h / 2) / img_h
        w_norm = w / img_w
        h_norm = h / img_h

        class_id = cat_id_map[ann['category_id']]
        line = f"{class_id} {x_center:.6f} {y_center:.6f} {w_norm:.6f} {h_norm:.6f}\n"

        # 写入对应图片的 txt 文件
        txt_name = img_info['file_name'].replace('.jpg', '.txt')
        txt_path = os.path.join(output_dir, txt_name)
        with open(txt_path, 'a') as out_f:
            out_f.write(line)

2.4 数据集划分：train / val / test 的黄金比例

数据准备好了，接下来就是划分。很多同学直接把所有数据扔进去训，结果模型过拟合了都不知道。划分数据集的目的，就是让你能客观评估模型的泛化能力。

我一般遵循这个比例：

• 训练集（train）：70% - 80%。模型学习的主力数据。
• 验证集（val）：10% - 15%。用于调参、选模型、早停。每次 epoch 结束后，模型都会在 val 上跑一次，看 loss 有没有下降。
• 测试集（test）：10% - 15%。最终评估用。训完模型后，只在 test 上跑一次，得到最终指标。不能拿 test 来调参！

划分时要注意：保证每个类别在各个集合中的比例大致相同。如果某个类别只有 50 张图，你随机划分时可能全分到训练集，验证集里一个都没有，那验证指标就失真了。

我习惯用 sklearn 的 train_test_split 做分层采样：

from sklearn.model_selection import train_test_split
import os
import shutil

# 假设 images 是所有图片路径列表，labels 是对应的类别标签（每个图片的主类别）
images = [...]  # 你的图片路径列表
labels = [...]  # 每个图片对应的主类别（比如取该图中出现最多的类别）

# 先分出 test（15%），剩下的再按比例分 train 和 val
train_val_images, test_images, train_val_labels, test_labels = train_test_split(
    images, labels, test_size=0.15, stratify=labels, random_state=42
)

# 再从 train_val 中分出 val（占原始数据的 15%）
train_images, val_images, train_labels, val_labels = train_test_split(
    train_val_images, train_val_labels, test_size=0.176, stratify=train_val_labels, random_state=42
)

# 然后复制文件到对应文件夹
# ... (复制逻辑略)

最后，你的数据集目录结构应该是这样的：

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

每一张图片在 images/train/ 里，对应的标注文件就在 labels/train/ 里，文件名相同，只是后缀不同。YOLO 训练时就是按这个目录结构来找数据的。

本章知识体系总览

下面这张图，帮你把本章的核心流程串起来：

数据集的构建，说白了就是给模型准备一份高质量的「教材」。采集要全、标注要准、格式要对、划分要科学。这一步做得越扎实，后面训练就越省心。我见过太多项目因为数据问题反复返工，浪费大量时间。嗯，希望你能一次搞定。