📚 课程目录第4章数据集准备与标注

4、数据集准备与标注：LabelImg、CVAT工具使用，COCO与自定义数据集格式转换

做YOLO项目，数据是根本。模型再牛，没有好数据也白搭。我见过太多同学花大把时间调参，结果发现是标注出了问题——类别标错了、框没贴边、格式不对。嗯，这章咱们就把数据准备这块彻底捋清楚。

4.1 标注工具怎么选？

说白了，标注工具就两类：本地轻量的和团队协作的。我个人习惯，小项目用LabelImg，大项目或者团队协作直接上CVAT。

特性	LabelImg	CVAT
安装方式	pip install / 直接下载	Docker部署 / 在线版
标注方式	单机本地标注	Web端多人协作
输出格式	Pascal VOC / YOLO	COCO / YOLO / 自定义
适用场景	几百张图片的小项目	几千张以上的团队项目
学习成本	5分钟上手	需要简单配置

4.2 LabelImg：快速上手

LabelImg是我最早用的工具，轻量、直接。安装就一行命令：

pip install labelImg
labelImg

打开后界面很简洁。左边工具栏，中间图片区，右边文件列表。操作流程就三步：

打开图片目录：点击"Open Dir"选择你的图片文件夹
创建矩形框：按键盘 w 键，鼠标拖拽画框
输入标签名：弹窗里输入类别名称，比如"person"、"car"

我的小技巧：标注时按 d 键切换到下一张，按 a 键回退。左手键盘右手鼠标，效率能翻倍。我曾经一天标了800张图，全靠这套快捷键。

保存格式我建议直接选YOLO格式。在LabelImg里点"Change Save Dir"，然后选"YOLO"。这样每张图片会生成一个同名的 .txt 文件，里面格式是：

class_id x_center y_center width height

注意，这里的坐标都是归一化的（0~1之间）。比如一张1920x1080的图，框的中心点在(960, 540)，宽640，高360，那记录就是：

0 0.5 0.5 0.333 0.333

踩坑提醒：我曾经犯过一个低级错误——标注完直接训练，结果模型啥也检测不到。排查了半天才发现，YOLO格式要求坐标是归一化的，而我保存的是像素坐标。LabelImg默认保存YOLO格式时没问题，但如果你手动修改过配置文件，一定要检查一下。

4.3 CVAT：团队协作利器

项目大了以后，LabelImg就有点吃力了。这时候我推荐CVAT。它是Intel开源的Web标注工具，支持多人同时标注、自动标注、AI辅助标注。

部署方式我用Docker，简单稳定：

git clone https://github.com/opencv/cvat
cd cvat
docker compose up -d

启动后浏览器访问 localhost:8080，注册账号就能用了。CVAT的核心优势在于：

任务分配：可以把不同图片分给不同标注员
质量检查：标注完成后可以review，不合格的退回重标
自动标注：用预训练模型先跑一遍，人工修正就行

  效率对比：同样1000张图片，一个人用LabelImg标大概需要3天。用CVAT，3个人同时标，加上自动标注辅助，一天就能搞定。我上一个项目就是这么干的，省了整整两天时间。

4.4 COCO格式 vs YOLO格式

标注完数据，接下来就是格式转换。YOLO官方训练用的是自己的格式，但很多公开数据集（比如COCO）用的是JSON格式。你得学会在两者之间切换。

对比项	COCO JSON格式	YOLO TXT格式
存储方式	一个JSON文件包含所有标注	每张图片一个TXT文件
坐标格式	[x, y, width, height] 像素坐标	[x_center, y_center, width, height] 归一化
类别定义	JSON内categories数组	单独的classes.txt文件
数据结构	嵌套字典，包含images、annotations、categories	每行一个标注：class_id x y w h

我写了个转换脚本，每次项目都用它：

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)
    
    # 建立图片ID到文件名的映射
    img_map = {img['id']: img['file_name'] for img in coco_data['images']}
    
    # 建立类别ID到索引的映射
    cat_map = {cat['id']: idx for idx, cat in enumerate(coco_data['categories'])}
    
    # 逐张图片生成YOLO标注
    for ann in coco_data['annotations']:
        img_id = ann['image_id']
        img_name = img_map[img_id]
        txt_name = img_name.rsplit('.', 1)[0] + '.txt'
        
        # 转换坐标：COCO的[x,y,w,h] -> YOLO的[x_center,y_center,w,h]（归一化）
        x, y, w, h = ann['bbox']
        img_w = coco_data['images'][img_id]['width']
        img_h = coco_data['images'][img_id]['height']
        
        x_center = (x + w / 2) / img_w
        y_center = (y + h / 2) / img_h
        w_norm = w / img_w
        h_norm = h / img_h
        
        cat_id = cat_map[ann['category_id']]
        
        with open(os.path.join(output_dir, txt_name), 'a') as f:
            f.write(f"{cat_id} {x_center:.6f} {y_center:.6f} {w_norm:.6f} {h_norm:.6f}\n")

注意：COCO的bbox是[x, y, width, height]，其中(x,y)是左上角坐标。YOLO需要的是中心点坐标。转换时别忘了先算中心点，再归一化。我刚开始写脚本时忘了这步，结果模型训练出来框全偏了。

4.5 自定义数据集格式

实际项目中，你很可能需要混合使用公开数据集和自己的数据。比如用COCO的80类做预训练，再在自己的5类数据上微调。这时候就需要统一格式。

YOLO训练要求的数据集目录结构是这样的：

dataset/
├── images/
│   ├── train/
│   │   ├── img001.jpg
│   │   └── img002.jpg
│   └── val/
│       ├── img003.jpg
│       └── img004.jpg
├── labels/
│   ├── train/
│   │   ├── img001.txt
│   │   └── img002.txt
│   └── val/
│       ├── img003.txt
│       └── img004.txt
└── dataset.yaml

dataset.yaml 文件内容：

train: ./images/train
val: ./images/val

nc: 5
names: ['person', 'car', 'bicycle', 'dog', 'cat']

  我的经验：数据集划分比例我一般用8:1:1（训练:验证:测试）。但如果你数据量少（比如不到1000张），可以改成9:0.5:0.5。验证集太小的话，评估结果波动会很大，你想想看，就几十张图，运气好全对，运气差全错，根本看不出模型真实水平。

4.6 数据标注避坑指南

标注质量直接影响模型效果。我踩过的坑，列出来给大家参考：

框要贴边：标注框必须紧贴目标边缘，不能留白太多，也不能切掉目标。我曾经标猫的时候框大了两圈，结果模型学了一堆背景特征。
遮挡目标也要标：被遮挡的部分用框框住完整目标，不要只标可见部分。YOLO学的是完整目标特征。
类别平衡：如果某个类别样本太少，模型会偏向多数类。我一般要求每个类别至少500张图，不够就做数据增强或者补充采集。
多人标注要统一标准：用CVAT时，一定要写标注规范文档。比如"人"这个类别，是只标全身还是半身也算？不统一的话，模型学出来会混乱。

我曾经犯过的错：有次项目赶进度，让两个实习生同时标注，没给统一标准。结果一个人把"红绿灯"标成"traffic_light"，另一个人标成"traffic light"。训练时报错说类别不匹配，排查了整整半天才发现是空格的问题。从那以后，我规定类别名必须用下划线连接，且全部小写。

4.7 本章知识体系

下面这张图总结了数据集准备的核心流程，从原始图片到最终可训练的YOLO数据集：

数据准备是YOLO项目中最基础也最容易被忽视的一环。标注工具选对了、格式转换搞清楚了、避坑指南记住了，后面训练模型才能顺风顺水。我个人觉得，花在数据上的时间永远值得——模型效果好不好，数据说了算。