📚 课程目录第4章 YOLO训练数据准备

4. YOLO训练数据准备：数据采集策略、数据清洗与标注规范

数据准备这件事，说难不难，说简单也真不简单。我见过太多同学花大把时间调模型参数，结果效果上不去，最后发现是数据本身出了问题。说白了，YOLO模型再强，也怕垃圾数据。这一章，我就把我在多个落地项目中积累的数据准备经验，掰开了揉碎了讲给你听。

4.1 数据采集策略：从源头把控质量

数据采集不是随便拍几张照片就完事了。你得想清楚：模型上线后要面对什么样的场景？

核心原则：采集的数据必须覆盖模型部署时可能遇到的所有变化因素。

4.1.1 多样性覆盖

我个人习惯把变化因素分成这几类：

变化维度	具体因素	举例说明
光照条件	强光、逆光、暗光、阴影	白天/傍晚/夜间，室内灯光/自然光
拍摄角度	俯视、平视、倾斜	无人机航拍 vs 手持拍摄 vs 监控杆
目标尺度	近景、中景、远景	行人占画面80% vs 占5%
遮挡程度	无遮挡、部分遮挡、严重遮挡	树丛后的车辆、人群中的行人
背景复杂度	简单、中等、杂乱	纯色墙面 vs 商场货架

我在做一个智慧零售项目时，客户只给了白天货架的照片。模型在实验室跑得挺好，一上线就崩了——晚上灯光一换，检测率直接掉到30%。后来我补采了不同时段、不同灯光下的数据，才把问题解决。你想想看，如果只采集理想环境的数据，模型就是个「温室里的花朵」。

4.1.2 数据量估算

很多新手会问：「到底要多少张图？」我的经验是：

每类目标至少500张，这是底线
复杂场景每类1000-2000张，效果才稳
困难样本（遮挡、小目标）单独补充，至少占20%

我的小技巧：先采集少量数据（每类200张），快速训练一个baseline模型。然后用这个模型去检测未标注数据，把置信度低的样本挑出来人工标注。这叫「主动学习」，能帮你精准找到模型最需要的样本。

4.2 数据清洗：别让脏数据毁了你的模型

数据采集回来，别急着标注。先做一轮清洗。我曾经接手过一个项目，标注员把「猫」标成了「狗」，这种错误在训练集里一多，模型就学歪了。

4.2.1 清洗清单

去重：删除完全相同的图片，避免模型过拟合
去模糊：运动模糊、失焦模糊的图片直接扔掉
去异常：曝光过度、全黑、全白的图片
去无关：不包含任何目标的背景图（除非你专门做负样本）
格式统一：所有图片转成JPG或PNG，分辨率统一

注意：不要用有损压缩太狠的JPG图片。YOLO对小目标的检测很依赖纹理细节，压缩过度会让边缘模糊，小目标就检测不到了。

4.3 标注规范：统一标准才能出好模型

标注这件事，最怕「每个人都有自己的理解」。我见过一个团队，三个人标同一个数据集，框的大小、边界的贴合程度都不一样。模型训练出来，效果可想而知。

4.3.1 标注基本原则

原则	说明	错误示例
紧贴目标	标注框必须紧贴目标边缘，不留白	框比目标大一圈
遮挡处理	遮挡部分不标，只标可见部分	凭想象标出被遮挡的轮廓
截断处理	目标超出画面边缘，标到画面边界即可	不标截断的目标
类别一致	同一类目标用同一个标签名	「car」「Car」「vehicle」混用

4.3.2 YOLO标注格式

YOLO用的是归一化的坐标格式，每个目标一行：

class_id x_center y_center width height

所有值都归一化到0-1之间。举个例子：

0 0.5 0.5 0.2 0.3
1 0.8 0.6 0.1 0.15

这表示：类别0的目标中心在图片的(50%, 50%)处，宽占20%，高占30%；类别1的目标中心在(80%, 60%)处，宽占10%，高占15%。

避坑指南：我曾经犯过一个低级错误——坐标归一化时忘了除以图片宽高，结果训练时loss死活不降。检查了半天才发现坐标值都大于1。记住：所有坐标必须除以图片的宽和高。

4.4 标注工具：LabelImg vs CVAT

工具选对了，效率翻倍。我两个工具都用过，说说我的感受。

4.4.1 LabelImg

轻量级，安装简单，适合个人或小团队。

优点：开箱即用，支持Pascal VOC和YOLO格式导出
缺点：没有协同功能，标注效率一般
适用场景：数据集小于5000张，单人标注

安装方式：

pip install labelImg
labelImg

4.4.2 CVAT

企业级工具，支持多人协同标注。

优点：Web界面，自动标注（用预训练模型辅助），审核流程完善
缺点：部署稍复杂，需要Docker环境
适用场景：团队协作，数据集上万张

快速部署：

docker compose up -d

我个人建议：项目初期用LabelImg快速验证，数据量大了再上CVAT。别一上来就搭CVAT，万一项目黄了，白折腾。

4.5 数据集划分：训练/验证/测试

划分比例是个老生常谈的问题。我的经验是：

数据集	比例	用途	注意事项
训练集	70%	模型学习参数	必须包含所有变化因素
验证集	15%	调参、早停、模型选择	不能参与训练，不能泄露
测试集	15%	最终评估泛化能力	全程不能看，最后用一次

重要：划分时一定要做随机打乱，并且保证每个子集的类别分布与原始数据集一致。我习惯用scikit-learn的train_test_split配合stratify参数做分层采样。

代码示例：

from sklearn.model_selection import train_test_split
import os, shutil

# 假设images是所有图片路径列表，labels是对应的标签
train_imgs, temp_imgs, train_labels, temp_labels = train_test_split(
    images, labels, test_size=0.3, stratify=class_ids, random_state=42
)

val_imgs, test_imgs, val_labels, test_labels = train_test_split(
    temp_imgs, temp_labels, test_size=0.5, stratify=temp_class_ids, random_state=42
)

嗯，这里要注意：测试集是「圣杯」，只能在模型最终定稿后用来评估一次。如果你用测试集调参，那它就不再是测试集了，你的泛化能力评估就是假的。

4.6 本章知识体系

下面这张图总结了数据准备的整体流程，你可以对照着检查自己的项目：

数据准备这件事，花的时间越多，后面训练就越省心。我见过太多项目在数据上偷懒，最后在模型调优阶段花了几倍的时间来弥补。说白了，高质量的标注数据，比一个花哨的模型结构更重要。