3、YOLOv5数据准备与标注：从原始图像到训练集

数据准备这件事，说简单也简单，说复杂能让你崩溃三天。我刚开始做YOLO项目时，花在数据上的时间比调模型还多。后来才明白——数据质量直接决定模型上限。这一章，咱们就把数据准备的整套流程捋清楚。

3.1 标注工具：LabelImg实战

LabelImg是我用得最顺手的标注工具。它轻量、开源、支持PascalVOC和YOLO两种格式。说白了，你画个框，它帮你存坐标。

安装与启动

# 方式一：pip安装（推荐）
pip install labelImg
labelImg

# 方式二：源码运行
git clone https://github.com/tzutalin/labelImg
cd labelImg
python labelImg.py

我个人习惯用pip安装，省事。启动后界面长这样：左边是图像区，右边是标注列表，顶部工具栏有「打开目录」「改变保存格式」等按钮。

标注流程（5步走）

1. 设置保存格式：点击「PascalVOC」按钮，切换到YOLO格式（会显示为YOLO）。
2. 打开图像目录：选择你存放原始图片的文件夹。
3. 创建类别标签：在右侧「标签列表」里预定义类别，比如person、car、bicycle。
4. 画框标注：鼠标左键拖拽，框住目标物体。松开后输入类别。
5. 保存与下一张：Ctrl+S保存，Ctrl+D切换到下一张。

避坑指南

另外，标注框不要太小（小于32x32像素），YOLOv5下采样后可能直接忽略。你想想看，一个10x10的框经过5次下采样，还剩几个像素？

3.2 数据集格式：COCO与VOC互转

YOLOv5原生支持两种格式：YOLO格式（.txt）和COCO格式（.json）。但很多公开数据集是PascalVOC格式（.xml）。所以格式转换是必备技能。

三种格式对比

格式	存储方式	坐标表示	典型文件
YOLO	每张图一个.txt	归一化的中心点+宽高	img0001.txt
PascalVOC	每张图一个.xml	左上角+右下角坐标	img0001.xml
COCO	整个数据集一个.json	左上角+宽高坐标	annotations.json

YOLO格式的坐标是归一化的，范围0~1。举个例子：一张640x640的图，框的左上角在(160, 320)，右下角在(480, 480)。转换成YOLO格式就是：

类别ID  中心x  中心y  宽度  高度
0       0.5    0.625  0.5   0.25

计算过程：中心x = (160+480)/2/640 = 0.5，宽度 = (480-160)/640 = 0.5。嗯，数学不难，但容易算错。

VOC转YOLO脚本

我在项目中写过一个转换脚本，核心逻辑就这几行：

import xml.etree.ElementTree as ET

def voc_to_yolo(xml_file, classes):
    tree = ET.parse(xml_file)
    root = tree.getroot()
    size = root.find('size')
    w_img = int(size.find('width').text)
    h_img = int(size.find('height').text)
    
    yolo_lines = []
    for obj in root.iter('object'):
        cls = obj.find('name').text
        cls_id = classes.index(cls)
        bbox = obj.find('bndbox')
        xmin = int(bbox.find('xmin').text)
        ymin = int(bbox.find('ymin').text)
        xmax = int(bbox.find('xmax').text)
        ymax = int(bbox.find('ymax').text)
        
        # 归一化
        x_center = (xmin + xmax) / 2 / w_img
        y_center = (ymin + ymax) / 2 / h_img
        width = (xmax - xmin) / w_img
        height = (ymax - ymin) / h_img
        
        yolo_lines.append(f"{cls_id} {x_center:.6f} {y_center:.6f} {width:.6f} {height:.6f}")
    
    return yolo_lines

3.3 数据增强策略：让模型见多识广

数据增强说白了就是「无中生有」。YOLOv5内置了丰富的增强策略，训练时自动应用。但理解这些策略的原理，能帮你更好地调参。

YOLOv5内置增强

我打开YOLOv5的augmentations.py看过，核心增强包括：

• Mosaic：把4张图拼成1张，小目标检测效果提升明显。
• MixUp：两张图按比例混合，模型更鲁棒。
• HSV变换：随机调整色相、饱和度、明度。
• 随机缩放/裁剪：模拟不同距离的视角。
• 翻转：水平翻转，相当于数据集翻倍。

这些增强在训练时通过超参数控制。比如在hyp.scratch.yaml里：

hsv_h: 0.015    # 色相增强幅度
hsv_s: 0.7      # 饱和度增强幅度
hsv_v: 0.4      # 明度增强幅度
degrees: 0.0    # 旋转角度（0表示不旋转）
translate: 0.1  # 平移比例
scale: 0.5      # 缩放比例
mosaic: 1.0     # Mosaic概率（1.0表示100%应用）

什么时候该调增强参数？

我总结了一个经验表格：

场景	建议调整	原因
小目标多	增大mosaic、scale	让小目标在拼接图中更突出
光照变化大	增大hsv_h、hsv_s	模拟不同光照条件
数据量少	增大flip、mixup	增加样本多样性
目标旋转多	适当增加degrees	但不要超过30°，否则框会变形

3.4 本章知识体系

下面这张图概括了数据准备的完整流程：

从原始图像到最终训练集，中间经过标注、格式转换、数据增强三个关键步骤。每一步都有坑，但踩过之后你就知道怎么避开了。

3.5 实战建议

• 先标100张测试流程：别上来就标5000张。先标100张，跑通训练流程，确认格式没问题再大规模标注。
• 统一图片尺寸：标注前把所有图片resize到640x640，避免后续处理麻烦。
• 备份原始标注：增强后的数据不要覆盖原始标注文件。我习惯把原始标注放在raw/目录，增强后的放在aug/目录。
• 验证数据分布：训练前用脚本统计各类别数量，确保没有严重类别不平衡。