📚 课程目录第2章数据集制作基础

数据集制作基础：从采集到标注，一个都不能少

说实话，很多同学一上来就急着调模型参数，觉得数据集制作是体力活，随便搞搞就行。我刚开始做YOLO项目时也这么想，结果模型训练出来，检测效果惨不忍睹。后来花了整整两周排查，才发现问题出在数据集上——标注框歪了、图像模糊、类别搞混……嗯，从那以后我再也不敢轻视数据准备了。

这一章，我们就来聊聊数据集制作的三个核心环节：图像怎么拍、用什么工具标、标完存成什么格式。说白了，这就是你模型能力的“地基”，地基不稳，楼盖得再高也得塌。

图像采集规范：别让数据输在起跑线上

你可能觉得，拍照谁不会啊？但训练用的图像和日常拍照完全是两码事。我在项目中遇到过好几次，客户拿手机随便拍了几百张图，结果模型训练出来，换个光线环境就完全失效了。

这里我总结了几条硬性规范，你照着做，能省掉后面80%的麻烦：

规范项	具体要求	为什么重要
分辨率	不低于640×640，建议1920×1080以上	YOLO会缩放图像，低分辨率会丢失细节
光照条件	覆盖白天、黄昏、夜晚、逆光等多种场景	模型需要适应真实世界的多变光照
拍摄角度	俯视、平视、侧视都要有	目标可能从任何角度出现
背景多样性	至少5种以上不同背景	避免模型只记住背景而非目标本身
目标尺度	包含大、中、小三种尺度的目标	YOLO对不同尺度的检测能力需要均衡训练
遮挡程度	0%、25%、50%、75%遮挡都要有	真实场景中目标经常被部分遮挡

⚠️ 我曾经踩过的坑： 有一次做行人检测，所有训练图像都是晴天正午拍的。模型在测试集上表现很好，结果一部署到傍晚的监控画面，检测率直接掉到30%。后来我补拍了阴天、雨天、黄昏的数据，模型才真正“活”过来。记住：数据多样性比数据量更重要。

另外，我建议每类目标至少采集1500-2000张原始图像。别嫌多，后面做数据增强、划分训练验证集时，数量不够会很被动。

数据标注工具：选对工具，事半功倍

标注工具我前后用过七八种，最后常驻在电脑里的就两个：LabelImg 和 CVAT。它们各有各的强项，我分别说说。

LabelImg：轻量级首选，个人项目利器

LabelImg 是我最早接触的标注工具，纯Python写的，界面简洁到有点“简陋”。但你别小看它，该有的功能一个不少：

支持格式：YOLO txt、Pascal VOC xml、CreateML json
标注方式：矩形框，按住鼠标拖拽就行
快捷键：W（创建框）、D（下一张）、A（上一张）、Ctrl+S（保存）
自动保存：切换图片时自动保存，不怕丢数据

安装也很简单：

# 方式一：pip安装
pip install labelimg

# 方式二：从GitHub克隆
git clone https://github.com/tzutalin/labelImg
cd labelImg
python labelImg.py

💡 我的使用习惯： 标注前先把所有图片放到一个文件夹，然后在LabelImg里设置“自动保存”和“显示下一张”。这样你只需要左手按快捷键，右手握鼠标，效率能提升一倍。我最快的时候，一小时标了300张图。

CVAT：团队协作神器，功能全面

CVAT（Computer Vision Annotation Tool）是Intel开源的在线标注平台。如果你做的是团队项目，或者需要标注视频、分割掩码、关键点，CVAT 是更好的选择。

特性	LabelImg	CVAT
部署方式	本地单机	Web服务（可本地部署）
多人协作	❌ 不支持	✅ 支持，有任务分配和审核
标注类型	矩形框	矩形框、多边形、关键点、线条
视频标注	❌ 不支持	✅ 支持插帧标注
AI辅助	❌ 无	✅ 内置自动追踪和半自动标注
学习成本	低，10分钟上手	中等，需要熟悉界面

我个人习惯是：小项目（少于5000张图）用LabelImg，大项目或团队项目用CVAT。别在工具选择上纠结太久，关键是赶紧把数据标出来。

YOLO标注格式详解：txt文件里的秘密

YOLO用的标注格式是纯文本txt文件，每张图片对应一个同名的txt文件。比如 image_001.jpg 的标注文件就是 image_001.txt。

打开一个txt文件，你会看到这样的内容：

0 0.516406 0.504167 0.278125 0.475000
1 0.750000 0.520833 0.165625 0.441667
2 0.256250 0.487500 0.140625 0.383333

每一行代表一个标注框，格式是：

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

这里有几个关键点，我当年可是在这上面吃过亏的：

    🔑 核心要点：
    坐标都是归一化的：所有数值都在0到1之间
归一化公式：x_center = 框中心x坐标 / 图片宽度；y_center = 框中心y坐标 / 图片高度；width = 框宽度 / 图片宽度；height = 框高度 / 图片高度
class_id从0开始：第一类就是0，第二类是1，以此类推
每个txt文件可以有多行：一张图里有多少个目标，就写多少行

举个例子，假设图片是1000×800像素，有一个框的左上角在(200, 150)，右下角在(500, 450)：

框中心x = (200 + 500) / 2 = 350
框中心y = (150 + 450) / 2 = 300
框宽度 = 500 - 200 = 300
框高度 = 450 - 150 = 300

归一化后：
x_center = 350 / 1000 = 0.35
y_center = 300 / 800 = 0.375
width = 300 / 1000 = 0.3
height = 300 / 800 = 0.375

最终txt内容：0 0.35 0.375 0.3 0.375

⚠️ 我曾经犯过的错： 刚开始做标注时，我直接用像素坐标写进了txt文件，没做归一化。结果YOLO训练时loss死活不降，我还以为是模型有问题。查了两天才发现，YOLO要求所有坐标必须在0-1之间，像素坐标会让训练直接崩掉。所以，一定要确认你的标注工具输出的是归一化坐标。

数据集目录结构：规范管理，避免混乱

标注完数据后，目录结构要清晰。我推荐这样的组织方式：

dataset/
├── images/
│   ├── train/        # 训练集图片
│   ├── val/          # 验证集图片
│   └── test/         # 测试集图片
├── labels/
│   ├── train/        # 训练集标注
│   ├── val/          # 验证集标注
│   └── test/         # 测试集标注
├── data.yaml         # 数据集配置文件
└── classes.txt       # 类别列表

data.yaml 文件内容示例：

train: ./dataset/images/train
val: ./dataset/images/val
test: ./dataset/images/test

nc: 3
names: ['person', 'car', 'bicycle']

这里 nc 是类别数量，names 是类别名称列表，顺序必须和标注文件中的class_id一一对应。

本章知识体系总览

下面这张图帮你理清数据集制作的完整流程：

💡 我的建议： 第一次做数据集，别追求完美。先拿100张图走完整个流程——采集、标注、格式转换、目录搭建——确保每个环节都通了，再大规模铺开。这样能避免做到一半发现方向错了，返工成本太高。

好了，数据集制作的基础就聊到这里。记住：好的数据集 = 规范的采集 + 准确的标注 + 正确的格式。这三样都做到位了，你的YOLO模型训练就已经成功了一半。