3、YOLOv8模型训练准备：数据集标注工具LabelImg介绍、COCO数据集格式、自定义数据集制作

好，到了第三章节。前两章我们把树莓派的环境和YOLOv8的框架搭好了，但有个关键问题——模型拿什么学？

说白了，YOLOv8再厉害，它也是个“睁眼瞎”。你得先给它看一堆标注好的图片，告诉它“这是猫”、“那是狗”、“这个红绿灯是红灯”。这个过程，就是数据集制作。

我个人习惯把这一步叫做“喂数据”。数据喂得好不好，直接决定模型能不能用。我在项目里见过太多人，模型结构调得飞起，结果数据集一塌糊涂，最后训练出来的模型根本没法部署。嗯，咱们今天就把这个地基打牢。

3.1 数据集标注工具：LabelImg

标注工具很多，但LabelImg是最经典、最轻量的一个。它用Python写的，界面简单，支持YOLO和VOC两种输出格式。对于咱们树莓派部署的场景，完全够用。

3.1.1 安装LabelImg

安装很简单，我一般用pip直接装：

pip install labelImg

装完之后，在终端输入 labelImg 就能启动。如果你用的是Python虚拟环境，记得先激活环境再运行。

3.1.2 标注流程

打开LabelImg后，界面很直观。我简单说一下操作步骤：

1. 打开图片目录：点击“Open Dir”，选择你存放原始图片的文件夹。
2. 选择保存格式：点击“Change Save Dir”，设置标注文件的输出目录。然后在菜单栏 View 里勾选“Auto Save mode”，省得每标一张点一次保存。
3. 创建矩形框：按键盘 W 键，鼠标会变成十字。在目标物体上拖拽出矩形框。
4. 输入标签名：弹窗里输入类别名称，比如 person、car、helmet。注意，标签名不要带空格和特殊字符。
5. 切换下一张：按 D 键切换到下一张图片，按 A 键回退。

标注完一张，LabelImg会自动在同目录下生成一个同名的 .txt 文件（如果你选的是YOLO格式）。这个文件里存的就是目标框的坐标信息。

3.2 COCO数据集格式

聊完工具，咱们得说说数据格式。YOLOv8原生支持两种格式：YOLO格式和COCO格式。我个人更推荐大家理解COCO格式，因为它是目前目标检测领域的事实标准。

COCO格式说白了就是一个大的JSON文件。里面包含了图片信息、标注信息、类别信息。结构大概是这样的：

{
  "images": [
    {"id": 1, "file_name": "000001.jpg", "width": 640, "height": 480}
  ],
  "annotations": [
    {"id": 1, "image_id": 1, "category_id": 1, "bbox": [100, 150, 200, 300], "area": 60000}
  ],
  "categories": [
    {"id": 1, "name": "person"}
  ]
}

这里有个关键点：bbox 的格式是 [x, y, width, height]，其中 x, y 是矩形框左上角的坐标。这和YOLO格式的 [center_x, center_y, width, height] 不一样。很多新手在这里搞混，导致训练出来的模型检测框全偏了。

YOLOv8在训练时，会自动把COCO格式的JSON转换成内部的张量。所以如果你用LabelImg标注时选了YOLO格式，其实也可以直接用，但需要把图片和txt文件按YOLO的目录结构放好。

3.3 自定义数据集制作

好了，理论讲完，咱们来动手。假设你要做一个“安全帽检测”的数据集，用来部署到树莓派上监控工地安全。

3.3.1 数据采集

数据采集这块，我建议你遵循“三多原则”：多角度、多光照、多背景。别只拍正面的安全帽，侧面的、背面的、逆光的、阴天的，都得有。

我在项目里遇到过这种情况：训练集里全是红色安全帽，结果部署到现场，工人戴的是黄色安全帽，模型直接漏检。所以采集数据时，尽量覆盖所有可能的变体。

3.3.2 目录结构

YOLOv8对数据集目录结构有约定。我个人习惯这样组织：

datasets/
  helmet/
    images/
      train/
        img_001.jpg
        img_002.jpg
        ...
      val/
        img_100.jpg
        img_101.jpg
        ...
    labels/
      train/
        img_001.txt
        img_002.txt
        ...
      val/
        img_100.txt
        img_101.txt
        ...

注意：图片和标注文件的名字必须一一对应，后缀不同而已。比如 img_001.jpg 对应 img_001.txt。

3.3.3 数据集配置文件

YOLOv8训练时需要一个 .yaml 文件来告诉模型数据在哪。内容如下：

# helmet.yaml
path: ./datasets/helmet  # 数据集根目录
train: images/train      # 训练集图片路径
val: images/val          # 验证集图片路径

nc: 2                    # 类别数量
names: ['helmet', 'head']  # 类别名称列表

这里 nc 是类别数，names 是类别名列表。顺序要和标注时的标签名一致。比如标注时 helmet 是第一个出现的标签，那它在列表里就排第一。

3.3.4 数据划分

数据采集完、标注完，最后一步是划分训练集和验证集。我一般按8:2的比例随机划分。可以用一个简单的Python脚本搞定：

import os
import random
import shutil

# 假设所有图片都在 raw_images 文件夹
images = os.listdir('raw_images')
random.shuffle(images)

split_idx = int(len(images) * 0.8)
train_images = images[:split_idx]
val_images = images[split_idx:]

# 然后分别复制到 images/train 和 images/val
# 同时复制对应的 .txt 文件到 labels/train 和 labels/val

3.4 本章知识结构图

下面这张图总结了数据集制作的完整流程，从原始图片到可训练的YOLOv8数据集：

3.5 避坑指南

最后，我把自己这些年踩过的坑总结一下，你遇到了可以少走弯路：