4. 数据集准备与标注：工业场景下的“食材”与“厨艺”

做目标检测，尤其是工业场景，我常说一句话：“模型是锅，数据是米”。锅好不好固然重要，但米要是夹生、有沙，那这锅饭基本就废了。这一章，咱们就聊聊怎么搞到好米，怎么淘米，怎么下锅。

4.1 工业数据集从哪来？别只盯着公开数据集

很多新手喜欢直接下载 COCO、VOC 来练手。但工业场景，说白了，公开数据集基本没用。你见过哪个公开数据集里有“PCB 板上的微小划痕”或者“汽车焊点飞溅”的图片？

我个人习惯把工业数据来源分成三类：

来源类型	典型场景	获取难度	我的建议
现场采集	产线摄像头实时抓拍、巡检机器人拍照	高（需协调产线）	这是最靠谱的，但注意光照、角度多样性
历史归档	质检部门保存的缺陷图片、维修记录照片	中（需IT部门配合）	数据量大，但往往只有“坏样本”，缺少“好样本”
合成/增强	3D渲染、GAN生成、数据增强	低（自己动手）	适合补充长尾缺陷，但别完全依赖，容易过拟合

4.2 标注工具：LabelImg vs LabelStudio

工具这东西，顺手最重要。我主要用两个：LabelImg 和 LabelStudio。它们各有千秋，别纠结，选一个用熟就行。

4.2.1 LabelImg：轻量、快速、离线

LabelImg 是我最早接触的标注工具。它就是个纯 Python 写的 Qt 应用，安装简单，打开就能用。

• 优点：启动快，不依赖网络，支持 PascalVOC 和 YOLO 格式直接导出。
• 缺点：功能单一，不支持多人协作，标注大图时有点卡。
• 适用场景：个人项目、小团队、快速验证。

安装方式很简单：

# 推荐用 pip 安装
pip install labelImg

# 或者直接下载 exe（Windows 用户）
# 然后命令行运行
labelImg

打开后，界面很直观。左边是工具栏，中间是图片，右边是标签列表。快捷键记几个常用的：W 画框，A 上一张，D 下一张，Ctrl+S 保存。

4.2.2 LabelStudio：协作、多模态、功能强大

LabelStudio 是另一个方向。它是个 Web 应用，支持多人同时标注，还能标文本、音频、甚至时间序列。对于工业场景，我主要用它来做团队协作和复杂标注。

• 优点：支持多人协作、项目管理、数据版本控制、API 接口。
• 缺点：需要部署服务端，启动慢，资源占用高。
• 适用场景：团队项目、需要多人审核、数据量大。

部署也很简单：

# 使用 Docker 一键部署
docker run -it -p 8080:8080 -v $(pwd)/my_data:/label-studio/data heartexlabs/label-studio:latest

我个人习惯：小项目用 LabelImg，大项目用 LabelStudio。别在工具上浪费太多时间，核心是把数据标好。

4.3 数据格式转换：XML 与 YOLO 的“翻译官”

标注完数据，你会发现一个问题：LabelImg 默认存的是 XML（PascalVOC 格式），但 YOLO 训练需要的是 TXT（YOLO 格式）。这就好比你有中文的说明书，但机器只认英文。所以，我们需要一个“翻译官”。

两种格式的核心区别在于坐标表示方式：

格式	坐标表示	文件内容示例
PascalVOC (XML)	坐标 (xmin, ymin, xmax, ymax)	<xmin>100</xmin> <ymin>150</ymin> <xmax>200</xmax> <ymax>250</ymax>
YOLO (TXT)	归一化坐标 (class, x_center, y_center, width, height)	0 0.5 0.5 0.2 0.3

转换逻辑其实很简单，就是做个归一化：

# 假设图片宽为 W，高为 H
# XML 中的坐标：xmin, ymin, xmax, ymax

# 计算中心点和宽高
x_center = (xmin + xmax) / 2.0 / W
y_center = (ymin + ymax) / 2.0 / H
width = (xmax - xmin) / W
height = (ymax - ymin) / H

# 写入 TXT 文件
# 格式：class_id x_center y_center width height
# 注意：所有值都是 0~1 之间的浮点数

为了方便，我写了一个简单的转换脚本，你们可以直接用：

import os
import xml.etree.ElementTree as ET

def convert_voc_to_yolo(xml_file, output_dir, classes):
    tree = ET.parse(xml_file)
    root = tree.getroot()
    
    # 获取图片尺寸
    size = root.find('size')
    w = int(size.find('width').text)
    h = int(size.find('height').text)
    
    # 获取文件名（不含扩展名）
    filename = os.path.splitext(os.path.basename(xml_file))[0]
    
    # 打开 YOLO 格式文件
    with open(os.path.join(output_dir, filename + '.txt'), 'w') as f:
        for obj in root.iter('object'):
            class_name = obj.find('name').text
            if class_name not in classes:
                continue
            class_id = classes.index(class_name)
            
            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) / 2.0 / w
            y_center = (ymin + ymax) / 2.0 / h
            width = (xmax - xmin) / w
            height = (ymax - ymin) / h
            
            f.write(f"{class_id} {x_center:.6f} {y_center:.6f} {width:.6f} {height:.6f}\n")

# 使用示例
classes = ['defect', 'scratch', 'dent']  # 你的类别列表
xml_folder = 'path/to/xml'
output_folder = 'path/to/yolo_labels'
os.makedirs(output_folder, exist_ok=True)

for xml_file in os.listdir(xml_folder):
    if xml_file.endswith('.xml'):
        convert_voc_to_yolo(os.path.join(xml_folder, xml_file), output_folder, classes)

4.4 本章知识体系：一张图看懂

说了这么多，我画了张图，把整个流程串起来。你一看就明白了。