数据集基础：什么是目标检测数据集、常见格式与结构解析

做目标检测，说白了就是教计算机「看」东西。但计算机不像人，它看不懂一张图里有什么。你得给它喂数据——这就是数据集的作用。

我刚开始接触这个领域时，以为数据集就是一堆图片加个标签文件。后来踩了不少坑才明白，数据集的格式、结构、标注方式，直接决定了你模型能学到什么程度。今天咱们就把这块彻底聊透。

什么是目标检测数据集？

目标检测数据集，就是「图片 + 标注」的集合。图片告诉模型「这是什么场景」，标注告诉模型「目标在哪里、是什么类别」。

举个例子：一张街景图里，有行人、汽车、红绿灯。标注文件会记录每个目标的类别（比如「car」）和它在图片中的位置（比如左上角坐标和宽高）。

一个完整的目标检测数据集，通常包含三部分：

• 图片文件：JPEG、PNG 等格式，分辨率尽量统一
• 标注文件：记录每个目标的类别和位置信息
• 类别映射表：比如 class 0 对应「person」、class 1 对应「car」

三大主流数据集格式

目前业界用得最多的就三种：COCO、VOC、YOLO。我当年在这三种格式之间来回转换，差点被搞疯。今天帮你一次性理清楚。

COCO 格式详解

COCO 是目前最流行的数据集格式之一。它的标注文件是一个 JSON，结构清晰但层级较多。

核心字段就这几个：

• images：图片信息列表，包含 id、文件名、宽高
• annotations：标注信息列表，包含目标 id、图片 id、类别 id、边界框坐标、分割多边形
• categories：类别列表，包含类别 id 和名称

边界框的格式是 [x, y, width, height]，其中 x、y 是左上角坐标。注意，这是像素值，不是归一化的。

{
  "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],
      "segmentation": [[100,150, 300,150, 300,450, 100,450]]
    }
  ],
  "categories": [
    {"id": 1, "name": "person"}
  ]
}

VOC 格式详解

VOC 格式来自 PASCAL VOC 挑战赛，结构更直观。每张图片对应一个 XML 文件，文件名和图片名一致。

XML 里主要包含：

• folder：图片所在文件夹
• filename：图片文件名
• size：图片宽高和通道数
• object：每个目标的信息，包括 name、pose、truncated、difficult、bndbox

bndbox 的格式是 [xmin, ymin, xmax, ymax]，也就是左上角和右下角的坐标。

<annotation>
  <folder>VOC2007</folder>
  <filename>000001.jpg</filename>
  <size>
    <width>640</width>
    <height>480</height>
    <depth>3</depth>
  </size>
  <object>
    <name>person</name>
    <bndbox>
      <xmin>100</xmin>
      <ymin>150</ymin>
      <xmax>300</xmax>
      <ymax>450</ymax>
    </bndbox>
  </object>
</annotation>

YOLO 格式详解

YOLO 格式是专为 YOLO 系列模型设计的。它用 TXT 文件存储标注，每张图片对应一个同名的 TXT 文件。

每行代表一个目标，格式是：

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

注意，这里的坐标都是归一化的，范围在 0 到 1 之间。计算公式是：

• x_center = (xmin + xmax) / 2 / image_width
• y_center = (ymin + ymax) / 2 / image_height
• width = (xmax - xmin) / image_width
• height = (ymax - ymin) / image_height

0 0.3125 0.625 0.3125 0.625

这个例子表示：类别 0（person），中心点在图片的 31.25% 宽度和 62.5% 高度位置，宽高分别占图片的 31.25% 和 62.5%。

三种格式的对比与转换

你想想看，实际项目中很少只用一种格式。比如你从网上下载的数据集是 COCO 格式，但你要用 YOLOv8 训练，就得转成 YOLO 格式。

我整理了一个对比表，方便你快速理解：

数据集结构解析

一个规范的目标检测数据集，目录结构通常长这样：

dataset/
├── images/
│   ├── train/
│   │   ├── 000001.jpg
│   │   ├── 000002.jpg
│   │   └── ...
│   └── val/
│       ├── 000100.jpg
│       ├── 000101.jpg
│       └── ...
├── labels/
│   ├── train/
│   │   ├── 000001.txt
│   │   ├── 000002.txt
│   │   └── ...
│   └── val/
│       ├── 000100.txt
│       ├── 000101.txt
│       └── ...
└── data.yaml

这个结构是 YOLO 系列的标准组织方式。data.yaml 文件定义了数据集的基本信息：

train: ./images/train
val: ./images/val

nc: 2
names: ['person', 'car']

其中 nc 是类别数量，names 是类别名称列表。注意，类别索引从 0 开始。

知识结构图

下面这张图帮你把三种格式的核心差异和转换关系理清楚：

格式转换实战要点

在实际项目中，格式转换是家常便饭。我分享几个关键点：

1. 坐标转换要小心：不同格式的坐标定义不同，转换时一定要画图验证
2. 类别索引对齐：COCO 的类别索引从 1 开始，YOLO 从 0 开始，差一个数模型就废了
3. 图片路径要正确：YOLO 训练时要求图片和标注文件名一一对应，大小写也要一致
4. 验证集不能少：我见过有人只分训练集，结果模型过拟合了都不知道