4、数据集准备：标注工具LabelImg安装与使用、COCO数据集格式解析、自定义数据集制作、数据集划分

数据，才是YOLO真正的燃料。模型结构再花哨，没有高质量的数据集，一切都是空中楼阁。这一章，咱们就亲手把数据集这块硬骨头啃下来。

4.1 标注工具LabelImg：安装与实战

说到目标检测的标注工具，LabelImg是入门首选。它轻量、免费、跨平台，而且操作直观。我个人习惯用它来做小规模数据集的快速标注，效率很高。

4.1.1 安装

安装其实很简单，我建议直接用pip安装，省心。

# 安装LabelImg
pip install labelImg

# 启动
labelImg

如果你在macOS上遇到权限问题，加个 sudo 就行。Windows用户记得先装好Python和pip。

4.1.2 使用流程

启动后，界面很简洁。核心操作就三步：

1. 打开图片目录：点击“Open Dir”，选择你的图片文件夹。
2. 创建矩形框：点击“Create RectBox”，在目标上拉个框。
3. 输入标签名：弹窗里输入类别名称，比如“person”、“car”。

标注完一张，按 Ctrl+S 保存。LabelImg默认生成Pascal VOC格式的XML文件。但YOLO需要的是TXT格式，怎么办？别急，在菜单栏 View → Auto Save mode 勾上，再在 Change Save Dir 里设置好输出目录。更关键的一步：点击 PascalVOC 按钮，切换成 YOLO 格式。这样保存的就是 .txt 文件了。

4.2 COCO数据集格式解析

COCO（Common Objects in Context）是目前目标检测领域最权威的数据集之一。YOLO官方预训练模型，基本都是在COCO上训的。所以，理解COCO格式，对你后续做迁移学习、评估模型都至关重要。

COCO使用JSON文件存储标注信息。结构看起来复杂，其实核心就几个字段：

这里有个容易混淆的点：COCO的bbox格式是 [x, y, width, height]，其中 x, y 是框左上角的像素坐标。而YOLO用的是中心点坐标加宽高。转换的时候要小心。

x_center = (x + w/2) / image_width
y_center = (y + h/2) / image_height
width = w / image_width
height = h / image_height

4.3 自定义数据集制作

实际项目中，你很少能直接用现成的数据集。比如我去年做一个工业质检项目，需要检测电路板上的微小焊点缺陷。COCO里哪有这个？只能自己做。

制作自定义数据集，我建议按这个流程来：

1. 数据采集：用手机、工业相机或者爬虫收集图片。注意场景多样性，光照、角度、背景都要覆盖。
2. 数据清洗：去掉模糊的、重复的、无关的图片。这一步很枯燥，但必须做。我见过有人偷懒，结果模型学了一堆噪声。
3. 数据标注：用LabelImg或者更专业的工具（如LabelStudio）进行标注。标注质量直接决定模型上限。
4. 格式转换：将标注结果统一转换成YOLO需要的TXT格式。写个Python脚本批量处理就行。

下面是一个简单的格式转换脚本示例：

import json
import os

def convert_coco_to_yolo(coco_json_path, output_dir):
    with open(coco_json_path, 'r') as f:
        coco_data = json.load(f)
    
    # 建立类别ID映射
    categories = {cat['id']: idx for idx, cat in enumerate(coco_data['categories'])}
    
    for img in coco_data['images']:
        img_id = img['id']
        img_w = img['width']
        img_h = img['height']
        filename = img['file_name'].split('.')[0] + '.txt'
        
        annotations = [ann for ann in coco_data['annotations'] if ann['image_id'] == img_id]
        
        with open(os.path.join(output_dir, filename), 'w') as f:
            for ann in annotations:
                cat_id = categories[ann['category_id']]
                bbox = ann['bbox']  # [x, y, w, h]
                x_center = (bbox[0] + bbox[2]/2) / img_w
                y_center = (bbox[1] + bbox[3]/2) / img_h
                width = bbox[2] / img_w
                height = bbox[3] / img_h
                f.write(f"{cat_id} {x_center:.6f} {y_center:.6f} {width:.6f} {height:.6f}\n")

# 使用示例
convert_coco_to_yolo('annotations.json', 'labels/')

4.4 数据集划分

数据准备好了，接下来要划分成训练集、验证集和测试集。比例一般是 8:1:1 或者 7:2:1。为什么需要验证集？说白了，就是用来调超参数和做模型选择的。测试集则是最终评估模型泛化能力的，不能参与训练过程。

划分的时候，有几点要注意：

• 随机划分：用 random.shuffle 打乱数据，避免类别分布不均。
• 分层采样：如果类别不平衡（比如A类有1000张，B类只有50张），建议按类别比例分层划分，保证每个子集里各类别比例一致。
• 文件结构：YOLO通常要求图片和标签文件同名，放在对应的 images 和 labels 目录下。

下面是一个划分脚本的骨架：

import os
import random
import shutil

def split_dataset(image_dir, label_dir, output_dir, train_ratio=0.8, val_ratio=0.1):
    images = [f for f in os.listdir(image_dir) if f.endswith(('.jpg', '.png'))]
    random.shuffle(images)
    
    train_count = int(len(images) * train_ratio)
    val_count = int(len(images) * val_ratio)
    
    train_images = images[:train_count]
    val_images = images[train_count:train_count+val_count]
    test_images = images[train_count+val_count:]
    
    for split, img_list in zip(['train', 'val', 'test'], [train_images, val_images, test_images]):
        os.makedirs(f'{output_dir}/{split}/images', exist_ok=True)
        os.makedirs(f'{output_dir}/{split}/labels', exist_ok=True)
        for img in img_list:
            shutil.copy(f'{image_dir}/{img}', f'{output_dir}/{split}/images/{img}')
            label_file = img.replace('.jpg', '.txt').replace('.png', '.txt')
            shutil.copy(f'{label_dir}/{label_file}', f'{output_dir}/{split}/labels/{label_file}')

# 使用示例
split_dataset('images/', 'labels/', 'yolo_dataset/')

4.5 本章知识体系

为了让你更直观地理解整个数据准备流程，我画了一张流程图：

这张图把整个流程串起来了。从数据采集开始，经过清洗、标注、格式转换，最后划分成三个子集。每一步都有坑，但只要你按这个流程走，基本不会出大问题。