4. 数据标注：LabelImg安装与使用、标注规范与技巧、标注格式转换（VOC转YOLO）、数据集划分

数据标注这件事，说实话，是YOLO实战里最枯燥但也是最关键的一环。模型能不能收敛、检测精度高不高，很大程度上取决于你标注的质量。我见过太多同学花大把时间调参，结果模型效果差，最后发现是标注数据出了问题——框歪了、类别标错了、漏标了目标。嗯，咱们这节课就把这些坑都填上。

4.1 LabelImg 安装与使用

LabelImg 是目前最主流的图像标注工具之一，支持 VOC 和 YOLO 两种格式。我个人习惯用 Python 版，跨平台兼容性好，更新也及时。

4.1.1 安装方式

我推荐直接用 pip 安装，干净利落：

pip install labelImg
labelImg

如果遇到 PyQt5 依赖问题，可以试试：

pip install labelImg pyqt5
labelImg

4.1.2 界面与基本操作

启动后界面很简洁，左边是工具栏，中间是图像显示区，右边是标签列表。核心操作就三步：

1. 打开图像目录：点击 "Open Dir" 选择存放图片的文件夹
2. 创建矩形框：按 w 键进入标注模式，按住鼠标左键拖拽
3. 输入标签名：松开鼠标后弹出对话框，输入类别名称（如 car、person）

常用快捷键我列在下面，记熟了效率翻倍：

4.2 标注规范与技巧

标注不是随便画个框就完事了。这里面的门道，我踩过不少坑，总结了几条硬性规范。

4.2.1 标注基本原则

• 紧贴目标边缘：矩形框要刚好包住目标，不要留太多背景，也不要切掉目标的关键部位
• 遮挡处理：目标被遮挡超过 50% 时，建议不标注；轻微遮挡可以标注，但框要尽量贴合可见部分
• 边界目标：目标在图像边缘被切掉超过 30%，不标注；只切掉一点点，正常标注
• 类别一致性：同一个类别在不同图片中的标注标准要统一，比如 "car" 不能有的标 "vehicle"

4.2.2 实战技巧

标注效率和质量可以兼得，关键是用对方法：

1. 先标难样本：把光照差、遮挡多、角度刁钻的图片先标出来，让模型优先学习困难场景
2. 使用 "Verify" 功能：LabelImg 支持标注验证，标完一轮后可以快速复查
3. 多人标注统一规范：团队协作时，一定要写一份标注规范文档，贴在项目目录里
4. 定期抽检：每标注 500 张图片，随机抽 50 张检查标注质量

4.3 标注格式转换：VOC 转 YOLO

LabelImg 默认保存为 VOC 格式（XML 文件），但 YOLO 训练需要的是 TXT 格式。这两种格式的核心区别在于坐标表示方式：

转换公式其实很简单，我手写了一个脚本，你们可以直接用：

import xml.etree.ElementTree as ET
import os

def voc_to_yolo(xml_file, classes, output_dir):
    tree = ET.parse(xml_file)
    root = tree.getroot()
    
    # 获取图片尺寸
    img_width = int(root.find('size/width').text)
    img_height = int(root.find('size/height').text)
    
    # 生成对应的 txt 文件名
    txt_file = os.path.join(output_dir, 
                os.path.splitext(os.path.basename(xml_file))[0] + '.txt')
    
    with open(txt_file, 'w') as f:
        for obj in root.findall('object'):
            class_name = obj.find('name').text
            if class_name not in classes:
                continue
            class_id = classes.index(class_name)
            
            # 提取 VOC 坐标
            xmin = int(obj.find('bndbox/xmin').text)
            ymin = int(obj.find('bndbox/ymin').text)
            xmax = int(obj.find('bndbox/xmax').text)
            ymax = int(obj.find('bndbox/ymax').text)
            
            # 转换为 YOLO 格式
            x_center = (xmin + xmax) / 2.0 / img_width
            y_center = (ymin + ymax) / 2.0 / img_height
            width = (xmax - xmin) / img_width
            height = (ymax - ymin) / img_height
            
            f.write(f"{class_id} {x_center:.6f} {y_center:.6f} {width:.6f} {height:.6f}\n")

# 使用示例
classes = ['car', 'person', 'bicycle']  # 你的类别列表
xml_dir = 'Annotations/'
output_dir = 'labels/'

for xml_file in os.listdir(xml_dir):
    if xml_file.endswith('.xml'):
        voc_to_yolo(os.path.join(xml_dir, xml_file), classes, output_dir)

4.4 数据集划分

数据集划分看似简单，但划分方式直接影响模型评估的可靠性。我见过有人随机划分后，训练集和验证集里出现了同一张图片的不同版本，导致验证指标虚高。

4.4.1 划分比例与策略

对于车辆行人检测这类任务，我推荐以下划分方案：

划分时要特别注意：

• 按场景划分：同一段视频的连续帧不要同时出现在训练集和验证集中
• 保持类别分布：划分后检查每个类别在三个集合中的比例是否接近原始分布
• 固定随机种子：用 random.seed(42) 保证每次划分结果一致

4.4.2 自动化划分脚本

我写了一个划分脚本，支持按文件列表或按目录划分：

import os
import random
import shutil

def split_dataset(image_dir, label_dir, output_dir, 
                  train_ratio=0.7, val_ratio=0.15, seed=42):
    random.seed(seed)
    
    # 获取所有图片文件
    images = [f for f in os.listdir(image_dir) 
              if f.endswith(('.jpg', '.png', '.jpeg'))]
    random.shuffle(images)
    
    # 计算各集合数量
    total = len(images)
    train_end = int(total * train_ratio)
    val_end = train_end + int(total * val_ratio)
    
    # 划分
    splits = {
        'train': images[:train_end],
        'val': images[train_end:val_end],
        'test': images[val_end:]
    }
    
    # 创建目录并复制文件
    for split_name, file_list in splits.items():
        img_out = os.path.join(output_dir, split_name, 'images')
        lbl_out = os.path.join(output_dir, split_name, 'labels')
        os.makedirs(img_out, exist_ok=True)
        os.makedirs(lbl_out, exist_ok=True)
        
        for img_file in file_list:
            # 复制图片
            shutil.copy(os.path.join(image_dir, img_file), 
                       os.path.join(img_out, img_file))
            # 复制对应的标签文件
            label_file = os.path.splitext(img_file)[0] + '.txt'
            if os.path.exists(os.path.join(label_dir, label_file)):
                shutil.copy(os.path.join(label_dir, label_file),
                           os.path.join(lbl_out, label_file))
    
    print(f"划分完成：训练集 {len(splits['train'])} 张，"
          f"验证集 {len(splits['val'])} 张，"
          f"测试集 {len(splits['test'])} 张")

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

4.5 本章知识体系

下面这张图把数据标注的完整流程串起来了，从原始图片到最终可训练的数据集：

数据标注是整个检测项目的基石。你想想看，模型再强大，喂进去的数据是错的，结果能对吗？我建议你在正式标注前，先拿 50 张图片练手，熟悉流程后再批量操作。标注完成后，用转换脚本统一处理，再用划分脚本生成训练集、验证集和测试集。每一步都检查一遍，后面训练的时候就能省很多心。