共计 5199 个字符，预计需要花费 13 分钟才能阅读完成。

目录

1. 先定义“好标签”：标注规范与口径
2. 工具三选一：Label Studio / CVAT / Roboflow
3. 目录结构与命名约定
4. 标注 → 导出为 YOLO（检测 / 分割 / 关键点）
5. data.yaml 编写模板（多数据集 / 多任务）
6. 数据集 体检脚本（合法性 / 分布 / 可视化）
7. 划分 train/val/test（分层与去泄漏）
8. 数据增强策略（上线友好 vs 竞赛风格）
9. 最小训练 / 验证一把过
10. 常见坑与排错清单
11. 课后练习（含参考答案要点）

---

1) 先定义“好标签”：标注规范与口径

检测（Bounding Box）

• 紧致贴合：矩形尽量贴合可见区域，不要留大边。
• 遮挡 / 截断：只框可见部分；>50% 可见仍标注；完全遮挡不标。
• 重叠实例：分开各自标注，不合并。
• 旋转物体：仍用轴对齐框（YOLO 检测头假定 axis-aligned）。
• 模糊 / 远小目标：若最短边 < 4 像素，建议不标（训练难、噪声大）。

分割（Instance Segmentation）

• 用 多边形 勾勒外轮廓；孔洞按工具规范（内环）处理；
• 重叠实例分别标，避免“粘连”。

关键点（Pose/Keypoints）

• 定义关键点顺序与可见性规则（如：不可见记 0/1），务必写成 README。

类目清单（示例）

0 person
1 bicycle
2 car
3 dog

一旦开工，类目名称与顺序不可随意改动。改动 = 全量重映射（见 §10）。

---

2) 工具三选一：Label Studio / CVAT / Roboflow

三者都能导出 YOLO 格式，取悦即可：

• Label Studio：易上手，开源；装插件可导 YOLO。适合小团队。
• CVAT：专业、多人协作强，支持检测 / 分割 / 关键点；导出 YOLO 系列格式。
• Roboflow：托管式，导出 / 转换方便；免费配额适合入门练习。

通用流程

1. 创建项目 → 录入 类目清单 并给每类配色；
2. 导入图片（注意版权与尺寸多样性）；
3. 配置协作：任务划分、质检人（QA）与抽检比例（≥ 10%）；
4. 标注快捷键训练（框 = 拖拽；分割 = 笔刷 / 多边形；复制 =Ctrl+D 等）；
5. 质检：对齐“边界策略”“遮挡策略”；
6. 导出：选择 YOLO（检测 / 分割 / 关键点）格式包。

---

3) 目录结构与命名约定

YOLOv8 推荐：

my-dataset/
  images/
    train/  xxx.jpg
    val/    xxx.jpg
    test/   xxx.jpg  # 可选
  labels/
    train/  xxx.txt
    val/    xxx.txt
    test/   xxx.txt  # 可选

• 标签文件与图片 同名，内容为 YOLO 行（详见下节）。
• 建议文件名只用 [a-z0-9_-]，避免空格与中文路径。

---

4) 标注 → 导出为 YOLO

4.1 YOLO 检测标签（*.txt）

每行一个框：

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

• 坐标都是 相对比例（0~1），相对图像宽高；
• 例：2 0.512 0.433 0.210 0.180 表示类 2 的框。

4.2 YOLO 分割标签

• 与检测类似，但在该行后追加 归一化多边形点序列：x1 y1 x2 y2 ...；
• 一个实例可含多个轮廓，工具会生成多行（按导出器规范）。

4.3 YOLO 关键点（pose）

• 行内含 num_keypoints 组 (x, y, v)，v 是可见性标志；
• 你需要在 data.yaml 中提供 kpt_shape: [num_kpts, dim] 与 flip_idx（见官方示例）。

4.4 从工具导出到目录

• CVAT：Export → YOLO 1.x/YOLOv5-7/YOLOv8，选 train/val 分包或一次性导出后自己拆分。
• Label Studio：安装 YOLO 导出插件（或先导 COCO 再转换脚本）。
• Roboflow：Export → YOLOv8 直接得到标准结构包。

---

5) data.yaml 模板

最小示例（检测 / 分割通用）：

# data.yaml
path: /abs/path/to/my-dataset  # 或相对路径
train: images/train
val: images/val
# test: images/test
nc: 4
names: [person, bicycle, car, dog]

关键点任务需补：

kpt_shape: [17, 3]    # 关键点数量与维度
flip_idx: [0,2,1,4,3,...]  # 左右翻转映射（示例，按你的定义填写）

多数据源（合并多个子集）：

train:
  - /data/ds1/images/train
  - /data/ds2/images/train
val:
  - /data/ds1/images/val
  - /data/ds2/images/val

---

6) 数据集 体检脚本（强烈建议）

用 Python 快速扫一遍标签合法性与分布。

# check_yolo_dataset.py
import os, glob, math
from collections import Counter, defaultdict

def read_sizes(txt_path):
    bad, classes = [], Counter()
    for p in glob.glob(os.path.join(txt_path, '**', '*.txt'), recursive=True):
        with open(p, 'r', encoding='utf-8') as f:
            for ln, line in enumerate(f, 1):
                arr = line.strip().split()
                if len(arr) < 5: bad.append((p, ln, 'len<5')); continue
                try:
                    cid = int(arr[0]); vals = list(map(float, arr[1:5]))
                except: bad.append((p, ln, 'parse')); continue
                x,y,w,h = vals
                if not (0<=x<=1 and 0<=y<=1 and 0<w<=1 and 0<h<=1):
                    bad.append((p, ln, 'range'))
                if w*h < 1e-5: bad.append((p, ln, 'tiny'))
                classes[cid]+=1
    return bad, classes

for split in ['train','val','test']:
    lbl = f'my-dataset/labels/{split}'
    if os.path.isdir(lbl):
        bad, cls = read_sizes(lbl)
        print(f'[{split}] classes:', dict(cls))
        if bad:
            print(f'[{split}] BAD {len(bad)} lines (path, line, why):')
            for b in bad[:20]: print(' ', b)
            print('...')

看三件事：① 非法坐标 / 极小框；② 类别分布是否 长尾过度 ；③ 是否存在 大量空标签（没对象也不是错，但要有意识）。

---

7) 划分 train/val/test（分层与去泄漏）

• 分层 ：按 类目出现 做近似分层（防止某类只落在 train）；
• 去泄漏：
  • 同一视频 /Burst 连拍 → 只放一个 split；
  • 同一 ID 的同场景重复图 → 去重或固定到 train；
  • 生成式增强出的图片 不要 混入验证集。

快速划分脚本（按文件名哈希 80/10/10）

import os, shutil, hashlib, glob
SRC='images_all'  # 原始图像目录
DST='my-dataset'
for sp in ['train','val','test']:
    os.makedirs(f'{DST}/images/{sp}', exist_ok=True)
    os.makedirs(f'{DST}/labels/{sp}', exist_ok=True)

def bucket(p):
    h=int(hashlib.md5(p.encode()).hexdigest(),16)%100
    return 'train' if h<80 else ('val' if h<90 else 'test')

for img in glob.glob(f'{SRC}/**/*.jpg', recursive=True):
    sp=bucket(os.path.basename(img))
    base=os.path.splitext(os.path.basename(img))[0]
    lbl=img.replace('/images_all/','/labels_all/').replace('.jpg','.txt')
    shutil.copy2(img, f'{DST}/images/{sp}/{base}.jpg')
    if os.path.exists(lbl):
        shutil.copy2(lbl, f'{DST}/labels/{sp}/{base}.txt')

更严格的“按视频 /ID 分桶”可在文件名或清单里编码，再按桶分配。

---

8) 数据增强策略

上线友好型（稳健泛化）

• 颜色扰动（HSV/ 亮度对比度）、水平翻转、轻微缩放与裁剪；
• 关闭极端 mosaic/mixup（可能引入不自然分布）。

竞赛 / 极限型（追分）

• 开启 mosaic/mixup、大尺度多尺度训练；
• 结合强随机裁剪与旋转（注意不要剪掉太多目标）。

命令示例（参数以你本地 ultralytics 版本为准）

yolo train model=yolov8n.pt data=data.yaml epochs=100 imgsz=640 \
  hsv_h=0.015 hsv_s=0.7 hsv_v=0.4 fliplr=0.5 degrees=0.0 translate=0.1 scale=0.5 shear=0.0 \
  mosaic=0.0 mixup=0.0  # 上线友好：先关掉

注意不同版本默认增强略有差异，建议显式写出关键增强参数，确保可复现。

---

9) 最小训练 / 验证一把过

# 1) 训练
yolo train model=yolov8n.pt data=data.yaml epochs=50 imgsz=640 batch=auto
# 2) 验证（可单独跑，也会在训练结束自动评估）yolo val model=runs/detect/train*/weights/best.pt data=data.yaml
# 3) 推理查看效果
yolo predict model=runs/detect/train*/weights/best.pt source=images/val --save

关注指标：mAP50、mAP50-95、Precision/Recall 与推理速度。类目极不均衡时观察 每类 mAP。

---

10) 常见坑与排错清单

• 类目错位 ：names 顺序变了 → 训练 / 预测类别全乱。办法：统一 names，如需改动，用脚本 重映射 class_id 后再训。
• 坐标越界 / 空行：导出后跑 §6 的体检脚本；有问题回工具修或用脚本过滤。
• 图片有，标签无：表示“负样本”（OK）；但要控制比例，避免网络学到“背景即一切”。
• 过小框：面积极小的框会扰乱训练；考虑阈值过滤（如 w*h<1e-4）。
• 分割多边形自交：某些导出会产生自交 polygon，训练时报错；回到工具里修形或简化点数。
• 路径 / 编码：Windows 反斜杠与中文路径可能导致脚本失效；路径用相对 / 英文。

---

11) 课后练习（建议 60–90 分钟）

练习 A（两类玩具集）

1. 任选 120 张图片，定义两类（如 apple, banana），各 ≥ 50 个框；
2. 标注并导出 YOLO；
3. 用体检脚本列出类分布与小框比例；
4. epochs=50 训练，报告 mAP50 与每类 AP。

练习 B（数据增强对比）

• 同一数据，跑两组：mosaic=0.0 与 mosaic=0.5 mixup=0.2，比较 mAP 与错检 / 漏检案例。

练习 C（重映射与合并）

• 将 [car, van, bus] 合并为 vehicle，写脚本把旧标签重映射后重训；
• 加入一批“全背景图”，观察 Precision/Recall 变化。

参考答案要点：A) 类别均衡度、标注一致性对 mAP 的影响；B) 强增强可能提升 Recall 但也会增加假阳性；C) 合并类能提升样本规模，前提是语义一致。

---

附录：类别重映射脚本（示例）

# remap_classes.py
import os, glob
mapping = {0:0, 1:0, 2:0}  # car/van/bus -> vehicle(0)
for p in glob.glob('my-dataset/labels/**/*/*.txt', recursive=True):
    lines=[]
    with open(p,'r') as f:
        for line in f:
            arr=line.strip().split()
            if not arr: continue
            cid=int(arr[0])
            if cid in mapping:
                arr[0]=str(mapping[cid])
                lines.append(' '.join(arr))
    with open(p,'w') as f: f.write('\n'.join(lines)+'\n')

---

小结

数据是模型的镜子。先把 口径 和规范 写清楚，再让工具替你稳稳地执行。体检脚本是你最好的“班主任”——天天查、每次训前查。