《Hello YOLOv8从入门到精通》3，目标检测数据集和标注规范

YOLOv8目标数据集的基本格式和标注规范对于训练出高效、准确的模型很重要。具体如下：

一、数据集基本格式

1. 图像文件：数据集中的图像文件，通常是jpg或png等常见图像格式。这些图像包含了待检测的目标。

2. 标注文件：标注文件是包含每张图像中目标对象的类别和位置信息的文本文件。标注文件的名称必须与图像文件的名称保持一致（除扩展名外）。

3. 1）YOLO 格式：

4. 这是 YOLO 系列模型常用的标注格式。在 YOLO 格式的标注文件中，每一行对应一个目标物体的标注信息。标注信息通常包含类别编号、目标中心横坐标（相对于图像宽度）、目标中心纵坐标（相对于图像高度）、目标宽度（相对于图像宽度）和目标高度（相对于图像高度）。例如，一个标注文件中的一行可能是 “0 0.5 0.6 0.3 0.4”，这里 “0” 表示类别编号，后面的数字表示目标在图像中的位置和大小信息。标注文件的文件名通常与对应的图像文件名相同，只是扩展名不同（如.jpg 对应的标注文件可能是.txt）。

5. 2）COCO 格式：

6. 这是一种在目标检测领域广泛使用的标注格式，尤其是在大规模数据集（如 COCO 数据集）中。

7. COCO 格式的标注文件是 JSON 格式的，它包含了更丰富的信息。其中主要的部分包括 “images”、“annotations” 和 “categories”。

8. “images” 部分记录了图像的基本信息，如文件名、图像尺寸、图像 ID 等；

9. “annotations” 部分包含了每个目标物体的标注信息，如目标类别 ID、边界框坐标（通常是左上角和右下角的坐标）、分割信息（如果有）等；

10. “categories” 部分定义了类别信息，包括类别名称、类别 ID 等。这种格式方便存储和管理大规模的标注数据，并且可以用于多种计算机视觉任务，不仅仅是目标检测。

11. 类别文件：类别文件包含了数据集中所有目标对象的类别信息。

12. 它通常是一个文本文件，其中每行代表一个类别，行号代表类别ID。此外，也可以使用json格式的类别文件，以更灵活地描述数据集的类别信息。

二、标注规范

1. 标注格式：

   • YOLOv8的标注文件通常采用以下格式：<object-class-id> <x> <y> <width> <height>。其中，<object-class-id>是目标对象的类别编号，<x>和<y>是目标中心位置的坐标（经过归一化处理，即目标的真实x、y值除以图像的宽度和高度），<width>和<height>是目标的宽度和高度（同样经过归一化处理）。

   • 另一种常见的格式是：列1为目标类别id，列2为目标中心位置x，列3为目标中心位置y，列4为目标宽度w，列5为目标高度h。这些值都是小于1的浮点数。

2. 标注要求：

   • 目标框必须框住整个目标物体，不能有遗漏和重叠。

   • 目标框的宽度和高度应该为正数，不能为零或负数。

   • 如果一张图片中有多个目标物体，每个目标物体应该用一个独立的目标框进行标注，不允许多个目标共用一个框。

   • 如果目标物体的形状不规则，可以使用多个框进行标注，但必须确保每个框都框住目标物体的一部分，且所有框的并集能够完全覆盖目标物体。

   • 目标框的坐标必须在数据集中统一，以确保模型训练的一致性和准确性。

3. 标注工具：

   • 可以使用多种标注工具进行标注，如LabelImg、Labelme等。

   • LabelImg：

     • LabelImg是一个开源的图像标注工具，支持多种标注格式，包括YOLO格式。

     • 使用LabelImg进行标注时，需要先安装该工具，然后加载需要标注的图片文件夹，并选择标注结果存放文件夹和标注格式（选择YOLO）。

     • 标注过程中，可以使用快捷键（如w键选择矩形框进行标注，ctrl+s保存标注结果，d键切换下一张图片）来提高标注效率。

   • MakeSense：

     • MakeSense是一个在线标注平台，支持多种标注类型和格式，包括YOLO格式。

     • 使用MakeSense进行标注时，需要先注册并登录平台，然后创建标注项目并上传需要标注的图片。

     • 在标注项目中，可以选择逐次添加标签或一次性添加标签文件，然后按照提示进行标注。

   • Labelme：

     • Labelme是另一个常用的图像标注工具，支持多边形、矩形、圆形等多种标注形状。

     • 虽然Labelme默认不支持YOLO格式，但可以通过编写脚本将标注结果转换为YOLO格式。

     • 标注完成后，需要导出标注结果（通常为json格式），然后使用脚本进行格式转换。

4. 数据增强：

   • 为了提高模型的泛化能力和鲁棒性，可以对数据集进行增强处理。常见的增强方式包括翻转、裁剪、旋转、平移等几何变换操作。

   • 数据增强可以在标注前或标注后进行，但需要注意保持标注信息与增强后的图像一致。

5. 数据集划分

   • 数据集通常被划分为训练集、测试集和验证集（可选）。训练集用于模型的训练过程；测试集用于评估模型的性能和泛化能力；验证集（如有）则用于在训练过程中调整模型参数和选择最佳模型。

   • 划分数据集时，需要确保各个子集中的样本分布相似，以避免因数据分布不均导致的模型偏差。

6. 注意事项

7. 标注格式：

   • 确保标注结果符合YOLOv8模型训练的要求，即每个目标物体都有一个唯一的类别编号和位置信息（中心坐标、宽度和高度）。

8. 标注质量：

   • 标注过程中需要仔细、耐心，确保标注信息准确无误。

   • 对于复杂场景或目标物体较多的图片，可以多次检查并调整标注结果。

9. 数据增强：

   • 为了提高模型的泛化能力和鲁棒性，可以对数据集进行增强处理（如翻转、裁剪、旋转等）。

   • 数据增强后需要重新进行标注，并确保标注信息与增强后的图像一致。

10. 数据集划分：

    • 将数据集划分为训练集、验证集和测试集（如有需要），并确保各个子集中的样本分布相似。

11. 加载数据：

    • 在标注工具中加载需要标注的图片文件夹，并选择标注结果存放文件夹和标注格式（YOLO格式）。

12. 进行标注：

    • 使用标注工具提供的工具（如矩形框、多边形等）对图片中的目标进行标注。

    • 标注过程中，需要确保目标框完全框住目标物体，并且标注信息准确无误。

13. 保存标注结果：

    • 标注完成后，保存标注结果到指定的文件夹中。

    • 如果使用的是Labelme等工具，需要编写脚本将标注结果转换为YOLO格式。

14. 检查标注质量：

    • 对标注结果进行质量检查，确保标注信息准确无误，并且符合YOLOv8模型训练的要求。