【labelme/labelimg 转 Yolov11/v8】将 xml/json 矩形标注转 YOLO 训练数据格式（含一键划分train、val、test + 训练示例）

目录

一、代码功能

二、数据准备

1）labelme/labelimg 矩形标注准备

2）符合程序识别的文件结构准备

三、代码运行

四、Yolov11/v8 yaml 配置文件（可跳过）

五、注意事项

---

本文将着重讲述标注数据向Yolo数据格式的转化，并重新梳理了 labelme/labelimg 打标签、转换Yolo训练格式、一键划分数据集、模型训练的全过程。

一、代码功能

1. 自动文件匹配：智能匹配图片和标签文件，支持多种图片格式（jpg/png/webp）

2. 数据验证：自动跳过无效标注（非矩形标注、无效坐标等）

3. 类别自动映射：根据标注文件自动生成 classes.txt

4. 灵活划分比例：支持自定义训练集/验证集/测试集比例

5. 完整日志输出：显示处理进度和最终统计信息

6. 随机种子支持：保证可重复的实验结果

7. 高效处理：使用 Pathlib 和 shutil 进行高效文件操作

8. 动态选择解析方法：根据标注文件的后缀（.json 或 .xml）动态选择对应的解析方法。

二、数据准备

1）labelme/labelimg 矩形标注准备

先用 labelme/labelimg 的矩形工具框选分类对象，注意是下图中所示的“创建矩形”。

本文仅限于分类、检测模型，不适用分割模型

2）符合程序识别的文件结构准备

标注完成数据之后的文件结构如下，要求文件夹A下必须有两个子文件夹，其名称严格为 images、labels：

文件夹A/
├── images/
│   ├── 001.jpg
│   ├── 002.png
│   └── 003.webp
└── labels/
    ├── 001.json
    ├── 002.json
    └── 003.json

其中，images 文件夹存放各种类型的图片，labels 文件夹存放 json/xml 格式的标注文件。 

三、代码运行

下述代码只需要在 if __name__ == "__main__" : 中进行修改即可：

import json
import random
import shutil
from pathlib import Path
from sklearn.model_selection import train_test_split
import xml.etree.ElementTree as ET


class LabelmeToYOLOConverter:
    def __init__(self, class_map=None):
        self.class_map = class_map or {}
        self.reverse_class_map = {v: k for k, v in self.class_map.items()}

    def process_dataset(self,
                        input_dir: str,
                        output_dir: str,
                        test_ratio: float = 0.15,
                        val_ratio: float = 0.15,
                        seed: int = 42):
        """主处理函数
        参数：
            input_dir: 原始数据集路径（文件夹A）
            output_dir: 输出路径（文件夹B）
            test_ratio: 测试集比例 (0-1)
            val_ratio: 验证集比例 (0-1)
            seed: 随机种子
        """
        # 初始化路径
        input_path = Path(input_dir)
        outpu