yolo目标检测数据集标注及格式介绍

本篇文章介绍yolo目标检测数据集的一般格式，及如何借助labelimg标注软件对图片进行标注。最后对数据集进行划分，并将数据集组织为ultralytics框架可用的目录结构，使数据集能够利用ultralytics框架对yolo3、yolo5、yolo8、yolo9、yolo10等进行训练。

1.安装labelimg标注软件

安装该标注软件较为简单，需要事先安装好Python。安装好python之后，直接在命令行窗口通过pip即可安装labelimg标注软件

pip install labelImg

安装好之后，接着直接在命令行中输入labelimg命令，即可启动labelimg软件，接着系统会自动弹窗显示软件界面，有了界面即可点击界面中的按钮对图片进行标注。

2、对图片进行标注

下面以test_img文件夹（该目录下有一些施工人员的图片）下的图片为例，介绍一下如何用labelimg标注软件对图片进行标注，我们的标注目标是对戴安全帽的人和未戴安全帽的人头部进行标注，戴安全帽标签为helmet、未戴安全帽标签为head。

首先，点击 Open Dir 按钮，弹出文件夹选择，选择我们实现准备好的图片

接着labelimg界面中会显示选中的文件夹下第一张图片

标注之前需要选择数据集保存的格式，这里有三种格式：yolo、ml、voc,我们这里选择yolo格式，点击下图的按钮进行切换选择。

紧接着点击‘Create RectBox’按钮，然后按住鼠标左键不放并拖动鼠标，对目标进行拉框标注，框好之后松开鼠标左键自动弹出标签选择框（如下图步骤3），在输入框中输入标签即可（注意标签名称不能为中文及特殊字符，只能是英文或者数字）。最后点击左侧工具栏的'Save按钮'对当前标注好的图片进行保存，保存的文件为.txt文本

标注完并保存当前标注好的图片之后，点击左侧工具栏 ‘Next Image’对下一张图片进行标注，保存，依次往复。下面一段视频为整个步骤的实操演示：

3、标注文件结构内容分析

标注好之后，该目录下会多出一系列的.txt文本文件，图片及txt文件都存放在一个目录中，注意每张图片及其对应的txt标注文件的文件名是一模一样的，即图片和标签文件一一对应。

其中，classes.txt中记录了该数据集的所有标签

而其余的txt文本文件即为每张图片的标注框类别及坐标

上述标注文本中每个目标框为一行，可以看到文件名为‘hard_hat_workers244.txt’一共有四行，即代表该标签对应的图片一共有四个框。而每行的内容是按照下面格式给出的：

class_id  x  y  w  h

其中，每个字段代表的含义如下：

class_id:类别的id编号x:目标的中心点x坐标（横向)/图片总宽度y:目标的中心的y坐标(纵向)/图片总高度w:目标框的宽度/图片总宽度h:目标框的高度/图片总高度

class_id是以数字从0递增的，0代表classes.txt中第一行的标签：helmet，而1代表classes.txt中第二行的标签:head。依此类推......

4、划分训练集、验证集、测试集

我们还是以test_img文件夹内的图片及其标注文件为例，这次我们多标注几张图片将图片数量增加到840张，并对这840张图片进行一一标注。

目前，E盘下test_img目录中的图片和txt标注文件都是混做一块，我们首先把图片和txt标签分开，即图片单独存放到E盘helmet_dataset的images目录下，标签单独存放到E盘helmet_dataset的labels目录下，借助下面的脚本实现上述目标

import osimport shutilfile_lists=os.listdir('E:\\test_img')dst='E:\helmet_dataset'images_dst=os.path.join(dst,'images')labels_dst=os.path.join(dst,'labels')if not os.path.exists(images_dst):    os.makedirs(images_dst)if not os.path.exists(labels_dst):    os.makedirs(labels_dst)for f in file_lists:    if f.endswith('.jpg') or f.endswith('.png') or f.endswith('jpeg'):        pure_name=f.split('.')[0]        txt_name=str(pure_name)+'.txt'        shutil.copy(os.path.join('E:','test_img',f),images_dst)        shutil.copy(os.path.join('E:','test_img',txt_name),labels_dst)

对数据集进行划分，一般是按照7：2：1的比例划分训练集（train）、验证集（val）、测试集（test） 或者按照8：2的比例划分训练集与验证集。这里采用7:2:1的比例按照下面的脚本划分出训练集、验证集、测试集。划分后的数据集保存到E:\helmet_dataset_split

import osimport shutilimport random random.seed(0) def split_data(total_image_path, split_dataset_path, train_rate, val_rate, test_rate):    #将所有的图片名称添加到list中    total_eachclass_image = []    for image in os.listdir(total_image_path):        total_eachclass_image.append(image)    total = len(total_eachclass_image)    #打乱    random.shuffle(total_eachclass_image)    #训练集    train_images = total_eachclass_image[0:int(train_rate * total)]    #验证集    val_images = total_eachclass_image[int(train_rate * total):int((train_rate + val_rate) * total)]    #测试集    test_images = total_eachclass_image[int((train_rate + val_rate) * total):]​    #从原始图片文件夹中复制训练集图片    for image in train_images:        # print(image)        old_each_img_path = total_image_path + '/'+image                split_train_img_path =  split_dataset_path + '/' + 'train' + '/' + 'images'        if not os.path.exists(split_train_img_path):            os.makedirs(split_train_img_path)        split_train_each_img_path = split_train_img_path + '/' + image        shutil.copy(old_each_img_path, split_train_each_img_path)    train_img_list = os.listdir(split_dataset_path + '/' + 'train' + '/' + 'images')    # print(new_name)    for im in train_img_list:        txt_name=im.split('.')[0]+'.txt'        old_each_txt_path = total_txt_path + '/' +txt_name        # print('old_xmlpath--->{}'.format(old_xmlpath))        split_train_txt_path = split_dataset_path + '/' + 'train' + '/' + 'labels'        if not os.path.exists(split_train_txt_path):            os.makedirs(split_train_txt_path)        split_train_each_txt_path = split_train_txt_path + '/' + txt_name        shutil.copy(old_each_txt_path, split_train_each_txt_path)     for image in val_images:        old_each_img_path = total_image_path + '/' + image        split_val_img_path = split_dataset_path + '/' + 'val' + '/' + 'images'        if not os.path.exists(split_val_img_path):            os.makedirs(split_val_img_path)        split_val_each_img_path = split_val_img_path + '/' + image        shutil.copy(old_each_img_path, split_val_each_img_path)            val_img_list = os.listdir(split_dataset_path + '/' + 'val' + '/' + 'images')     for im in val_img_list:        txt_name=im.split('.')[0]+'.txt'        old_each_txt_path = total_txt_path + '/' +txt_name        split_val_txt_path = split_dataset_path + '/' + 'val' + '/' + 'labels'        if not os.path.exists(split_val_txt_path):            os.makedirs(split_val_txt_path)        split_val_each_txt_path = split_val_txt_path + '/' + txt_name        shutil.copy(old_each_txt_path,split_val_each_txt_path)     for image in test_images:        old_each_img_path = total_image_path + '/' + image        split_test_img_path = split_dataset_path + '/' + 'test' + '/' + 'images'        if not os.path.exists(split_test_img_path):            os.makedirs(split_test_img_path)        split_test_each_img_path = split_test_img_path + '/' + image        shutil.copy(old_each_img_path, split_test_each_img_path)    test_img_list = os.listdir(split_dataset_path + '/' + 'test' + '/' + 'images')     for im in test_img_list:        txt_name=im.split('.')[0]+'.txt'        old_each_txt_path = total_txt_path + '/' +txt_name        split_test_txt_path = split_dataset_path + '/' + 'test' + '/' + 'labels'        if not os.path.exists(split_test_txt_path):            os.makedirs(split_test_txt_path)        split_test_each_txt_path = split_test_txt_path + '/' + txt_name        shutil.copy(old_each_txt_path, split_test_each_txt_path)  if __name__ == '__main__':    total_image_path = r"E:\helmet_dataset\images"    total_txt_path=r'E:\helmet_dataset\labels'    split_dataset_path=r"E:\helmet_dataset_split"    split_data(total_image_path, split_dataset_path, train_rate=0.7, val_rate=0.2, test_rate=0.1)

 利用上述脚本划分之后，E:\helmet_dataset_split目录变为如下结构：

train
├── images
└── labels

val
├── images
└── labels

test
├── images
└── labels

此时数据划分完毕，上述目录格式的数据集即为ultralytics框架可以使用的YOLO数据集格式，我们可以用该数据集借助ultralytics项目训练yolo3、yolo5、yolo8、yolo9、yolo10等网络模型。

本篇文章转载于博主的微信公众号“编程学习园地”，后续博客将不在CSDN中首发转而在该公众号中发表，觉得博主的文章对您有帮助，速速去微信关注吧