【YOLO实战系列 5/17】从0到1制作YOLO数据集：LabelImg标注→格式转换→增强-北京尧图网络

# 从0到1制作YOLO数据集LabelImg标注→格式转换→增强附脚本训练一个自定义YOLO模型80%的时间都花在数据上。今天手把手带你走完完整流程标注 → 格式转换 → 数据增强 → 一键划分。跟着做你也能做出“喂给YOLO吃”的高质量数据集哈喽这里是【YOLO模型仓库】。这周开始真正动手做一个属于你自己的数据集。不管你是想做安全帽检测、车辆识别还是水果分类流程都一样。我直接把标注工具转换脚本增强脚本全打包给你文末免费领今天你将学会1️⃣ 用LabelImg打标签附操作动图2️⃣ YOLO标签格式长什么样一看就懂3️⃣ 数据集目录结构自动划分脚本4️⃣ 数据增强让模型更鲁棒附代码5️⃣ 生成data.yaml直接喂给YOLO训练️ 一、LabelImg图形化标注工具安装一行命令pipinstalllabelimg启动labelimg界面操作超简单点击Open Dir打开你的图片文件夹点击Change Save Dir选择标签保存位置重要在菜单栏选择YOLO格式默认是PascalVOC按W开始画框 → 框住物体 → 输入类别 → 按CtrlS保存按D下一张重复以上步骤️此处插入LabelImg界面截图标注一个安全帽小技巧按A上一张CtrlZ撤销效率翻倍。YOLO标签长这样.txt文件0 0.523 0.412 0.156 0.0830 类别ID从0开始0.523 框中心x坐标归一化0~10.412 框中心y坐标0.156 框宽度相对原图比例0.083 框高度别怕LabelImg自动帮你算好了你只管画框。二、标准数据集目录结构YOLO要求固定的文件夹组织my_dataset/ ├── images/ │ ├── train/ │ │ ├── img1.jpg │ │ └── img2.jpg │ └── val/ │ ├── img3.jpg │ └── img4.jpg └── labels/ ├── train/ │ ├── img1.txt │ └── img2.txt └── val/ ├── img3.txt └── img4.txt⚠️ 注意图片和标签一一对应文件名相同后缀不同。一键划分训练/验证集Python脚本把下面脚本保存为split_dataset.py放在图片和标签同级目录运行importosimportrandomimportshutil# 设置路径img_dirimages# 所有原始图片label_dirlabels# 所有原始标签train_ratio0.8# 80%训练20%验证# 获取所有图片名无后缀names[f.split(.)[0]forfinos.listdir(img_dir)iff.endswith(.jpg)]random.shuffle(names)split_idxint(len(names)*train_ratio)train_namesnames[:split_idx]val_namesnames[split_idx:]# 创建目标文件夹fordin[images/train,images/val,labels/train,labels/val]:os.makedirs(d,exist_okTrue)# 拷贝文件fornameintrain_names:shutil.copy(f{img_dir}/{name}.jpg,fimages/train/{name}.jpg)shutil.copy(f{label_dir}/{name}.txt,flabels/train/{name}.txt)fornameinval_names:shutil.copy(f{img_dir}/{name}.jpg,fimages/val/{name}.jpg)shutil.copy(f{label_dir}/{name}.txt,flabels/val/{name}.txt)print(fDone! Train:{len(train_names)}, Val:{len(val_names)})运行后自动划分好省时省力。三、数据增强让模型见过更多“世面”为什么要增强因为真实世界光线、角度千变万化增强后的模型更鲁棒mAP能涨2~5个点。安装albumentations库pipinstallalbumentations增强脚本对图片和标签同步处理importalbumentationsasAimportcv2# 定义增强流水线transformA.Compose([A.HorizontalFlip(p0.5),# 水平翻转A.RandomBrightnessContrast(p0.2),# 随机亮度对比度A.Rotate(limit10,p0.3),# 小角度旋转A.Blur(blur_limit3,p0.1),# 轻微模糊],bbox_paramsA.BboxParams(formatyolo))# 读取图片和对应标签yolo格式imagecv2.imread(img1.jpg)withopen(img1.txt)asf:bboxes[list(map(float,line.strip().split()))forlineinf]# 应用增强augmentedtransform(imageimage,bboxesbboxes)aug_imgaugmented[image]aug_bboxesaugmented[bboxes]# 保存增强后的图片和标签cv2.imwrite(img1_aug.jpg,aug_img)withopen(img1_aug.txt,w)asf:forbinaug_bboxes:f.write(f{int(b[4])}{b[0]:.6f}{b[1]:.6f}{b[2]:.6f}{b[3]:.6f}\n)️此处插入原图 vs 增强后对比图你可以运行多次把数据集扩大2~3倍。四、生成data.yamlYOLO训练配置文件在数据集根目录创建data.yaml# 训练集和验证集路径相对于data.yaml的位置train:images/trainval:images/val# 类别数nc:2# 类别名称顺序必须与标注时的ID一致names:[helmet,head]搞定现在这个文件夹可以直接丢给YOLO训练了。配套资源本文涉及的完整代码、数据集和配置文件已整理归档感兴趣的朋友可以在我的 CSDN 主页简介中找到获取方式。如果觉得有帮助欢迎点赞收藏有问题欢迎评论区交流

【YOLO实战系列 5/17】从0到1制作YOLO数据集：LabelImg标注→格式转换→增强

相关推荐

如何7天精通ComfyUI模块化AI绘图：从零到专业工作流终极指南

从非结构化文本到结构化数据：基于正则表达式与Flask的电竞赛事信息提取与Web应用构建

图像识别数据集工具箱：从获取、标注到格式转换的完整实战指南

更多资讯

「请3休13」长假远程挂机谁更靠谱？实测ToDesk、向日葵、RustDesk远程稳定性、断线重连、远程终端

BenchmarkDotNet 实战：用 NuGet 包多版本对比基准测试（IntroNuGet 示例深度解析）

下水道缺陷检测YOLO数据集详解与实战避坑指南

阿里妈妈淘宝客推广3个坑与最佳实践

easy-vibe 编译原理图解指南：从源代码到机器码的完整流水线

IronClaw 扩展实战：深入解析 google-docs `insert_text` 文本插入能力的参数契约与实现原理

今日更新

2k显示屏性能优化踩坑：版本升级后API全变了，这份源码解析救了我

3步搞定美眉图实战项目，告别官方文档抓不住重点

3步搞定黄金大劫案项目搭建从入门到精通

本周精选

深入解析Transformer多头注意力机制与工程优化

OpenClaw 的 Skills 跑学习任务，模型通道改到 TaoToken 通道行不行？

ChatGPT报错Oops, an error occurred! 全链路排查指南

本月热门

基于YOLO的焊缝缺陷检测：从数据标注到工业部署全流程实践

分布式服务的决策记录

创业产品的首版范围

读完文章，想聊聊您的网站？