Ultralytics YOLO 数据集格式指南

在进行对象检测任务时，一个全面的数据集是必不可少的。本指南将介绍与Ultralytics YOLO模型兼容的各种数据集格式，并深入探讨它们的结构、使用方法以及如何在不同格式之间进行转换。

Ultralytics YOLO数据集格式

Ultralytics YOLO格式是一种用于配置数据集的格式，它允许指定数据集的根目录或训练/验证/测试图像的相对路径。此外，还包括一个包含图像路径和类别名称字典的.txt文件。以下是一个配置示例：


                # 数据集的根目录
                path: ../datasets/coco8
                
                # 训练图像（相对于'path'）
                train: images/train
                
                # 验证图像（相对于'path'）
                val: images/val
                
                # 测试图像（可选）
                test: images/test
                
                # 类别名称
                names:
                    0: person
                    1: bicycle
                    2: car
                    # ...
                    77: teddy bear
                    78: hair drier
                    79: toothbrush

每个图像的标签需要导出为YOLO格式的.txt文件。如果没有图像中的物体，则不需要.txt文件。每个.txt文件应该按照class x_center y_center width height的格式进行格式化，其中坐标应为归一化的xywh格式（从0到1）。如果框是像素单位，需要将x_center和width除以图像的宽度，将y_center和height除以图像的高度。类别编号应从零开始索引。

支持的数据集

以下是支持的数据集列表及其简要描述：

Argoverse: 包含3D追踪和动作预测数据的城市环境数据集，具有丰富的注释。
COCO: 广泛用于对象检测、分割和标记的数据集，包含80个类别的对象。
LVIS: 广泛用于对象检测、分割和解释的数据集，包含1203个类别的对象。
COCO8: 一个较小的COCO训练和验证图像的子集，适合快速测试。
COCO128: 一个较小的COCO训练和验证图像的子集，适合测试。
全球小麦2020: 包含小麦头图像的全球小麦2020挑战数据集。
Objects365: 高质量和广泛的对象检测数据集，包含365个类别的对象和超过600,000张标记图像。
OpenImagesV7: Google提供的全面数据集，包含1.7百万训练图像和42,000张验证图像。
SKU-110K: 在零售环境中检测密集物体的数据集，包含超过11,000张图像和170万个边界框。
VisDrone: 包含由无人机拍摄的图像中的对象检测和多对象跟踪数据的数据集，包含超过10,000张图像和视频序列。
Pascal VOC车辆: Pascal视觉对象类别（VOC）数据集，用于对象检测和分割，包含20个类别的对象和超过11,000张图像。
xView: 在航拍图像中检测对象的数据集，包含60个类别的对象和超过100万个标记对象。
Roboflow 100: 用于对象检测的多样化标准，涵盖七个图像领域的100个数据集，以进行全面的模型评估。
脑瘤: 用于检测脑瘤的数据集，包括MRI或CT扫描图像，以及有关肿瘤存在、位置和属性的详细信息。
非洲野生动物: 包含非洲野生动物图像的数据集，包括长颈鹿、犀牛、角马和野驴。
签名: 包含不同文档图像的数据集，标记有签名，支持文档验证和欺诈检测研究。

添加数据集

如果有自己的数据集并希望使用它来训练Ultralytics YOLO模型，请确保它遵循上述的“Ultralytics YOLO格式”。将注释转换为所需的格式，并在YAML配置文件中指定路径、类别数量和类别名称。

转换标签格式

可以轻松地将COCO数据集的标签转换为YOLO格式，使用以下Python代码片段：


                from ultralytics.data.converter import convert_coco
                convert_coco(labels_dir="path/to/coco/annotations/")

这个工具可以将COCO格式的数据集或任何COCO格式的数据集转换为Ultralytics YOLO格式。

常见问题解答

Q: Ultralytics YOLO数据集格式是什么，如何构建？

A:Ultralytics YOLO格式是一种组织良好的配置，用于指定训练、验证和测试图像的路径和标签。例如：


                path: ../datasets/coco8
                train: images/train
                val: images/val
                test: images/test
                names:
                    0: person
                    1: bicycle
                    2: car
                    # ...

标签保存在.txt文件中，每个图像一个文件，格式为class x_center y_center width height，坐标为自然对数。有关详细指南，请参考COCO8数据集示例。

Q: 如何将COCO数据集转换为YOLO格式？

A: 可以使用Ultralytics提供的转换工具将COCO数据集转换为YOLO格式。以下是快速方法：


                from ultralytics.data.converter import convert_coco
                convert_coco(labels_dir="path/to/coco/annotations/")

这将把COCO注释转换为YOLO格式，允许与Ultralytics YOLO模型无缝集成。有关更多详细信息，请访问文档中的“执行或转换标签格式”部分。

Q:Ultralytics YOLO支持哪些数据集用于对象检测？

A:Ultralytics YOLO支持多种数据集，包括Argoverse、COCO、LVIS、COCO8、全球小麦2020、Objects365、OpenImagesV7等。每个数据集页面都提供了针对高效YOLO11训练的结构和使用详细信息。在“支持的数据集”部分查看完整列表。

Q: 如何使用数据集开始训练YOLO11模型？

A: 要开始训练YOLO11模型，请确保数据集格式正确，并且在YAML文件中定义了路径。使用以下脚本来开始训练：


                from ultralytics import YOLO
                model = YOLO("yolo11n.pt")
                results = model.train(data="path/to/your_dataset.yaml", epochs=100, imgsz=640)

有关使用不同命令行选项的详细信息，请访问文档中的“使用”部分。

Ultralytics YOLO 数据集格式指南