在进行对象检测模型的训练时，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、使用方式以及如何在不同格式之间进行转换。
支持的数据集格式
Ultralytics YOLO模型支持多种数据集格式，其中包括但不限于：
# 数据集路径配置示例
path: ../datasets/coco8 # 数据集根目录
train: images/train # 训练图片（相对于'path'）
val: images/val # 验证图片（相对于'path'）
test: # 测试图片（可选）
names: # 类别名称
0: person
1: bicycle
2: car
# ...
对于Ultralytics YOLO格式，标签应该导出为YOLO格式，每个图片对应一个*.txt文件。如果没有图像中的对象，则不需要*.txt文件。*.txt文件应该按照每行一个对象的格式进行格式化。
标签格式
标签文件应包含每个对象的类别、中心点的x和y坐标、宽度和高度，格式如下：
class x_center y_center width height
坐标必须是归一化的xywh格式（范围从0到1）。如果框是以像素为单位给出的，应该将x_center和width除以图像宽度，将y_center和height除以图像高度。类别编号应该从0开始（零索引）。
使用指南
了解如何使用这些格式来训练模型：
from ultralytics import YOLO
# 加载模型
model = YOLO("yolo11n.pt")
# 使用预训练模型进行训练（推荐）
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 从预训练的*.pt模型开始训练
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640
以上示例展示了如何使用Python CLI来加载预训练模型并开始训练。
支持的数据集
以下是Ultralytics YOLO支持的数据集列表及其简要描述：
- Argoverse：城市环境中的3D跟踪和运动预测数据集，包含丰富的注释。
- COCO：Common Objects in Context (COCO)是一个大规模的对象检测、分割和标注数据集，包含80个对象类别。
- LVIS：一个大规模的对象检测、分割和标注数据集，包含1203个对象类别。
- COCO8：COCO训练和验证集中前4张图片的较小子集，适合快速测试。
- COCO128：COCO训练和验证集中前128张图片的较小子集，适合测试。
- Global Wheat 2020：用于Global Wheat Challenge 2020的小麦头图像数据集。
- Objects365：一个高质量的大规模对象检测数据集，包含365个对象类别和超过60万个标注图像。
- OpenImagesV7：Google提供的全面数据集，包含170万个训练图像和4.2万个验证图像。
- SKU-110K：零售环境中的密集对象检测数据集，包含超过1.1万张图像和170万个边界框。
- VisDrone：由无人机拍摄的图像中的对象检测和多对象跟踪数据集，包含超过1万张图像和视频序列。
- VOC：Pascal Visual Object Classes (VOC)数据集用于对象检测和分割，包含20个对象类别和超过1.1万张图像。
- xView：用于航拍图像中的对象检测数据集，包含60个对象类别和超过100万个标注对象。
- Roboflow 100：一个多样化的对象检测基准测试，包含来自七个图像领域的100个数据集，用于全面模型评估。
- Hirntumor：用于检测脑肿瘤的数据集，包含MRT或CT图像，详细描述肿瘤的存在、位置和特征。
- Afrikanische Wildtiere：包含非洲野生动物图像的数据集，如水牛、大象、犀牛和斑马。
- Unterschrift：包含不同文档图像和标注签名的数据集，支持文档鉴定和欺诈检测研究。
添加自己的数据集
如果有自己的数据集并希望使用它来训练Ultralytics YOLO格式的检测模型，请确保它符合上述“Ultralytics YOLO格式”中指定的格式。将注释转换为所需格式，并在YAML配置文件中指定路径、类别数量和类别名称。
标签格式迁移或转换
COCO数据集格式转换为YOLO格式：
from ultralytics.data.converter import convert_coco
convert_coco(labels_dir="path/to/coco/annotations/")
使用此转换工具，可以将COCO数据集或任何其他COCO格式的数据集转换为Ultralytics YOLO格式。
常见问题解答
什么是Ultralytics YOLO数据集格式，如何构建？
Ultralytics YOLO格式是一种结构化的配置，用于定义训练项目中的数据集。它包括训练、验证和测试图像的路径以及相应的标签。例如：
path: ../datasets/coco8 # 数据集根目录
train: images/train # 训练图像（相对于'path'）
val: images/val # 验证图像（相对于'path'）
test: # 可选测试图像
names: # 类别名称
0: person
1: bicycle
2: car
# ...
标签存储在*.txt文件中，每个图像一个文件，格式为class x_center y_center width height，使用归一化坐标。有关详细信息，请参见COCO8数据集示例。
如何将COCO数据集转换为YOLO格式？
使用Ultralytics的转换工具，可以将COCO数据集转换为YOLO格式。以下是一种快速方法：
from ultralytics.data.converter import convert_coco
convert_coco(labels_dir="path/to/coco/annotations/")
此代码将COCO注释转换为YOLO格式，从而实现与Ultralytics YOLO模型的无缝集成。有关更多信息，请参见“迁移或转换标签格式”部分。
Ultralytics YOLO支持哪些对象检测数据集？
Ultralytics YOLO支持广泛的数据集，包括：
- Argoverse
- COCO
- LVIS
- COCO8
- Global Wheat 2020
- Objects365
- OpenImagesV7
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”部分探索完整列表。
如何使用数据集开始训练YOLO11模型？
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") # 加载预训练模型
results = model.train(data="path/to/your_dataset.yaml", epochs=100, imgsz=640)
# 从预训练的*.pt模型开始训练
yolo detect train data=path/to/your_dataset.yaml model=yolo11n.pt epochs=100 imgsz=640