计算机视觉 / 系统课时

理解 YOLO 标注格式

理解 YOLO 标注格式

YOLO 不直接保存左上角和右下角坐标,而是用类别编号、中心点和宽高描述每个目标。本课将解释五个字段的含义,并完成一次从 Pascal VOC 边界框到 YOLO 标签行的转换。

学习目标

  • 读懂 YOLO 标签文件中五个字段的顺序与取值范围
  • 能将像素坐标转换为归一化中心点坐标
  • 能检查类别编号、文件命名和坐标边界是否正确

认识一行 YOLO 标签

每个目标占标签文件中的一行,格式固定为:

text
<class_id> <x_center> <y_center> <width> <height>

class_id 是从 0 开始的类别编号,其余四个值都除以图像宽高后归一化,通常位于 0 到 1 之间。假设某一行是 0 0.500000 0.500000 0.500000 0.500000,表示类别 0 的目标中心位于图像正中央,边界框宽度和高度都占整张图的一半。

标签文件必须与图片同名。例如 street_001.jpg 对应 street_001.txt。同一张图有多个目标时,在同一个文本文件中写多行;行的先后顺序通常不影响训练,但字段顺序绝不能改变。

YOLO 中心点坐标与归一化宽高示意

从像素坐标计算归一化坐标

若原始边界框使用左上角 (xmin, ymin) 和右下角 (xmax, ymax),图像尺寸为宽 W、高 H,则转换公式为:

xcenter=xmin+xmax2Wx_{center}=\frac{x_{min}+x_{max}}{2W}
ycenter=ymin+ymax2Hy_{center}=\frac{y_{min}+y_{max}}{2H}
width=xmax−xminW,height=ymax−yminHwidth=\frac{x_{max}-x_{min}}{W},\quad height=\frac{y_{max}-y_{min}}{H}

以宽 640、高 480 的图片为例,边界框为 (160, 120, 480, 360)。中心点是 (320, 240),归一化后得到 0.5, 0.5;框宽为 320、框高为 240,归一化后同样得到 0.5, 0.5。

完成一次格式转换

下面的完整 Python 示例读取一段 Pascal VOC XML,按照类别表生成 YOLO 标签行。示例同时检查未知类别和无效边界框,避免把明显错误写入标签文件。

python
import xml.etree.ElementTree as ET

CLASS_TO_ID = {
    "cat": 0,
    "dog": 1,
}

SAMPLE_XML = '''
<annotation>
  <size>
    <width>640</width>
    <height>480</height>
  </size>
  <object>
    <name>cat</name>
    <bndbox>
      <xmin>160</xmin>
      <ymin>120</ymin>
      <xmax>480</xmax>
      <ymax>360</ymax>
    </bndbox>
  </object>
</annotation>
'''

def voc_box_to_yolo(width, height, xmin, ymin, xmax, ymax):
    # 先限制坐标范围,避免归一化结果超出 0~1。
    xmin = max(0.0, min(xmin, width))
    xmax = max(0.0, min(xmax, width))
    ymin = max(0.0, min(ymin, height))
    ymax = max(0.0, min(ymax, height))

    if xmax <= xmin or ymax <= ymin:
        raise ValueError("边界框宽高必须大于 0")

    x_center = ((xmin + xmax) / 2.0) / width
    y_center = ((ymin + ymax) / 2.0) / height
    box_width = (xmax - xmin) / width
    box_height = (ymax - ymin) / height
    return x_center, y_center, box_width, box_height

def convert(xml_text):
    root = ET.fromstring(xml_text)
    image_width = float(root.findtext("size/width"))
    image_height = float(root.findtext("size/height"))
    lines = []

    for obj in root.findall("object"):
        class_name = obj.findtext("name")
        if class_name not in CLASS_TO_ID:
            raise ValueError(f"未知类别: {class_name}")

        box = obj.find("bndbox")
        coords = [
            float(box.findtext("xmin")),
            float(box.findtext("ymin")),
            float(box.findtext("xmax")),
            float(box.findtext("ymax")),
        ]
        values = voc_box_to_yolo(image_width, image_height, *coords)
        line = f"{CLASS_TO_ID[class_name]} " + " ".join(
            f"{value:.6f}" for value in values
        )
        lines.append(line)

    return "\n".join(lines)

if __name__ == "__main__":
    print(convert(SAMPLE_XML))

预期输出:

text
0 0.500000 0.500000 0.500000 0.500000

真实批量转换时,应把 CLASS_TO_ID 与训练配置中的类别顺序保持一致,并将每张 XML 的结果写入同名 .txt 文件。动态路径和文件数量会因项目而异,但每一行都必须满足相同的五字段规则。

检查常见边界问题

转换后首先检查类别编号是否从 0 开始且连续。若训练配置中类别顺序为 cat, dog,那么 cat 必须始终是 0,dog 必须始终是 1;修改类别清单顺序会改变既有标签的语义。

坐标值通常应落在 0 到 1 之间,框宽和框高必须大于 0。出现负数或大于 1 的值,多半说明原始坐标超出图像范围、图像宽高读取错误,或者把 xmax、ymax 当成了框宽和框高。不要只做截断后继续训练,还应追查原始数据为何异常。

最后抽取若干图片,把转换后的标签重新绘制回图片。只有可视化后的框与原始标注一致,才能证明公式、类别映射和文件对应关系都正确。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

理解 YOLO 标注格式

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通