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:
<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。

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:
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。
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:
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。