Cómo entrenar YOLO con COCO JSON sin conversiones
Por qué entrenar directamente con COCO JSON
Las anotaciones en formato COCO JSON se pueden utilizar directamente para el entrenamiento de Ultralytics YOLO sin tener que convertirlas primero a archivos .txt. Esto se logra creando una subclase de YOLODataset para analizar el COCO JSON al vuelo e integrándolo en el flujo de entrenamiento mediante un entrenador personalizado.
Este enfoque mantiene el COCO JSON como la única fuente de verdad: sin llamadas a convert_coco(), sin reorganización de directorios y sin archivos de etiquetas intermedios. Se admiten YOLO26 y todos los demás modelos de detección de Ultralytics YOLO. Los modelos de segmentación y pose requieren campos de etiquetas adicionales (consulta FAQ).
Consulta la guía de conversión de COCO a YOLO para el flujo de trabajo estándar convert_coco().
Descripción general de la arquitectura
Se necesitan dos clases:
COCODataset: lee el COCO JSON y convierte los bounding boxes al formato YOLO en memoria durante el entrenamiento.COCOTrainer: sobrescribebuild_dataset()para utilizarCOCODataseten lugar delYOLODatasetpredeterminado.
La implementación sigue el mismo patrón que el GroundingDataset integrado, que también lee anotaciones JSON directamente. Se sobrescriben tres métodos: get_img_files(), cache_labels() y get_labels().
Creación de la clase de conjunto de datos COCO JSON
La clase COCODataset hereda de YOLODataset y sobrescribe la lógica de carga de etiquetas. En lugar de leer archivos .txt de un directorio de etiquetas, abre el archivo COCO JSON, itera sobre las anotaciones agrupadas por imagen y convierte cada bounding box del formato de píxeles de COCO [x_min, y_min, width, height] al formato normalizado de centro de YOLO [x_center, y_center, width, height]. Las anotaciones de multitud (iscrowd: 1) y las cajas con área cero se omiten automáticamente.
El método get_img_files() devuelve una lista vacía porque las rutas de las imágenes se resuelven a partir del campo file_name del JSON dentro de cache_labels(). Los ID de las categorías se ordenan y reasignan a índices de clase de base cero, por lo que funcionan correctamente tanto los esquemas de ID basados en 1 (estándar COCO) como los no contiguos.
import json
from collections import defaultdict
from pathlib import Path
import numpy as np
from ultralytics.data.dataset import DATASET_CACHE_VERSION, YOLODataset
from ultralytics.data.utils import get_hash, load_dataset_cache_file, save_dataset_cache_file
from ultralytics.utils import TQDM
class COCODataset(YOLODataset):
"""Dataset that reads COCO JSON annotations directly without conversion to .txt files."""
def __init__(self, *args, json_file="", **kwargs):
self.json_file = json_file
super().__init__(*args, data={"channels": 3}, **kwargs)
def get_img_files(self, img_path):
"""Image paths are resolved from the JSON file, not from scanning a directory."""
return []
def cache_labels(self, path=Path("./labels.cache")):
"""Parse COCO JSON and convert annotations to YOLO format. Results are saved to a .cache file."""
x = {"labels": []}
with open(self.json_file) as f:
coco = json.load(f)
images = {img["id"]: img for img in coco["images"]}
# Sort categories by ID and map to 0-indexed classes
categories = {cat["id"]: i for i, cat in enumerate(sorted(coco["categories"], key=lambda c: c["id"]))}
img_to_anns = defaultdict(list)
for ann in coco["annotations"]:
img_to_anns[ann["image_id"]].append(ann)
for img_info in TQDM(coco["images"], desc="reading annotations"):
h, w = img_info["height"], img_info["width"]
im_file = Path(self.img_path) / img_info["file_name"]
if not im_file.exists():
continue
self.im_files.append(str(im_file))
bboxes = []
for ann in img_to_anns.get(img_info["id"], []):
if ann.get("iscrowd", False):
continue
# COCO: [x, y, w, h] top-left in pixels -> YOLO: [cx, cy, w, h] center normalized
box = np.array(ann["bbox"], dtype=np.float32)
box[:2] += box[2:] / 2 # top-left to center
box[[0, 2]] /= w # normalize x
box[[1, 3]] /= h # normalize y
if box[2] <= 0 or box[3] <= 0:
continue
cls = categories[ann["category_id"]]
bboxes.append([cls, *box.tolist()])
lb = np.array(bboxes, dtype=np.float32) if bboxes else np.zeros((0, 5), dtype=np.float32)
x["labels"].append(
{
"im_file": str(im_file),
"shape": (h, w),
"cls": lb[:, 0:1],
"bboxes": lb[:, 1:],
"segments": [],
"normalized": True,
"bbox_format": "xywh",
}
)
x["hash"] = get_hash([self.json_file, str(self.img_path)])
save_dataset_cache_file(self.prefix, path, x, DATASET_CACHE_VERSION)
return x
def get_labels(self):
"""Load labels from .cache file if available, otherwise parse JSON and create the cache."""
cache_path = Path(self.json_file).with_suffix(".cache")
try:
cache = load_dataset_cache_file(cache_path)
assert cache["version"] == DATASET_CACHE_VERSION
assert cache["hash"] == get_hash([self.json_file, str(self.img_path)])
self.im_files = [lb["im_file"] for lb in cache["labels"]]
except (FileNotFoundError, AssertionError, AttributeError, KeyError, ModuleNotFoundError):
cache = self.cache_labels(cache_path)
cache.pop("hash", None)
cache.pop("version", None)
return cache["labels"]Las etiquetas analizadas se guardan en un archivo .cache junto al JSON (por ejemplo, instances_train.cache). En ejecuciones de entrenamiento posteriores, la caché se carga directamente, saltándose el análisis del JSON. Si el archivo JSON cambia, la comprobación de hash falla y la caché se reconstruye automáticamente.
Conexión del conjunto de datos al flujo de entrenamiento
El único cambio necesario en el entrenador es sobrescribir build_dataset(). El DetectionTrainer predeterminado construye un YOLODataset que busca archivos de etiquetas .txt. Al reemplazarlo con COCODataset, el entrenador lee desde el COCO JSON en su lugar.
La ruta del archivo JSON se extrae de un campo personalizado train_json / val_json en la configuración de datos (consulta el Paso 3). Durante el entrenamiento, mode="train" se resuelve en train_json; durante la validación, mode="val" se resuelve en val_json. Si val_json no está definido, se recurre a train_json.
from ultralytics.models.yolo.detect import DetectionTrainer
from ultralytics.utils import colorstr
class COCOTrainer(DetectionTrainer):
"""Trainer that uses COCODataset for direct COCO JSON training."""
def build_dataset(self, img_path, mode="train", batch=None):
json_file = self.data["train_json"] if mode == "train" else self.data.get("val_json", self.data["train_json"])
return COCODataset(
img_path=img_path,
json_file=json_file,
imgsz=self.args.imgsz,
batch_size=batch,
augment=mode == "train",
hyp=self.args,
rect=self.args.rect or mode == "val",
cache=self.args.cache or None,
single_cls=self.args.single_cls or False,
stride=int(self.model.stride.max()) if hasattr(self, "model") and self.model else 32,
pad=0.0 if mode == "train" else 0.5,
prefix=colorstr(f"{mode}: "),
task=self.args.task,
classes=self.args.classes,
fraction=self.args.fraction if mode == "train" else 1.0,
)Configuración de dataset.yaml para COCO JSON
El dataset.yaml utiliza los campos estándar path, train y val para localizar los directorios de imágenes. Dos campos adicionales, train_json y val_json, especifican los archivos de anotación COCO que lee COCOTrainer. Los campos nc y names definen el número de clases y sus nombres, coincidiendo con el orden ordenado de categories en el JSON.
path: /path/to/images # root directory with train/ and val/ subfolders
train: train
val: val
# COCO JSON annotation files
train_json: /path/to/annotations/instances_train.json
val_json: /path/to/annotations/instances_val.json
nc: 80
names:
0: person
1: bicycle
# ... remaining class namesEstructura de directorios esperada:
my_dataset/
images/
train/
img_001.jpg
...
val/
img_100.jpg
...
annotations/
instances_train.json
instances_val.json
dataset.yamlEjecución del entrenamiento en COCO JSON
Con la clase de conjunto de datos, la clase de entrenador y la configuración YAML listas, el entrenamiento funciona a través de la llamada estándar model.train(). La única diferencia con una ejecución de entrenamiento normal es el argumento trainer=COCOTrainer, que le indica a Ultralytics que utilice el cargador de conjuntos de datos personalizado en lugar del predeterminado.
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
model.train(data="dataset.yaml", epochs=100, imgsz=640, trainer=COCOTrainer)El flujo completo de entrenamiento se ejecuta como se espera, incluyendo la validación, el guardado de puntos de control y el registro de métricas.
Implementación completa
Por comodidad, la implementación completa se proporciona a continuación como un único script para copiar y pegar. Incluye el conjunto de datos personalizado, el entrenador personalizado y la llamada de entrenamiento. Guárdalo junto a tu dataset.yaml y ejecútalo directamente.
import json
from collections import defaultdict
from pathlib import Path
import numpy as np
from ultralytics import YOLO
from ultralytics.data.dataset import DATASET_CACHE_VERSION, YOLODataset
from ultralytics.data.utils import get_hash, load_dataset_cache_file, save_dataset_cache_file
from ultralytics.models.yolo.detect import DetectionTrainer
from ultralytics.utils import TQDM, colorstr
class COCODataset(YOLODataset):
"""Dataset that reads COCO JSON annotations directly without conversion to .txt files."""
def __init__(self, *args, json_file="", **kwargs):
self.json_file = json_file
super().__init__(*args, data={"channels": 3}, **kwargs)
def get_img_files(self, img_path):
return []
def cache_labels(self, path=Path("./labels.cache")):
x = {"labels": []}
with open(self.json_file) as f:
coco = json.load(f)
images = {img["id"]: img for img in coco["images"]}
categories = {cat["id"]: i for i, cat in enumerate(sorted(coco["categories"], key=lambda c: c["id"]))}
img_to_anns = defaultdict(list)
for ann in coco["annotations"]:
img_to_anns[ann["image_id"]].append(ann)
for img_info in TQDM(coco["images"], desc="reading annotations"):
h, w = img_info["height"], img_info["width"]
im_file = Path(self.img_path) / img_info["file_name"]
if not im_file.exists():
continue
self.im_files.append(str(im_file))
bboxes = []
for ann in img_to_anns.get(img_info["id"], []):
if ann.get("iscrowd", False):
continue
box = np.array(ann["bbox"], dtype=np.float32)
box[:2] += box[2:] / 2
box[[0, 2]] /= w
box[[1, 3]] /= h
if box[2] <= 0 or box[3] <= 0:
continue
cls = categories[ann["category_id"]]
bboxes.append([cls, *box.tolist()])
lb = np.array(bboxes, dtype=np.float32) if bboxes else np.zeros((0, 5), dtype=np.float32)
x["labels"].append(
{
"im_file": str(im_file),
"shape": (h, w),
"cls": lb[:, 0:1],
"bboxes": lb[:, 1:],
"segments": [],
"normalized": True,
"bbox_format": "xywh",
}
)
x["hash"] = get_hash([self.json_file, str(self.img_path)])
save_dataset_cache_file(self.prefix, path, x, DATASET_CACHE_VERSION)
return x
def get_labels(self):
cache_path = Path(self.json_file).with_suffix(".cache")
try:
cache = load_dataset_cache_file(cache_path)
assert cache["version"] == DATASET_CACHE_VERSION
assert cache["hash"] == get_hash([self.json_file, str(self.img_path)])
self.im_files = [lb["im_file"] for lb in cache["labels"]]
except (FileNotFoundError, AssertionError, AttributeError, KeyError, ModuleNotFoundError):
cache = self.cache_labels(cache_path)
cache.pop("hash", None)
cache.pop("version", None)
return cache["labels"]
class COCOTrainer(DetectionTrainer):
"""Trainer that uses COCODataset for direct COCO JSON training."""
def build_dataset(self, img_path, mode="train", batch=None):
json_file = self.data["train_json"] if mode == "train" else self.data.get("val_json", self.data["train_json"])
return COCODataset(
img_path=img_path,
json_file=json_file,
imgsz=self.args.imgsz,
batch_size=batch,
augment=mode == "train",
hyp=self.args,
rect=self.args.rect or mode == "val",
cache=self.args.cache or None,
single_cls=self.args.single_cls or False,
stride=int(self.model.stride.max()) if hasattr(self, "model") and self.model else 32,
pad=0.0 if mode == "train" else 0.5,
prefix=colorstr(f"{mode}: "),
task=self.args.task,
classes=self.args.classes,
fraction=self.args.fraction if mode == "train" else 1.0,
)
model = YOLO("yolo26n.pt")
model.train(data="dataset.yaml", epochs=100, imgsz=640, trainer=COCOTrainer)Para recomendaciones sobre hiperparámetros, consulta la guía de Consejos para el entrenamiento de modelos.
Preguntas frecuentes
¿Cuál es la diferencia entre esto y convert_coco()?
convert_coco() escribe archivos de etiquetas .txt en el disco como una conversión única. Este enfoque analiza el JSON al inicio de cada ejecución de entrenamiento y convierte las anotaciones en memoria. Utiliza convert_coco() cuando prefieras etiquetas en formato YOLO permanentes; utiliza este enfoque para mantener el COCO JSON como la única fuente de verdad sin generar archivos adicionales.
¿Puede YOLO entrenar con COCO JSON sin código personalizado?
No con el flujo de trabajo actual de Ultralytics, que espera etiquetas .txt de YOLO por defecto. Esta guía proporciona el código personalizado mínimo necesario: una clase de conjunto de datos y una clase de entrenador. Una vez definido, el entrenamiento solo requiere una llamada estándar model.train().
¿Es compatible con la segmentación y la estimación de poses?
This guide covers object detection. To add instance segmentation support, include the segmentation polygon data from COCO annotations in the segments field of each label dictionary. For pose estimation, include keypoints. The GroundingDataset source code provides a reference implementation for handling segments.
¿Funcionan las aumentaciones con este conjunto de datos personalizado?
Sí. COCODataset extiende YOLODataset, por lo que todas las aumentaciones de datos integradas — mosaic, mixup, copy-paste y otras — se ejecutan sin modificaciones.
¿Cómo se asignan los ID de categoría a los índices de clase?
Las categorías se ordenan por id y se asignan a índices secuenciales empezando por 0. Esto maneja ID basados en 1 (estándar COCO), ID basados en 0 e ID no contiguos. El diccionario names en dataset.yaml debe seguir el mismo orden ordenado que la matriz de categories de COCO.
¿Existe una sobrecarga de rendimiento en comparación con las etiquetas preconvertidas?
El COCO JSON se analiza una vez en la primera ejecución del entrenamiento. Las etiquetas analizadas se guardan en un archivo .cache, por lo que las ejecuciones posteriores cargan al instante sin necesidad de volver a analizar. La velocidad de entrenamiento es idéntica a la del entrenamiento estándar de YOLO, ya que las anotaciones se mantienen en memoria. La caché se reconstruye automáticamente si cambia el archivo JSON.