Как конвертировать COCO аннотации в формат YOLO

Обучение моделей Ultralytics YOLO требует аннотаций в формате YOLO, но многие популярные инструменты для аннотирования экспортируют данные в формате COCO JSON. Это руководство покажет тебе, как конвертировать твои COCO аннотации в формат YOLO и начать обучение обнаружения объектов, instance segmentation и , оценку позы моделей.

Зачем конвертировать из COCO в YOLO?

Формат COCO JSON хранит все аннотации в одном файле, в то время как YOLO использует один текстовый файл на каждое изображение с нормализованными координатами. Конвертация необходима, потому что:

• Модели YOLO требуют .txt файлов меток по одному файлу на изображение, содержащему class x_center y_center width height в нормализованных координатах.
• COCO JSON использует координаты в пикселях в [x_min, y_min, width, height] и один JSON файл для всех изображений.
• ID классов различаются — COCO использует произвольные category_id значения, в то время как YOLO требует ID классов с индексацией от нуля.

Быстрый старт

Самый быстрый способ конвертировать COCO аннотации и начать обучение:

from ultralytics.data.converter import convert_coco

convert_coco(
    labels_dir="path/to/annotations/",  # directory containing your JSON files
    save_dir="path/to/output/",  # where to save converted labels
    cls91to80=False,  # IMPORTANT: set False for custom datasets
)

После конвертации, организуй структуру своих директорий, создай dataset.yaml и начни обучение. Смотри полное пошаговое руководство ниже.

Пошаговое руководство по конвертации

1. Подготовь свой COCO датасет

Типичный датасет в формате COCO, экспортированный из инструментов аннотирования, имеет следующую структуру:

my_dataset/
├── images/
│   ├── train/
│   │   ├── img_001.jpg
│   │   ├── img_002.jpg
│   │   └── ...
│   └── val/
│       ├── img_100.jpg
│       └── ...
└── annotations/
    ├── instances_train.json
    └── instances_val.json

Каждый JSON файл следует спецификации COCO data format с тремя обязательными полями — images, annotations и categories:

{
    "images": [{ "id": 1, "file_name": "img_001.jpg", "width": 640, "height": 480 }],
    "annotations": [
        {
            "id": 1,
            "image_id": 1,
            "category_id": 1,
            "bbox": [100, 50, 200, 150],
            "area": 30000,
            "iscrowd": 0
        }
    ],
    "categories": [
        { "id": 1, "name": "helmet" },
        { "id": 2, "name": "vest" }
    ]
}

2. Конвертируй аннотации

Используй команду convert_coco() функция для конвертации твоих аннотаций COCO JSON в формат YOLO .txt формат:

from ultralytics.data.converter import convert_coco

convert_coco(
    labels_dir="my_dataset/annotations/",
    save_dir="my_dataset/converted/",
    cls91to80=False,
)

3. Организуй структуру директорий

После конвертации файлы меток должны быть размещены рядом с твоими изображениями. YOLO ожидает директорию labels/ , которая зеркально повторяет директорию images/ :

import shutil
from pathlib import Path

# Paths
converted_dir = Path("my_dataset/converted/labels")
dataset_dir = Path("my_dataset")

# Move labels next to images for each split
for split in ["train", "val"]:
    src = converted_dir / split  # convert_coco strips "instances_" prefix from JSON filename
    dst = dataset_dir / "labels" / split
    dst.mkdir(parents=True, exist_ok=True)
    for f in src.glob("*.txt"):
        shutil.move(str(f), str(dst / f.name))

Твой финальный структура набора данных должен выглядеть так:

my_dataset/
├── images/
│   ├── train/
│   │   ├── img_001.jpg
│   │   └── ...
│   └── val/
│       └── ...
├── labels/
│   ├── train/
│   │   ├── img_001.txt
│   │   └── ...
│   └── val/
│       └── ...
└── dataset.yaml

4. Создай dataset.yaml

Создай файл dataset.yaml конфигурационный файл, который сопоставляет твои категории COCO с названиями классов YOLO. Этот файл говорит YOLO, где находятся твои данные и какие классы нужно детектировать:

import json
from pathlib import Path

import yaml

# Read categories from your COCO JSON
with open("my_dataset/annotations/instances_train.json") as f:
    coco = json.load(f)

# Build class names matching convert_coco output (category_id - 1)
categories = sorted(coco["categories"], key=lambda x: x["id"])
names = {cat["id"] - 1: cat["name"] for cat in categories}
# NOTE: convert_coco maps class IDs as category_id - 1, so category_id must
# start from 1. If your categories start from 0, add 1 to each ID first.

# Create dataset.yaml
dataset = {
    "path": str(Path("my_dataset").resolve()),
    "train": "images/train",
    "val": "images/val",
    "names": names,
}

with open("my_dataset/dataset.yaml", "w") as f:
    yaml.dump(dataset, f, default_flow_style=False)

Результирующий YAML файл:

path: /absolute/path/to/my_dataset
train: images/train
val: images/val
names:
    0: helmet
    1: vest

Для получения подробной информации о формате YAML датасета смотри руководство по конфигурации датасета.

5. Обучи свою модель YOLO

Когда твой конвертированный датасет готов, обучи модель YOLO:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # load a pretrained model
results = model.train(data="my_dataset/dataset.yaml", epochs=100, imgsz=640)

Для советов по обучению и лучших практик смотри руководство по обучению моделей.

6. Проверь свою конвертацию

Перед обучением выборочно проверь несколько файлов меток, чтобы подтвердить, что ID классов и координаты верны:

from pathlib import Path

label_file = Path("my_dataset/labels/train/img_001.txt")
for line in label_file.read_text().strip().splitlines():
    parts = line.split()
    cls_id = int(parts[0])
    coords = [float(v) for v in parts[1:5]]
    assert cls_id >= 0, f"Negative class ID {cls_id} — category_id in your JSON may start from 0"
    assert all(0 <= v <= 1 for v in coords), f"Coordinates out of [0, 1] range: {coords}"

Устранение распространенных проблем

Неверные ID классов после конвертации

Если твоя модель обучается, но детектирует неверные классы объектов, скорее всего, ты используешь cls91to80=True (по умолчанию) для пользовательского датасета. Это сопоставляет твои category_id значения через таблицу поиска COCO 91-to-80, что верно только для стандартного export mode.

Решение: Всегда используй cls91to80=False для пользовательских датасетов.

Метки не найдены во время обучения

Если обучение показывает WARNING: No labels found или 0 images, N backgrounds, твои файлы меток находятся не в той директории. convert_coco() сохраняет метки в отдельную выходную директорию (например, save_dir/labels/train/), но YOLO ожидает labels/ параллельно с images/ внутри директории твоего датасета.

Решение: Перемести файлы меток в соответствии с ожидаемой структурой директорий. Убедись, что labels/train/ является родственным для images/train/.

KeyError во время конвертации

Если ты получаешь KeyError: 'bbox' или похожие ошибки при запуске convert_coco(), твой labels_dir вероятно содержит JSON-файлы, не являющиеся экземплярами (например, captions_train2017.json), которые имеют другую структуру аннотаций.

Решение: Помещай в папку только JSON-файлы с аннотациями экземпляров (например, instances_train2017.json) в labels_dir.

Пустые файлы меток после конвертации

Если конвертация завершена, но .txt файлы пустые или отсутствуют, возможно, все аннотации имеют iscrowd: 1 (обычно для масок, созданных SAM-ом), или bounding boxes имеют нулевую ширину или высоту.

Решение: Проверь свои JSON-аннотации на наличие iscrowd значений. Если используешь маски SAM, предварительно обработай JSON, чтобы задать iscrowd: 0.

Пропуски в ID классов в сконвертированных метках

Если ID классов в файлах меток не являются непрерывными (например, 0, 4, 9 вместо 0, 1, 2), твой инструмент аннотирования использует неконтинуальные category_id значения.

Решение: Убедись, что ID классов в твоих .txt файлах соответствуют names словарю в dataset.yaml. При необходимости переназначь ID на непрерывные значения.

Для получения полной информации об API и описания параметров смотри convert_coco справку по API.

FAQ

Как мне конвертировать COCO JSON аннотации в формат YOLO?

Используй команду convert_coco() функцию от Ultralytics для конвертации COCO JSON аннотаций в YOLO .txt формат. Установи cls91to80=False для пользовательских наборов данных:

from ultralytics.data.converter import convert_coco

convert_coco(labels_dir="path/to/annotations/", save_dir="output/", cls91to80=False)

После конвертации реорганизуй файлы меток так, чтобы labels/ дублировал images/ каталог, затем создай dataset.yaml файл. Смотри пошаговое руководство для ознакомления с полным рабочим процессом.

Почему при обучении YOLO после конвертации COCO появляется ошибка "No labels found"?

Это происходит, потому что convert_coco() сохраняет метки в подпапку внутри save_dir/labels/ (например, save_dir/labels/train/) вместо того, чтобы сохранять их напрямую в labels/train/ вместе с директориями images/train/. YOLO ожидает, что метки будут находиться параллельно изображениям — например, images/train/img.jpg требует labels/train/img.txt. Перемести сконвертированные метки, чтобы они соответствовали этой структуре. Смотри исправление структуры каталогов.

Что делает cls91to80 в convert_coco()?

Метод cls91to80 параметр управляет тем, как COCO category_id значения сопоставляются с ID классов YOLO. Когда True (по умолчанию), используется таблица поиска, разработанная для стандартного export mode, в котором 80 классов с неконтинуальными ID (1-90). Для пользовательских датасетах, всегда устанавливай cls91to80=False — это просто вычитает 1 из каждого category_id для создания ID классов с нулевым индексом.

Могу ли я обучать YOLO напрямую на COCO JSON без конвертации?

Нет, в текущем конвейере обучения YOLO — аннотации должны быть в формате YOLO .txt с одним файлом на изображение. Используй convert_coco() для предварительной конвертации твоего COCO JSON, а затем следуй этому руководстве для организации и обучения. Подробнее о поддерживаемых форматах смотри форматы наборов данных.

Могу ли я конвертировать сегментационные аннотации COCO в формат YOLO?

Да, используй use_segments=True при вызове convert_coco() для включения полигональных масок сегментации в сконвертированные метки YOLO. Это создает файлы меток, совместимые с моделями сегментации YOLO:

from ultralytics.data.converter import convert_coco

convert_coco(labels_dir="annotations/", save_dir="output/", use_segments=True, cls91to80=False)

Как мне конвертировать аннотации ключевых точек COCO в формат YOLO?

Используй use_keypoints=True для конвертации аннотаций ключевых точек COCO для , оценку позы обучения:

from ultralytics.data.converter import convert_coco

convert_coco(labels_dir="annotations/", save_dir="output/", use_keypoints=True, cls91to80=False)

Обрати внимание, что если и use_segments и use_keypoints установлены в True, в файлы меток будут записаны только ключевые точки — сегменты будут молча игнорироваться.