Как преобразовать аннотации COCO в формат YOLO

Для обучения моделей Ultralytics YOLO требуются аннотации в формате YOLO, однако многие популярные инструменты разметки экспортируют данные в формате COCO JSON. Это руководство покажет, как конвертировать твои аннотации COCO в формат YOLO и приступить к обучению моделей обнаружения объектов, сегментации экземпляров и оценки позы.

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 изображение с нормализованными координатами. Конвертация необходима, потому что:

• Моделям YOLO требуются файлы меток .txt, по одному на изображение, содержащие class x_center y_center width height в нормализованных координатах.
• COCO JSON использует пиксельные координаты в формате [x_min, y_min, width, height] и один JSON-файл для всех изображений.
• Идентификаторы классов различаются — COCO использует произвольные значения category_id, в то время как YOLO требует идентификаторы классов, начинающиеся с нуля.

Быстрый старт

Самый быстрый способ конвертировать аннотации COCO 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. Ознакомься с полным пошаговым руководством ниже.

Пошаговое руководство по конвертации

1. Подготовь свой набор данных COCO

Типичный набор данных в формате COCO, экспортированный из инструментов разметки, 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 соответствует спецификации формата данных COCO 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 функцию convert_coco() для преобразования твоих аннотаций COCO JSON в формат YOLO .txt:

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 изображениями. YOLO ожидает наличие директории labels/, которая зеркально отражает 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))

Твоя финальная структура набора данных должна выглядеть так:

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

4. Создай dataset.yaml

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

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 дополнительной информации о формате YAML набора данных, смотри руководство по конфигурации набора данных.

5. Обучи свою модель YOLO

Когда конвертированный набор данных 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)

Советы и рекомендации по обучению см. в руководстве по обучению моделей.

6. Проверь свою конвертацию

Перед обучением выборочно проверь несколько файлов меток, чтобы подтвердить правильность идентификаторов классов и координат:

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 идентификаторы классов после конвертации

Если модель обучается, но обнаруживает неверные классы объектов, скорее всего, ты используешь cls91to80=True (по умолчанию) для пользовательского набора данных. Это сопоставляет твои значения category_id через таблицу поиска COCO 91-to-80, которая верна только для стандартного набора данных COCO.

Решение: Всегда используй cls91to80=False для пользовательских наборов данных.

Метки не найдены во время обучения

Если при обучении отображается WARNING: No labels found или 0 images, N backgrounds, значит 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 images/ внутри директории твоего набора данных.

Решение: Перемести файлы меток в соответствии с ожидаемой структурой директорий. Убедись, что labels/train/ находится на одном уровне с images/train/.

KeyError во время конвертации

Если ты получаешь KeyError: 'bbox' или аналогичные ошибки при запуске convert_coco(), значит твоя labels_dir вероятно содержит JSON-файлы, не относящиеся к экземплярам (например, captions_train2017.json), имеющие другую структуру аннотаций.

Solution: Only place instance annotation JSON files (e.g., instances_train2017.json) in the labels_dir.

Пустые файлы меток после конвертации

Если конвертация завершена, но файлы .txt пусты или отсутствуют, возможно, все аннотации имеют iscrowd: 1 (распространено для масок, созданных с помощью SAM), или ограничивающие рамки имеют нулевую ширину или высоту.

Решение: Проверь свои JSON-аннотации на наличие значений iscrowd. При использовании масок SAM, предобработай JSON, установив iscrowd: 0.

Разрывы в ID классов в конвертированных метках

Если идентификаторы классов в файлах меток не являются последовательными (например, 0, 4, 9 вместо 0, 1, 2), твой инструмент разметки использует не последовательные значения category_id.

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

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

Часто задаваемые вопросы (FAQ)

Как преобразовать аннотации COCO JSON в формат YOLO?

Используй функцию convert_coco() от Ultralytics для преобразования аннотаций COCO JSON в формат YOLO .txt. 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/ отражала структуру директории images/, затем создай файл dataset.yaml. См. пошаговое руководство для получения полного рабочего процесса.

Почему обучение YOLO показывает «No labels found» после конвертации COCO?

Это происходит потому, что convert_coco() сохраняет метки в поддиректорию внутри save_dir/labels/ (например, save_dir/labels/train/), а не непосредственно в labels/train/ твоего набора данных рядом с images/train/. YOLO ожидает, что метки будут находиться параллельно изображениям — например, images/train/img.jpg требует labels/train/img.txt. Перемести свои конвертированные метки, чтобы они соответствовали этой структуре. См. исправление структуры директорий.

Что делает cls91to80 в convert_coco()?

Параметр cls91to80 контролирует, как значения category_id в COCO сопоставляются с ID классов в YOLO. Если True (по умолчанию), используется таблица поиска, разработанная для стандартного набора данных COCO, который имеет 80 классов с непоследовательными идентификаторами (1-90). Для пользовательских наборов данных всегда устанавливай cls91to80=False — это просто вычитает 1 из каждого category_id, чтобы создать ID классов с нулевой индексацией.

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

В текущем процессе обучения YOLO — нет, аннотации должны быть в формате YOLO .txt, по одному файлу на изображение. Сначала используй convert_coco() для конвертации твоего COCO JSON, а затем следуй этому руководству для организации и обучения. Дополнительную информацию о поддерживаемых форматах см. в разделе форматы наборов данных.

Могу ли я конвертировать аннотации сегментации COCO в формат YOLO?

Да, используй use_segments=True при вызове convert_coco(), чтобы включить маски сегментации полигонов в конвертированные 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 конвертировать аннотации ключевых точек COCO в формат YOLO?

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

from ultralytics.data.converter import convert_coco

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

Note that if both use_segments and use_keypoints are set to True, only keypoints will be written to the label files — segments are silently ignored.