跳转至内容

对象检测数据集概述

训练一个强大而准确的 对象检测 模型需要一个全面的数据集。本指南介绍了与 Ultralytics YOLO 模型兼容的各种数据集格式，并提供了关于它们的结构、用法以及如何在不同格式之间转换的见解。

支持的数据集格式

Ultralytics YOLO 格式

Ultralytics YOLO 格式是一种数据集配置格式，允许您定义数据集根目录、到训练/验证/测试图像目录的相对路径或 *.txt 包含图像路径的文件以及类名字典。 这是一个例子：

ultralytics/cfg/datasets/coco8.yaml

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO8 dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco8/
# Example usage: yolo train data=coco8.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8 ← downloads here (1 MB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: coco8 # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 images
test: # test images (optional)

# Classes
names:
  0: person
  1: bicycle
  2: car
  3: motorcycle
  4: airplane
  5: bus
  6: train
  7: truck
  8: boat
  9: traffic light
  10: fire hydrant
  11: stop sign
  12: parking meter
  13: bench
  14: bird
  15: cat
  16: dog
  17: horse
  18: sheep
  19: cow
  20: elephant
  21: bear
  22: zebra
  23: giraffe
  24: backpack
  25: umbrella
  26: handbag
  27: tie
  28: suitcase
  29: frisbee
  30: skis
  31: snowboard
  32: sports ball
  33: kite
  34: baseball bat
  35: baseball glove
  36: skateboard
  37: surfboard
  38: tennis racket
  39: bottle
  40: wine glass
  41: cup
  42: fork
  43: knife
  44: spoon
  45: bowl
  46: banana
  47: apple
  48: sandwich
  49: orange
  50: broccoli
  51: carrot
  52: hot dog
  53: pizza
  54: donut
  55: cake
  56: chair
  57: couch
  58: potted plant
  59: bed
  60: dining table
  61: toilet
  62: tv
  63: laptop
  64: mouse
  65: remote
  66: keyboard
  67: cell phone
  68: microwave
  69: oven
  70: toaster
  71: sink
  72: refrigerator
  73: book
  74: clock
  75: vase
  76: scissors
  77: teddy bear
  78: hair drier
  79: toothbrush

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8.zip

此格式的标签应导出为 YOLO 格式，每个图像一个 *.txt 文件。 如果图像中没有对象，则不需要 *.txt 文件。 该 *.txt 文件应格式化为每行一个对象，格式为 class x_center y_center width height 格式。 框坐标必须在 归一化的 xywh 格式（从 0 到 1）。 如果您的框以像素为单位，则应除以 x_center 和 width 按图像宽度，以及 y_center 和 height 按图像高度进行归一化。类别编号应从零开始（从 0 开始）。

带标签的图像示例

与上述图像对应的标签文件包含 2 个人（类别 0）和一条领带（类别 27）：

标签文件示例

当使用 Ultralytics YOLO 格式时，请按照下面的COCO8 数据集示例所示，组织您的训练和验证图像及标签。

数据集目录结构示例

使用示例

以下是如何使用 YOLO 格式数据集来训练您的模型：

示例

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

Ultralytics NDJSON 格式

NDJSON（换行符分隔的 JSON）格式为 Ultralytics YOLO11 模型提供了一种定义数据集的替代方法。此格式将数据集元数据和注释存储在单个文件中，其中每行包含一个单独的 JSON 对象。

NDJSON 数据集文件包含：

  1. 数据集记录（第一行）：包含数据集元数据，包括任务类型、类名和一般信息
  2. 图像记录（后续行）：包含单个图像数据，包括尺寸、注释和文件路径

NDJSON 示例

{
    "type": "dataset",
    "task": "detect",
    "name": "Example",
    "description": "COCO NDJSON example dataset",
    "url": "https://app.ultralytics.com/user/datasets/example",
    "class_names": { "0": "person", "1": "bicycle", "2": "car" },
    "bytes": 426342,
    "version": 0,
    "created_at": "2024-01-01T00:00:00Z",
    "updated_at": "2025-01-01T00:00:00Z"
}

{
    "type": "image",
    "file": "image1.jpg",
    "url": "https://www.url.com/path/to/image1.jpg",
    "width": 640,
    "height": 480,
    "split": "train",
    "annotations": {
        "boxes": [
            [0, 0.52481, 0.37629, 0.28394, 0.41832],
            [1, 0.73526, 0.29847, 0.19275, 0.33691]
        ]
    }
}

按任务划分的注释格式：

  • 检测： "annotations": {"boxes": [[class_id, x_center, y_center, width, height], ...]}
  • 分割： "annotations": {"segments": [[class_id, x1, y1, x2, y2, ...], ...]}
  • 姿势估计： "annotations": {"pose": [[class_id, x1, y1, v1, x2, y2, v2, ...], ...]}
  • 旋转框检测： "annotations": {"obb": [[class_id, x_center, y_center, width, height, angle], ...]}
  • 分类： "annotations": {"classification": [class_id]}

使用示例

要将 NDJSON 数据集与 YOLO11 结合使用，只需指定 .ndjson 文件：

示例

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")

# Train using NDJSON dataset
results = model.train(data="path/to/dataset.ndjson", epochs=100, imgsz=640)

# Start training with NDJSON dataset
yolo detect train data=path/to/dataset.ndjson model=yolo11n.pt epochs=100 imgsz=640

NDJSON 格式的优势

  • 单个文件：所有数据集信息都包含在一个文件中
  • 流式传输：可以逐行处理大型数据集，而无需将所有内容加载到内存中
  • 云集成：支持用于云端训练的远程图像 URL
  • 可扩展：易于添加自定义元数据字段
  • 版本控制：单个文件格式非常适合 git 和版本控制系统

支持的数据集

以下是支持的数据集列表以及每个数据集的简要说明：

  • Argoverse：一个包含来自城市环境的 3D 跟踪和运动预测数据的数据集，具有丰富的注释。
  • COCO：Common Objects in Context (COCO) 是一个大规模的目标检测、分割和字幕数据集，包含 80 个目标类别。
  • LVIS：一个大规模的目标检测、分割和字幕数据集，包含 1203 个对象类别。
  • COCO8：COCO train 和 COCO val 中前 4 张图像的一个较小子集，适合快速测试。
  • COCO8-Grayscale：COCO8 的灰度版本，通过将 RGB 转换为灰度创建，适用于单通道模型评估。
  • COCO8-Multispectral：COCO8 的 10 通道多光谱版本，通过插值 RGB 波长创建，适用于光谱感知模型评估。
  • COCO128：COCO train 和 COCO val 中前 128 张图像的一个较小子集，适合测试。
  • Global Wheat 2020：一个包含小麦穗图像的数据集，用于 2020 年全球小麦挑战赛。
  • Objects365：一个高质量、大规模的目标检测数据集，包含 365 个对象类别和超过 60 万张带注释的图像。
  • OpenImagesV7：Google 提供的一个综合数据集，包含 170 万张训练图像和 4.2 万张验证图像。
  • SKU-110K：一个包含零售环境中密集物体检测的数据集，拥有超过 1.1 万张图像和 170 万个边界框。
  • HomeObjects-3K：室内家居用品数据集，包括床、椅子、电视等，非常适合智能家居自动化、机器人、增强现实和房间布局分析等应用。
  • 建筑-PPE：新🚀：该数据集显示了建筑工地工人佩戴安全帽、防弹背心、手套、靴子和护目镜等安全装备的情况，其中包括缺失装备注释（如 no_helmet、no_googles），用于实际合规性监控。
  • VisDrone：一个包含无人机拍摄图像的目标检测和多目标跟踪数据集，拥有超过1万张图像和视频序列。
  • VOC：Pascal 视觉对象分类 (VOC) 数据集，用于目标检测和分割，包含 20 个对象类别和超过 11K 张图像。
  • xView：一个用于 overhead 图像中目标检测的数据集，包含 60 个对象类别和超过 100 万个带标注的对象。
  • Roboflow 100：一个多样化的目标检测基准，包含 100 个数据集，涵盖七个图像领域，用于全面的模型评估。
  • Brain-tumor：一个用于检测脑肿瘤的数据集，包含 MRI 或 CT 扫描图像，其中包含有关肿瘤存在、位置和特征的详细信息。
  • African-wildlife：一个包含非洲野生动物图像的数据集，包括水牛、大象、犀牛和斑马。
  • Signature：一个包含各种带有标注签名的文档图像的数据集，支持文档验证和欺诈检测研究。
  • Medical-pills：一个包含药丸图像的数据集，已针对药物质量保证、药丸分类和法规遵从等应用进行了注释。

添加您自己的数据集

如果您有自己的数据集，并且想使用 Ultralytics YOLO 格式来训练检测模型，请确保它遵循上面“Ultralytics YOLO 格式”下指定的格式。将您的标注转换为所需的格式，并在 YAML 配置文件中指定路径、类别数量和类别名称。

导入或转换标签格式

COCO 数据集格式到 YOLO 格式

您可以使用以下代码片段轻松地将标签从流行的 COCO 数据集 格式转换为 YOLO 格式：

示例

from ultralytics.data.converter import convert_coco

convert_coco(labels_dir="path/to/coco/annotations/")

此转换工具可用于将 COCO 数据集或任何 COCO 格式的数据集转换为 Ultralytics YOLO 格式。此过程会将基于 JSON 的 COCO 注释转换为更简单的基于文本的 YOLO 格式，使其与 Ultralytics YOLO 模型 兼容。

请记住仔细检查您要使用的数据集是否与您的模型兼容，并遵循必要的格式约定。格式正确的数据集对于训练成功的对象检测模型至关重要。

常见问题

什么是 Ultralytics YOLO 数据集格式，以及如何构建它？

Ultralytics YOLO 格式是一种结构化的配置，用于在您的训练项目中定义数据集。它包括设置训练、验证和测试图像以及相应标签的路径。例如：

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO8 dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco8/
# Example usage: yolo train data=coco8.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8 ← downloads here (1 MB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: coco8 # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 images
test: # test images (optional)

# Classes
names:
  0: person
  1: bicycle
  2: car
  3: motorcycle
  4: airplane
  5: bus
  6: train
  7: truck
  8: boat
  9: traffic light
  10: fire hydrant
  11: stop sign
  12: parking meter
  13: bench
  14: bird
  15: cat
  16: dog
  17: horse
  18: sheep
  19: cow
  20: elephant
  21: bear
  22: zebra
  23: giraffe
  24: backpack
  25: umbrella
  26: handbag
  27: tie
  28: suitcase
  29: frisbee
  30: skis
  31: snowboard
  32: sports ball
  33: kite
  34: baseball bat
  35: baseball glove
  36: skateboard
  37: surfboard
  38: tennis racket
  39: bottle
  40: wine glass
  41: cup
  42: fork
  43: knife
  44: spoon
  45: bowl
  46: banana
  47: apple
  48: sandwich
  49: orange
  50: broccoli
  51: carrot
  52: hot dog
  53: pizza
  54: donut
  55: cake
  56: chair
  57: couch
  58: potted plant
  59: bed
  60: dining table
  61: toilet
  62: tv
  63: laptop
  64: mouse
  65: remote
  66: keyboard
  67: cell phone
  68: microwave
  69: oven
  70: toaster
  71: sink
  72: refrigerator
  73: book
  74: clock
  75: vase
  76: scissors
  77: teddy bear
  78: hair drier
  79: toothbrush

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8.zip

标签保存在 *.txt 文件中，每个图像对应一个文件，格式为 class x_center y_center width height ，并使用归一化坐标。有关详细指南，请参阅 COCO8 数据集示例.

如何将 COCO 数据集转换为 YOLO 格式？

您可以使用 Ultralytics 转换工具 将 COCO 数据集转换为 YOLO 格式。这是一个快速方法：

from ultralytics.data.converter import convert_coco

convert_coco(labels_dir="path/to/coco/annotations/")

此代码会将您的 COCO 标注转换为 YOLO 格式，从而实现与 Ultralytics YOLO 模型的无缝集成。有关更多详细信息，请访问端口或转换标签格式部分。

Ultralytics YOLO 支持哪些用于对象检测的数据集？

Ultralytics YOLO 支持各种数据集，包括：

每个数据集页面都提供有关结构和用法的详细信息，这些信息是为高效的 YOLO11 训练量身定制的。在支持的数据集部分中浏览完整列表。

如何使用我的数据集开始训练 YOLO11 模型？

要开始训练 YOLO11 模型，请确保您的数据集格式正确，并且路径已在 YAML 文件中定义。使用以下脚本开始训练：

示例

from ultralytics import YOLO

model = YOLO("yolo11n.pt")  # Load a pretrained model
results = model.train(data="path/to/your_dataset.yaml", epochs=100, imgsz=640)

yolo detect train data=path/to/your_dataset.yaml model=yolo11n.pt epochs=100 imgsz=640

有关使用不同模式（包括 CLI 命令）的更多详细信息，请参阅用法部分。

在哪里可以找到使用 Ultralytics YOLO 进行对象检测的实际例子？

Ultralytics 提供了大量示例和实用指南，指导如何在各种应用中使用 YOLO11。如需全面了解，请访问 Ultralytics 博客，您可以在其中找到案例研究、详细教程和社区故事，展示使用 YOLO11 进行目标检测、分割等。有关具体示例，请查看文档中的用法部分。



📅 创建于 1 年前 ✏️ 更新于 11 天前
glenn-jocher RizwanMunawar Laughing-q Y-T-G UltralyticsAssistant MatthewNoyce jk4e IvorZhu331

评论