Ultralytics YOLO27：

目标检测数据集概览#

训练稳健且准确的目标检测模型需要全面的数据集。本指南介绍与 Ultralytics YOLO 模型兼容的各种数据集格式，并深入讲解其结构、用法以及不同格式之间的转换方法。

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，可用于定义数据集根目录、训练/验证/测试图像目录的相对路径，或包含图像路径的 *.txt 文件，以及类别名称字典。下面是一个示例：

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

train、val 和 test 均可接受目录、目录列表，或列出图像路径的 *.txt 文件（以 ./ 开头的路径将相对于 *.txt 文件解析）。使用 *.txt 文件可以在目录的子集上训练、跳过未标注图像，或将来自多个来源的图像合并到一个数据划分中。

将图像路径作为 `*.txt` 文件
path: datasets/coco8 # dataset root
train: train.txt # a directory, a list e.g. [images/a, images/b], or a *.txt file
val: val.txt
names:
  0: person

此格式的标签应导出为 YOLO 格式，每张图像对应一个 *.txt 文件。如果图像中没有目标，则无需创建 *.txt 文件。*.txt 文件应按 class x_center y_center width height 格式编写，每行对应一个目标。框坐标必须采用归一化 xywh格式（范围为 0 到 1）。如果框坐标以像素表示，则应将 x_center 和 width 除以图像宽度，将 y_center 和 height 除以图像高度。类别编号应从 0 开始索引。

YOLO labeled image with bounding boxes on persons and tie

与上述图像对应的标签文件包含 2 个人（类别 0）和 1 条领带（类别 27）：

YOLO format label file with normalized coordinates

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

YOLO dataset directory structure with train and val folders

使用示例#

下面介绍如何使用 YOLO 格式数据集训练模型：

示例
from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

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

Ultralytics NDJSON 格式#

NDJSON（换行分隔 JSON）格式为定义 Ultralytics YOLO 模型的数据集提供了另一种方式。此格式将数据集元数据和标注存储在单个文件中，每行包含一个独立的 JSON 对象。

NDJSON 数据集文件包含：

  1. 数据集记录（第 1 行）：包含任务类型、类别名称和一般信息等数据集元数据
  2. 图像记录（后续各行）：包含单张图像的数据，包括尺寸、标注和文件路径
NDJSON 示例
{
    "type": "dataset",
    "task": "detect",
    "name": "Example",
    "description": "COCO NDJSON example dataset",
    "url": "https://platform.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"
}

自定义图像元数据#

每条图像记录都可以包含一个 metadata JSON 对象，用于存储拍摄条件、设备标识符或审核状态等特定于应用的上下文信息。支持嵌套值。导入 Ultralytics Platform 后，元数据会与图像一起存储，并可从全屏信息面板中查看或编辑。

{
    "type": "image",
    "file": "airbus-wing.jpg",
    "url": "https://example.com/airbus-wing.jpg",
    "split": "train",
    "metadata": {
        "aircraft": { "family": "A350", "section": "wing" },
        "inspectionStatus": "reviewed"
    }
}

Platform 将顶层元数据键限制为 128 个字符，将每张图像序列化后的元数据对象限制为 500,000 个字符，并将一次 NDJSON 导入中的有效元数据总量限制为 500,000 个字符。

使用示例#

要将 NDJSON 数据集用于 YOLO26，只需指定 .ndjson 文件的路径：

示例
from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")

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

NDJSON 格式的优势#

  • 单文件：所有数据集信息都包含在一个文件中
  • 流式处理：无需将大型数据集全部加载到内存中，即可逐行处理
  • 云集成：支持远程图像 URL，适用于基于云的训练
  • 可扩展：可以轻松添加自定义元数据字段
  • 版本控制：单文件格式非常适合 git 和版本控制系统

支持的数据集#

这里是支持的数据集列表以及每个数据集的简短描述。这些数据集大多托管在 Ultralytics Platform 上，你可以在 Ultralytics Platform 上浏览图像和标注、查看数据集统计信息，以及克隆数据集以进行云端训练。

  • African-wildlife：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。
  • Argoverse：包含城市环境中 3D 跟踪和运动预测数据的数据集，具有丰富的标注。
  • Brain-tumor：用于检测脑部肿瘤的数据集，包含 MRI 或 CT 扫描图像，以及肿瘤是否存在、位置和特征等详细信息。
  • COCO：场景中的常见物体（COCO）是一个大规模的目标检测、分割和图像描述数据集，包含 80 个物体类别。
  • COCO8：来自 COCO train2017 的前 8 张图像的较小子集，其中 4 张用于训练，4 张用于验证，适用于快速测试。
  • COCO8-Grayscale：将 RGB 转换为灰度后创建的 COCO8 灰度版本，适用于单通道模型评估。
  • COCO8-Multispectral：通过插值 RGB 波长创建的 COCO8 10 通道多光谱版本，适用于光谱感知模型评估。
  • COCO12-Formats：包含 12 张图像的测试数据集，覆盖 12 种受支持的图像格式（AVIF、BMP、DNG、HEIC、JP2、JPEG、JPG、MPO、PNG、TIF、TIFF、WebP），用于验证图像加载流程。
  • COCO16：取自 COCO train2017 前 16 张图像的子集（8 张训练图像 + 8 张验证图像），适合快速测试。
  • COCO32：取自 COCO train2017 前 32 张图像的子集（16 张训练图像 + 16 张验证图像），适合快速测试。
  • COCO64：取自 COCO train2017 前 64 张图像的子集（32 张训练图像 + 32 张验证图像），适合快速测试。
  • COCO128：从 COCO train2017 的前 128 张图像中提取的较小子集，适合测试。
  • Construction-PPE：包含建筑工地工人图像的数据集，标注了头盔、背心、手套、靴子和护目镜等安全装备，也包含 no_helmet、no_goggle 等缺失装备标注，适用于现实世界的合规监控。
  • Global Wheat 2020：包含 2020 全球小麦挑战赛所用麦穗图像的数据集。
  • HomeObjects-3K：包含床、椅子、电视等室内家居物品的数据集，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。
  • KITTI：包含真实驾驶场景以及立体视觉、LiDAR 和 GPS/IMU 数据的数据集，此处用于2D 目标检测任务，例如在城市、乡村和高速公路环境中识别汽车、行人和骑行者。
  • LVIS：一个大规模目标检测、分割和图像描述数据集，包含 1203 个对象类别。
  • Medical-pills：包含药片图像的数据集，已针对药品质量保证、药片分拣和法规合规等应用进行标注。
  • Objects365：用于目标检测的高质量大规模数据集，包含 365 个对象类别和超过 600K 张标注图像。
  • OpenImagesV7：由 Google 提供的综合数据集，包含 1.7M 张训练图像和 42k 张验证图像。
  • Roboflow 100：多样化的目标检测基准，包含涵盖七个图像领域的 100 个数据集，用于全面评估模型。
  • Signature：包含各种文档及其标注签名图像的数据集，支持文档验证和欺诈检测研究。
  • SKU-110K：包含零售环境中密集目标检测场景的数据集，拥有超过 11K 张图像和 170 万个边界框。
  • TT100K：探索清华-腾讯 100K（TT100K）交通标志数据集，其中包含 16,817 张街景图像，涵盖 221 个标志类别，可用于稳健的检测和分类。
  • VisDrone：包含无人机拍摄图像中的目标检测和多目标跟踪数据的数据集，拥有超过 10K 张图像和视频序列。
  • VOC：用于目标检测和分割的 Pascal 视觉对象类别（VOC）数据集，包含 20 个对象类别和超过 11K 张图像。
  • xView：用于俯视图像目标检测的数据集，包含 60 个对象类别和超过 100 万个标注对象。

添加你自己的数据集#

如果你拥有自己的数据集，并希望使用 Ultralytics YOLO 格式训练检测模型，请确保其遵循上文“Ultralytics YOLO 格式”中规定的格式。将标注转换为所需格式，并在 YAML 配置文件中指定路径、类别数量和类别名称。

迁移或转换标签格式#

COCO 数据集格式转换为 YOLO 格式#

你可以使用以下代码片段，轻松将常用的COCO 数据集格式标签转换为 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 数据集或任何采用 COCO 格式的数据集转换为 Ultralytics YOLO 格式。该过程会将基于 JSON 的 COCO 标注转换为更简洁的基于文本的 YOLO 格式，使其兼容Ultralytics YOLO 模型。如需了解完整流程——包括类别 ID 映射、目录布局以及分割或姿态标注——请参阅将 COCO 标注转换为 YOLO。

请务必仔细检查你要使用的数据集是否与你的模型兼容，并遵循必要的格式规范。格式正确的数据集对于成功训练目标检测模型至关重要。

接下来做什么#

数据集格式准备就绪后，开始训练模型。不知道应该从哪个预训练模型开始？在YOLO26 模型系列中比较不同选项。

常见问题#

  • Ultralytics YOLO 格式是一种结构化配置，用于在训练项目中定义数据集。你需要设置训练、验证和测试图像及其对应标签的路径。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

    标签以 *.txt 文件保存，每张图像对应一个文件，并以带归一化坐标的 class x_center y_center width height 格式编写。如需详细指南，请参阅COCO8 数据集示例。

  • 你可以使用Ultralytics 转换工具将 COCO 数据集转换为 YOLO 格式。下面介绍一种快速方法：

    from ultralytics.data.converter import convert_coco

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

    此代码会将 COCO 标注转换为 YOLO 格式，从而实现与 Ultralytics YOLO 模型的无缝集成。如需更多详细信息，请访问迁移或转换标签格式部分。

  • Ultralytics YOLO 支持各种数据集，包括：

    每个数据集页面都提供了详细的结构和使用信息，专为高效 YOLO26 训练而设计。请在支持的数据集部分查看完整列表。

  • 要开始训练 YOLO26 模型，请确保数据集格式正确，并已在 YAML 文件中定义路径。使用以下脚本开始训练：

    示例
    from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # Load a pretrained model
results = model.train(data="path/to/your_dataset.yaml", epochs=100, imgsz=640)

    请参阅使用部分，详细了解如何使用不同模式，包括 CLI 命令。

  • Ultralytics 提供了大量使用 YOLO26 的示例和实用指南，涵盖多种应用。若要全面了解相关内容，请访问Ultralytics 博客，其中包含案例研究、详细教程和社区故事，展示 YOLO26 在目标检测、分割等方面的应用。如需查看具体示例，请参阅文档中的使用部分。

贡献者
GLglenn-jocher28RIRizwanMunawar7RAraimbekovm5LALaughing-q3PRPrashantDixit01Y-Y-T-G1MAMatthewNoyce1JKjk4e1IVIvorZhu3311

评论