如何在YOLOv8中使用带属性的标注数据训练模型？

核心逻辑 #

YOLOv8并非只能使用官方标准YOLO格式，你可以通过自定义标注格式、修改模型配置和训练逻辑，实现同时检测Bear并预测其male属性，避免多标签训练导致的重复检测问题。

步骤1：转换标注，保留属性 #

从CVAT导出COCO格式标注后，用脚本将其转换为带属性的YOLO风格标签：

• 遍历COCO JSON里的每个标注，提取Bear的类别ID（设为0）、将边界框转换为YOLO的归一化坐标（x_center/y_center/width/height），再取出male属性值（用0表示false，1表示true）。
• 每张图片对应一个.txt标签文件，每行格式为：class_id x_center y_center width height male_flag
  示例：

  0 0.45 0.52 0.78 0.65 1
  0 0.23 0.31 0.62 0.58 0
  

步骤2：修改模型配置文件 #

复制官方的yolov8n.yaml（或你选用的模型配置），调整以下部分：

1. 在nc: 1（Bear的类别数）下方添加na: 1（要预测的属性数量，这里仅male一个）。
2. 在head模块中新增属性预测分支，示例：

   head:
     - [-1, 1, Conv, [256, 1, 1]]  # 原有检测分支
     - [-1, 1, Conv, [na, 1, 1]]   # 新增属性预测分支
   

   （注意：通道数需和上游输出匹配，可根据模型大小调整）

步骤3：修改数据加载逻辑 #

找到ultralytics/data/datasets.py中的YOLODataset类，修改标签加载逻辑：读取每个标签行的最后一列作为属性标签，将其和检测目标（类别、边界框）一起传入模型。

步骤4：调整损失计算 #

在ultralytics/models/yolo/detect/train.py中，新增属性分类的损失（如交叉熵损失），将其与检测的CIoU损失、分类损失加权求和，作为总训练损失。

新手简化方案 #

如果不想修改源码，可将属性转为子类别：把male=true的Bear设为类别1，male=false的设为类别0，用标准YOLO格式训练。这种方式无需改代码，且不会出现重复检测，只是将属性作为子类别处理，灵活性稍弱但上手快。

内容的提问来源于stack exchange，提问作者presentKing