一、YOLO数据集格式规范 #

• 图像文件：统一存放于images目录，支持JPG、PNG等格式，文件名需与对应标注文件一一匹配（如img001.jpg对应img001.txt）。
• 标注文件：统一存放于labels目录，每个图像对应同名.txt文件，每行代表一个目标，格式为：

  <类别ID> <归一化x_center> <归一化y_center> <归一化宽度> <归一化高度>
  

  细节说明：
  • 类别ID：从0开始的整数，需与data.yaml中names列表顺序一致（如names: ['cat', 'dog']，cat对应0，dog对应1）。
  • 归一化坐标：所有坐标需除以图像宽高。例如图像宽640、高480，目标左上角(100,200)、右下角(300,400)，计算方式：
    • x_center = (100+300)/2 / 640 = 0.3125
    • y_center = (200+400)/2 / 480 = 0.625
    • width = (300-100)/640 = 0.3125
    • height = (400-200)/480 = 0.4167
  • 无目标的图像，对应的.txt文件可留空或不创建（多数YOLO版本支持）。
• 配置文件data.yaml：必须包含以下核心内容：

  train: ./train/images  # 训练集图像路径
  val: ./val/images      # 验证集图像路径
  nc: 2                  # 类别数量
  names: ['cat', 'dog']  # 类别名称列表
  

二、无标注工具自动生成YOLO数据集的方法 #

结合你的自动标注场景，按以下步骤生成符合规范的数据集：

1. 提取原始标注数据：从自动标注逻辑中获取每个图像的目标边界框（x1,y1,x2,y2，即左上角、右下角坐标）、类别ID，以及图像宽高。
2. 编写坐标转换脚本：用Python编写脚本，将原始坐标转换为YOLO要求的归一化格式，生成对应.txt标注文件。示例代码：

   import os
   from PIL import Image
   
   # 配置路径
   img_dir = "path/to/your/images"
   label_dir = "path/to/your/labels"
   os.makedirs(label_dir, exist_ok=True)
   
   # 替换为你的自动标注逻辑，返回[(class_id, x1, y1, x2, y2), ...]
   def get_annotations(img_path):
       return []
   
   for img_name in os.listdir(img_dir):
       if not img_name.lower().endswith(('.jpg', '.png')):
           continue
       img_path = os.path.join(img_dir, img_name)
       label_path = os.path.join(label_dir, os.path.splitext(img_name)[0] + '.txt')
       
       # 获取图像尺寸
       with Image.open(img_path) as img:
           img_w, img_h = img.size
       
       # 获取自动标注结果
       annotations = get_annotations(img_path)
       
       # 生成标注文件
       with open(label_path, 'w') as f:
           for cls_id, x1, y1, x2, y2 in annotations:
               x_center = (x1 + x2) / 2 / img_w
               y_center = (y1 + y2) / 2 / img_h
               width = (x2 - x1) / img_w
               height = (y2 - y1) / img_h
               f.write(f"{cls_id} {x_center:.6f} {y_center:.6f} {width:.6f} {height:.6f}\n")
   

3. 划分训练/验证集：编写脚本按8:2或7:3的比例，将图像和标注文件分别移入train、val目录下的images和labels子目录，保持文件对应关系。

三、非AI方式查找编程问题答案的建议 #

• 精准搜索关键词：使用具体技术术语+问题描述，比如搜“YOLOv8 custom dataset txt format”而非模糊的“YOLO数据集格式”，限定版本缩小范围。
• 优先查阅官方文档：直接查看对应YOLO版本的官方仓库文档（如Ultralytics YOLO的docs目录），里面有权威的数据集格式说明。
• 浏览论坛精华内容：查看Stack Overflow的yolo标签热门问题，或GitHub Issues中已解决的类似问题，很多用户会分享实用的数据集处理脚本。
• 参考开源项目结构：在GitHub上找基于YOLO的开源项目，直接模仿它们的数据集目录结构、标注文件和data.yaml写法。
• 过滤过时内容：搜索时添加年份限定（如搜索引擎中用“YOLO dataset format 2024”），避免被旧版本格式误导。

内容的提问来源于stack exchange，提问作者max