进阶提升 · 5标注与配置补充
核心概念
- 数据标注 (Labeling)：通过工具（如 LabelMe）对图像中的目标进行框选或分割，生成 JSON 格式的标注文件。
- 配置文件 (Config)：定义模型结构、类别数、路径等关键信息，使训练过程与任务目标匹配。
- 格式转换：将 LabelMe 的 JSON 标注转换为 YOLO 所需的中心点 + 宽高格式，并归一化到 [0,1]。
- 数据一致性：标签文件与图像文件名必须严格对应，确保训练时正确加载。
提出问题
- 如何高效完成小规模数据集的标注？
- 标注格式与 YOLO 输入格式不同，如何正确转换？
- 配置文件如何修改以支持自定义类别？
- 如何组织和管理标注数据，使其与训练代码无缝对接？
论点与解决方案
- 标注流程：
- 使用 LabelMe 工具完成标注，可选择矩形框或更复杂的 mask。
- 标注少量图像可用于迁移学习实验，真实任务需上千张以上。
- 配置文件生成：
- 修改 config 文件，设定自定义类别数量。
- 使用
.sh脚本快速复制模板并调整classes参数。 - 类别顺序需与标注字典保持一致，避免训练标签错位。
- JSON → YOLO 格式转换：
- 原始 JSON 提供 (x1,y1,x2,y2)，需转换为 (cx,cy,w,h)。
- 所有坐标归一化到 [0,1]。
- 每个类别用整数 ID 表示，从 0 开始。
- 数据准备：
- 标签文件存放到
data/custom/labels/，图像文件存放到data/custom/images/。 - 标签文件与图像文件名保持一致（仅扩展名不同）。
- 标签文件存放到
关键机制 / 细节
-
标注 JSON 示例：
- 包含类别（label）、位置信息（x1,y1,x2,y2）、图像尺寸等字段。
-
转换脚本 (json2yolo.py)：
-
输入：LabelMe 的 JSON 文件夹路径。
-
输出：YOLO 所需的
.txt文件，每行一目标框：class cx cy w h
-
-
配置文件修改要点：
classes设置为自定义类别数。names文件列出类别名称，顺序与标注字典一致。train.txt和val.txt指定图像路径，需与标签对应。
-
训练参数调整：
- batch size 依赖显存大小。
- checkpoint/验证频率可根据数据量适当减少。
- 若数据量小，建议加载预训练权重进行微调。
总结
- 数据标注与格式转换 是自定义目标检测任务的第一步。
- 配置文件的修改与一致性 决定了训练能否正常运行。
- 小规模标注可用于演示与迁移学习，但实际任务需更大数据量。
- 合理的标注、转换、配置和路径管理，是训练 pipeline 成功的前提。