原文链接：
https://docs.ultralytics.com/datasets/detect/

写在前面

训练一个鲁棒且准确的目标检测模型需要一个全面的数据集。本文介绍：与Ultralytics YOLO模型兼容的各种数据集格式，并深入解析了它们的结构、使用方法以及如何在不同的格式之间进行转换。

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、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）以及类别名称的字典。以下是一个示例：

# Ultralytics 🚀 AGPL-3.0许可证 - https://ultralytics.com/license# COCO8数据集（来自COCO train2017的前8张图像）由Ultralytics提供  
# 文档：https://docs.ultralytics.com/datasets/detect/coco8/  
# 示例用法：yolo train data=coco8.yaml  
# 父目录  
# ├── ultralytics  
# └── datasets  
#     └── coco8  ← 下载至此（1 MB）  # 训练/验证/测试集可以是：1) 目录：path/to/imgs，2) 文件：path/to/imgs.txt，或3) 列表：[path/to/imgs1, path/to/imgs2, ...]  
path: coco8  # 数据集根目录  
train: images/train  # 训练图像（相对于'path'）4张图像  
val: images/val  # 验证图像（相对于'path'）4张图像  
test:  # 测试图像（可选）  # 类别  
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  # 下载脚本/URL（可选）  
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8.zip  

此格式的标签应以YOLO格式导出，每张图像对应一个*.txt文件。如果图像中没有目标，则不需要*.txt文件。*.txt文件的格式应为每行一个目标，格式为class x_center y_center width height。框坐标必须为归一化的xywh格式（0到1之间）。如果您的框坐标是像素值，应将x_center和宽度除以图像宽度，y_center和高度除以图像高度。类别编号应从0开始（即0为第一个类别）。

示例标注图像

与上图对应的标签文件包含2个人（类别0）和1个领带（类别27）：

示例标签文件

0 0.5 0.5 0.1 0.2  
0 0.7 0.7 0.1 0.2  
27 0.3 0.3 0.05 0.1  

使用Ultralytics YOLO格式时，请按照以下COCO8数据集的示例组织您的训练和验证图像及标签。

示例数据集目录结构

datasets/  
└── coco8/  ├── images/  │   ├── train/  # 训练图像  │   └── val/    # 验证图像  └── labels/  ├── train/  # 训练标签  └── val/    # 验证标签  

使用方法

以下是使用这些格式训练模型的示例：

from ultralytics import YOLO  # 加载模型  
model = YOLO("yolo11n.pt")  # 加载预训练模型（推荐用于训练）  # 训练模型  
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)  

支持的数据集

以下是支持的数据集及其简要描述：

• Argoverse：包含来自城市环境的3D跟踪和运动预测数据，带有丰富的标注。
• COCO：Common Objects in Context (COCO)是一个大规模的目标检测、分割和字幕生成数据集，包含80个目标类别。
• LVIS：一个大规模的目标检测、分割和字幕生成数据集，包含1203个目标类别。
• COCO8：从COCO train和COCO val中提取的前4张图像的小型子集，适合快速测试。
• COCO8-Grayscale：通过将RGB转换为灰度创建的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10通道多光谱版本，适用于光谱感知模型评估。
• COCO128：从COCO train和COCO val中提取的前128张图像的小型子集，适合测试。
• Global Wheat 2020：包含2020年全球小麦挑战赛的小麦穗图像的数据集。
• Objects365：一个高质量、大规模的目标检测数据集，包含365个目标类别和超过60万张标注图像。
• OpenImagesV7：谷歌提供的全面数据集，包含170万张训练图像和4.2万张验证图像。
• SKU-110K：一个零售环境中的密集目标检测数据集，包含超过1.1万张图像和170万个边界框。
• HomeObjects-3K New 🚀：包含室内家居物品（如床、椅子、电视等）的数据集，适用于智能家居自动化、机器人、增强现实和房间布局分析等应用。
• VisDrone：包含无人机捕获图像的目标检测和多目标跟踪数据，超过1万张图像和视频序列。
• VOC：Pascal Visual Object Classes (VOC)数据集，用于目标检测和分割，包含20个目标类别和超过1.1万张图像。
• xView：用于俯视图像中目标检测的数据集，包含60个目标类别和超过100万个标注目标。
• Roboflow 100：一个多样化的目标检测基准，包含100个数据集，涵盖7个图像领域，用于全面模型评估。
• Brain-tumor：用于检测脑肿瘤的数据集，包含MRI或CT扫描图像，标注了肿瘤的存在、位置和特征。
• African-wildlife：包含非洲野生动物（如水牛、大象、犀牛和斑马）图像的数据集。
• Signature：包含各种文档的签名标注图像，支持文档验证和欺诈检测研究。
• Medical-pills：包含医疗药丸图像的数据集，适用于药品质量保证、药丸分类和法规遵从等应用。

添加您自己的数据集

如果您有自己的数据集并希望用于训练Ultralytics YOLO模型，请确保其遵循上述“Ultralytics YOLO格式”中指定的格式。将您的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。

移植或转换标签格式

从COCO数据集格式转换为YOLO格式

您可以使用以下代码片段轻松将流行的COCO数据集格式的标签转换为YOLO格式：

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。该过程将基于JSON的COCO标注转换为更简单的基于文本的YOLO格式，使其与Ultralytics YOLO模型兼容。

请务必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。正确格式化的数据集对于训练成功的目标检测模型至关重要。

常见问题

什么是Ultralytics YOLO数据集格式？如何构建它？

Ultralytics YOLO格式是一种用于定义训练项目中数据集的结构化配置。它涉及设置训练、验证和测试图像及其对应标签的路径。例如：

path: coco8  # 数据集根目录  
train: images/train  # 训练图像（相对于'path'）  
val: images/val  # 验证图像（相对于'path'）  
test:  # 测试图像（可选）  # 类别  
names:  0: person  1: bicycle  ...  

标签保存在*.txt文件中，每张图像对应一个文件，格式为class x_center y_center width height，坐标已归一化。详细指南请参考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的转换工具将COCO数据集转换为YOLO格式。以下是一个快速方法：

from ultralytics.data.converter import convert_coco  convert_coco(labels_dir="path/to/coco/annotations/")  

此代码将您的COCO标注转换为YOLO格式，实现与Ultralytics YOLO模型的无缝集成。更多详情请访问“移植或转换标签格式”部分。

Ultralytics YOLO支持哪些目标检测数据集？

Ultralytics YOLO支持多种数据集，包括：

• Argoverse
• COCO
• LVIS
• COCO8
• Global Wheat 2020
• Objects365
• OpenImagesV7

每个数据集页面都提供了针对YOLO11训练优化的详细结构和用法信息。完整列表请参阅“支持的数据集”部分。

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，并在YAML文件中定义路径。使用以下脚本开始训练：

from ultralytics import YOLO  model = YOLO("yolo11n.pt")  # 加载预训练模型  
results = model.train(data="path/to/your_dataset.yaml", epochs=100, imgsz=640)  

更多关于使用不同模式（包括CLI命令）的详细信息，请参考“使用方法”部分。

在哪里可以找到使用Ultralytics YOLO进行目标检测的实际示例？

Ultralytics提供了许多示例和实用指南，展示了YOLO11在多种应用中的使用。完整概述请访问Ultralytics博客，您可以找到目标检测、分割等的案例研究、详细教程和社区故事。具体示例请查看文档中的“使用方法”部分。