YOLOv8-YOLO12目标检测模型的标签格式和数据结构详细说明

《------往期经典推荐------》

一、AI应用软件开发实战专栏【链接】

项目名称	项目名称
1.【人脸识别与管理系统开发】	2.【车牌识别与自动收费管理系统开发】
3.【手势识别系统开发】	4.【人脸面部活体检测系统开发】
5.【图片风格快速迁移软件开发】	6.【人脸表表情识别系统】
7.【YOLOv8多目标识别与自动标注软件开发】	8.【基于深度学习的行人跌倒检测系统】
9.【基于深度学习的PCB板缺陷检测系统】	10.【基于深度学习的生活垃圾分类目标检测系统】
11.【基于深度学习的安全帽目标检测系统】	12.【基于深度学习的120种犬类检测与识别系统】
13.【基于深度学习的路面坑洞检测系统】	14.【基于深度学习的火焰烟雾检测系统】
15.【基于深度学习的钢材表面缺陷检测系统】	16.【基于深度学习的舰船目标分类检测系统】
17.【基于深度学习的西红柿成熟度检测系统】	18.【基于深度学习的血细胞检测与计数系统】
19.【基于深度学习的吸烟/抽烟行为检测系统】	20.【基于深度学习的水稻害虫检测与识别系统】
21.【基于深度学习的高精度车辆行人检测与计数系统】	22.【基于深度学习的路面标志线检测与识别系统】
23.【基于深度学习的智能小麦害虫检测识别系统】	24.【基于深度学习的智能玉米害虫检测识别系统】
25.【基于深度学习的200种鸟类智能检测与识别系统】	26.【基于深度学习的45种交通标志智能检测与识别系统】
27.【基于深度学习的人脸面部表情识别系统】	28.【基于深度学习的苹果叶片病害智能诊断系统】
29.【基于深度学习的智能肺炎诊断系统】	30.【基于深度学习的葡萄簇目标检测系统】
31.【基于深度学习的100种中草药智能识别系统】	32.【基于深度学习的102种花卉智能识别系统】
33.【基于深度学习的100种蝴蝶智能识别系统】	34.【基于深度学习的水稻叶片病害智能诊断系统】
35.【基于与ByteTrack的车辆行人多目标检测与追踪系统】	36.【基于深度学习的智能草莓病害检测与分割系统】
37.【基于深度学习的复杂场景下船舶目标检测系统】	38.【基于深度学习的农作物幼苗与杂草检测系统】
39.【基于深度学习的智能道路裂缝检测与分析系统】	40.【基于深度学习的葡萄病害智能诊断与防治系统】
41.【基于深度学习的遥感地理空间物体检测系统】	42.【基于深度学习的无人机视角地面物体检测系统】
43.【基于深度学习的木薯病害智能诊断与防治系统】	44.【基于深度学习的野外火焰烟雾检测系统】
45.【基于深度学习的脑肿瘤智能检测系统】	46.【基于深度学习的玉米叶片病害智能诊断与防治系统】
47.【基于深度学习的橙子病害智能诊断与防治系统】	48.【基于深度学习的车辆检测追踪与流量计数系统】
49.【基于深度学习的行人检测追踪与双向流量计数系统】	50.【基于深度学习的反光衣检测与预警系统】
51.【基于深度学习的危险区域人员闯入检测与报警系统】	52.【基于深度学习的高密度人脸智能检测与统计系统】
53.【基于深度学习的CT扫描图像肾结石智能检测系统】	54.【基于深度学习的水果智能检测系统】
55.【基于深度学习的水果质量好坏智能检测系统】	56.【基于深度学习的蔬菜目标检测与识别系统】
57.【基于深度学习的非机动车驾驶员头盔检测系统】	58.【太基于深度学习的阳能电池板检测与分析系统】
59.【基于深度学习的工业螺栓螺母检测】	60.【基于深度学习的金属焊缝缺陷检测系统】
61.【基于深度学习的链条缺陷检测与识别系统】	62.【基于深度学习的交通信号灯检测识别】
63.【基于深度学习的草莓成熟度检测与识别系统】	64.【基于深度学习的水下海生物检测识别系统】
65.【基于深度学习的道路交通事故检测识别系统】	66.【基于深度学习的安检X光危险品检测与识别系统】
67.【基于深度学习的农作物类别检测与识别系统】	68.【基于深度学习的危险驾驶行为检测识别系统】
69.【基于深度学习的维修工具检测识别系统】	70.【基于深度学习的维修工具检测识别系统】
71.【基于深度学习的建筑墙面损伤检测系统】	72.【基于深度学习的煤矿传送带异物检测系统】
73.【基于深度学习的老鼠智能检测系统】	74.【基于深度学习的水面垃圾智能检测识别系统】
75.【基于深度学习的遥感视角船只智能检测系统】	76.【基于深度学习的胃肠道息肉智能检测分割与诊断系统】
77.【基于深度学习的心脏超声图像间隔壁检测分割与分析系统】	78.【基于深度学习的心脏超声图像间隔壁检测分割与分析系统】
79.【基于深度学习的果园苹果检测与计数系统】	80.【基于深度学习的半导体芯片缺陷检测系统】
81.【基于深度学习的糖尿病视网膜病变检测与诊断系统】	82.【基于深度学习的运动鞋品牌检测与识别系统】
83.【基于深度学习的苹果叶片病害检测识别系统】	84.【基于深度学习的医学X光骨折检测与语音提示系统】
85.【基于深度学习的遥感视角农田检测与分割系统】	86.【基于深度学习的运动品牌LOGO检测与识别系统】
87.【基于深度学习的电瓶车进电梯检测与语音提示系统】	88.【基于深度学习的遥感视角地面房屋建筑检测分割与分析系统】
89.【基于深度学习的医学CT图像肺结节智能检测与语音提示系统】	90.【基于深度学习的舌苔舌象检测识别与诊断系统】
91.【基于深度学习的蛀牙智能检测与语音提示系统】	92.【基于深度学习的皮肤癌智能检测与语音提示系统】

二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】
五、YOLOv8改进专栏【链接】，持续更新中~~
六、YOLO性能对比专栏【链接】，持续更新中~

《------正文------》

引言

在处理YOLOv8-YOLO12模型训练数据时，标签文件的格式非常重要，因为它们定义了模型需要学习的对象位置和类别信息。本文将对其进行目标检测的模型训练所使用的数据格式及结构进行详细介绍。

YOLOv8-12标签格式

YOLOv8-YOLO12使用文本文件来存储每个图像的标签信息。每个图像对应一个标签文件，标签文件的命名通常与图像文件名相对应（例如，如果图像文件名为image.jpg，则标签文件名为image.txt）。

标签文件内容格式如下：

每个标签文件可以包含多个行，每行代表一个检测框（bounding box）及其类别。格式如下：

<object-class> <x_center> <y_center> <width> <height>

<object - class>：目标类别，从0开始编号，0代表第一个类别，1代表第二个类别，以此类推。
<x_center> 和 <y_center>：目标框中心点的x和y坐标（相对于图像的宽度和高度），值的范围是0到1。
< width > 和 < height >：目标框的宽度和高度（相对于图像的宽度和高度），值的范围是0到1。

示例:

假设有一个图像文件dog.jpg，其中包含一只狗和一只猫，它们的标签文件dog.txt可能看起来像这样：

0 0.5 0.7 0.3 0.4  # 狗，中心在(0.5, 0.7)，宽度为0.3，高度为0.4
1 0.3 0.6 0.2 0.3  # 猫，中心在(0.3, 0.6)，宽度为0.2，高度为0.3

这里，0代表狗的类别（假设狗是第一个类别），1代表猫的类别（假设猫是第二个类别）。

数据集结构

在使用YOLOv8进行训练之前，确保你的数据集文件夹结构正确，并且有一个包含所有图像和对应标签文件的目录。
通常，数据集目录结构如下：

dataset/
├── images/
│ ├── train/
│ ├──├──image1.jpg
│ ├── ├──image2.jpg
│ └── …
│ ├── val/
│ ├──├──image3.jpg
│ ├── ├──image4.jpg
│ └── …
└── labels/
│ ├──train/
│ ├──├──image1.txt
│ ├──├── image2.txt
│ └── …
│ ├──val/
│ ├──├──image3.txt
│ ├──├── image4.txt

其中images目录存放训练集train与验证集val的图片文件，
labels目录存放训练集train与验证集val图片对应的标签文件

确保你的标签文件遵循上述格式，这样YOLOv8模型才能正确读取并理解这些信息来进行训练。

创建数据集配置文件

同时我们需要新建一个data.yaml文件，用于存储训练数据的路径及模型需要进行检测的类别。YOLOv11在进行模型训练时，会读取该文件的信息，用于进行模型的训练与验证。data.yaml的具体内容如下：

train: D:\2MyCVProgram\2DetectProgram\SkinCancerDetection_v11\datasets\Data/train/images
val: D:\2MyCVProgram\2DetectProgram\SkinCancerDetection_v11\datasets\Data/valid/images

nc: 2
names: ['benign', 'malignant']

其中nc表示模型训练的类别数目，names表示模型训练的类别名称

注意事项

类别编号：确保你的数据集中所有类别的编号与标签文件中使用的编号一致。通常，这需要在你的数据集配置文件中指定类别名称及其对应的编号。

坐标转换：如果你的数据集使用的是像素坐标而不是归一化坐标（即x和y的值在0到图像宽度/高度的范围内），你需要将坐标转换为归一化形式。转换公式为：

x_center_norm = x_center / image_width
y_center_norm = y_center / image_height
width_norm = width / image_width
height_norm = height / image_height

---

好了，这篇文章就介绍到这里，喜欢的小伙伴感谢给点个赞和关注，更多精彩内容持续更新~~
关于本篇文章大家有任何建议或意见，欢迎在评论区留言交流！