YOLO 一行标注的含义#

1
class_id x_center y_center width height

x_center、y_center、width、height 都是 0 到 1 之间的归一化值，基于图片宽高计算，不是像素坐标。

格式检查脚本#

1
from pathlib import Path
2

3
for txt in Path("labels").glob("*.txt"):
4
    for i, line in enumerate(txt.read_text().splitlines(), 1):
5
        parts = line.split()
6
        if len(parts) != 5:
7
            print("bad columns", txt, i, line)
8
            continue
9
        cls, *box = parts
10
        values = list(map(float, box))
11
        if not all(0 <= v <= 1 for v in values):
12
            print("out of range", txt, i, line)

和图片一一对应#

图片和标签通常要求同名不同后缀，例如 images/a.jpg 对应 labels/a.txt。缺标签文件不一定报错，但会影响训练样本。

可视化验证#

把归一化坐标还原成像素坐标后画出来，才能确认框是否真的对准目标。只检查数字范围不能发现中心点和左上角混用的问题。

实战复盘#

复用《YOLO 标注格式检查》时，我会先用三到五张图片跑通流程，再扩大到完整数据集。小样本阶段要故意覆盖正常图、边界图和可能失败的图，而不是只选最干净的样本。

OpenCV 和 YOLO 相关步骤都要特别关注坐标和尺寸。图片数组常用高宽顺序，检测框常用 x/y 顺序，YOLO 又使用归一化中心点坐标，混用后不会总是报错，但结果一定会偏。

后续如果要写成更完整教程，可以补充输入目录结构、输出目录结构和一张可视化样例，让读者能直接对照自己的项目。

最小验收样例#

验收《YOLO 标注格式检查》时，我会固定三张图片：一张正常样例、一张边界样例、一张容易失败的样例。每次改代码都用这三张图跑一遍，并保存输出结果。

视觉流程的验收必须能用眼睛确认。只打印数组 shape 或命令成功不够，至少要保存一张中间结果图或最终可视化图，确认处理效果和预期一致。

小结#

YOLO 标注检查要同时看格式、范围、类别和可视化结果。数字合法不代表框一定正确。