YOLO11 标签文件检查清单#

训练 YOLO11 时，如果数据集目录已经整理好了，下一步最容易忽略的就是标签文件。标签看起来只是一些 txt 文件，但只要类别编号错了、坐标超出范围、图片和标签没有对应上，训练结果就会很差。

这篇记录一份训练前的标签检查清单，重点放在能快速发现问题的几个地方。

1、确认图片和标签一一对应#

YOLO 数据集一般会有这样的结构：

1
dataset/
2
  images/
3
    train/
4
      001.jpg
5
      002.jpg
6
  labels/
7
    train/
8
      001.txt
9
      002.txt

图片名和标签名需要一一对应，只是扩展名不同。可以用 Python 做一个简单检查：

1
from pathlib import Path
2

3
image_dir = Path("dataset/images/train")
4
label_dir = Path("dataset/labels/train")
5

6
images = {p.stem for p in image_dir.glob("*") if p.suffix.lower() in [".jpg", ".png", ".jpeg"]}
7
labels = {p.stem for p in label_dir.glob("*.txt")}
8

9
print("缺少标签的图片:", sorted(images - labels)[:20])
10
print("没有图片的标签:", sorted(labels - images)[:20])

如果输出不为空，就要先修正文件名或移动路径。

2、检查每一行的字段数量#

YOLO 检测标签每一行通常是：

1
class_id x_center y_center width height

也就是 5 个字段。可以扫描所有标签文件：

1
from pathlib import Path
2

3
for txt in Path("dataset/labels/train").glob("*.txt"):
4
    for i, line in enumerate(txt.read_text().splitlines(), start=1):
5
        if not line.strip():
6
            continue
7
        parts = line.split()
8
        if len(parts) != 5:
9
            print("字段数量异常:", txt, "line", i, line)

有时候标注工具导出的文件里会有空格、空行或额外字段，训练前最好先发现。

3、检查类别编号范围#

如果 data.yaml 中写了 3 个类别：

1
names:
2
  0: person
3
  1: helmet
4
  2: vest

那么标签里的类别编号只能是 0、1、2。可以这样检查：

1
num_classes = 3
2

3
for txt in Path("dataset/labels/train").glob("*.txt"):
4
    for i, line in enumerate(txt.read_text().splitlines(), start=1):
5
        if not line.strip():
6
            continue
7
        class_id = int(float(line.split()[0]))
8
        if class_id < 0 or class_id >= num_classes:
9
            print("类别编号越界:", txt, "line", i, class_id)

类别编号越界会直接影响训练，尤其是从多个数据集拼接时，很容易忘记重新映射类别。

4、检查坐标是否在 0 到 1 之间#

YOLO 标签中的坐标是归一化后的值，理论上都应该在 0 到 1 之间：

1
for txt in Path("dataset/labels/train").glob("*.txt"):
2
    for i, line in enumerate(txt.read_text().splitlines(), start=1):
3
        if not line.strip():
4
            continue
5
        values = [float(x) for x in line.split()[1:]]
6
        if any(v < 0 or v > 1 for v in values):
7
            print("坐标越界:", txt, "line", i, values)

如果发现大量坐标大于 1，可能是导出的不是 YOLO 格式，而是像素坐标格式。

5、抽样可视化标签#

脚本检查只能发现格式问题，不能判断框的位置是否真的正确。训练前最好抽几张图画出来看：

1
import cv2
2
from pathlib import Path
3

4
img_path = Path("dataset/images/train/001.jpg")
5
txt_path = Path("dataset/labels/train/001.txt")
6

7
img = cv2.imread(str(img_path))
8
h, w = img.shape[:2]
9

10
for line in txt_path.read_text().splitlines():
11
    cls, x, y, bw, bh = map(float, line.split())
12
    x1 = int((x - bw / 2) * w)
13
    y1 = int((y - bh / 2) * h)
14
    x2 = int((x + bw / 2) * w)
15
    y2 = int((y + bh / 2) * h)
16
    cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2)
17

18
cv2.imwrite("label_check.jpg", img)

打开 label_check.jpg 看一下框是否贴合目标。这个步骤很简单，但能避免很多后续训练时间浪费。

小结#

训练 YOLO11 前，我会至少检查这几项：

图片和标签是否一一对应。
每行标签是否正好 5 个字段。
类别编号是否在 data.yaml 范围内。
坐标是否都在 0 到 1 之间。
随机抽样可视化标注框。

模型效果不好时，不一定是模型结构或参数的问题。很多时候，先把标签质量检查清楚，比盲目调学习率更有效。

音乐

音乐