1. 为什么需要数据集格式转换

第一次用YOLO训练模型时，我就被各种数据集格式搞晕了。当时用LabelImg标注了2000多张图片，默认生成的是PASCAL VOC格式的XML文件，但YOLO需要的却是TXT格式。后来才知道，这是计算机视觉领域最常见的两种标注格式：

• PASCAL VOC XML：每个图片对应一个XML文件，记录图片尺寸、物体类别和边界框的绝对坐标（像素值）
• YOLO TXT：每个图片对应一个TXT文件，每行记录一个物体的类别编号和归一化后的中心坐标/宽高

这两种格式最大的区别在于坐标表示方式。VOC用绝对像素值，比如<xmin>100</xmin>；而YOLO用相对值，比如0.45表示中心点横坐标是图片宽度的45%。我在第一次转换时，就因为没注意这个区别导致模型完全学不会。

2. 格式详解与对比

2.1 PASCAL VOC XML结构解析

用LabelImg标注后生成的典型XML文件长这样：

<annotation> <filename>IMG_001.jpg</filename> <size> <width>800</width> <height>600</height> <depth>3</depth> </size> <object> <name>cat</name> <bndbox> <xmin>100</xmin> <ymin>200</ymin> <xmax>300</xmax> <ymax>400</ymax> </bndbox> </object> </annotation>

关键字段说明：

• size：图片的宽、高、通道数
• object：每个检测对象一个节点
• bndbox：用左上(xmin,ymin)和右下(xmax,ymax)坐标表示边界框

2.2 YOLO TXT格式详解

对应的YOLO格式TXT文件内容如下：

0 0.25 0.5 0.25 0.333

这行数据表示：

• 0：类别ID（对应cat）
• 0.25：中心点x坐标/图片宽度
• 0.5：中心点y坐标/图片高度
• 0.25：框宽度/图片宽度
• 0.333：框高度/图片高度

2.3 核心差异对比表

3. XML转TXT实战

3.1 转换原理与公式

转换的核心是坐标归一化：

def convert(size, box): # size = (width, height) dw = 1./size[0] dh = 1./size[1] x = (box[0] + box[1])/2.0 # 计算中心点x y = (box[2] + box[3])/2.0 # 计算中心点y w = box[1] - box[0] # 计算宽度 h = box[3] - box[2] # 计算高度 x = x * dw # 归一化 w = w * dw y = y * dh h = h * dh return (x, y, w, h)

3.2 完整转换代码

import xml.etree.ElementTree as ET import os classes = ["cat", "dog"] # 你的类别列表 def convert_annotation(xml_path, txt_path): tree = ET.parse(xml_path) root = tree.getroot() with open(txt_path, 'w') as f: size = root.find('size') w = int(size.find('width').text) h = int(size.find('height').text) for obj in root.iter('object'): cls = obj.find('name').text if cls not in classes: continue cls_id = classes.index(cls) xmlbox = obj.find('bndbox') b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text)) bb = convert((w,h), b) f.write(f"{cls_id} {' '.join([str(a) for a in bb])}\n") # 批量转换 xml_dir = "Annotations/" txt_dir = "labels/" os.makedirs(txt_dir, exist_ok=True) for xml_file in os.listdir(xml_dir): if xml_file.endswith('.xml'): txt_file = xml_file.replace('.xml', '.txt') convert_annotation( os.path.join(xml_dir, xml_file), os.path.join(txt_dir, txt_file) )

3.3 常见问题解决

1. 类别不匹配：确保XML中的类别都在classes列表中，否则会跳过
2. 坐标越界：转换后检查数值是否在0-1之间
3. 图片尺寸缺失：有些标注工具可能不生成size节点，需要手动添加

4. TXT转XML实战

4.1 反向转换原理

当需要数据增强或可视化时，需要将YOLO格式转回VOC格式。关键步骤：

1. 读取图片获取原始尺寸
2. 将归一化坐标还原为绝对坐标：

   x_center = float(parts[1]) * width y_center = float(parts[2]) * height box_width = float(parts[3]) * width box_height = float(parts[4]) * height xmin = int(x_center - box_width/2) xmax = int(x_center + box_width/2) ymin = int(y_center - box_height/2) ymax = int(y_center + box_height/2)

4.2 完整转换代码

import cv2 from xml.dom.minidom import Document def txt_to_xml(txt_path, img_path, xml_path, class_list): img = cv2.imread(img_path) h, w, d = img.shape doc = Document() annotation = doc.createElement("annotation") doc.appendChild(annotation) # 添加文件信息 filename = doc.createElement("filename") filename.appendChild(doc.createTextNode(os.path.basename(img_path))) annotation.appendChild(filename) # 添加尺寸信息 size = doc.createElement("size") for tag, val in [('width', w), ('height', h), ('depth', d)]: elem = doc.createElement(tag) elem.appendChild(doc.createTextNode(str(val))) size.appendChild(elem) annotation.appendChild(size) # 处理每个标注 with open(txt_path) as f: for line in f.readlines(): parts = line.strip().split() obj = doc.createElement("object") # 类别 name = doc.createElement("name") name.appendChild(doc.createTextNode(class_list[int(parts[0])])) obj.appendChild(name) # 边界框 bndbox = doc.createElement("bndbox") coords = ['xmin', 'ymin', 'xmax', 'ymax'] values = convert_yolo_to_voc(w, h, list(map(float, parts[1:5]))) for c, v in zip(coords, values): elem = doc.createElement(c) elem.appendChild(doc.createTextNode(str(int(v)))) bndbox.appendChild(elem) obj.appendChild(bndbox) annotation.appendChild(obj) # 保存XML with open(xml_path, 'w') as f: doc.writexml(f, indent='', addindent='\t', newl='\n', encoding='UTF-8')

4.3 转换后验证技巧

1. 用LabelImg打开生成的XML，检查框位置是否正确
2. 比较转换前后的目标数量是否一致
3. 特别检查边缘位置的框（如xmin=0或xmax=width）

5. 实际项目经验分享

去年在做一个工业质检项目时，客户提供了VOC格式的数据集，但我们需要用YOLOv5训练。转换过程中踩过几个坑：

1. 类别ID不连续：客户给的类别是["OK", "NG", "Critical"]，但标注文件里直接用0/1/2。解决方案是建立明确的类别映射表。

2. 图片尺寸不一致：有些图片实际尺寸和XML里的size不一致。后来加了校验代码：

img = cv2.imread(img_path) assert img.shape[0] == h and img.shape[1] == w, "尺寸不匹配"

3. 特殊字符处理：XML中的特殊字符（如&, <）会导致解析失败。现在我的代码里都会加：

from xml.sax.saxutils import escape name = escape(obj.find('name').text)

建议在转换完成后，用这个脚本快速检查数据质量：

import matplotlib.pyplot as plt import matplotlib.patches as patches def visualize(img_path, txt_path, class_names): img = plt.imread(img_path) fig, ax = plt.subplots(1) ax.imshow(img) with open(txt_path) as f: for line in f: cls_id, x, y, w, h = map(float, line.split()) rect = patches.Rectangle( ((x-w/2)*img.shape[1], (y-h/2)*img.shape[0]), w*img.shape[1], h*img.shape[0], linewidth=2, edgecolor='r', facecolor='none') ax.add_patch(rect) plt.text((x-w/2)*img.shape[1], (y-h/2)*img.shape[0]-10, class_names[int(cls_id)], color='white', bbox=dict(facecolor='red', alpha=0.5)) plt.show()