1. 为什么xml转txt是YOLO训练链条上最容易翻车的一环做目标检测的人都有个共识模型不收敛的时候八成时间浪费在怀疑学习率、怀疑数据增强、怀疑网络结构最后发现是标签文件里的坐标压根儿就不对。xml转txt这个操作听起来简单到不值一提——不就是把几个数字拿出来除一下嘛一个脚本二十行代码搞定。但我见过的实际项目里恰恰是这个二十行代码的环节让不少人白白跑了两三天训练最后mAP一直是0.00。先把场景说清楚。xml文件通常来自LabelImg、Labelme一类标注工具采用PASCAL VOC的格式组织一个图片对应一个xml文件内部用object节点罗列每个目标每个目标包含类别名name和边界框bndbox框内是xmin、ymin、xmax、ymax四个以像素为单位的整数坐标原点是图片左上角。而YOLO系列要的txt文件每行代表一个目标格式是类别索引 中心点x 中心点y 宽 高后面四个数值全部要归一化到0到1之间且以图片实际的宽高为分母。所以转换的本质是三件事坐标原点从左上角挪到中心、绝对像素变相对比例、类别名变数字索引。这三件事里任何一件做偏了训练都不会报错只会静静地给你一个废掉的模型。很多人第一次写转换脚本时只盯着除以宽高这个动作却忽略了归一化的分母必须是每张图片自己的尺寸而不是数据集统一的输入尺寸。我见过有人图省事直接把所有坐标除以640理由是他打算用640的输入分辨率训练。这个做法在图片本身尺寸一致时勉强能跑一旦数据来源混杂——比如一部分是手机拍的4000×3000一部分是网络抓的800×600——标签就会大面积越界出现坐标大于1的情况训练时被框架悄悄裁掉或者直接算错损失。注意YOLO的txt里出现任何大于1或小于0的数值都不应该容忍。正常转换出来的标签四个数值理论上都在(0,1)开区间内越界就是错的信号。还有一个隐蔽的坑VOC的xmax、ymax到底是闭区间还是开区间。标注工具画框时xmax通常指的是框最右侧那个像素的坐标如果直接按(xmax-xmin)/width算宽度会得到比实际少一个像素的结果。对于大目标这点误差可以忽略但对于密集小目标检测这种半像素级的系统性偏移累积起来会影响召回。严谨的写法是用xmax - xmin作为宽度像素值不做加一处理同时保证宽度不为0因为当目标只有一个像素宽时xmax xmin归一化后宽度为0这一行标签在训练时会变成无效样本。这篇内容适合两类人看刚跑通YOLO官方Demo、正准备换自己数据集的新手以及手上有历史VOC格式数据、需要批量迁移到YOLO训练流程的老手。前者需要一套能直接抄的完整脚本和边界情况清单后者更关心批量处理时的鲁棒性、类别映射的一致性和转换后的校验手段。下面的内容会按先想清楚再动手的顺序展开把每一步的选择理由都讲透而不是甩一段代码让你自己猜。2. 转换之前必须先把数据集的全貌摸清楚2.1 三个必须提前确认的数据集事实动手写脚本之前先花十分钟做三件核实工作能省掉后面几小时的调试。第一件是类别清单是否统一。VOC格式的xml里类别是以字符串形式写在name标签里的大小写、空格、下划线都可能不一致。同一批数据里同时出现person和Person或者traffic_light和traffic light在转换后会被映射成两个不同的索引模型会学到两个语义完全相同的类别直接稀释每个类别的有效样本量。我建议第一遍不要急着转换先扫一遍所有xml把所有出现过的name文本收集起来去重打印人眼过一遍。这个动作只需要几秒钟但能暴露很多标注规范不严的问题。第二件是图片尺寸的分布。转换脚本需要读图片的宽高所以必须确认图片文件真实存在且能正常打开。有些数据集在整理过程中被打包、重命名、压缩过xml里记录的size节点和实际图片尺寸对不上。这种情况在公开数据集上少见在自采数据上很常见——比如标注完之后用工具批量压缩了图片xml没同步改。所以我的习惯是不信xml里的size一律从图片文件本身读宽高用PIL或者OpenCV都行。这也顺带解决了另一个问题有些标注工具压根不写size节点。第三件是文件名与图片名的对应关系。VOC的组织方式是Annotations/放xmlJPEGImages/放图片两个目录下的文件名主干应该一一对应。但实际交付的数据里经常出现图片是IMG_0001.JPG、xml里对应的filename写的是IMG_0001.jpg扩展名大小写不一致或者图片被重命名成001.jpg而xml还叫IMG_0001.xml。转换脚本如果按xml里的filename去找图片就会大面积找不到。稳妥策略是以xml文件名的主干为唯一键去图片目录里匹配同名图片而不是依赖xml内部的filename字段。2.2 一次快速摸底脚本下面这段脚本不做转换只做体检。跑一遍拿到类别清单、缺失图片列表、尺寸异常列表心里有底了再进入下一步。import os import xml.etree.ElementTree as ET from collections import Counter from PIL import Image xml_dir dataset/Annotations img_dir dataset/JPEGImages classes Counter() missing [] size_conflict [] img_index {} for name in os.listdir(img_dir): stem, _ os.path.splitext(name) img_index[stem] os.path.join(img_dir, name) for fname in os.listdir(xml_dir): if not fname.endswith(.xml): continue stem os.path.splitext(fname)[0] tree ET.parse(os.path.join(xml_dir, fname)) root tree.getroot() for obj in root.findall(object): classes[obj.find(name).text.strip()] 1 if stem not in img_index: missing.append(fname) continue with Image.open(img_index[stem]) as im: w, h im.size sz root.find(size) if sz is not None: xw int(float(sz.find(width).text)) xh int(float(sz.find(height).text)) if (xw, xh) ! (w, h): size_conflict.append((fname, (xw, xh), (w, h))) print(类别统计:, classes.most_common()) print(缺失图片数:, len(missing)) print(尺寸不一致数:, len(size_conflict)) print(前10个尺寸冲突:, size_conflict[:10])这份体检报告里类别统计的计数分布本身也很有信息量。如果某个类别的样本数只有个位数就要考虑是标注遗漏还是这个类本来就稀有后续划分训练验证集时得做分层抽样否则验证集里可能一个正样本都没有mAP评估会失真。尺寸冲突那部分尤其要看如果冲突数量很多说明整个数据集在某个环节被动过这时候用xml里的size去归一化必然出错必须坚持从图片读尺寸。2.3 类别索引的分配与固化YOLO的类别索引是个整数从0开始。索引本身没有语义但训练和推理时必须完全一致。这就是为什么我强烈建议把类别映射写成一个独立的、显式声明的有序列表存成文件而不是在脚本里用set()或者字典遍历顺序临时生成。Python 3.7之后字典保序但用set做中间容器时顺序是不稳定的同一批数据跑两次可能得到两套索引然后你训练完的权重在推理时把所有类别都标错。我的做法是建一个classes.txt一行一个类别名行的顺序就是索引顺序。转换脚本读这个文件构造{name: idx}的字典。这样有个额外好处标注时如果用了LabelImg它本身也支持生成classes.txt两边可以直接对齐减少人工出错。同时这个文件将来部署时也要跟着权重一起走属于模型的一部分资产。with open(classes.txt, r, encodingutf-8) as f: class_names [line.strip() for line in f if line.strip()] name_to_id {n: i for i, n in enumerate(class_names)}对于xml里出现了、但不在classes.txt中的类别千万不能静默跳过。跳过会导致某些目标凭空消失而且不会报错。正确做法是记录下来并让转换脚本以非零状态退出逼着人去处理要么是标注时打错了字要么是classes.txt漏了类两种情况都必须人工确认。3. 坐标转换的数学细节与逐行拆解3.1 从左上角绝对坐标到中心点归一化坐标把这件事讲透只需要一张纸一支笔。设图片宽W、高H框的左上角(xmin, ymin)、右下角(xmax, ymax)全部是像素值坐标系原点在图片左上角x向右y向下。第一步求框的像素宽高bw xmax - xminbh ymax - ymin。 第二步求框中心点像素坐标cx xmin bw / 2cy ymin bh / 2。注意这里用的是xmin bw/2而不是(xminxmax)/2两者在数学上等价但用前者能保证cx严格落在框内浮点运算时更稳。 第三步归一化cx / Wcy / Hbw / Wbh / H。写成代码就是def voc_to_yolo(xmin, ymin, xmax, ymax, W, H): bw xmax - xmin bh ymax - ymin cx xmin bw / 2.0 cy ymin bh / 2.0 return cx / W, cy / H, bw / W, bh / H为什么YOLO要用中心点加宽高而不是直接沿用角点这跟它的预测机制有关。YOLO把图像切成网格每个网格单元负责预测中心点落在该单元内的目标网络输出的是相对于网格单元的偏移量。用中心点表示目标的归属网格是唯一的、明确的如果用角点一个跨网格的大目标会牵扯到多个单元的归属判定逻辑会变得复杂。而且中心点加宽高的表示方式在做数据增强比如随机缩放、裁剪时变换更直观缩放因子直接乘到宽高上即可不用重新推导角点。归一化的意义也值得说一句。如果标签存的是绝对像素那么训练时一旦改变输入分辨率比如从416换到640所有标签都要重新算一遍数据集就无法在不同输入尺寸间复用。归一化之后标签描述的是目标占图片多大比例、位于图片什么相对位置与分辨率解耦同一份数据集可以在任意输入尺寸下训练。这是YOLO能灵活支持多尺度训练的基础之一。3.2 四个必须写进脚本的数值保护纯数学公式没问题但真实数据总能给你惊喜。下面四类保护逻辑缺一个都可能让训练悄悄出问题。保护一宽高为零。当xmax xmin或者ymax ymin时框退化成一条线归一化后宽或高为0。这种样本对检测训练毫无价值还会在计算IoU时产生除零。处理方式是直接丢弃该目标并计数告警同时在日志里打印是哪个xml方便回头查标注。保护二坐标越界。理论上xmax W但标注工具允许鼠标拖到图片边缘外或者坐标是浮点数被截断产生偏差。转换前把xmin/ymin钳制到不小于0xmax/ymax钳制到不大于W-1和H-1。钳制之后如果框的面积小到不可用比如宽或高小于2像素同样丢弃。保护三坐标反了。极少见但确实存在xmin xmax。这通常是标注时从右下往左上拖某些工具没做归一化处理。检测到就交换两者并记录日志。保护四坐标为负或超出范围。有些标注工具在图片被旋转或者做了EXIF方向修正后坐标会出现负数。必须钳制不能直接除。def safe_box(xmin, ymin, xmax, ymax, W, H, min_px2): if xmin xmax: xmin, xmax xmax, xmin if ymin ymax: ymin, ymax ymax, ymin xmin max(0.0, min(float(xmin), W - 1)) xmax max(0.0, min(float(xmax), W - 1)) ymin max(0.0, min(float(ymin), H - 1)) ymax max(0.0, min(float(ymax), H - 1)) if (xmax - xmin) min_px or (ymax - ymin) min_px: return None return xmin, ymin, xmax, ymax那个min_px阈值设成多少合适我的经验是2。低于2像素的目标在主流检测网络的感受野和特征图分辨率下基本学不出来留着只会污染损失函数。如果你的任务确实是极小目标检测比如遥感图像里的车辆那策略要整体重做包括输入分辨率、特征金字塔层级和切图推理不是靠保留1像素标签能解决的。3.3 数值精度保留几位小数才够txt里写几位小数有人写6位有人写2位。位数的选择影响两件事文件体积和坐标精度。精度方面归一化坐标的量级在0.001到1之间。假设一张1920宽的图1个像素对应归一化值约0.00052。要能区分相邻像素至少需要4位小数。所以6位小数是安全且常见的做法%.6f格式。2位小数意味着大约2个像素的量化误差对于大目标无所谓对小目标就是灾难——一个20像素宽的目标误差可能占到10%。文件体积方面6位小数每行大约60到70个字符。十万个目标也就6MB到7MB对现代存储完全不是问题。所以没必要为了省空间牺牲精度。我统一用6位格式化成{cls} {cx:.6f} {cy:.6f} {bw:.6f} {bh:.6f}。3.4 一个完整的转换脚本把前面的逻辑拼起来得到下面这份可以直接用的脚本。它做了几件额外的事三类异常分别计数、生成一个可直接阅读的转换报告、保留图片与txt同名对应关系。import os import xml.etree.ElementTree as ET from PIL import Image XML_DIR dataset/Annotations IMG_DIR dataset/JPEGImages OUT_DIR dataset/labels CLASSES_FILE classes.txt MIN_PX 2 os.makedirs(OUT_DIR, exist_okTrue) with open(CLASSES_FILE, r, encodingutf-8) as f: class_names [l.strip() for l in f if l.strip()] name_to_id {n: i for i, n in enumerate(class_names)} img_index {} for n in os.listdir(IMG_DIR): stem, _ os.path.splitext(n) img_index[stem] os.path.join(IMG_DIR, n) stat {ok: 0, no_img: 0, degenerate: 0, unknown_cls: 0, clamped: 0, empty_file: 0} for fname in sorted(os.listdir(XML_DIR)): if not fname.endswith(.xml): continue stem os.path.splitext(fname)[0] if stem not in img_index: stat[no_img] 1 continue with Image.open(img_index[stem]) as im: W, H im.size root ET.parse(os.path.join(XML_DIR, fname)).getroot() lines, bad [], 0 for obj in root.findall(object): cname (obj.find(name).text or ).strip() if cname not in name_to_id: stat[unknown_cls] 1 bad 1 continue bb obj.find(bndbox) try: xmin float(bb.find(xmin).text) ymin float(bb.find(ymin).text) xmax float(bb.find(xmax).text) ymax float(bb.find(ymax).text) except (AttributeError, ValueError): stat[degenerate] 1 continue if xmin xmax: xmin, xmax xmax, xmin if ymin ymax: ymin, ymax ymax, ymin if xmin 0 or ymin 0 or xmax W - 1 or ymax H - 1: stat[clamped] 1 xmin max(0.0, min(xmin, W - 1)) xmax max(0.0, min(xmax, W - 1)) ymin max(0.0, min(ymin, H - 1)) ymax max(0.0, min(ymax, H - 1)) bw, bh xmax - xmin, ymax - ymin if bw MIN_PX or bh MIN_PX: stat[degenerate] 1 continue cid name_to_id[cname] cx (xmin bw / 2.0) / W cy (ymin bh / 2.0) / H lines.append(f{cid} {cx:.6f} {cy:.6f} {bw/W:.6f} {bh/H:.6f}) if not lines: stat[empty_file] 1 # 仍写出空文件保证后续对齐时有占位避免训练器把图片当无标签样本 open(os.path.join(OUT_DIR, stem .txt), w).close() continue with open(os.path.join(OUT_DIR, stem .txt), w, encodingutf-8) as f: f.write(\n.join(lines) \n) stat[ok] 1 for k, v in stat.items(): print(f{k}: {v})关于空txt文件要不要写这个细节值得单独说一下。YOLO的训练逻辑里一张图片如果找不到对应的txt标签文件有的实现会当它不存在而跳过有的实现会当它是一张纯背景图负样本参与训练。这两种行为差异很大。如果你的数据集里确实存在一部分只有背景没有目标的图片那就是有意为之的负样本应该写空文件如果本来应该有目标但因为转换失败变成空文件那就必须报警而不是默默写出去。提示负样本图片对抑制误检是有价值的但比例要控制。我一般把纯背景图控制在总图片数的5%以内全程混在全量数据里不做单独加权。4. 转换完之后怎么验证标签真的对4.1 可视化回画最直接也最容易被跳过的一步脚本跑完没报错不代表标签是对的。中间任何一个逻辑写错输出依然是合法的六位小数训练依然能启动直到你发现模型什么都检测不出来。所以转换后必须做回画验证把txt里的归一化坐标还原成像素坐标画到原图上人眼看框是否贴合目标。还原公式是转换的逆运算cx*W得中心点像素xbw*W得像素宽左上角就是cx*W - bw*W/2。用OpenCV或者PIL画矩形加类别文字抽20到30张覆盖不同场景、不同目标密度的图片看看。我习惯抽那些目标特别多和特别少的样本前者能暴露坐标串行问题后者能暴露归一化分母问题。import cv2 def draw_check(img_path, txt_path, class_names): img cv2.imread(img_path) H, W img.shape[:2] if not os.path.exists(txt_path): return img with open(txt_path) as f: for line in f: parts line.strip().split() if len(parts) ! 5: continue cid int(parts[0]); cx, cy, bw, bh map(float, parts[1:]) x1 int((cx - bw / 2) * W) y1 int((cy - bh / 2) * H) x2 int((cx bw / 2) * W) y2 int((cy bh / 2) * H) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(img, class_names[cid], (x1, max(y1 - 5, 12)), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2) return img回画时重点看三件事框是不是整体偏移了说明中心点算错、框是不是整体缩放不对说明分母用错、框之间的相对位置是否错乱说明读取object节点的顺序有问题。如果框看起来差半个框或者缩在左上角基本就是中心点和宽高搞混了把cx当成了xmin直接用。4.2 用一个可复现的自检清单过一遍可视化肉眼过完之后再跑几个自动化检查把主观判断变成客观数字。下面这几条我每次都会过一遍检查项判断方法不合格意味着每个数值都在(0,1)逐行解析任何越界即报错归一化分母错或未钳制行数总和等于目标总数与转换统计里的成功目标数对比有目标被静默丢弃txt文件数与图片数对应数量比对允许负样本差异文件名匹配逻辑有漏洞每类样本数分布合理按类别统计行数与原始xml统计比对类别映射或筛选出问题抽样回画的框贴合度人眼检查20到30张坐标换算公式有误第二项特别值得强调。转换脚本里如果用了continue跳过异常目标最终行数会少于原始目标数。这个差值必须能对上degenerate加unknown_cls的计数对不上就说明有地方吃了目标没记账。我在实际项目里就遇到过一次某批xml里有几个object节点缺少bndbox子节点代码里bb.find(xmin).text直接抛AttributeError被外层吞掉整张图的标签都没写出去而统计里没记录直到对比行数才发现差了几十个目标。4.3 和训练框架的label缓存对齐到这一步标签文件本身是对的但还有一层要确认训练器读到的标签和你写在磁盘上的标签是同一份。Ultralytics系列的实现会在首次训练时扫描标签、生成缓存文件.cache之后启动训练直接读缓存。这意味着如果你在训练启动之后又改了txt缓存不会自动失效训练用的还是旧标签。表现出来就是我明明改了标签怎么模型还是那样。所以流程上必须守住一条任何标签修改都要在训练启动之前完成或者修改后手动删掉缓存文件。缓存文件通常和标签在同一层目录或者图片目录下名字带.cache后缀。我在调整标签格式时踩过这个坑改了十几分钟后发现验证集指标纹丝不动删了缓存重训才对上。这不是玄学是缓存机制的正常表现知道了就不会浪费时间。另外YOLO体系里的data.yaml要指向正确的路径并且names字段的顺序必须和classes.txt完全一致。有人图省事在两个地方各写一份类别列表改了一处忘了另一处最后训练出来的类别名张冠李戴——数字索引是对的显示的名字全错。我的做法是data.yaml里的names直接从classes.txt生成脚本里一次性写出来杜绝两份数据源。5. 规模化转换时的脚本工程化处理5.1 十万级样本下的性能与内存考量单个xml转换用ET.parse完全没问题但数据量上到十万级时有些写法会明显拖慢速度。最典型的是在循环里反复ET.parse同一个文件、或者在循环里重复os.listdir。前者不常见后者很多人会写——在遍历xml的循环里每次都调os.listdir(IMG_DIR)去拼图片路径等于把目录扫描做了N次。正确做法是循环外建一次索引字典就是前面脚本里img_index的做法。第二个性能点是图片尺寸读取。Image.open是惰性的只读文件头就能拿到尺寸不加载像素数据所以速度很快。但如果图片在网络上或者磁盘很慢这一步会成为瓶颈。可以考虑把图片尺寸预先缓存成一个stem - (W,H)的json或者csv转换时直接查表。对于十万级数据集这一步能把转换时间从几分钟压到几十秒。缓存本身也有风险——图片被替换过而缓存没更新所以我一般在缓存文件里带上图片的修改时间和文件大小读取时校验一下不匹配就重新读。内存方面逐文件处理、逐文件写出是最省内存的不要把所有结果攒在内存里最后统一写。上面那份脚本就是逐文件写内存占用基本恒定在几百KB级别。如果为了多进程并行把任务切成若干块分给不同worker每个worker处理一部分xml各自写各自的结果目录最后合并。用multiprocessing.Pool大概能提速3到5倍具体取决于磁盘IO和CPU核数。不过对于一般规模的数据集单进程跑几分钟就完了没必要提前上并行增加调试复杂度。5.2 训练集验证集划分的时机有个顺序问题很多人会搞混应该先划分数据集再转换还是先转换再划分我的答案是按图片划分转换前后都行但划分必须在转换之前定好随机种子和名单而且划分要以图片为单位而不是以标签行为单位。原因是同一张图的所有目标必须整体进入训练集或验证集不能拆开。如果先转换再划分且划分逻辑是按txt文件随机抽样那其实也是按图片粒度的问题不大。但如果你在划分时按目标行抽样同一张图的目标就会散落到两边验证集里出现训练时见过的图像内容评估指标虚高。实际做法是所有图片名列表打乱按8:1:1或者7:2:1切分把文件名写进train.txt、val.txt、test.txt三个清单文件。转换脚本独立于划分运行全量转换然后靠清单文件在训练时决定读哪些。这样好处是转换只需要做一次后续调整划分比例不用重转。清单文件放在数据集根目录data.yaml里分别指向它们。划分时记得做分层抽样尤其类别不均衡的时候保证每个类在训练集和验证集里都有足够样本否则某个类在验证集里只有三五个实例算出来的AP波动会非常大你会误以为模型不稳定。5.3 一个常见的路径陷阱YOLO训练器读标签时的默认规则是把图片路径里的images替换成labels扩展名换成txt。比如datasets/mydata/images/train/001.jpg对应的标签路径是datasets/mydata/labels/train/001.txt。如果你的目录结构不是这个约定要么改结构要么在data.yaml里显式写标签路径。我见过有人把标签放在Annotations_yolo/下然后怎么都读不到报错信息也不明显。花五分钟把目录对齐到官方约定比调试半天路径映射划算得多。推荐的目录长这样mydata/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ ├── classes.txt └── data.yaml注意images/train和labels/train必须是平级的层级结构完全镜像。转换脚本里OUT_DIR也要按划分分别写或者先全量转换到labels/all/再按清单拆分复制。后一种更稳妥因为原始xml只有一份全量转换后再镜像拆分不会出错。6. 那些只有动手之后才会遇到的问题6.1 中文路径与编码问题Windows上最常踩的坑就是中文路径。cv2.imread在路径含中文时会返回NonePIL.Image.open一般没问题。数据集目录只要有中文cv2回画验证那一步就全军覆没而且报错是NoneType相关的看不出根因。解决办法有两个一是把整个数据集路径改成纯英文这是最省事的二是用numpy.fromfile加cv2.imdecode绕过路径编码问题。我倾向第一种项目从建目录开始就用英文加下划线避免后续一系列麻烦。xml文件本身的编码也要留意。标准VOC的xml开头会声明encodingutf-8但有些老工具导出的是gb2312或者没声明。ET.parse在遇到非utf-8编码的中文类别名时会抛ParseError。稳妥写法是先用open(path, rb)读字节检测编码后再ET.fromstring。如果类别名是中文那classes.txt也要用同一种编码保存并且在训练时确保框架能正确读中文类名——有些评估脚本在做类别名匹配时只支持ASCII。6.2 标注工具的格式变体不同标注工具导出的xml虽然大体遵循VOC细节差异不小。有的工具把bndbox里的坐标写成浮点数123.456有的写成整数float()转换都能处理但浮点坐标意味着标注时进行了缩放映射可能引入亚像素偏移一般可接受。有的工具在object里额外加了difficult和truncated字段YOLO训练通常不用这两个字段可以选择忽略但如果你的任务对遮挡特别敏感可以把difficult1的目标过滤掉或者反过来单独统计。还有的工具会导出segmented和分割多边形点转换时只看bndbox即可。还有一个变体值得注意部分工具导出的name里带前后空格或者大小写混杂。前面体检脚本里用了.strip()但没统一大小写。如果实际数据里确实存在person和Person并存的情况需要在体检阶段就统一成小写或者按classes.txt做大小写敏感匹配不要指望转换脚本自动修复。6.3 转换后损失函数异常高的诊断路径训练启动后box_loss一直居高不下或者从第一轮就异常高比如几十基本可以断定标签有问题。按下面的顺序排查能快速定位第一步看loss的初始值。正常情况YOLO的box_loss起始在1到2左右如果一开始就是十几二十标签坐标大概率有系统性错误。第二步随机抽几张训练图用前面回画的脚本画框重点看框是不是都在左上角一小片区域——如果都在左上角说明中心点的相对位置没算对比如把cx写成了xmin。第三步确认归一化分母是每张图自己的尺寸而不是固定值。第四步检查txt的行数和图片里实际目标数是否一致差得多就是过滤太激进或者object节点读取不全。我遇到过一个特别隐蔽的case代码里for obj in root.findall(object)写得没问题但xml里有一条object节点的bndbox下面多嵌套了一层bndbox标注工具bug导致find(xmin)返回Nonefloat(None.text)抛异常被外层except吞掉结果整张图被当成无目标处理。这种结构异常光看统计数字发现不了必须在异常处理里打印出问题文件的路径我后来所有转换脚本的except分支都强制print路径宁可日志多一点。6.4 保持转换脚本可复现的两条纪律第一转换脚本进版本管理和数据集版本号绑定。每次数据集内容变化脚本和classes.txt一起提交注释里写清楚这次变了什么——是新增了类别、修正了某些标注、还是调整了过滤阈值。半年后回头复现某个实验能准确知道当时用的是哪个版本的标签这对写报告和复现结果极其重要。第二转换过程必须留日志。上面脚本里的stat字典只是雏形正式用的时候把每个异常文件、每条被丢弃的目标都写进一个log文件格式是文件名 目标序号 异常类型 原始坐标。这样即使几个月后发现某个类别效果异常也能追溯到是不是转换阶段就丢了样本。日志文件通常不大加起来几十MB留着不心疼。标签是检测模型的天花板。再好的网络结构、再精细的超参调优都建立在标签正确的前提下。xml转txt这活儿的价值不在于脚本写得多漂亮而在于你对数据本身有多少掌控知道有几类、每类多少、尺寸怎么分布、哪些异常被处理、处理掉了多少。把这些数字捏在手里后面训练出任何异常指标第一反应才不会是怀疑模型而是先去核对标签。我个人习惯是每次拿到新数据集花半天时间做体检、转换、回画验证、统计核对这半天投入通常能省掉后面整整两天的盲目调试。