告别Labelme标注烦恼:一个Python脚本搞定YOLO11数据集制作与自动划分

自动化脚本的核心设计思路

  优秀的自动化工具应该像瑞士军刀一样兼具功能完备和易用性。我们设计的脚本需要同时解决三个关键问题:

• 格式转换：将Labelme的JSON多边形标注转换为YOLO格式的归一化坐标
• 数据清洗：自动过滤未标注的图片文件
• 智能划分：按比例随机分割训练集和验证集

脚本架构概览

def main():
    # 1. 初始化路径和参数
    config = load_config()
    # 2. 数据清洗阶段
    clean_data(config)
    # 3. 格式转换阶段
    convert_labelme_to_yolo(config)
    # 4. 数据集划分
    split_dataset(config)

  脚本设计采用模块化结构，每个功能独立成函数，方便后期维护和功能扩展。

关键技术实现细节

2.1 智能数据清洗机制

  原始数据中常混入未标注的图片，传统方法是人工筛选，我们的脚本通过自动配对机制解决：

def clean_data(config):
    img_files = glob.glob(f"{config.input_dir}/*.{config.img_ext}")
    for img_file in img_files:
        json_file = img_file.replace(f".{config.img_ext}", ".json")
        if os.path.exists(json_file):  # 只有配对的图片才会被保留
            shutil.copy(img_file, config.clean_dir)
            shutil.copy(json_file, config.clean_dir)

  文件处理流程：

1. 扫描输入目录的所有图片文件
2. 检查是否存在同名JSON标注文件
3. 仅保留成对的图片和标注文件

2.2 精准的坐标转换算法

  Labelme使用像素坐标，而YOLO需要归一化的中心坐标，转换算法需要考虑边界情况：

def convert_bbox(size, box):
    """
    将[xmin, xmax, ymin, ymax]转换为[x_center, y_center, width, height]
    """
    dw, dh = 1. / size[0], 1. / size[1]
    x = (box[0] + box[1]) / 2.0
    y = (box[2] + box[3]) / 2.0
    w = box[1] - box[0]
    h = box[3] - box[2]
    return (x * dw, y * dh, w * dw, h * dh)

  注意：转换后的坐标值必须在0-1之间，脚本会自动处理越界情况。