简介：在计算机视觉工程中，数据集的质量与格式直接决定目标检测模型的训练效率。VOC、COCO与YOLO是三种最常用的标注格式，分别适用于人工审核、跨框架评测与模型训练。理解它们的坐标表示与转换逻辑，能有效避免格式错位导致的无效训练。对于海洋遥感、港口监控、无人机海面巡查等应用场景，一套包含5000张真实海面图像并提供三种标签格式的数据集，可大幅降低标注成本，帮助工程师快速跑通YOLO训练流程，同时沉淀一套可复用的标签管理与数据划分习惯。
1. 海洋目标检测别再自己标数据：5000 张图、三种标签格式与一条落地路线
YOLO海洋目标检测数据集（含5000张图片）这类资源，是开始海面目标检测项目时最省时间的入口。我第一次做海上船只检测时，光标注就花了两周，后来拿到这种带VOC、COCO、YOLO三种标签格式的包，直接省掉了格式转换和划分的重复劳动。它解决的核心问题是：用现成数据把YOLO训练流程跑通，同时留下一套可复用的标签管理习惯。适合做海洋遥感、港口监控、无人机海面巡查的算法工程师和研究生；如果你手头完全没有标注数据，它能让你当天看到训练曲线。不过资源包也不是万能药，后面我会讲清楚哪些地方必须自己再动一次手。
2. 三种标签格式的结构与选型：VOC、COCO、YOLO 各自适合哪个环节
这个包里带三种格式不是炫技，而是目标检测工具链本来就是割裂的：标注工具大多导出VOC，训练框架有的吃COCO，而YOLO训练又需要txt。很多教学代码只教一种格式，真正做项目时才发现要来回转。为了避免拿到资源后两眼一抹黑，先把三种格式的存储结构、坐标含义和适用场景说清楚。我会从VOC开始，因为它是人工最容易理解的“中间格式”。
2.1 VOC XML：一张图一个文件，人工核对时最好用
VOC格式的标签是XML文件，和图片同名，通常放在Annotations目录下。每个XML里有filename、source，然后一个object就是一个目标，object下面的bndbox给出xmin、ymin、xmax、ymax。坐标是绝对像素值，不做任何归一化。我的习惯是拿到数据集后先随机抽10个XML用文本编辑器直接看，能迅速判断标注质量，也能发现比如“类别名大小写不一致”这类问题。
下面是一段解析VOC XML的Python代码，用来快速预览一张图的标注：
import xml.etree.ElementTree as ET tree = ET.parse('Annotations/0001.xml') root = tree.getroot() print('图片名:', root.find('filename').text) for obj in root.iter('object'): name = obj.find('name').text box = obj.find('bndbox') xmin = int(box.find('xmin').text) ymin = int(box.find('ymin').text) xmax = int(box.find('xmax').text) ymax = int(box.find('ymax').text) print(f'{name}: ({xmin}, {ymin}) -> ({xmax}, {ymax})')说明：这段代码能把XML里的类别和边界框原样打印出来。VOC里坐标是像素绝对值，所以一旦图片做了resize，XML里的坐标不会跟着变，必须配合原图分辨率来用。这也是很多转换脚本出错的源头：直接用VOC坐标除以resize后的宽高，得到错误的归一化框。VOC还有一种常见字段是difficult，如果某个目标特别模糊，标注者会打上1，表示这张框不参与评估，处理数据时要注意保留而不是随手删掉。
VOC格式最适合人工Review，因为它可读性强、单文件独立，用LabelImg导出的默认格式就是它。缺点是文件数量多，类别是字符串而不是数字ID，转YOLO时如果大小写或中英文不一致，很容易让两个类别挤到同一个ID里。如果你只是在YOLO上训练，我一般会把VOC当成“中间格式”而不是最终训练格式。
2.2 COCO JSON：一个文件搞定所有，但细节让新人进黑匣子
COCO格式把所有标注塞进一个JSON文件，与VOC完全相反。顶层有三个关键字段：images数组，每项有id、file_name、width、height；annotations数组，每项有id、image_id、category_id、bbox、area、iscrowd；categories数组，每项有id、name。这里的bbox是[x, y, width, height]，即左上角坐标加框宽高，单位是像素。
我见过不少新手把COCO的bbox当成VOC的xmin,ymin,xmax,ymax直接用，结果训练出来预测框全是歪的。COCO比较反直觉的点还有两个：一是category_id通常从1开始，而YOLO的类别编号从0开始，转换时一定要做减一操作；二是iscrowd字段，如果一张图里有密集的船群，标注时被标成一个crowd对象，COCO的评估工具会把crowd区域里的其他检测视为误检，导致mAP看起来比实际低得离谱。另外annotations里还有area字段，通常等于bbox宽乘高，但有些转换工具生成时可能为0，会让训练框架在采样时跳过这个目标。
下面这段代码用于读取COCO文件并检查前三条图片记录，顺便检查每个类别的目标数量：
import json from collections import Counter with open('annotations/instances.json') as f: coco = json.load(f) print('categories:', coco['categories']) print('图片数量:', len(coco['images'])) print('标注数量:', len(coco['annotations'])) for img in coco['images'][:3]: print(img['id'], img['file_name'], img['width'], img['height']) cat_counter = Counter(ann['category_id'] for ann in coco['annotations']) print('每个类别的目标数:', dict(cat_counter))说明：先打印categories可以确认类别ID和名称是否与业务对应。如果资源包里COCO的categories和你预期的类别顺序不一样，后续做迁移评估时一定要小心。COCO格式的优势是评估指标标准统一，MMDetection、Detectron2等框架都直接用；劣势是单个JSON可能几十上百MB，且新人很难直观地把标注映射回图片上，一旦出错排查成本高。对于YOLO训练，COCO只是“中间交换格式”，不是最终格式。
2.3 YOLO TXT：归一化坐标直接喂给损失函数，最容易出错的也是这里
YOLO格式下每张图片对应一个同名txt文件，通常放在labels目录里。每行代表一个目标，格式是：class x_center y_center width height。注意前四个值都是相对于图片宽高的归一化值，范围0到1左右；class是一个从0开始的整数。坐标是中心点格式，不是左上角，也不是右下角。很多VOC转YOLO的脚本都卡在xyxy转xywh这一步。
下面这段代码读取一个YOLO txt并打印每个目标的类别和归一化框，同时过滤出异常行：
with open('labels/0001.txt') as f: for line in f: parts = line.strip().split() if len(parts) != 5: print('异常行:', line) continue cls = int(parts[0]) cx, cy, w, h = map(float, parts[1:]) print(f'类别{cls}: 中心({cx:.4f}, {cy:.4f}) 宽高({w:.4f}, {h:.4f})')说明：如果发现某一行坐标值大于1很多，基本是转换脚本忘了归一化；如果类别值大于类总数减一，说明类别ID从1开始了，需要整体减一。YOLO txt是ultralytics框架直接读取的格式，训练时不再需要额外解析，所以最终进入训练流程的几乎都是它。这个包同时给出VOC、COCO、YOLO三种格式，就是为了让你在不同阶段挑着用：人工校对用VOC，做评测和迁移到其他框架用COCO，训练YOLO用txt。
补充一个三个格式的对比表，方便快速做选择：
| 格式 | 存储方式 | 坐标形式 | 适合阶段 |
|---|---|---|---|
| VOC XML | 每图一个XML | 像素绝对值（xyxy） | 人工标注、审核、转格式 |
| COCO JSON | 单一大JSON | 像素值（x,y,w,h） | 评测、MMDetection等框架 |
| YOLO TXT | 每图一个txt | 归一化（cx,cy,w,h） | ultralytics训练与部署 |
用表格列出来，项目里谁负责哪一段就一清二楚了。如果还打算做目标检测的跨库评测，COCO的JSON是唯一能直接进官方评估工具的形式，所以保留它不会亏。
3. 划分脚本怎么用：从解压到生成 train/val/test 的完整流程与校验
3.1 解压后的第一件事不是训练，而是核对图片与标签的“账”
拿到RAR，解压后目录里通常有images、labels、xmls、annotations之类的文件夹，还有划分脚本和训练教程。这时候不要急着把代码往训练代码里塞，先跑一遍账目核对，确认图片数和标签数的比值、每个类别的样本量、空标签文件的数量。这一步能让你在动手前就知道数据集有没有明显问题，避免后面训练到一半才发现某类样本只有10张。
我用这段Python脚本做最基础的统计：
import glob from collections import Counter img_files = glob.glob('images/*.jpg') label_files = glob.glob('labels/*.txt') print(f'图片数: {len(img_files)}') print(f'YOLO标签数: {len(label_files)}') cls_counter = Counter() empty_labels = [] for lbl_path in label_files: with open(lbl_path) as f: lines = [line.strip() for line in f if line.strip()] if not lines: empty_labels.append(lbl_path) for line in lines: cls_counter[int(line.split()[0])] += 1 print('类别编号分布:', dict(cls_counter)) print('空标签文件数:', len(empty_labels))说明：类别编号分布能立刻看出有没有失踪的类别。比如你期待类别是0到4，但统计出来只有0、1、2、4，说明3号类别为空，训练时就会有一个类别永远学不到。空标签文件也要单独记下来，因为这些图片属于“负样本”，对减少误检有作用，划分时不能直接丢弃。
3.2 同步划分：图片、YOLO txt、VOC XML 必须按同一套名字走
训练集、验证集、测试集的划分看起来简单，实际上最常翻车的点是：只挪了图片，忘了挪对应的txt或xml；或者用不同随机数各划了一次，导致验证集里出现训练图片。我一般按图片名（不带后缀）作为唯一主键，先对所有图片名洗牌，再按比例切片，最后同时复制图片、txt、xml。这样才保证同一个目标在三个集合里只出现一次。
下面是项目里常用的一份划分脚本，比例默认是train/val/test=7/2/1：
import os import random import shutil random.seed(42) img_dir = 'images' yolo_dir = 'labels' voc_dir = 'xmls' out_dir = 'dataset_split' # 以jpg为例，主流海洋数据集大多是jpg或png names = [f[:-4] for f in os.listdir(img_dir) if f.endswith('.jpg')] random.shuffle(names) n = len(names) n_train = int(n * 0.7) n_val = int(n * 0.2) splits = { 'train': names[:n_train], 'val': names[n_train:n_train + n_val], 'test': names[n_train + n_val:], } for split, file_names in splits.items(): os.makedirs(f'{out_dir}/images/{split}', exist_ok=True) os.makedirs(f'{out_dir}/labels/{split}', exist_ok=True) os.makedirs(f'{out_dir}/voc/{split}', exist_ok=True) for name in file_names: shutil.copy(f'{img_dir}/{name}.jpg', f'{out_dir}/images/{split}/{name}.jpg') if os.path.exists(f'{yolo_dir}/{name}.txt'): shutil.copy(f'{yolo_dir}/{name}.txt', f'{out_dir}/labels/{split}/{name}.txt') if os.path.exists(f'{voc_dir}/{name}.xml'): shutil.copy(f'{voc_dir}/{name}.xml', f'{out_dir}/voc/{split}/{name}.xml')说明：这里的核心是random.seed(42)，固定随机种子，保证每次划分结果可复现，方便别人复现代码。第二个关键是os.path.exists判断，如果某张图没有txt或xml，脚本不会中断，而是在文件系统里留下一个“缺标签”的样本。我建议第一次跑完后立刻做3.4的校验，不要抱着“应该都有”的心态。
3.3 COCO 划分不能直接切文件：要按 image_id 重新生成子 JSON
上面脚本处理了VOC和YOLO，COCO格式是一个大JSON，不能简单复制文件。划分时先建立文件名到image_id的映射，再筛出该集合内的images和annotations，生成新的子JSON。很多旧脚本只复制图片和txt，完全忘了同步COCO，导致后面想用COCO格式评估时，val JSON里混着train的标注。
我用下面这段代码补上COCO子集生成：
import json with open('annotations/instances.json') as f: coco = json.load(f) file_to_img_id = {img['file_name']: img['id'] for img in coco['images']} for split, file_names in splits.items(): image_ids = {file_to_img_id[name + '.jpg'] for name in file_names} sub_coco = { 'images': [img for img in coco['images'] if img['id'] in image_ids], 'annotations': [ann for ann in coco['annotations'] if ann['image_id'] in image_ids], 'categories': coco['categories'], } with open(f'{out_dir}/coco_{split}.json', 'w') as f: json.dump(sub_coco, f, indent=1)说明：这里用集合推导式收集image_ids，再筛选images和annotations。如果数据集里的file_name带有子目录前缀，比如“images/ship/001.jpg”，上面的name + '.jpg'就会出错，需要先用真实file_name做匹配。我建议先打印file_to_img_id的前几个键，确认文件命名的边界条件。
3.4 划分后的一致性校验：这份“坏文件清单”比肉眼可靠
划分完成后不能直接开训，最后要做一次一致性校验。我的做法是分别统计每个split下图片stem集合和标签stem集合，打印出差集。差集为空才继续；有差集就回到划分脚本修，而不是在训练报错时再去猜。
from pathlib import Path def validate_split(split): img_root = Path(f'dataset_split/images/{split}') lbl_root = Path(f'dataset_split/labels/{split}') img_stems = {p.stem for p in img_root.glob('*.jpg')} lbl_stems = {p.stem for p in lbl_root.glob('*.txt')} missing_lbl = img_stems - lbl_stems missing_img = lbl_stems - img_stems if missing_lbl or missing_img: print(f'[{split}] 图片缺标签: {len(missing_lbl)} 个, 标签缺图片: {len(missing_img)} 个') print('示例:', list(missing_lbl)[:5], list(missing_img)[:5]) else: print(f'[{split}] 检查和图片一致，共 {len(img_stems)} 张') for s in ['train', 'val', 'test']: validate_split(s)说明：这一步相当于给划分操作吃了颗后悔药，能在损失几千块钱算力之前发现文件级错误。如果你之后用了别的增强脚本，也建议把校验脚本留到管线里，每次生成新数据集都跑一遍。
4. 训练教程跑通：ultralytics 环境配置、data.yaml 与最小训练命令
4.1 环境配置：用 ultralytics 一个包就能开始
先说环境。ultralytics这个框架把数据加载、数据增强、训练、评估和导出都封装好了，安装是最省心的一环。对于0基础纯小白，我强烈建议先用conda建一个独立环境，不要用系统的base环境，因为YOLO的依赖和公司内其他项目经常互相冲突。这里给出最小安装命令：
conda create -n yolo python=3.10 -y conda activate yolo pip install ultralytics说明：python=3.10是常见稳定版本，3.11、3.12也能跑，但遇到某些旧显卡驱动时3.10的兼容问题最少。装完之后跑一下python -c "import torch; print(torch.cuda.is_available())"，如果输出False，说明当前环境没有可用CUDA，训练会沦落到CPU上，速度慢到线性增长的心理准备。这个环境配置步骤是通用的，和数据包无关。
如果公司网速一般，第一次运行训练命令时下载yolov8n.pt可能会卡住。我一般会先手动把预训练权重放到当前工作目录，再运行命令，避免终端悬挂在进度条上。这个手动下载和训练命令下载是同一件事，区别只是先把文件放到位。
4.2 data.yaml 怎么写：nc、names 与路径映射
ultralytics训练时读取一个data.yaml，告诉框架图片和标签在哪里、类别有哪些、名称是什么。目录结构建议按官方约定：images/train、images/val、labels/train、labels/val，且images和labels同级。如果你的数据已经由前面划分脚本生成，那么只需要写一个data.yaml：
path: /data/ocean_dataset_split train: images/train val: images/val test: images/test nc: 4 names: 0: ship 1: boat 2: buoy 3: platform说明：path是数据集根目录，train和val是相对path的子目录。这些路径可以直接写绝对路径，但为了配合多机训练，我一般写成相对路径。nc是类别数量，names列表的顺序必须和YOLO txt中class数字一一对应。如果你把VOC标签里的字符串名直接按字母序填进来，但txt编号是按原数据集顺序生成的，结果就是“ship”类被当成“boat”类训练，mAP曲线还不会报警，这是最难排查的一类问题。
这里需要多说一句预训练权重：ultralytics的预训练权重是在COCO80类数据集上训练的，而我们自定义数据集只有4类。加载权重时，检测头和分类头形状不一致，ultralytics会自动丢弃原来的输出头并重新初始化。这也是为什么你不需要手动改权重文件，但要在data.yaml里正确写nc和names。
4.3 最小训练命令与三个必调参数
数据准备就绪后，一条最小训练命令长这样：
yolo train data=ocean.yaml model=yolov8n.pt epochs=100 batch=16 imgsz=640 patience=20说明：model=yolov8n.pt表示用YOLOv8n的预训练权重作为初始点，它会从网络加载，如果已有本地权重就在本地加载。epochs=100是总轮数，batch=16是每批图片数，imgsz=640是将输入图片缩放到640x640。这三个参数直接决定训练时长和显存占用，是每个项目都绕不开的必调项。
imgsz在海洋目标检测里尤其关键。如果你的原图分辨率是1920x1080，很多远处船只只有20x20像素，直接缩到640，小目标几乎消失。常见做法是把imgsz提高到1280，代价是显存和训练时间成倍增加。我一般先跑一版640看整体mAP，再跑1280对比，否则容易把算力浪费在无效实验上。
patience=20是早停参数，连续20轮mAP没有提升就停止训练。这个参数能省不少时间，但如果你把epochs设成500，而模型在300轮才真正开始收敛，早停可能提前杀掉训练。所以初跑阶段我习惯设大一点，比如50，确认学习的曲线被完整记录后再决定。
训练日志里还会输出box_loss、cls_loss、dfl_loss三项损失，这三个共同组成YOLO的损失函数。我一般不看总loss，而是分别看：box_loss高说明边框回归还没学好，cls_loss高说明类别混淆严重，dfl_loss高通常和目标框大小分布有关。如果cls_loss连续不降，优先去看类别样本数是否有极端不均衡，而不是硬调学习率。
4.4 第一次训练后看哪些指标
训练结束后会在runs/detect/train目录下生成权重和曲线。我第一件事不是看mAP，而是看results.png里的mAP50和mAP50-95曲线。如果mAP50能超过0.6，这个数据集基本可以用了；如果低于0.4，建议先怀疑数据清洗，再怀疑网络结构。
另外一定要看confusion_matrix.png，这张图能显示两个类别之间互相混淆的情况。海洋目标里“ship”和“boat”经常因为尺寸大小差异不明显而互相混；如果这两个类在混淆矩阵里频繁互换，可以考虑合并成同一个类，或者重新优化标注边界。很多教程不会提醒你看这张图，但它比mAP更能指出数据定义问题。
在训练教程里，ultralytics也内置了验证命令，最简单的是：
yolo val model=runs/detect/train/weights/best.pt data=ocean.yaml说明：训练完成后用best.pt在测试集上验证，比训练日志里最后一段更可靠，因为它用的是test split，而非val。资源包里如果有官方划分脚本，大概率也是这样约定。
5. 避坑指南：海洋数据集训练最常见的 5 个翻车现场
5.1 数据侧：标签格式转换错位带来的无效训练
第一个翻车现场：训练了50轮，loss还在3.0以上，曲线完全下不来。现象是mAP50一直接近0，训练loss也不减。原因几乎都是标签坐标格式错误。比如把COCO的x,y,w,h直接当成YOLO的cx,cy,w,h使用；或者把VOC的xyxy转成xywh时忘记除以宽高。解决方法是写一个可视化脚本，把训练数据集的ground truth画到原图上，人为看10张图，只要框的位置明显不对，立刻停止训练，重新检查转换代码。
第二个翻车现场：验证集mAP很高，但实际跑一段海面视频，发现模型拼命检测海浪。现象是在训练集JPG上效果完美，一上视频全是误检。原因一般是负样本太少，模型把背景和前景的边界学偏了。解决是在训练集里加入一批没有任何目标的海洋空景图片，对应空标签文件，模型才能学会“这里没有船”的置信度。这也是为什么前面划分脚本不能随意丢弃空标签的原因。
5.2 训练侧：参数和环境导致的无效训练
第三个翻车现场：训练过程中显存OOM直接中断。现象是跑到一半报CUDA out of memory。原因是batch=16, imgsz=1280同时开太大，而你的显卡只有8G显存。解决方法是先小步试错：batch=4, imgsz=960，确认loss能下降后再加大；同时把workers调低，避免数据加载占用过多内存。
第四个翻车现场：训练能跑完，但val mAP50为0。现象是训练日志一切正常，损失在降，模型也能推理，但验证集mAP全是0。原因通常是data.yaml里的names顺序和txt标签类别ID对不上，或者验证集里混合了没有标签的图片。解决方法是先打印一张验证集图片的预测结果，如果类别颜色和业务对不上，就修正data.yaml顺序；再跑一次3.4的校验脚本，确认val labels不是空的。
第五个翻车现场：训练曲线不收敛，loss上下剧烈震荡。现象是box_loss忽高忽低，mAP曲线像锯齿。原因可能是学习率太高，但更常见的是batch太小，样本随机性太大。解决是先用lr0=0.0001试跑50轮，如果稳定了再逐步提高；或者增大batch并开启amp=True混合精度，这样能缓解显存压力，同时让梯度更平滑。
最后补充一个通用排查步骤：当训练结果诡异时，永远先可视化数据，再用小模型小imgsz跑10轮做冒烟测试。冒烟测试如果还是不稳，十有八九是数据管线问题，而不是模型问题。这是我一遍遍踩坑之后形成的习惯。
6. 进阶技巧：用小目标切图推理把召回率再提一档
当模型在1920x1080海图上，远处船只只有二三十像素时，即便训练时用了imgsz=1280，推理时直接整图缩放仍会丢小目标。常见做法是SAHI这类切图推理库，或者自己写一个滑动窗口。我倾向先用自带脚本，因为SAHI的NMS逻辑可以省掉很多合并麻烦，但如果你想快速验证可行性，下面这段代码足够用：
import cv2 import numpy as np from ultralytics import YOLO model = YOLO('best.pt') def slice_inference(img, slice_size=640, overlap=0.2, conf=0.25): h, w = img.shape[:2] step = int(slice_size * (1 - overlap)) detections = [] for y in range(0, h, step): for x in range(0, w, step): crop = img[y:y + slice_size, x:x + slice_size] result = model(crop, conf=conf) for box in result[0].boxes: x1, y1, x2, y2 = box.xyxy[0].tolist() detections.append((x + x1, y + y1, x + x2, y + y2, float(box.conf[0]), int(box.cls[0]))) return detections说明：这个函数把大图切成一个个640x640的小块，每块独立推理，再把检测框坐标加回偏移量。overlap设为0.2可以防止目标正好卡在切缝上。缺点是同一个大目标可能被多个窗口重复检测，所以后面必须接NMS；如果目标本身不算小，甚至可以直接用模型自身的NMS输出结果，但对重叠窗口产生的重复框，最好用cv2.dnn.NMSBoxes再压一次。
我的个人习惯是，先训练一个1280x1280高分辨率版本，再切图推理做对比。如果切图比高分辨率mAP高出5个点以上，说明小目标问题值得用切图方案解决；如果提升不明显，就直接用整图推理，省得推理管线变复杂。还有一个小技巧：切图时不要缩放，直接按原像素切，这样小目标不会因为缩放出二次模糊；同时把conf调低到0.15，因为切图后一个小目标在一个窗口里占比变大，模型给出的置信度往往比整图时高，所以可以接受更低的阈值。
我现在已经习惯在训完之后先画10张预测图，看一眼漏检的是不是远处小船。如果漏检对象集中在某个尺寸区间，切图推理经常比改网络结构更管用。希望帮到你。
本文还有配套的精品资源，点击获取
