保姆级教程：用Labelme标注交通灯数据集，并一键转成YOLOv5训练格式（附完整脚本）

从零构建交通信号灯检测模型Labelme标注与YOLOv5格式转换全流程实战在计算机视觉领域目标检测一直是热门研究方向而交通信号灯的识别更是自动驾驶和智能交通系统中的关键环节。本文将手把手带你完成从原始图像标注到YOLOv5模型训练准备的全过程重点解决两个核心痛点如何用Labelme进行高精度多边形标注以及如何将标注结果高效转换为YOLOv5所需的训练格式。1. 环境配置与工具准备工欲善其事必先利其器。在开始标注前我们需要搭建稳定可靠的工作环境。推荐使用Anaconda创建独立的Python环境避免与系统环境产生冲突conda create -n labelme python3.8 -y conda activate labelme conda install pyqt5.15.7 -y pip install labelme5.1.1安装完成后通过终端输入labelme命令即可启动标注工具。为方便后续管理建议按以下结构创建项目目录yolov5_traffic_light/ ├── images/ # 存放原始图像 ├── annotations/ # 保存Labelme生成的JSON文件 ├── labels/ # 存放转换后的YOLO格式标签 ├── scripts/ # 存放转换脚本 └── dataset/ # 最终训练数据集2. 高质量数据标注技巧2.1 Labelme标注实操细节启动Labelme后点击Open Dir选择images文件夹加载待标注图像。标注交通信号灯时需特别注意多边形标注技巧使用滚轮放大图像至能清晰辨识信号灯边缘首尾点必须严格重合形成闭合区域对于圆形信号灯至少标注12个点以保证轮廓精度标签命名规范保持一致性如全部小写建议采用color_state格式如red_on,green_off避免使用空格和特殊字符标注示例对同一场景中的多个信号灯应分别标注并赋予正确标签。夜间场景需特别注意区分信号灯是否处于点亮状态。2.2 标注质量控制为提高模型训练效果标注时应注意完整性确保标注覆盖整个信号灯区域包括边缘光晕一致性相同类别的标注方式保持一致排除干扰不标注被遮挡超过30%的信号灯完成标注后系统会为每张图像生成对应的JSON文件包含以下关键信息{ version: 5.1.1, flags: {}, shapes: [ { label: red_on, points: [[302, 205], [310, 198], ...], shape_type: polygon } ], imagePath: IMG_001.jpg, imageData: null }3. 格式转换核心技术3.1 Labelme转YOLOv5格式原理YOLOv5要求标签文件为TXT格式每行表示一个对象包含class_id x_center y_center width height而Labelme生成的是多边形顶点坐标需要进行以下转换将多边形转换为最小外接矩形将绝对坐标归一化为相对坐标0-1范围计算中心点和宽高转换脚本核心逻辑def polygon_to_yolo(points, img_width, img_height): x_coords [p[0] for p in points] y_coords [p[1] for p in points] x_min, x_max min(x_coords), max(x_coords) y_min, y_max min(y_coords), max(y_coords) x_center (x_min x_max) / 2 / img_width y_center (y_min y_max) / 2 / img_height width (x_max - x_min) / img_width height (y_max - y_min) / img_height return [x_center, y_center, width, height]3.2 完整转换脚本实现创建json2yolo.py脚本实现批量转换import os import json from tqdm import tqdm def convert(json_dir, output_dir, class_list): os.makedirs(output_dir, exist_okTrue) for json_file in tqdm(os.listdir(json_dir)): if not json_file.endswith(.json): continue with open(os.path.join(json_dir, json_file)) as f: data json.load(f) txt_path os.path.join(output_dir, json_file.replace(.json, .txt)) with open(txt_path, w) as f: for shape in data[shapes]: class_id class_list.index(shape[label]) points shape[points] bbox polygon_to_yolo(points, data[imageWidth], data[imageHeight]) line f{class_id} { .join(map(str, bbox))}\n f.write(line) if __name__ __main__: convert(annotations, labels, [red_on, yellow_on, green_on])4. 数据集划分与验证4.1 科学划分数据集合理的数据集划分对模型评估至关重要推荐比例数据集比例用途训练集70%模型训练验证集20%超参数调优测试集10%最终评估实现代码片段def split_dataset(image_dir, label_dir, output_dir, ratios(0.7, 0.2, 0.1)): files [f for f in os.listdir(image_dir) if f.endswith(.jpg)] random.shuffle(files) train_idx int(len(files) * ratios[0]) val_idx train_idx int(len(files) * ratios[1]) splits { train: files[:train_idx], val: files[train_idx:val_idx], test: files[val_idx:] } for split, files in splits.items(): os.makedirs(os.path.join(output_dir, split, images), exist_okTrue) os.makedirs(os.path.join(output_dir, split, labels), exist_okTrue) for file in files: # 复制图像和标签文件到对应目录 ...4.2 数据一致性检查转换完成后必须验证数据质量图像-标签匹配检查# 检查文件数量是否一致 ls images/*.jpg | wc -l ls labels/*.txt | wc -l标注可视化验证 使用以下脚本将YOLO格式标注绘制到图像上import cv2 def visualize(image_path, label_path, class_names): image cv2.imread(image_path) height, width image.shape[:2] with open(label_path) as f: for line in f: class_id, xc, yc, w, h map(float, line.strip().split()) x1 int((xc - w/2) * width) y1 int((yc - h/2) * height) x2 int((xc w/2) * width) y2 int((yc h/2) * height) cv2.rectangle(image, (x1, y1), (x2, y2), (0,255,0), 2) cv2.putText(image, class_names[int(class_id)], (x1, y1-10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0,255,0), 2) cv2.imshow(Preview, image) cv2.waitKey(0)5. 高效标注的工程实践5.1 标注效率提升技巧快捷键记忆CtrlO打开目录CtrlS保存当前标注Ctrl鼠标滚轮快速缩放批量处理技巧# 批量检查JSON文件完整性 find annotations/ -name *.json -exec jq . {} /dev/null \;5.2 常见问题解决方案问题现象可能原因解决方案转换后坐标超出[0,1]范围标注点超出图像边界检查标注时是否误点在图像外转换后bbox宽高为0首尾点未重合确保多边形闭合类别ID错误class_list顺序不匹配保持转换和训练使用相同class_list在实际项目中建议建立标注规范文档包含标签命名规则标注质量要求特殊情况处理指南验收标准经过完整流程处理后的数据集可直接用于YOLOv5模型的练。将数据集按照YOLOv5要求的目录结构组织后创建对应的YAML配置文件即可开始训练。