YOLO 格式 Format Guide

用于 YOLO 目标检测模型的标注格式

Annotation

Specification

YOLO 标注格式是一种简单的基于文本的标签格式，用于训练 YOLO（You Only Look Once）目标检测模型。数据集中的每张图像都有一个对应的 .txt 标注文件，文件名与图像相同（仅扩展名不同）。标注文件中的每一行代表一个边界框，包含五个以空格分隔的值：类别索引（整数）、中心点 x 坐标、中心点 y 坐标、框宽度和框高度。所有坐标均归一化到 [0, 1] 范围内，相对于图像尺寸。

归一化约定意味着中心点 x 坐标和宽度除以图像宽度，中心点 y 坐标和高度除以图像高度。这使得标注与分辨率无关——无论图像如何缩放，同一个标注文件都能正确使用。类别索引是从零开始的整数，映射到单独配置文件（通常是 data.yaml）中定义的类别名称。没有目标的图像对应的标注文件为空或不存在。

对于分割任务，YOLO 格式扩展为多边形标注，每行包含类别索引后跟定义多边形顶点的 x,y 坐标对。对于旋转边界框（OBB），格式使用类别索引后跟四个 x,y 角点坐标对。对于姿态估计，关键点以 x,y,可见度三元组的形式附加在边界框之后。Ultralytics YOLOv8 框架已将这些扩展格式标准化，涵盖检测、分割、分类、姿态估计和旋转边界框任务。

When to Use YOLO 格式

当使用 YOLO 系列模型进行训练时应使用 YOLO 格式——包括 YOLOv5、YOLOv7、YOLOv8、YOLOv9、YOLOv10、YOLO11 或通过 Ultralytics 框架使用的 RT-DETR。YOLO 是实时应用中最流行的目标检测架构，该标注格式得到所有主要标注工具的支持，包括 Label Studio、CVAT、Roboflow、Labelbox 和 V7。如果你的应用场景涉及实时目标检测，YOLO 格式和训练流水线很可能是最快的部署路径。

当你的工作流以 YOLO 系列模型为中心，且偏好每张图像对应一个文本文件的简洁方式时，应选择 YOLO 格式而非 COCO 格式。YOLO 格式更容易手动检查、编辑和进行版本控制，因为每个标注都是一个小型文本文件，而非一个大型 JSON 文件。它也避免了 COCO 嵌套 JSON 结构（包含独立的 category、annotation 和 image 字典）的复杂性。

当需要存储丰富的标注元数据（标注者 ID、置信度分数、标注时间戳），任务需要超出 YOLO 多边形格式支持范围的非矩形标注，或你正在训练期望 COCO、VOC 或其他标注格式的非 YOLO 系列模型时，YOLO 格式不太适用。

Schema / Structure

text

YOLO Detection Format (per line):
<class_id> <x_center> <y_center> <width> <height>

Where:
  class_id  - Integer class index (0-based)
  x_center  - Bounding box center X (normalized 0.0-1.0)
  y_center  - Bounding box center Y (normalized 0.0-1.0)
  width     - Bounding box width (normalized 0.0-1.0)
  height    - Bounding box height (normalized 0.0-1.0)

YOLO Segmentation Format (per line):
<class_id> <x1> <y1> <x2> <y2> ... <xn> <yn>

Dataset Directory Structure:
dataset/
├── data.yaml            # Class names and paths
├── train/
│   ├── images/
│   │   ├── img001.jpg
│   │   └── img002.jpg
│   └── labels/
│       ├── img001.txt
│       └── img002.txt
├── val/
│   ├── images/
│   └── labels/
└── test/
    ├── images/
    └── labels/

YOLO 标注格式规范，包含检测、分割和目录结构

Example Data

yaml

# data.yaml - Dataset configuration
path: ./dataset
train: train/images
val: val/images
test: test/images
names:
  0: person
  1: car
  2: bicycle
  3: traffic_light

# --- labels/img001.txt ---
# Two people and one car detected in the image
0 0.4531 0.3275 0.1200 0.4500
0 0.7125 0.4100 0.0950 0.3800
1 0.2800 0.5500 0.3200 0.2800

# --- labels/img002.txt ---
# One bicycle and one traffic light
2 0.6200 0.6800 0.1500 0.2200
3 0.1500 0.1200 0.0400 0.0800

YOLO 数据集配置文件（data.yaml）和目标检测标注文件

Ertas Support

Ertas Data Suite 支持 YOLO 格式数据集的计算机视觉训练数据准备。你可以导入 YOLO 格式的标注数据集，进行数据质量检查，包括标注验证（验证坐标范围、类别索引有效性和边界框合理性），并在保持 YOLO 目录结构的同时导出清理后的数据集。PII 脱敏可应用于关联的元数据文件，同时保持标注完整性。

Related Resources

Glossary

Annotation

Ship AI that runs on your users' devices.

Early bird pricing starts at $14.50/mo — locked in for life. Plans for builders and agencies.

View early bird pricing or join the waitlist →