YOLO11数据集制作全流程，简单易懂

YOLO11数据集制作全流程，简单易懂

你是不是也遇到过这样的问题：想用YOLO11做目标检测，却卡在第一步——数据集怎么准备？标注工具不会用、文件结构理不清、标签格式总出错、训练前还要手动划分训练集验证集……一堆步骤让人望而却步。

别担心。这篇文章不讲理论、不堆参数，只带你从零开始，亲手做出一个能直接喂给YOLO11训练的可用数据集。全程用最直白的语言、最贴近实际的操作顺序，连Labelme怎么画框、json怎么转txt、文件夹怎么建都手把手说明白。哪怕你没碰过标注工具，也能照着做完。

我们用的是真实可用的YOLO11镜像环境（ultralytics-8.3.9），所有路径、脚本、配置都来自镜像内预置结构，无需额外安装或修改路径。文末还会告诉你怎么把做好的数据集立刻跑起来训练——真正实现“做完就能用”。

1. 先搞清楚：YOLO11要什么样的数据

YOLO系列模型对数据格式有明确要求，不是随便放几张图+几个标签就行。它需要三样东西：

• 图片文件：JPG或PNG格式，放在统一目录下
• 标签文件：与图片同名的.txt文件，每行代表一个目标，格式为：
  类别序号 中心x坐标(归一化) 中心y坐标(归一化) 宽度(归一化) 高度(归一化)
• 数据配置文件：一个YAML文件，告诉模型“图在哪”“标签在哪”“有几个类别”

这三者缺一不可，但别怕——我们接下来就一步步把它们全配齐。

小贴士：所谓“归一化”，就是把像素值除以图片宽高。比如一张640×480的图，目标框左上角是(100, 80)，宽高是200×150，那么中心点就是(100+100, 80+75) = (200, 155)，归一化后就是(200/640, 155/480) ≈ (0.3125, 0.3229)，宽高归一化为(200/640, 150/480) ≈ (0.3125, 0.3125)。这些计算不用你手算，后面脚本自动完成。

2. 建立清晰的数据文件夹结构

先在项目里搭好“家”。YOLO11镜像中已预置了标准路径，我们只需按约定把文件放对位置。

进入项目根目录：

cd ultralytics-8.3.9/

然后创建以下层级（用mkdir -p一次性建好）：

mkdir -p resources/images/det/json mkdir -p resources/images/det/datasets/images mkdir -p resources/images/det/datasets/labels mkdir -p resources/config/data

这个结构的意思是：

• json/：存放你用Labelme标注生成的原始.json文件（含图片路径和框坐标）
• datasets/images/：存放所有原始图片（训练+验证用的图都放这里）
• datasets/labels/：存放转换后的.txt标签文件（YOLO11真正读的格式）
• config/data/：存放数据集配置文件（告诉模型去哪里找图和标签）

关键提醒：所有原始图片必须同时放在json/和datasets/images/两个文件夹里。因为Labelme需要读图来标注，而YOLO11训练时只认datasets/images/下的图。这是新手最容易漏的一步。

3. 用Labelme标出你的第一个目标框

Labelme是开源、免费、界面清爽的标注工具，YOLO11镜像里已预装，直接启动即可。

3.1 启动Labelme并加载图片

在终端中进入标注目录：

cd resources/images/det/json labelme

软件启动后，点击左上角Open Dir→ 选择resources/images/det/json文件夹 → 点击任意一张图开始标注。

3.2 画框 + 命名类别

• 左键按住拖动，画一个矩形框圈住目标（比如一个人、一辆车）
• 松开鼠标后，弹出对话框，在Label输入框里填类别名：person或car（注意大小写和拼写，必须和后续配置文件完全一致）
• 点击OK，框就标好了
• 继续标下一个目标，直到这张图上所有目标都框完

3.3 保存为JSON

标完一张图，点击顶部菜单Save→ 保存为同名.json文件（如img001.jpg对应img001.json）。
Labelme会自动把框的坐标、类别、图片路径等信息存进JSON里，我们不需要看内容，只要确保它存在就行。

实操建议：先拿5张图练手（人+车各几例），确保你会画框、会命名、会保存。不要一上来就标100张——先跑通流程更重要。

4. 把JSON转成YOLO11能读的TXT标签

Labelme生成的JSON包含丰富信息，但YOLO11只认简单的TXT格式。镜像里已提供转换脚本，一行命令搞定。

回到项目根目录，运行转换命令：

python tool/tool_json2label_det.py \ --json_dir resources/images/det/json \ --img_dir resources/images/det/datasets/images \ --save_dir resources/images/det/datasets/labels

执行后，你会看到：

• resources/images/det/datasets/labels/下多出和图片同名的.txt文件（如img001.txt）
• 每个TXT里是若干行数字，格式正是YOLO要求的：类别序号 x_center y_center width height（全部归一化）

打开一个txt看看，内容类似这样：

0 0.423 0.615 0.210 0.382 1 0.785 0.521 0.320 0.215

表示：第1行是person（序号0），在图中居中位置偏右下；第2行是car（序号1），在右上区域。

验证是否成功：检查labels/里的txt数量是否和images/里的jpg数量一致；打开一个txt，确认行数是否等于这张图中标出的目标数。

5. 划分训练集和验证集（自动打乱+分比例）

YOLO11训练必须分开train/和val/两组数据。镜像自带分配脚本，支持按比例随机划分，还能自动创建对应子文件夹。

运行命令：

python tool/tool_det2datasets.py \ --img_dir resources/images/det/datasets/images \ --label_dir resources/images/det/datasets/labels \ --save_dir resources/images/det/datasets \ --train_ratio 0.8

参数说明：

• --train_ratio 0.8表示80%的图片进训练集，20%进验证集（你也可以改成0.7或0.9）
• 脚本会自动在datasets/下新建train/和val/两个文件夹，并把图片和对应标签分别复制进去

执行完成后，你的datasets/目录结构变成这样：

datasets/ ├── images/ │ ├── img001.jpg │ └── ... ├── labels/ │ ├── img001.txt │ └── ... ├── train/ │ ├── images/ ← 训练用图 │ └── labels/ ← 训练用标签 └── val/ ├── images/ ← 验证用图 └── labels/ ← 验证用标签

小技巧：脚本会跳过没有对应标签的图片（比如你标了一半就停了），所以不用担心误操作污染数据集。

6. 写好数据配置文件（YAML）

现在图片有了、标签有了、分组也有了，最后一步：写一个YAML文件，告诉YOLO11“我的数据长什么样”。

在resources/config/data/下新建文件yolo11-det.yaml，内容如下：

# 数据集根路径（相对于该yaml文件的位置） path: ../ultralytics-8.3.9/resources/images/det/datasets # 训练集、验证集、测试集的子目录名（注意：这里填文件夹名，不是完整路径） train: train/images val: val/images test: val/images # 测试集可选，暂用验证集代替 # 类别名称，序号从0开始，顺序必须和标签中的序号严格对应 names: 0: person 1: car

特别注意两点：

• path是相对路径，指向datasets/这一级，不是datasets/images/
• train/val的值是train/images，不是train/—— 因为YOLO11默认在子目录下找images/和labels/

保存后，这个文件就是你整个数据集的“身份证”，训练时会靠它定位所有资源。

7. 验证数据集是否真的可用

在你急着训练之前，先快速验证一下：数据集有没有路径错误？标签格式对不对？类别名拼错没？

YOLO11自带数据检查功能。运行这条命令：

python -c "from ultralytics.data.utils import check_det_dataset; check_det_dataset('resources/config/data/yolo11-det.yaml')"

如果一切正常，你会看到类似输出：

Found 40 images and 40 labels in train... Found 10 images and 10 labels in val... All labels checked successfully.

如果报错，常见原因有：

• path路径写错 → 检查yolo11-det.yaml中的path是否能从该文件位置正确抵达datasets/
• train:后面少了/images→ 必须是train/images，不是train
• 类别名大小写不一致（如写了Person）→ 必须小写person

改完再运行一次，直到提示“successfully”。

8. 附：下一步——怎么立刻开始训练？

数据集做好了，训练就只剩一步。YOLO11镜像里已预置训练脚本，你只需确认两点：

1. 模型配置文件存在：resources/config/model/yolo11-det.yaml（镜像自带）
2. 预训练权重存在：weights/det/yolo11n.pt（镜像自带）

然后运行训练命令：

python train.py \ --data resources/config/data/yolo11-det.yaml \ --cfg resources/config/model/yolo11-det.yaml \ --weights weights/det/yolo11n.pt \ --epochs 100 \ --batch-size 4 \ --imgsz 640

训练日志会实时打印在终端，loss下降、mAP上升，说明你的数据集正在被模型“吃下去”。

提示：首次训练建议设--epochs 100，快速验证流程；效果满意后再调高到1000。--batch-size根据显存调整，镜像默认支持CPU训练，填4足够。

9. 总结：你刚刚完成了什么

回顾一下，你已经亲手走完了YOLO11数据集制作的全部核心环节：

• 搭建了符合规范的文件夹结构（json/、images/、labels/、train/val/）
• 用Labelme完成了真实目标标注（画框+命名+保存）
• 用一键脚本把JSON转成了YOLO标准TXT标签（自动归一化）
• 用分配脚本自动打乱并划分训练/验证集（避免人为偏差）
• 编写了准确的数据配置YAML（路径、目录、类别三者严丝合缝）
• 用官方检查工具验证了数据集完整性（杜绝路径/格式错误）
• 准备好了即刻训练的命令（数据→模型→启动，无缝衔接）

这不是纸上谈兵的教程，而是你在YOLO11镜像里真实可执行、可复现、可交付的工作流。以后换新数据，照着这个流程再来一遍，10分钟就能准备好一套新数据集。

真正的工程能力，不在于懂多少模型原理，而在于能把想法快速落地成可用的数据和结果。你现在，已经跨过了那道最难的门槛。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。