YOLO26数据准备：训练/验证/测试集划分脚本与实践指南

YOLO26 最近的热度确实高，新功能多、讨论也多，但不管模型怎么变，训练前的数据准备工作都省不掉。我这里说的“数据准备”，不是标数据，而是把现成的图片和标签拆成训练集、验证集、测试集三份。这一步如果偷懒用鼠标手动拖拽文件夹，或者干脆不分，后面训练时大概率会冒出一堆奇怪问题。这篇文章把我一直在用的划分脚本完整放出来，顺带把为什么要这么分、目录规范是什么、跑完怎么自查都讲清楚，照着做就行。

1. 训练还没开始，为什么先卡在数据集划分这一关

1.1 训练集、验证集、测试集各管什么事

先对齐一下概念。很多人把验证集和测试集混着叫，其实分工完全不同。训练集就是给模型学特征的，模型通过反向传播调整权重，用的就是训练集的样本。验证集是训练过程中用来“盯着”模型表现的，比如每个 epoch 结束后算一次 mAP，用来判断要不要早停、学习率要不要降。它的核心意义在于模拟模型没见过的新数据，但又不能真的拿最终评估数据来干这事。测试集则是整个训练彻底结束后，最后跑一次推理、出最终指标用的，它在训练过程中绝对不能参与任何决策，否则评估结果就是自欺欺人。

我在实际项目里见过不少把 test 集拿去当 val 用的情况，甚至有人压根不设 test 集。对工程落地来说，test 集必须留。举个真实例子：你训练完要给甲方报一个 mAP，如果这个数字是用验证集算的，而验证集在训练时已经被“参考”过无数次，那这指标是有水分的。等部署到现场，真实数据一进来，表现立刻打回原形。所以从源头把三分法立住，后面所有实验结论才站得住脚。

1.2 划分不合理会引发哪些问题

划分不合理带来的问题很典型，三个字：数据泄漏。同一个目标出现在训练集某张图里，又出现在验证集另一张图里，模型相当于提前“背过答案”。这种情况在视频抽帧数据集里特别常见，相邻几帧高度相似，随机一拆就把几乎一样的图分到两个子集里去了。一旦泄漏，训练时的 val mAP 虚高得吓人，但部署到真实场景后立刻崩盘，你都不知道该信哪个指标。

另一种问题是比例乱来。比如训练集 99%、验证集 1%，验证集里只有几张图，那早停策略基本废了，每个 epoch 的 loss 波动巨大，你根本看不出模型是不是真的在收敛。还有人把 train、val、test 三者加起来不等于 1，比如填了 0.8、0.1、0.2，脚本也不检查，最后 test 比 val 还大，整个训练流程乱套。这些问题靠手拖文件夹是防不住的，必须有一个统一逻辑的脚本来兜底。

1.3 什么时候可以不用划分脚本

当然也有不需要脚本的时候。如果数据是从开源数据集下载的，人家本来就已经分好 train/val/test，直接拿来用就行；或者你只是想临时跑通一个 demo，不在乎指标严谨性，随便塞一下也能训练。但只要你准备训自己的数据集，并且后面要对比实验、调参、报告指标，那就老老实实走脚本。一次划分，长期复用，比每次手动折腾高效得多。

2. 动手之前：YOLO26的数据集格式和目录规范

2.1 YOLO26沿用的一套目录格式

YOLO26 虽然网络结构有不少变化，但数据集的组织方式跟之前版本保持一致。官方训练代码默认读的就是 images/train、images/val 这种结构。你按下面的目录格式整理好，训练基本不用改路径。

dataset/ ├── images/ │ ├── train/ │ │ ├── img_0001.jpg │ │ └── ... │ ├── val/ │ │ └── ... │ └── test/ │ └── ... ├── labels/ │ ├── train/ │ │ ├── img_0001.txt │ │ └── ... │ ├── val/ │ │ └── ... │ └── test/ │ └── ... └── data.yaml

图片和标签分两个大目录，各自下面再按 train/val/test 分子目录。图片格式比较随意，jpg、png、bmp、webp 都行。标签是 YOLO 格式的 txt 文件，每行一个目标，格式固定为：类别ID 中心点x 中心点y 宽度 高度，后四项都是相对图片尺寸归一化到 0 到 1 的值。这个格式要求是整个 YOLO 体系的核心约定，划分脚本只需要保证文件配对正确，至于标签内容合不合法，那是标注阶段的事。

2.2 图片和标签文件名的配对规则

这套体系里最容易出错的就是文件名配对。YOLO 要求图片和它的标签拥有相同的主文件名，只是扩展名不同。比如 image_001.jpg 对应的标签必须是 image_001.txt，不能是 image_001 (1).txt，也不能放在别的目录里。很多标注工具导出的文件名里带空格、带括号、带中文，这些都会让匹配变得非常脆弱。

我的脚本里刻意按主文件名去找 .txt 后缀的文件，就是为了杜绝这类问题。比如一张图叫 001_001.jpg，脚本就去 labels 目录找 001_001.txt，找不到就把这个图片记入 missing_labels 列表，并在运行结束时打印警告。这样你一眼就能看出原始数据里有多少张图没标、多少个标签没图，而不是等到训练报错才发现。

2.3 划分比例和随机种子怎么定

比例怎么定，我一般这样给建议：数据量在一万张以下，用 8:1:1 最稳。训练数据不够的时候就放宽到 7:2:1，把验证集比例放大，因为小数据下指标方差大，需要更多验证样本来稳住早停和调参的判断。数据量到十万级，验证集和测试集各给 1% 甚至 0.5% 都够用。这真不是玄学，本质是权衡：训练样本少了学不到特征，验证样本少了指标不稳，得根据你的数据量去倒推比例。

随机种子这块，我习惯固定 seed=42。固定种子的意义不只是“每次运行都一样”，而是让你的实验可复现。今天跑一次，明天再跑一次，结果应该完全一致；你跟别人对比实验结果时，两边用同一个 seed，才能保证数据划分一致，否则你们俩的指标差异可能来自划分而不是模型改进。所以脚本里我把 seed 做成参数，默认 42，想换就换，但每次实验必须记录自己用的 seed 值。

3. 完整划分脚本：代码、逐段解读、参数说明

3.1 脚本设计思路与功能清单

这个脚本我用得比较久，设计原则就几条：不依赖任何第三方库，只用 Python 标准库，因为很多人的训练环境是内网，装不了 pip 包，标准库方案拿去就能跑；路径和参数全部从命令行传入，避免改代码；默认行为保守，也就是 copy 而不是 move，复制是安全的，原数据还在，划分结果不满意随时重来；遇到异常直接抛错，绝不静默跳过。为什么这么强调异常处理？因为划分这个步骤你希望它能“一票否决”，有配对不上、比例错误这类问题，当场报出来比训练到一半再发现要省事得多。

脚本的功能清单如下：

• 自动扫描图片目录中所有常见格式的图片，并在标签目录里匹配同名 .txt
• 按 train / val / test 比例随机划分，支持固定随机种子
• 自动创建 YOLO 规范的目录结构，支持 copy 和 move 两种模式
• 自动统计缺失标签的图片、缺失图片的标签，运行结束前打印警告
• 可选生成 data.yaml，把类别信息和数据路径一并写进去
• 校验三个比例之和必须等于 1，防止低级错误

3.2 完整脚本代码

把下面代码保存为 split_dataset.py，放在数据集所在目录的上一级即可。

#!/usr/bin/env python3 # -*- coding: utf-8 -*- """ YOLO26 / YOLO 系列数据集划分脚本 功能： 1. 自动扫描 --images 目录中的所有图片，并匹配 --labels 目录中的同名 txt 标签 2. 按 --train / --val / --test 比例随机拆分为 train / val / test 三个子集 3. 使用固定随机种子，保证每次运行结果一致 4. 自动创建 YOLO 规范的目录结构，支持 copy / move 两种模式 5. 可选生成 data.yaml，省去手写配置的时间 用法示例： python split_dataset.py --images ./images --labels ./labels python split_dataset.py --images ./images --labels ./labels --output ./dataset --train 0.8 --val 0.1 --test 0.1 --seed 2025 python split_dataset.py --images ./images --labels ./labels --with-yaml --nc 2 --names person car """ import os import random import shutil import argparse from pathlib import Path IMAGE_SUFFIXES = {".jpg", ".jpeg", ".png", ".bmp", ".webp", ".tif", ".tiff"} def parse_args(): parser = argparse.ArgumentParser(description="YOLO 数据集划分工具") parser.add_argument("--images", required=True, help="原始图片目录") parser.add_argument("--labels", required=True, help="原始标签目录") parser.add_argument("--output", default="./dataset", help="输出目录，默认 ./dataset") parser.add_argument("--train", type=float, default=0.8, help="训练集比例，默认 0.8") parser.add_argument("--val", type=float, default=0.1, help="验证集比例，默认 0.1") parser.add_argument("--test", type=float, default=0.1, help="测试集比例，默认 0.1") parser.add_argument("--seed", type=int, default=42, help="随机种子，默认 42") parser.add_argument("--mode", choices=["copy", "move"], default="copy", help="copy 保留原文件（默认），move 则移动文件") parser.add_argument("--with-yaml", action="store_true", help="同时生成 data.yaml") parser.add_argument("--nc", type=int, default=None, help="类别数量，配合 --with-yaml") parser.add_argument("--names", nargs="*", default=None, help="类别名称列表，配合 --with-yaml") return parser.parse_args() def collect_pairs(images_dir, labels_dir): """扫描图片目录，按主文件名匹配标签，返回三元组。""" image_map = {} for name in os.listdir(images_dir): ext = os.path.splitext(name)[1].lower() if ext in IMAGE_SUFFIXES: image_map[os.path.splitext(name)[0]] = os.path.join(images_dir, name) pairs = [] missing_labels = [] for stem, img_path in image_map.items(): label_path = os.path.join(labels_dir, stem + ".txt") if os.path.isfile(label_path): pairs.append((img_path, label_path)) else: missing_labels.append(stem) orphan_labels = [] label_names = {os.path.splitext(n)[0] for n in os.listdir(labels_dir) if n.lower().endswith(".txt")} for stem in label_names: if stem not in image_map: orphan_labels.append(stem) return pairs, missing_labels, orphan_labels def create_dirs(output, subsets, namespaces): """批量为每个子集创建 images/labels 目录。""" for subset in subsets: for namespace in namespaces: (Path(output) / namespace / subset).mkdir(parents=True, exist_ok=True) def write_yaml(output, nc, names): """生成 data.yaml，写入相对路径、类别数量与类别名称。""" if names is None: names = [str(i) for i in range(nc)] if len(names) != nc: raise ValueError(f"names 数量 {len(names)} 与 nc {nc} 不一致") out = Path(output) lines = [ "# 由 split_dataset.py 自动生成", "# 训练时如果相对路径报错，请改成绝对路径", f"train: {out / 'images' / 'train'}", f"val: {out / 'images' / 'val'}", f"test: {out / 'images' / 'test'}", f"nc: {nc}", "names:", ] for i, name in enumerate(names): lines.append(f" {i}: {name}") yaml_path = out / "data.yaml" yaml_path.write_text("\n".join(lines) + "\n", encoding="utf-8") print("[INFO] 已生成 data.yaml:", yaml_path) def split_and_distribute(pairs, args): """洗牌、按比例切分、复制或移动文件。""" random.seed(args.seed) shuffled = pairs[:] random.shuffle(shuffled) total = len(shuffled) n_train = round(total * args.train) n_val = round(total * args.val) n_test = total - n_train - n_val if n_train == 0 or n_val == 0: print("[WARN] 某个子集数量为 0，请检查比例设置。") partitions = { "train": shuffled[:n_train], "val": shuffled[n_train:n_train + n_val], "test": shuffled[n_train + n_val:], } for subset, items in partitions.items(): for img_path, label_path in items: img_dst = Path(args.output) / "images" / subset / Path(img_path).name label_dst = Path(args.output) / "labels" / subset / Path(label_path).name if args.mode == "copy": shutil.copy2(img_path, img_dst) shutil.copy2(label_path, label_dst) else: shutil.move(img_path, img_dst) shutil.move(label_path, label_dst) print("[INFO] 划分完成，子集统计:") print(f" train: {len(partitions['train'])} 张") print(f" val: {len(partitions['val'])} 张") print(f" test: {len(partitions['test'])} 张") return partitions def main(): args = parse_args() if abs((args.train + args.val + args.test) - 1.0) > 1e-6: raise ValueError("train + val + test 比例之和必须等于 1") pairs, missing_labels, orphan_labels = collect_pairs(args.images, args.labels) if not pairs: raise RuntimeError("没有找到任何图片与标签配对，请检查目录路径") print(f"[INFO] 共匹配到 {len(pairs)} 对 图片-标签") if missing_labels: print(f"[WARN] {len(missing_labels)} 张图片缺少标签: {missing_labels[:5]}...") if orphan_labels: print(f"[WARN] {len(orphan_labels)} 个标签没有对应图片: {orphan_labels[:5]}...") create_dirs(args.output, ["train", "val", "test"], ["images", "labels"]) split_and_distribute(pairs, args) if args.with_yaml: if args.nc is None and args.names is not None: args.nc = len(args.names) if args.nc is None: raise ValueError("--with-yaml 时必须提供 --nc 或 --names") write_yaml(args.output, args.nc, args.names) if __name__ == "__main__": main()

3.3 核心逻辑逐段拆解

先说参数解析这一块。我没有把所有逻辑都写死在主流程里，而是把图片目录、标签目录、输出目录、比例、种子、模式这些全做成命令行参数。这么做的好处是：换数据集时不用改代码，同一份代码在不同机器上都能跑。比例如 train 0.7 val 0.2 test 0.1，直接命令行敲进去，脚本自动完成检查与分配。

再说 collect_pairs 这个函数。它先遍历图片目录，按扩展名过滤出图片文件，把主文件名作为 key、完整路径作为 value 存进字典。然后用这个主文件名去标签目录拼 path，比如 stem.jpg 就去查 stem.txt。注意这里我把“有图片没标签”和“有标签没图片”分开统计，这是很多现成脚本忽略的地方。实际标注过程中，经常出现标到一半没存、或者某张图被删了但标签还在的情况，这两种数据留着都会在训练时产生噪声，提前揪出来才能保证数据集干净。

最后是 split_and_distribute。洗牌前我用shuffled = pairs[:]做了一个浅拷贝，避免把外部传入的列表顺序改掉。洗牌用固定 seed，随后按 round 计算每个子集的数量，最后一个 test 用总数减前两个来兜底，这样即使 round 有微小误差，三个集合加起来也一定等于总数。文件分发时默认 copy2，它会连文件的修改时间等元数据一起复制，方便你之后核对。

4. 把脚本跑起来：使用步骤与实战配置

4.1 命令行参数速查

用之前先把参数表过一遍，心里有数后面调参就快。

比例之和必须等于 1，这个脚本启动时会校验。如果你只想分成两份，比如 train 0.9、test 0.1、val 0，可以用 --train 0.9 --val 0 --test 0.1，脚本会把 val 子集建成空目录，不影响训练。

4.2 三种典型用法照着抄

第一种，默认 8:1:1 直接划分。把脚本保存为 split_dataset.py，在命令行进入脚本所在目录执行：

python split_dataset.py --images ./images --labels ./labels

运行结束后会在 ./dataset 下生成 images/ 和 labels/ 两个目录，各自带 train/val/test。第一次跑建议就用默认的 copy 模式，划分完去 dataset 里随机抽几个文件看看配对是否正确。

第二种，要生成 data.yaml，同时指定类别信息：

python split_dataset.py --images ./images --labels ./labels --with-yaml --nc 2 --names person car

这里 --nc 和 --names 可以只给一个，比如你只给了 --names person car，脚本会自动推断 nc=2，省得每次数一遍。如果类别名有空格，记得用引号包起来，比如 --names "traffic light" car。

第三种，磁盘不够、想省空间，用 move 模式：

python split_dataset.py --images ./images --labels ./labels --mode move

move 会把原文件直接移动到输出目录，速度比 copy 快得多，也不占双倍磁盘。但风险在于，一旦移动完成，原始目录就空了。所以我建议先 copy 跑一次确认没问题，或者确认自己有备份，再上 move。

4.3 自动生成 data.yaml 的细节

用了 --with-yaml 之后，脚本会在输出目录下生成 data.yaml，内容类似这样：

# 由 split_dataset.py 自动生成 # 训练时如果相对路径报错，请改成绝对路径 train: dataset/images/train val: dataset/images/val test: dataset/images/test nc: 2 names: 0: person 1: car

这里我刻意把 train/val/test 路径写成相对路径，而不是写死绝对路径，因为不同机器的项目位置不一样。你训练时，工作目录在 dataset 的上一级，这个相对路径就能直接识别。如果换到别的机器上跑，路径对不上，就把这三行改成自己机器上的绝对路径。这种“给个能用的默认值 + 一行注释”的做法，比直接写死路径或者完全不写要实用得多。

4.4 划分完成后如何自查

划分完别急着开始训练，先做三件事。第一，统计每个子集的图片和标签数量，要求一一对应。第二，随机抽三四张图，把标签框画上去看一眼，确认标签没有张冠李戴。第三，确认 test 集在整个调参过程中没有被碰过，训练时候的 data.yaml 也不要指向 test。

这里给你一个简单自查脚本，保存成 check_split.py 放在 dataset 同级目录跑：

from pathlib import Path for subset in ["train", "val", "test"]: img_dir = Path(f"dataset/images/{subset}") label_dir = Path(f"dataset/labels/{subset}") imgs = list(img_dir.glob("*")) labels = list(label_dir.glob("*.txt")) print(subset, "图片:", len(imgs), "标签:", len(labels)) img_stems = {p.stem for p in imgs} label_stems = {p.stem for p in labels} print(" 仅图片无标签:", len(img_stems - label_stems), "仅标签无图片:", len(label_stems - img_stems))

如果某个子集出现“仅图片无标签”数量大于 0，说明配对逻辑出了问题，回查原始目录里有没有同主文件名但不同扩展名的文件。

5. 实测中踩过的坑和排查技巧

5.1 常见问题速查表

这几年用下来，我遇到的高频问题基本就是下面这些，整理成了一张表，你可以直接对照排查。

5.2 三个最容易被忽视的细节

第一个细节：不要小看空标签文件。标注工具偶尔会生成 0 字节的 txt，这种文件既不影响 YOLO 训练也不报错，但它代表这张图没有标注目标。如果空标签图大量存在，你对训练集有效样本的判断就会被带偏。我的脚本不主动过滤空标签，因为空标签是合法的负样本，但我建议你划分完以后单独统计一下空标签数量，心里有数。

第二个细节：不同任务的标签内容不一样。目标检测的 txt 是 class x y w h，姿态估计的 txt 内容要复杂得多，实例分割任务如果用的是 mask 图，那就不是简单复制一个 txt 能搞定的。这个脚本内部的配对、划分逻辑是通用的，但如果你跑的是 YOLO26 的 pose 或 seg 版本，请先确认你的标签文件到底长什么样，分割任务的 mask 目录要一并纳入划分。

第三个细节：划分前务必检查 --output 不要指向原始数据目录内部。如果把输出目录放到 images 里面，copy 模式会在复制过程中把新生成的文件也当成原始图片扫描，导致结果越复制越多，目录结构彻底乱掉。我建议输出目录放在原始数据目录的同级，命名清楚，比如 ./dataset。

6. 关于数据划分，几个写在最后的小经验

我自己养成的一个习惯是：划分完以后，把所有文件名列表导出一份 txt 存起来。这样即使哪天误删了数据集目录，也能根据清单重新组织；发论文、出项目文档时，需要说明数据划分方式，这个清单就是最直接的依据。你可以在主脚本外面套一层，把每个子集的文件名写进 split_result.txt。

数据集很小的时候，比如只有几百张，8:1:1 会让验证集薄得没法看。这种情况下我一般直接做 5 折交叉验证，脚本外循环换 seed，轮流把每一折当验证集，最后取平均指标。虽然 YOLO 生态有现成的 k-fold 工具，但数据划分这一步用脚本循环控制最灵活，你完全清楚每一折的构成。

最后再提一个很多人会踩的坑：验证集不是越大越好，也不是越小越好，而是要和你的真实场景分布一致。如果你的目标是室内监控场景，数据里却混了一半野外航拍图，划分再漂亮，指标也会骗人。所以在跑划分脚本之前，先按场景把数据过一遍，把明显不属于目标领域的数据清掉，这一步比任何脚本都重要。