数据集准备¶

现代目标检测、实例分割和旋转框检测¶

选择包含 data.yaml 的数据集根目录；旋转框页面也允许输入 YAML 路径。YAML 中指定训练集、验证集和类别映射。图片与标签须一一对应，类别编号从 0 开始且与类别表一致。

dataset/
  data.yaml
  images/train/
  images/val/
  labels/train/
  labels/val/

任务	每个目标一行的标签内容
普通检测	类别编号 中心x 中心y 宽 高
实例分割	类别编号 x1 y1 x2 y2 …，目标轮廓多边形
旋转框检测	类别编号 x1 y1 x2 y2 x3 y3 x4 y4，四个角点

坐标归一化至 0～1。旋转框角点按顺时针或逆时针排列；普通五列框、原始 DOTA 标签及自相交四边形不能直接用作该页面的 OBB 标签。软件会预检查 OBB 标签并报告文件及行号。

现代分类¶

按类别组织训练/验证图片，类别名称使用对应子文件夹名称。推荐显式保留 train/类别名 与 val/类别名，由分类引擎按其数据规则读取。此页面不是经典分类 TXT 清单导入入口。

classification/
  train/OK/...
  train/NG/...
  val/OK/...
  val/NG/...

分类结果目录生成在数据集同级的“数据集名_runs”，避免训练结果被误识别成类别。不要把以前生成的结果目录混进类别目录。

经典目标检测：一个 COCO 文件夹¶

默认选择 COCO 模式，选择数据集根目录并点击“检查数据集”。软件识别训练图片、COCO JSON、类别及可选的独立验证集。常见结构如下：

coco/
  images/train/...
  images/val/...             # 可选
  annotations/train.json
  annotations/val.json      # 可选

没有独立验证集时，全部训练图片用于训练，不自动划分，也不计算 mAP。OK 背景图片允许没有目标框；保留图片记录，annotations 中不必为它伪造框，也不需要新建一个“OK 目标”类别。软件会保留这些负样本。

类别映射以训练标注为基准；训练与验证类别名称须一致。软件生成实验内的标注副本与类别清单，不修改原始 COCO 文件。

经典分类：一个分类文件夹¶

优先读取 train_list.txt、val_list.txt 和 Label.txt；没有清单时识别 train/类别名、val/类别名。保留已有训练/验证划分，不自动重新划分。类别编号须连续，验证类别不能超出训练类别。

如果已经有其他命名结构，先使用“检查数据集”，以软件识别的训练数量、验证数量及类别为准。不要通过手动伪造类别编号来跳过检查。

异常检测：OK 图片与独立校准¶

训练目录只放 OK 图片。可以选择独立 OK 校准目录；留空时按文件内容去重后留出约 20% 做校准，至少需要 3 张不同 OK 图。训练特征库不使用校准图片；内容重复的训练图和校准图会被拒绝。

这条自动留出规则仅适用于异常检测，不能套用到经典 COCO 检测。