前言
下面将会讲述YOLO标注数据的基础格式以及一些标注技巧。
格式
标注文件由一行或者多行"类别id 中心点X 中心点Y 宽度 高度"组成。为了方便理解直接上一个具体示例：
假设一张图片"zoo.jpg"（尺寸是800×600像素），里面包含一只猫（类别id为0）和一条狗（类别id为1），并且它们的位置有重叠。
1. 计算归一化坐标
YOLO要求的坐标必须是归一化的（0~1之间的小数），计算公式为：像素坐标 ÷ 图片尺寸。
猫：边界框左上角(100, 200)，右下角(300, 400)。
中心点 X = (100+300)/2 / 800 = 0.25
中心点 Y = (200+400)/2 / 600 = 0.50
宽度 = (300-100) / 800 = 0.25
高度 = (400-200) / 600 = 0.33
狗：边界框左上角(400, 250)，右下角(700, 500)。
中心点 X = (400+700)/2 / 800 = 0.6875
中心点 Y = (250+500)/2 / 600 = 0.625
宽度 = (700-400) / 800 = 0.375
高度 = (500-250) / 600 = 0.4167
2. 创建标签文件"zoo.txt"
直接在txt内写上两行（第一列是类别ID，后四列是坐标数据）。
标注工具推荐
标注计算看起来是不是很繁琐？但是在实际工作中，没有哪个大聪明会去手动计算！现代化的标注工具已经支持可视化地拉框，同时工具会生成对应上述格式的txt文件！！！
这里推荐 Make Sense（在线网页版，但是数据处理在本地处理）。
标注技巧以及雷点
标注YOLO训练数据是决定模型性能上限的最关键环节，如果标注的质量差，再好的算法也无力回天，下面是三个标注的核心原则：
- 边界框的"紧贴"原则（最高优先级）
必须紧贴物体： 框必须恰好包裹住物体的可见部分，必须紧贴物体， 不要包含大量背景！也绝不要裁切到物体主体。特别处理： 如果物体被遮挡或截断， 只标注可见部分！ 不要自行"脑补"被遮挡的边缘，否则会引入巨量噪声。平衡正负样本： 对于小目标， 框要尽可能精准 ，因为YOLO下采样后特征图较小，轻微偏移都会导致IOU剧烈下降。
- 分类的"互斥"与"粒度"把控
互斥性： 确保类别定义清晰， 遇到难以区分，近似度高的对象则建议合并 ，否则模型会持续混淆。以调味品为例：
"精盐"和"白糖"这二者从外观上十分难以区分，所以标记的时候应该合并为"调味品"而非"精盐"和"白糖"。类内差异： 如果同一类别外观差异巨大，可以合并；但是如果差异具有语义意义，则必须分开，因为这是任务的需要。以水果为例：
"绿苹果"和"红苹果"，如果仅仅检测的是苹果，那么二者可以合并为"苹果"；如果需要检测统计"绿苹果"和"红苹果"的数量则不能合并。密集堆叠： 在目标密集的场景中， 宁可漏标一个模糊的，也不要标注"融合框" ，即一个框只框一个实例，绝不允许一个框同时框住两个紧挨着的物体。 - 处理"模糊"与"遮挡"的黄金法则（一致性大于绝对正确）
必须紧贴物体： 对于看不清的边缘，务必统一标注规则。关键：
同一批次数据中，处理模糊目标的标准必须前后一致，模型只认统计数据，不认绝对真理。遮挡处理： 正常标注可见边缘，但是遮挡面积大于50%建议打"遮挡标签"。
一些其他需要注意的点（杂谈）
训练的数据（图像）应该全场景覆盖，不能只标注某一种单一环境，必须包括各种各样的极限环境，否则环境一变训练出来的模型立刻失效。
验证集和训练集绝对不要包含相同或者相似的图像，否则会导致验证精度虚高但是在部署时一塌糊涂。务必保证验证集和训练集时间空间上完全独立。
标注完毕后建议回头再审视一遍标注框，以避免漏标错标。