簡(jiǎn)介實(shí)例分割是計(jì)算機(jī)視覺(jué)中區(qū)分同類別不同個(gè)體的關(guān)鍵技術(shù)它輸出像素級(jí)掩碼在倉(cāng)儲(chǔ)物流場(chǎng)景中AGV叉車和機(jī)械臂需要精確識(shí)別每個(gè)托盤的輪廓和叉孔位置才能完成自主裝卸。然而實(shí)際項(xiàng)目中數(shù)據(jù)質(zhì)量往往決定模型上限從拿到數(shù)據(jù)集到訓(xùn)練部署中間每一步都有坑壓縮包損壞、標(biāo)注格式不兼容、類別定義混亂、訓(xùn)練集驗(yàn)證集重復(fù)等。尤其是COCO格式與YOLO格式的轉(zhuǎn)換以及數(shù)據(jù)劃分策略直接影響模型評(píng)估的真實(shí)性。本文以托盤實(shí)例分割數(shù)據(jù)集為例完整記錄從ZIP解壓排錯(cuò)、COCO轉(zhuǎn)YOLO、數(shù)據(jù)抽檢可視化到y(tǒng)olov8-seg訓(xùn)練調(diào)參的實(shí)操路徑并給出可復(fù)用的腳本和參數(shù)建議。這些經(jīng)驗(yàn)同樣適用于其他實(shí)例分割數(shù)據(jù)集可以幫助工程人員少走彎路。1. 收到一個(gè)“托盤實(shí)例分割數(shù)據(jù)集_20251120_042738.zip”先別急著解壓同事丟過(guò)來(lái)一個(gè)壓縮包文件名是“托盤實(shí)例分割數(shù)據(jù)集_20251120_042738.zip”。做倉(cāng)儲(chǔ)物流視覺(jué)的人看到這個(gè)名字就知道這是給托盤也叫卡板、pallet做實(shí)例分割用的訓(xùn)練數(shù)據(jù)。托盤是倉(cāng)庫(kù)里最不起眼又是最關(guān)鍵的東西AGV叉車要識(shí)別它才能進(jìn)叉機(jī)械臂要識(shí)別它才能抓取無(wú)人裝卸要識(shí)別它才能定位。實(shí)例分割的意義在于我們不僅要判斷畫面里有托盤還要把每一個(gè)托盤單獨(dú)圈出來(lái)畫清楚各自的輪廓邊界。而文件名后面那串“20251120_042738”是數(shù)據(jù)集的生成時(shí)間戳這個(gè)細(xì)節(jié)看著不起眼實(shí)際關(guān)系到后面版本管理的門道我放到最后單獨(dú)聊。拿到這種數(shù)據(jù)壓縮包大多數(shù)人第一反應(yīng)就是雙擊解壓然后拖進(jìn)訓(xùn)練腳本里跑。我早年也是這樣后來(lái)被坑過(guò)好幾次才明白一份數(shù)據(jù)集到底能不能用、能跑出什么效果從你拿到壓縮包那一刻起就已經(jīng)有50%的答案了。這篇就當(dāng)是給這包數(shù)據(jù)做一次完整的“驗(yàn)收改造訓(xùn)練部署”記錄適合正在做倉(cāng)儲(chǔ)物流識(shí)別、AGV避障、機(jī)械臂抓取或者剛拿到某個(gè)實(shí)例分割數(shù)據(jù)集不知道從哪下手的同學(xué)。我會(huì)把解壓排錯(cuò)、格式判讀、轉(zhuǎn)成YOLO格式、訓(xùn)練調(diào)參、評(píng)估落地這條鏈路完整走一遍中間穿插的坑都是實(shí)操里真會(huì)遇到的。1.1 實(shí)例分割和普通檢測(cè)的差別到底在哪先別急著動(dòng)手把這個(gè)底層問(wèn)題想清楚后面每個(gè)決策都有依據(jù)了。普通目標(biāo)檢測(cè)輸出的是矩形框也就是bounding box。矩形框?qū)ν斜P這種外形規(guī)則的剛體目標(biāo)來(lái)說(shuō)乍一看是夠用的——反正托盤大體是長(zhǎng)方形的。但實(shí)際項(xiàng)目里你會(huì)立刻撞上兩個(gè)問(wèn)題。第一托盤經(jīng)常堆疊、交錯(cuò)、前后遮擋。兩個(gè)托盤并排或者疊放的時(shí)候檢測(cè)框會(huì)連成一片框本身就失效了你根本分不清框里到底有一個(gè)托盤還是兩個(gè)。第二叉車和AGV真正要下叉的時(shí)候需要的是托盤叉孔進(jìn)叉口的精確位置和輪廓框的邊緣差十幾個(gè)像素可能就讓叉齒撞上貨物。實(shí)例分割在這里做的事是檢測(cè)每個(gè)目標(biāo)再給每個(gè)目標(biāo)單獨(dú)生成一個(gè)像素級(jí)輪廓也就是mask。這樣一來(lái)堆疊的目標(biāo)能分清叉孔邊界也能拿到像素級(jí)的精度。那語(yǔ)義分割不行嗎語(yǔ)義分割也能給每個(gè)像素分類但它把所有同類目標(biāo)合并成一個(gè)整體區(qū)分不出“托盤A”和“托盤B”。多目標(biāo)交互場(chǎng)景里實(shí)例分割是唯一能兼顧“識(shí)別托盤”和“逐個(gè)區(qū)分”的方案。至于Mask2Former或者SAM系列數(shù)據(jù)量充足、GPU資源寬裕的項(xiàng)目當(dāng)然可以上但現(xiàn)實(shí)里很多工廠項(xiàng)目只有一塊消費(fèi)級(jí)顯卡還要控制推理延遲YOLO系列的分割模型yolov8-seg / yolov11-seg依然是性價(jià)比最高的起點(diǎn)。后面所有轉(zhuǎn)換和訓(xùn)練都圍繞YOLO生態(tài)來(lái)講。1.2 文件名日期戳背后的版本管理邏輯很多人覺(jué)得壓縮包名字就是一串隨機(jī)字符其實(shí)“20251120_042738”就是這套數(shù)據(jù)集的生成時(shí)間格式是YYYYMMDD_HHMMSS。別小看這串?dāng)?shù)字它是數(shù)據(jù)集版本管理里最樸素也最有效的標(biāo)記。我見(jiàn)過(guò)太多團(tuán)隊(duì)的數(shù)據(jù)集叫“最終版v3”“new_dataset_2真最終”過(guò)兩周自己都分不清哪個(gè)新。我的建議是數(shù)據(jù)集統(tǒng)一用“項(xiàng)目名_內(nèi)容類型_YYYYMMDD_HHMMSS”命名壓縮包里再放一個(gè)version.txt或README記錄標(biāo)注規(guī)范、數(shù)據(jù)來(lái)源、樣本數(shù)量、變更說(shuō)明。這樣哪怕數(shù)據(jù)集傳到第三個(gè)人手里光看文件名就能判斷新舊不用打開(kāi)比對(duì)。這個(gè)時(shí)間戳還有另一層價(jià)值它標(biāo)記了采集時(shí)間窗口。工業(yè)場(chǎng)景里光照、貨物類型、產(chǎn)線布局會(huì)隨季節(jié)和現(xiàn)場(chǎng)改造而變化。模型在某個(gè)時(shí)間段效果變差時(shí)你能靠文件名快速定位自己用的是哪個(gè)時(shí)間窗口的數(shù)據(jù)排查是數(shù)據(jù)沒(méi)跟上現(xiàn)場(chǎng)還是模型本身退化。2. 解壓這關(guān)就卡住不少人ZIP文件損壞與密碼問(wèn)題的完整排查拿到zip文件第一步是解壓。但就這一步我見(jiàn)過(guò)大量同學(xué)被卡住。最常見(jiàn)的兩個(gè)報(bào)錯(cuò)是file is not a zip file翻譯過(guò)來(lái)就是“這不是一個(gè)有效的ZIP文件”invalid zip archive: could not find EOCDEOCD是ZIP文件尾部的中央目錄結(jié)束標(biāo)記很多人一看報(bào)錯(cuò)就懷疑解壓軟件有問(wèn)題換了好幾個(gè)工具還是不行。問(wèn)題多半不在軟件在文件本身。2.1 “file is not a zip file”最常見(jiàn)的原因不是你解壓軟件的問(wèn)題先說(shuō)結(jié)論這個(gè)報(bào)錯(cuò)大概率是文件本身不對(duì)而且是“它根本不是zip”的那種不對(duì)。三個(gè)常見(jiàn)來(lái)源第一下載工具把服務(wù)器返回的錯(cuò)誤頁(yè)面存成了文件。比如你訪問(wèn)一個(gè)失效下載鏈接服務(wù)器返回的是HTML錯(cuò)誤頁(yè)瀏覽器或下載工具卻按照原文件名保存文件名是.zip內(nèi)容其實(shí)是一段網(wǎng)頁(yè)代碼。第二網(wǎng)盤或聊天軟件傳輸時(shí)文件名被截?cái)嗷蚋拿麛U(kuò)展名變成.zip但內(nèi)容其實(shí)是7z、rar或者其他格式。第三下載沒(méi)有完成文件被強(qiáng)制改名。排查方法很簡(jiǎn)單Linux下用file命令看真實(shí)格式file 托盤實(shí)例分割數(shù)據(jù)集_20251120_042738.zip如果是正常的zip輸出類似Zip archive data, at least v2.0 to extract如果輸出的是HTML document、ASCII text、7-zip archive data之類那就能對(duì)上上面三種情況了。Windows下可以用7-Zip打開(kāi)文件7-Zip對(duì)格式識(shí)別比較寬容如果它提示“該文件不是壓縮文件”你就知道問(wèn)題在哪了。還有一個(gè)更隱蔽的情況文件確實(shí)下載完了但網(wǎng)絡(luò)中斷只下了一半文件好幾GB解壓到末尾報(bào)“unexpected end of data”。這是截?cái)嘈蛽p壞處理方式在下一節(jié)。2.2 “could not find EOCD”是什么意思怎么處理EOCDEnd Of Central Directory是ZIP文件末尾固定結(jié)構(gòu)的一段記錄負(fù)責(zé)登記壓縮包的文件目錄和偏移量。所有解壓工具都是先讀這段“目錄頁(yè)”才知道壓縮包里有幾個(gè)文件、每個(gè)文件從哪里開(kāi)始。如果EOCD缺失整個(gè)壓縮包的信息就丟了。這種報(bào)錯(cuò)的常見(jiàn)原因就一個(gè)下載不完整尾部缺失。也有個(gè)別情況是生成zip的工具沒(méi)有正確封尾但比較少見(jiàn)。處理辦法分三步走。第一步比對(duì)文件大小。如果發(fā)布頁(yè)或說(shuō)明文檔里寫了預(yù)期大小比如說(shuō)是4.7GB你這里只有3.2GB那就別糾結(jié)了直接重新下載。修復(fù)一個(gè)沒(méi)下完的文件純屬浪費(fèi)時(shí)間。第二步大小對(duì)得上但依然報(bào)EOCD錯(cuò)誤可以嘗試用7-Zip的修復(fù)功能打開(kāi)壓縮包后按AltR或右鍵選擇“修復(fù)壓縮文件”Linux下用zip命令重建中央目錄zip -FF 托盤實(shí)例分割數(shù)據(jù)集_20251120_042738.zip --out 托盤修復(fù).zip這個(gè)命令會(huì)嘗試讀取剩余的數(shù)據(jù)塊并重建目錄。實(shí)測(cè)對(duì)“尾部少量缺失”有一定概率成功但修復(fù)后的文件里部分條目可能仍然損壞解壓后要逐個(gè)驗(yàn)證。第三步如果修復(fù)失敗老實(shí)換網(wǎng)絡(luò)、換方式重新獲取。從NAS、對(duì)象存儲(chǔ)或公司內(nèi)部盤拷貝時(shí)建議用帶校驗(yàn)和的下載方式避免二次中斷。下載完成后先算一下校驗(yàn)和養(yǎng)成習(xí)慣sha256sum 托盤實(shí)例分割數(shù)據(jù)集_20251120_042738.zip發(fā)布方如果給了SHA256值對(duì)得上再解壓對(duì)不上果斷重下。這一步能幫你擋掉后續(xù)一大堆莫名其妙的報(bào)錯(cuò)。2.3 密碼保護(hù)和校驗(yàn)和數(shù)據(jù)集分發(fā)的兩個(gè)細(xì)節(jié)解壓時(shí)提示需要密碼別急著去找“破解工具”。很多數(shù)據(jù)集發(fā)布方會(huì)設(shè)統(tǒng)一解壓密碼通常寫在README、發(fā)布公告或配套郵件里花五分鐘翻一下文檔就能解決。去下載來(lái)路不明的破解軟件反而有安全風(fēng)險(xiǎn)。如果是內(nèi)部加密包且密碼確實(shí)丟了針對(duì)自己有權(quán)解壓的文件可以用fcrackzip或zip2john配合John the Ripper做密碼恢復(fù)。但這類工具本質(zhì)是字典爆破純數(shù)字六位密碼可能都要跑很久實(shí)用性有限最穩(wěn)妥還是找原始發(fā)布者重新獲取。這里必須強(qiáng)調(diào)一條紅線涉及他人數(shù)據(jù)的加密包任何繞過(guò)密碼的操作都可能涉及合規(guī)問(wèn)題邊界心里要有數(shù)。校驗(yàn)和方面Windows下用PowerShellGet-FileHash -Algorithm SHA256 -Path .\托盤實(shí)例分割數(shù)據(jù)集_20251120_042738.zipLinux下用sha256sum或md5sum都行。養(yǎng)成“先校驗(yàn)、再解壓”的習(xí)慣之后你會(huì)少很多“為什么我解壓出來(lái)圖片少了一半”的尷尬。3. 數(shù)據(jù)集內(nèi)部結(jié)構(gòu)標(biāo)注格式、類別與質(zhì)量抽檢解壓成功只是開(kāi)始。真正決定模型上限的是壓縮包里的標(biāo)注靠不靠譜。這一節(jié)講怎么看懂一份實(shí)例分割數(shù)據(jù)集的內(nèi)部結(jié)構(gòu)。一份規(guī)范的實(shí)例分割數(shù)據(jù)集壓縮包解壓后目錄通常長(zhǎng)這樣tray_dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ ├── annotations/ │ └── coco.json └── README.md如果解壓出來(lái)只有一堆散圖沒(méi)有標(biāo)注文件也沒(méi)有說(shuō)明文檔那這個(gè)數(shù)據(jù)集的質(zhì)量就要打個(gè)問(wèn)號(hào)了。3.1 COCO JSON與YOLO txt兩種主流分割標(biāo)注怎么識(shí)別目前實(shí)例分割數(shù)據(jù)集最常見(jiàn)的標(biāo)注格式有兩種COCO格式和YOLO分割格式。COCO格式所有標(biāo)注集中在一個(gè)annotations JSON文件里內(nèi)部按images圖片信息、annotations每個(gè)實(shí)例的標(biāo)注、categories類別定義三部分組織。每個(gè)annotation的segmentation字段有兩種形態(tài)多邊形坐標(biāo)數(shù)組或RLE壓縮掩碼。多邊形坐標(biāo)是絕對(duì)像素坐標(biāo)一維數(shù)組形式[x1, y1, x2, y2, ...]每?jī)蓚€(gè)數(shù)一個(gè)點(diǎn)。YOLO分割格式每張圖片對(duì)應(yīng)一個(gè)同名的txt文件每一行是一個(gè)目標(biāo)class_id x1 y1 x2 y2 x3 y3 ...坐標(biāo)是相對(duì)圖片寬高的歸一化浮點(diǎn)數(shù)范圍0到1class_id從0開(kāi)始。兩種格式的差異可以用一張表看清維度COCO JSONYOLO txt組織方式所有標(biāo)注集中在一個(gè)JSON每張圖一個(gè)txt坐標(biāo)絕對(duì)像素坐標(biāo)歸一化相對(duì)坐標(biāo)掩碼類型多邊形 RLE多邊形適合格式轉(zhuǎn)換適合作為原始母版適合直接訓(xùn)練人工可讀性一般較好我的建議是任何數(shù)據(jù)集到手先保留一份COCO格式作為“母版”因?yàn)樗畔⑼暾?、生態(tài)工具多CVAT、labelme、coco-annotator都能導(dǎo)入導(dǎo)出YOLO txt只是訓(xùn)練時(shí)的臨時(shí)格式。后續(xù)換框架時(shí)COCO母版能幫你省很多事。3.2 類別定義與命名帶來(lái)的標(biāo)簽映射問(wèn)題托盤數(shù)據(jù)集常見(jiàn)類別包括pallet標(biāo)準(zhǔn)托盤、wooden_pallet木托盤、blue_pallet藍(lán)色塑料托盤、fork_pocket叉孔/進(jìn)叉口等。不同團(tuán)隊(duì)對(duì)類別的切分邏輯不一樣有的把叉孔單獨(dú)設(shè)為一類有的把叉孔當(dāng)成托盤mask內(nèi)部的空洞不單獨(dú)標(biāo)。這里有個(gè)關(guān)鍵決策叉孔要不要單獨(dú)成一類。從AGV叉車實(shí)際決策的角度單獨(dú)一類更友好因?yàn)槟Ｐ湍芡瑫r(shí)輸出托盤外輪廓和叉孔位置直接指導(dǎo)叉齒的進(jìn)入點(diǎn)。但代價(jià)是標(biāo)注工作量成倍增加而且叉孔經(jīng)常被貨物遮擋遮擋樣本很難標(biāo)全。另一種做法是只標(biāo)托盤一個(gè)類利用mask的凹形輪廓后處理推算叉孔位置。對(duì)規(guī)則的木托盤有效對(duì)中間鏤空的塑料托盤效果較差。拿到數(shù)據(jù)集后先看README或標(biāo)注說(shuō)明搞清楚定義規(guī)范。如果明確寫了fork_pocket這個(gè)類就老老實(shí)實(shí)按多類別訓(xùn)練別自作主張合并類別因?yàn)闃?biāo)注者已經(jīng)按叉孔去標(biāo)了你不在訓(xùn)練里用就白白浪費(fèi)了這部分標(biāo)注。3.3 抽檢可視化用一張圖發(fā)現(xiàn)標(biāo)注錯(cuò)位、漏標(biāo)和過(guò)擬合隱患格式和類別確認(rèn)之后不要直接全部丟進(jìn)訓(xùn)練。花二十分鐘做抽檢可視化隨機(jī)抽取三十張訓(xùn)練圖把原圖、mask、類別標(biāo)簽疊加畫出來(lái)人工過(guò)一遍。用Python和OpenCV快速繪制import cv2 import numpy as np def draw_mask_on_image(image_path, mask_np, color(0, 255, 0), alpha0.5): img cv2.imread(image_path) overlay img.copy() overlay[mask_np 0] color cv2.addWeighted(overlay, alpha, img, 1 - alpha, 0, img) return img抽檢時(shí)重點(diǎn)看四類問(wèn)題標(biāo)注錯(cuò)位mask和托盤邊緣偏差超過(guò)幾個(gè)像素。常見(jiàn)于標(biāo)注者趕工或標(biāo)注工具的外擴(kuò)參數(shù)設(shè)置不當(dāng)。漏標(biāo)圖中明顯有托盤但沒(méi)標(biāo)出來(lái)。這類樣本在訓(xùn)練里會(huì)被當(dāng)成背景對(duì)模型干擾極大。類別混淆木托盤標(biāo)成塑料托盤叉孔標(biāo)成托盤。后面yaml里類別順序一旦定錯(cuò)前面的標(biāo)注全部白費(fèi)。圖像重復(fù)訓(xùn)練集和驗(yàn)證集里出現(xiàn)重復(fù)圖片驗(yàn)證指標(biāo)會(huì)虛高。很多人訓(xùn)完mAP看著0.9一上線變成0.6大概率是這個(gè)問(wèn)題。重復(fù)圖檢測(cè)用一段小腳本import hashlib from pathlib import Path def file_hash(path): h hashlib.md5() with open(path, rb) as f: for chunk in iter(lambda: f.read(8192), b): h.update(chunk) return h.hexdigest() hashes {} for p in Path(images).rglob(*.jpg): h file_hash(p) hashes.setdefault(h, []).append(p) dup {h: ps for h, ps in hashes.items() if len(ps) 1} print(dup)這一步值得做。尤其是拿到別人整理好的壓縮包你永遠(yuǎn)不知道里面有沒(méi)有混入重復(fù)樣本。我之前處理過(guò)一個(gè)數(shù)據(jù)集訓(xùn)練集和驗(yàn)證集重復(fù)率接近18%前期所有實(shí)驗(yàn)指標(biāo)都虛高排查了好久才定位到浪費(fèi)了整整一周的算力。4. 把數(shù)據(jù)集改造成YOLOv8能直接訓(xùn)練的格式如果原數(shù)據(jù)是COCO JSON格式訓(xùn)練前必須做一次格式轉(zhuǎn)換。如果已經(jīng)是YOLO txt格式可以直接跳到4.4。下面默認(rèn)原數(shù)據(jù)是COCO JSON。4.1 訓(xùn)練集/驗(yàn)證集劃分原則劃分?jǐn)?shù)據(jù)集的原則只有一條驗(yàn)證集要能代表真實(shí)使用場(chǎng)景。這比追求“隨機(jī)均勻”重要得多。按場(chǎng)景劃分而不是按圖片隨機(jī)劃分。如果同一個(gè)攝像機(jī)同一時(shí)間段連續(xù)拍攝的四十幀圖片隨機(jī)打散后一部分進(jìn)訓(xùn)練集、一部分進(jìn)驗(yàn)證集那驗(yàn)證集就相當(dāng)于訓(xùn)練集的高仿副本評(píng)估結(jié)果會(huì)嚴(yán)重虛高。正確做法是把連續(xù)時(shí)間序列歸為一組整組劃到訓(xùn)練或驗(yàn)證里。如果數(shù)據(jù)來(lái)自多個(gè)工廠或產(chǎn)線盡量以整個(gè)場(chǎng)地或產(chǎn)線為劃分子單元。比例上常規(guī)做法是train:val 8:2或9:1。數(shù)據(jù)量少于2000張時(shí)建議先用KFold交叉驗(yàn)證評(píng)估穩(wěn)定性最終交付時(shí)再用全量訓(xùn)一版。4.2 COCO多邊形轉(zhuǎn)YOLO分割格式的歸一化處理轉(zhuǎn)換的核心邏輯把COCO里每個(gè)annotation的多邊形坐標(biāo)分別除以圖片寬和高得到0到1之間的歸一化坐標(biāo)。下面是一個(gè)可用的轉(zhuǎn)換腳本import json import os def coco_to_yolo_seg(coco_json_path, image_dir, label_dir): with open(coco_json_path, r) as f: coco json.load(f) img_info {img[id]: img for img in coco[images]} cat_id_map {cat[id]: i for i, cat in enumerate(coco[categories])} os.makedirs(label_dir, exist_okTrue) anns_by_img {} for ann in coco[annotations]: anns_by_img.setdefault(ann[image_id], []).append(ann) for img_id, anns in anns_by_img.items(): img img_info[img_id] w, h img[width], img[height] base_name os.path.splitext(img[file_name])[0] lines [] for ann in anns: seg ann[segmentation] if isinstance(seg, dict): # RLE格式需要先解碼為mask再轉(zhuǎn)多邊形見(jiàn)下文 continue for poly in seg: points [(poly[i] / w, poly[i 1] / h) for i in range(0, len(poly), 2)] if len(points) 3: continue cls_id cat_id_map[ann[category_id]] coord_str .join(f{x:.6f} {y:.6f} for x, y in points) lines.append(f{cls_id} {coord_str}) if lines: with open(os.path.join(label_dir, base_name .txt), w) as f: f.write(\n.join(lines))幾個(gè)容易出錯(cuò)的地方要特別注意坐標(biāo)必須保留浮點(diǎn)數(shù)精度不要取整。取整對(duì)小目標(biāo)mask是致命的一個(gè)點(diǎn)偏兩三個(gè)像素小托盤的輪廓就變形了。多邊形的點(diǎn)數(shù)可能很多YOLO對(duì)點(diǎn)數(shù)沒(méi)有硬性限制但點(diǎn)數(shù)過(guò)多也沒(méi)有額外收益保留原始精度即可不要做額外的逆時(shí)針排序或簡(jiǎn)化很多簡(jiǎn)化算法會(huì)引入偽影。如果COCO里某個(gè)目標(biāo)用的是RLE編碼需要先用pycocotools把RLE解碼成二值mask再用cv2.findContours把mask轉(zhuǎn)成多邊形邏輯相對(duì)長(zhǎng)建議單獨(dú)封裝成一個(gè)函數(shù)備用from pycocotools import mask as mask_utils import cv2 def rle_to_polygon(rle): m mask_utils.decode(rle) contours, _ cv2.findContours(m, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) polys [] for c in contours: c c.flatten().tolist() if len(c) 6: polys.append(c) return polys4.3 轉(zhuǎn)換腳本與可視化驗(yàn)證工具處理壓縮包數(shù)據(jù)集時(shí)我習(xí)慣把轉(zhuǎn)換腳本和驗(yàn)證工具放在一起目錄結(jié)構(gòu)清晰一點(diǎn)tools/ ├── coco_to_yolo_seg.py ├── check_yolo_labels.py └── visualize_labels.py轉(zhuǎn)換之后用check_yolo_labels.py做一次批量驗(yàn)證重點(diǎn)檢查坐標(biāo)是否在0到1之間、class_id是否越界、多邊形是否退化、圖片和txt是否一一對(duì)應(yīng)。from pathlib import Path label_dir Path(labels) all_ok True for txt in label_dir.rglob(*.txt): for idx, line in enumerate(txt.read_text().strip().splitlines()): parts line.split() cls int(parts[0]) coords list(map(float, parts[1:])) if cls 0 or cls 3: print(f{txt}:{idx} bad cls {cls}) all_ok False if any(c 0 or c 1 for c in coords): print(f{txt}:{idx} coord out of range) all_ok False if len(coords) 6: print(f{txt}:{idx} degenerate polygon) all_ok False print(All OK if all_ok else Check failed)再把轉(zhuǎn)換后的txt畫回原圖上人工看幾張確認(rèn)坐標(biāo)沒(méi)有翻轉(zhuǎn)。特別提醒COCO和YOLO的坐標(biāo)原點(diǎn)都在圖片左上角但如果你從OpenCV或其他標(biāo)注工具導(dǎo)出的數(shù)據(jù)原點(diǎn)可能在左下角。畫出圖來(lái)一眼就能發(fā)現(xiàn)轉(zhuǎn)換腳本里加一個(gè)基本檢查就能兜底。4.4 data.yaml與訓(xùn)練命令數(shù)據(jù)準(zhǔn)備好了寫data.yaml。這是訓(xùn)練前最容易寫錯(cuò)的一步。path: /your/absolute/path/tray_dataset train: images/train val: images/val nc: 1 names: 0: pallet幾個(gè)必須注意的點(diǎn)path一定要寫絕對(duì)路徑別寫相對(duì)路徑。YOLO在切換工作目錄時(shí)相對(duì)路徑很容易踩坑訓(xùn)練到一半報(bào)“image not found”最后發(fā)現(xiàn)是路徑解析問(wèn)題。nc和names的數(shù)量、順序必須和txt里的class_id嚴(yán)格對(duì)應(yīng)。如果你的轉(zhuǎn)換腳本里類別映射不對(duì)訓(xùn)練時(shí)YOLO會(huì)報(bào)“erroneous label”或直接忽略錯(cuò)誤標(biāo)簽。train和val下面填的是圖片文件夾路徑Y(jié)OLO會(huì)自動(dòng)到相鄰的labels目錄找對(duì)應(yīng)txt。沒(méi)有GPU想先在CPU上驗(yàn)證數(shù)據(jù)鏈路是否正?？梢杂眯∧Ｐ?、少輪數(shù)跑一遍yolo segment train datatray.yaml modelyolov8n-seg.pt epochs10 imgsz640 batch4 devicecpu這個(gè)命令只要能正常進(jìn)入訓(xùn)練循環(huán)并打印loss說(shuō)明數(shù)據(jù)鏈路已經(jīng)通了。接著再上正式訓(xùn)練GPU命令一般長(zhǎng)這樣yolo segment train \ datatray.yaml \ modelyolov8s-seg.pt \ epochs200 \ imgsz640 \ batch16 \ device0 \ workers8 \ projectruns/tray_exp \ nameexp015. 訓(xùn)練托盤實(shí)例分割模型的參數(shù)設(shè)置與調(diào)優(yōu)實(shí)錄這一節(jié)把我實(shí)際調(diào)參過(guò)程中的經(jīng)驗(yàn)寫下來(lái)可以直接照抄。5.1 從yolov8n-seg還是s-seg起步很多人一上來(lái)就選x-seg或m-seg結(jié)果顯存不夠或者訓(xùn)練時(shí)間翻好幾倍。我的建議是分兩步走先用n-seg跑通流程用少量epoch驗(yàn)證數(shù)據(jù)沒(méi)問(wèn)題、loss能收斂再換s-seg做正式訓(xùn)練。托盤是規(guī)則剛體目標(biāo)學(xué)習(xí)難度不高s-seg在大多數(shù)工業(yè)場(chǎng)景已經(jīng)足夠。本文還有配套的精品資源點(diǎn)擊獲取