1. 项目概述从通用数据工具出发高效构建你的专属数据集在计算机视觉和机器学习项目中数据集的构建与标注往往是决定项目成败的关键一步也是最耗费人力的环节之一。很多开发者尤其是刚入行的朋友常常会陷入一个误区要么从零开始手动收集和标注海量图片效率极低要么直接使用现成的公开数据集却发现其类别、格式或标注精细度与自己的项目需求存在差距。有没有一种方法能够让我们站在巨人的肩膀上快速、灵活地构建出符合特定需求的定制化数据集呢答案是肯定的而“利用通用数据工具从COCO数据集构建你的数据集”正是解决这一痛点的绝佳实践。这个项目的核心思路就是将一个庞大而权威的公开数据集——COCOCommon Objects in Context——作为我们的“原材料仓库”然后通过一个功能强大且灵活的“加工工具”——Universal Data ToolUDT——来对其进行筛选、转换、增强和重新标注最终“生产”出完全贴合我们项目目标的专属数据集。COCO数据集以其丰富的场景、精细的实例分割标注和庞大的数据量超过33万张图片250万个标注实例而闻名涵盖了80个常见的物体类别。它为我们提供了一个高质量、多样化的数据基础。而Universal Data Tool则是一个开源的、支持多种数据类型图像、文本、音频、视频标注和管理的Web应用其最大的优势在于高度的可定制化和易用性允许我们以可视化的方式快速处理数据。简单来说这个过程就像是一位厨师要做一道新菜。他不需要从种菜开始而是直接去一个品类齐全的大型超市COCO数据集挑选出需要的食材特定类别的图片和标注。然后他回到自己的现代化厨房Universal Data Tool根据新菜的配方对这些食材进行清洗、切配、调味筛选、格式转换、补充标注最终烹饪出独一无二的美味佳肴你的专属数据集。这个项目非常适合那些希望快速启动计算机视觉项目如目标检测、实例分割的研究者、学生和工程师特别是当你的目标类别是COCO 80类的一个子集或者你需要在COCO的基础上增加新的标注属性时这套工作流将极大地提升你的效率。2. 核心工作流设计与工具选型解析2.1 为什么是COCO UDT组合优势深度剖析选择COCO作为数据源UDT作为处理工具并非随意之举而是基于两者特性互补所形成的强大合力。首先看COCO它不仅仅是一个图片集合更是一个结构严谨、标注质量极高的标准数据集。其标注文件采用JSON格式结构清晰包含了图片信息、类别信息以及详细的标注信息如边界框bbox、分割多边形segmentation。这意味着我们可以通过编程方式精确地提取出任何我们感兴趣的图片和标注。例如如果你的项目只关心“人”、“汽车”和“狗”这三类你可以轻松地写一个脚本从COCO的33万张图片中过滤出所有包含这三类中任意一类的图片及其标注瞬间获得一个规模可观、标注准确的子集。这比从零开始收集和标注要快上几个数量级。然而直接从COCO提取的子集可能还不完全符合你的要求。你可能需要调整标注格式以适配不同的训练框架如YOLO、Detectron2可能需要为某些样本添加新的属性标签比如“汽车的颜色”甚至可能发现某些标注在特定场景下不够精确需要微调。这时Universal Data Tool的优势就凸显出来了。UDT是一个本地运行的Web应用它允许你通过一个友好的界面导入数据并以可视化的方式进行交互式标注和编辑。它支持导入COCO的JSON格式并能将图片和标注关联展示。你可以在界面上直接查看边界框和分割多边形进行拖动修改、删除误标、增加漏标等操作。更重要的是UDT支持自定义标注schema模式你可以轻松地定义新的标签类型例如为每个“人”的实例添加一个“是否佩戴眼镜”的布尔属性或者为“汽车”添加一个“颜色”的下拉选择框。这种灵活性是许多固定功能的标注工具所不具备的。因此“COCO提供优质原料UDT提供精加工能力”的组合形成了一条高效的数据集生产线。它既利用了现有大规模数据集的规模和质量红利又通过灵活的编辑工具满足了项目的个性化需求完美平衡了效率与定制化之间的矛盾。2.2 工具链准备与环境搭建在开始具体操作之前我们需要准备好整个工具链。这里假设你使用的是Linux或macOS系统Windows用户可通过WSL获得类似体验并具备基本的Python和命令行操作知识。1. COCO数据集获取COCO数据集官方提供了多个版本对于大多数项目从2017版本开始是一个好选择它包含了训练集118K张、验证集5K张和测试集开发工具不提供标注。你可以从COCO官网下载但更推荐使用官方的Python API工具包pycocotools来辅助操作。首先安装必要的库pip install pycocotools numpy matplotlib然后你需要下载数据集文件。通常你需要train2017.zip训练图片val2017.zip验证图片以及对应的标注文件annotations_trainval2017.zip。下载后解压到一个清晰的目录结构中例如coco_data/ ├── annotations/ │ ├── instances_train2017.json │ └── instances_val2017.json ├── train2017/ │ └── ... (图片文件) └── val2017/ └── ... (图片文件)2. Universal Data Tool (UDT) 安装与启动UDT的安装极其简单因为它是一个基于Electron的桌面应用也提供了Docker镜像。对于大多数用户我强烈推荐使用Docker方式它能避免复杂的本地环境依赖问题。# 确保你的系统已安装Docker docker pull universaldatatool/universaldatatool # 运行UDT容器将本地的一个目录例如 ./my_datasets挂载到容器的 /datasets 目录用于存放项目数据 docker run -p 3000:3000 -v $(pwd)/my_datasets:/datasets universaldatatool/universaldatatool执行上述命令后打开浏览器访问http://localhost:3000你就能看到UDT的界面了。通过Docker运行所有项目数据都保存在你本地挂载的my_datasets目录下安全且便于管理。注意首次使用UDT时界面可能会提示你创建一个“工作区”Workspace。你可以将其理解为一个项目文件夹用于管理多个标注任务。建议为你从COCO构建新数据集的项目单独创建一个工作区。3. 从COCO中提取目标数据子集3.1 使用pycocotools进行精准数据过滤拿到完整的COCO数据集后第一步就是“取材”。我们需要编写一个Python脚本利用pycocotools从海量数据中精准地提取出我们需要的部分。假设我们的新项目是一个“城市街道元素检测系统”只关心四个类别person人car汽车traffic light交通灯stop sign停止标志。首先我们来解析COCO标注文件的结构并制定过滤策略。COCO的标注JSON中images数组存储图片信息annotations数组存储每个实例的标注categories数组存储类别信息。我们的目标是找到所有包含至少一个目标类别的图片并将这些图片以及对应的所有标注包括非目标类别的标注我们可以选择保留或过滤提取出来。下面是一个核心的过滤脚本示例from pycocotools.coco import COCO import json import os import shutil # 1. 初始化路径和参数 dataDir ./coco_data annFile f{dataDir}/annotations/instances_train2017.json # 以训练集为例 target_categories [person, car, traffic light, stop sign] output_dir ./my_street_dataset images_output_dir f{output_dir}/images os.makedirs(images_output_dir, exist_okTrue) # 2. 加载COCO标注 coco COCO(annFile) # 3. 获取目标类别的ID catIds coco.getCatIds(catNmstarget_categories) print(f目标类别ID: {catIds}) # 4. 获取包含目标类别的所有图片ID imgIds [] for catId in catIds: ids coco.getImgIds(catIds[catId]) imgIds.extend(ids) # 去重因为一张图片可能包含多个目标类别 imgIds list(set(imgIds)) print(f找到 {len(imgIds)} 张包含目标类别的图片。) # 5. 构建新的标注数据结构 new_annotations [] new_images [] used_image_ids set() # 6. 遍历筛选出的图片 for img_id in imgIds: img_info coco.loadImgs(img_id)[0] ann_ids coco.getAnnIds(imgIdsimg_id) anns coco.loadAnns(ann_ids) # 可选只保留目标类别的标注。如果注释掉下面这行则保留图片中的所有原始标注。 anns [ann for ann in anns if ann[category_id] in catIds] if not anns: continue # 如果过滤后该图片没有标注了则跳过如果上一步选择保留所有标注则不会出现此情况 # 复制图片文件到新目录 src_image_path os.path.join(dataDir, train2017, img_info[file_name]) dst_image_path os.path.join(images_output_dir, img_info[file_name]) shutil.copy(src_image_path, dst_image_path) # 重新索引标注ID避免冲突 for ann in anns: new_id len(new_annotations) 1 ann[id] new_id new_annotations.append(ann) new_images.append(img_info) used_image_ids.add(img_id) # 7. 构建新的JSON文件 new_coco_format { info: coco.dataset[info], licenses: coco.dataset[licenses], categories: [c for c in coco.dataset[categories] if c[id] in catIds], # 只保留目标类别信息 images: new_images, annotations: new_annotations } # 8. 保存新的标注文件 output_ann_file os.path.join(output_dir, annotations_train.json) with open(output_ann_file, w) as f: json.dump(new_coco_format, f) print(f数据集构建完成图片保存在: {images_output_dir}) print(f新标注文件保存在: {output_ann_file})关键操作解析与注意事项getCatIds和getImgIds这是pycocotools的核心查询函数能高效地根据类别名称找到ID再根据类别ID找到相关的图片ID。标注过滤策略脚本中anns [ann for ann in anns if ann[category_id] in catIds]这行代码决定了你是否保留非目标类别的标注。如果你的模型只需要检测特定类别建议过滤掉可以减少标注文件大小和后续处理的干扰。但如果你希望保留上下文信息例如模型可能隐式学习到“狗通常不会出现在办公桌上”可以选择保留。文件复制使用shutil.copy复制图片。确保你有足够的磁盘空间因为即使经过过滤数据量也可能很大。ID重映射这是一个极易出错但至关重要的步骤。COCO数据集中标注ID (annotation[‘id’]) 是全局唯一的。当我们从原始数据中抽取一部分标注时必须为它们分配新的唯一ID否则在UDT或后续训练框架中加载时可能会因为ID冲突导致严重错误。上面的脚本通过new_id len(new_annotations) 1简单地实现了顺序重映射。3.2 数据子集的统计与质量检查提取出子集后不要急于导入UDT先做一次简单的统计分析做到心中有数。# 接续上面的脚本或在新的分析脚本中加载刚生成的标注文件 with open(output_ann_file, r) as f: new_data json.load(f) print(f新数据集中图片数量: {len(new_data[images])}) print(f新数据集中标注实例数量: {len(new_data[annotations])}) # 统计每个类别的实例数 from collections import Counter category_counter Counter() for ann in new_data[annotations]: category_counter[ann[category_id]] 1 for cat in new_data[categories]: cid cat[id] cname cat[name] count category_counter.get(cid, 0) print(f类别 {cname} (ID:{cid}): {count} 个实例) # 检查是否有图片没有标注理论上经过我们的过滤应该没有 image_ids_in_anns set([ann[image_id] for ann in new_data[annotations]]) image_ids_in_images set([img[id] for img in new_data[images]]) if len(image_ids_in_images - image_ids_in_anns) 0: print(警告存在没有标注的图片) else: print(所有图片都有对应的标注。)这个检查能帮你确认数据提取是否按预期进行各类别数据量是否均衡严重不均衡可能需要后续进行数据增强或重采样。例如你可能会发现“人”和“汽车”的实例数远远多于“停止标志”这对于模型训练是一个需要关注的信号。4. 使用Universal Data Tool进行数据增强与标注定制4.1 导入COCO格式数据至UDT现在我们拥有了一个符合COCO JSON格式的子集。接下来就是将其导入UDT进行进一步的加工。启动你的UDT Docker容器并打开浏览器。创建新数据集在UDT主页点击“Create New Dataset”。给你的数据集起个名字例如 “Street_Elements_From_COCO”。选择接口类型UDT支持图像分类、目标检测、实例分割、关键点等多种任务。对于COCO数据我们通常选择“Image Segmentation”或“Object Detection”。两者都支持边界框但“Image Segmentation”能更好地处理COCO中的多边形分割标注。这里我们选择“Image Segmentation”。导入数据在“Add Samples”页面选择“Import from COCO”。在“Images Directory”中填写你本地挂载到Docker容器内的图片路径例如/datasets/my_street_dataset/images。记住/datasets对应你启动Docker时-v参数挂载的本地目录。在“COCO JSON File”中选择对应的标注文件例如/datasets/my_street_dataset/annotations_train.json。点击“Import”。UDT会解析JSON文件将图片和标注加载进来。实操心得首次导入大量数据如上万张图片时UDT可能会需要一些时间进行索引和生成缩略图。建议可以先导入一个小样本比如100张进行流程测试确认无误后再导入全部数据。另外确保你的JSON文件路径在Docker容器内是可访问的这是最常见的导入失败原因。4.2 利用UDT进行可视化审查与标注修正导入成功后你会进入数据集的主界面。这里以网格形式展示所有图片带有标注的图片会在缩略图上显示标记。快速审查与筛选利用UDT的过滤和排序功能可以快速定位问题。例如你可以点击左侧的标签列表只显示包含“car”的图片集中检查该类别的标注质量。交互式修正点击任意一张图片进入标注视图。你可以查看现有标注COCO导入的边界框和多边形会以不同颜色显示。修正标注直接拖动边界框的顶点或边来调整其位置和大小。对于分割多边形可以拖动多边形上的点进行微调。这是修正COCO原始标注中可能存在的小偏差如框体不精确的最直接方法。删除错误标注点击某个标注按Delete键或使用工具栏的删除按钮移除错误的标注例如将阴影误标为物体。添加漏标使用工具栏的“框选”或“多边形”工具手动为图中未标注的目标物体添加新的标注并选择正确的类别标签。一个关键的技巧是使用“标签视图”Label View。在这个视图中所有同类别的实例会平铺展示非常有利于发现系统性标注问题。比如你可能会发现所有“交通灯”的标注都只框住了灯体而没有包括支撑杆如果你的项目需要检测整个结构就需要批量修正。4.3 扩展标注Schema添加自定义属性这是UDT超越简单标注编辑器的强大之处。假设我们的街道元素检测系统不仅需要知道物体的位置和类别还需要知道“汽车的颜色”和“交通灯的状态红、黄、绿”。COCO原始数据没有这些信息我们可以在UDT中轻松添加。进入数据集设置在数据集主界面点击右上角的“Settings”齿轮图标。编辑接口配置在“Interface”选项卡你可以看到当前“Image Segmentation”接口的JSON配置。这是一个强大的DSL领域特定语言允许你自定义标注表单。为特定类别添加属性我们需要修改labels数组。找到对应“car”的标签配置为其添加一个attributes字段。修改后的配置片段可能如下所示{ type: image-segmentation, labels: [ { id: 1, name: person, color: #FF0000 }, { id: 2, name: car, color: #00FF00, attributes: [ { type: select, name: color, options: [white, black, red, blue, silver, other] } ] }, { id: 3, name: traffic light, color: #0000FF, attributes: [ { type: radio, name: state, options: [red, yellow, green, unknown] } ] } ] }保存并应用保存设置后返回标注界面。当你新建或编辑一个“汽车”的标注时下方就会出现一个“color”下拉菜单供你选择。编辑“交通灯”时则会出现“state”单选按钮。你可以组织团队成员利用这个功能对筛选出的图片进行属性标注极大地丰富了数据集的信息维度。5. 数据格式转换与导出5.1 转换为其他训练框架格式在UDT中完成审查、修正和属性添加后我们得到了一个增强版的、符合项目需求的COCO格式数据集。但最终我们需要将其转换为特定深度学习框架所需的格式。UDT本身支持导出多种格式包括COCO JSON、VOC XML、YOLO TXT等。在UDT中导出在数据集主界面点击“Export”按钮。你可以选择“COCO JSON”以保留所有信息包括自定义属性它们会保存在annotation[‘attributes’]字段中。也可以选择其他格式如“YOLO Darknet”。处理自定义属性需要注意的是像YOLO这样的简单格式可能不支持自定义属性。如果你添加了属性通常需要额外处理方案A将属性信息写入单独的JSON或CSV文件与标注文件关联。例如导出一个image_id_attributes.csv包含image_id, annotation_id, attribute_name, attribute_value等列。方案B将属性编码到类别ID中。例如原本“汽车”的类别ID是2你可以定义“白色汽车”为20“黑色汽车”为21……但这会急剧增加类别数量仅适用于属性值离散且数量不多的场景。方案C推荐在模型训练时将属性作为额外的监督信号使用多任务学习框架。这需要你编写自定义的数据加载器在读取标准格式如COCO标注的同时从另一个文件中加载属性信息。一个实用的脚本示例将UDT导出的COCO JSON含属性转换为YOLO格式并将属性保存为额外文件。import json import os def convert_coco_to_yolo_with_attr(coco_json_path, output_dir, img_dir): with open(coco_json_path, r) as f: data json.load(f) # 创建输出目录 labels_dir os.path.join(output_dir, labels) os.makedirs(labels_dir, exist_okTrue) # 构建类别ID到连续索引的映射YOLO通常从0开始 cat_id_to_yolo_idx {} for idx, cat in enumerate(data[categories]): cat_id_to_yolo_idx[cat[id]] idx # 用于存储属性的列表 attributes_list [] # 按图片分组标注 from collections import defaultdict img_to_anns defaultdict(list) for ann in data[annotations]: img_to_anns[ann[image_id]].append(ann) # 处理每张图片 for img_info in data[images]: img_id img_info[id] img_w img_info[width] img_h img_info[height] file_name img_info[file_name] base_name os.path.splitext(file_name)[0] label_path os.path.join(labels_dir, base_name .txt) with open(label_path, w) as label_f: for ann in img_to_anns.get(img_id, []): # YOLO格式: class_id center_x center_y width height (归一化) cat_id ann[category_id] yolo_class cat_id_to_yolo_idx[cat_id] # COCO bbox格式: [x_top_left, y_top_left, width, height] bbox ann[bbox] x_center (bbox[0] bbox[2] / 2) / img_w y_center (bbox[1] bbox[3] / 2) / img_h width_n bbox[2] / img_w height_n bbox[3] / img_h label_f.write(f{yolo_class} {x_center:.6f} {y_center:.6f} {width_n:.6f} {height_n:.6f}\n) # 处理并保存属性 if attributes in ann: for attr in ann[attributes]: attributes_list.append({ image_id: img_id, annotation_id: ann[id], category_id: cat_id, attribute_name: attr.get(name), attribute_value: attr.get(value) }) # 保存属性文件 if attributes_list: import csv attr_csv_path os.path.join(output_dir, attributes.csv) with open(attr_csv_path, w, newline) as csvfile: fieldnames [image_id, annotation_id, category_id, attribute_name, attribute_value] writer csv.DictWriter(csvfile, fieldnamesfieldnames) writer.writeheader() writer.writerows(attributes_list) print(f属性已保存至: {attr_csv_path}) # 保存类别映射文件 classes_path os.path.join(output_dir, classes.txt) with open(classes_path, w) as f: for cat in data[categories]: f.write(f{cat[name]}\n) print(f类别列表已保存至: {classes_path}) print(fYOLO格式标签已保存至: {labels_dir}) # 使用示例 convert_coco_to_yolo_with_attr( coco_json_path./my_street_dataset/annotations_enhanced.json, # UDT导出的增强版标注 output_dir./yolo_street_dataset, img_dir./my_street_dataset/images )5.2 数据集划分与版本管理最后别忘了将你的最终数据集划分为训练集、验证集和测试集。可以使用scikit-learn的train_test_split进行随机划分并确保同一张图片的所有标注包括自定义属性被完整地划分到同一个集合中。import os import shutil from sklearn.model_selection import train_test_split def split_dataset(image_dir, label_dir, output_base_dir, test_ratio0.15, val_ratio0.15, seed42): 划分YOLO格式的数据集。 image_dir: 原图片目录 label_dir: 原标签目录.txt文件 output_base_dir: 输出根目录 all_images [f for f in os.listdir(image_dir) if f.lower().endswith((.jpg, .png, .jpeg))] all_images.sort() # 第一次分割分出测试集 train_val_imgs, test_imgs train_test_split(all_images, test_sizetest_ratio, random_stateseed) # 第二次分割从训练验证集中分出验证集 train_imgs, val_imgs train_test_split(train_val_imgs, test_sizeval_ratio/(1-test_ratio), random_stateseed) print(f训练集: {len(train_imgs)} 张, 验证集: {len(val_imgs)} 张, 测试集: {len(test_imgs)} 张) splits {train: train_imgs, val: val_imgs, test: test_imgs} for split_name, img_list in splits.items(): split_image_dir os.path.join(output_base_dir, images, split_name) split_label_dir os.path.join(output_base_dir, labels, split_name) os.makedirs(split_image_dir, exist_okTrue) os.makedirs(split_label_dir, exist_okTrue) for img_file in img_list: # 复制图片 src_img os.path.join(image_dir, img_file) dst_img os.path.join(split_image_dir, img_file) shutil.copy(src_img, dst_img) # 复制对应的标签文件 base_name os.path.splitext(img_file)[0] label_file base_name .txt src_label os.path.join(label_dir, label_file) dst_label os.path.join(split_label_dir, label_file) if os.path.exists(src_label): shutil.copy(src_label, dst_label) # 创建数据集配置文件例如YOLO用的data.yaml yaml_content f path: {os.path.abspath(output_base_dir)} # 数据集根目录 train: images/train # 训练集图片相对路径 val: images/val # 验证集图片相对路径 test: images/test # 测试集图片相对路径 nc: {len(data[categories])} # 类别数这里需要从之前的data变量获取实际使用时需调整 names: {[cat[name] for cat in data[categories]]} # 类别名列表 yaml_path os.path.join(output_base_dir, data.yaml) with open(yaml_path, w) as f: f.write(yaml_content) print(f数据集划分完成配置文件保存至: {yaml_path}) # 注意此函数中的 data[categories] 需要从你的标注数据中传入。完成划分后你就得到了一个结构清晰、可直接用于模型训练的数据集目录。建议使用Git或DVCData Version Control对这个最终的数据集目录进行版本管理记录下每次数据变更的缘由这对于团队协作和实验复现至关重要。6. 常见问题与排查技巧实录在实际操作中你几乎一定会遇到一些问题。下面是我在多次实践中总结出的典型问题及其解决方案。问题1UDT导入COCO JSON时失败提示“无法解析”或“加载错误”。可能原因AJSON文件格式错误或路径不对。排查首先用Python的json.load()函数验证你的JSON文件是否能被正确解析。检查Docker容器内的路径是否正确确保挂载的卷-v参数包含了图片和JSON文件。可能原因B图片路径在JSON中与UDT访问路径不匹配。排查COCO JSON中的image[‘file_name’]字段是相对路径如000000001.jpg。UDT会尝试在指定的“Images Directory”下寻找这个文件。请确保“Images Directory”设置的就是包含所有这些图片文件的文件夹并且文件名大小写一致Linux系统区分大小写。可能原因C标注ID重复或图片ID缺失。排查回顾我们在提取子集时进行的ID重映射步骤。确保新的JSON中annotations数组里的每个id是唯一的并且每个annotation的image_id都能在images数组中找到对应的id。问题2在UDT中编辑后导出的标注文件丢失了部分信息如分割多边形。可能原因导出时选择了错误的格式。解决UDT的“Image Segmentation”接口在导出时如果选择“COCO JSON”会完整保留多边形信息。如果选择“Object Detection (Bounding Box)”则只会导出边界框。请根据你的需要选择正确的导出格式。如果你同时需要边界框和多边形导出COCO JSON即可大部分框架都支持从COCO格式中读取这两种信息。问题3使用转换脚本后YOLO标签文件中的坐标值异常如大于1或为负数。可能原因边界框坐标计算错误或图像尺寸读取有误。排查检查你的转换脚本中的归一化计算逻辑中心点x (bbox_x bbox_width/2) / 图像宽度。确保bbox_x和bbox_width是COCO格式的绝对像素值图像宽度是从images数组里正确读取的。打印出几张图片的转换前后坐标进行对比验证。另外COCO的bbox格式是[x_min, y_min, width, height]其中x_min, y_min是左上角坐标这点不要弄错。问题4数据类别严重不均衡某个类别样本极少。解决策略这更多是一个数据策略问题而非工具问题。有几种应对方法数据增强Data Augmentation对少数类别的图片进行更激进的数据增强如旋转、裁剪、颜色抖动、 mosaic 等。可以在UDT阶段就复制这些样本也可以在训练时通过数据加载器动态增强。重采样Re-sampling在训练时让数据加载器更频繁地采样少数类别的图片。例如PyTorch的WeightedRandomSampler。类别权重Class Weight在损失函数中为少数类别赋予更高的权重让模型更关注这些类别的错误。回到源头考虑是否可以从COCO数据集中通过更宽松的条件如包含相关场景的图片筛选出更多包含少数类别的样本。问题5UDT在标注大量图片时界面变得卡顿。性能优化建议分批处理不要一次性导入数万张图片。可以按类别或随机分成多个子数据集如dataset_part1,dataset_part2在UDT中分别处理最后再合并标注文件。硬件加速确保UDT运行在有独立显卡的机器上浏览器硬件加速已开启。关闭预览在标注界面可以暂时关闭“显示所有标注”的选项只加载当前正在编辑的标注。使用标签视图进行批量操作对于同类别的标注修正在“标签视图”下操作比在单张图片视图下逐张修改效率高得多。这套从COCO到UDT再到最终训练格式的工作流其威力在于将数据准备的各个环节工具化、流程化。它显著降低了从想法到数据原型的门槛。当你下一次启动一个新的视觉项目时不妨先问自己“我需要的数据能否从COCO这个宝库中通过UDT这把瑞士军刀快速地加工出来” 在大多数情况下答案会是肯定的。这不仅能节省你数周甚至数月的时间更能让你将精力集中在模型设计和调优这些更具创造性的工作上。