YOLO数据集的目录划分主几种常见方式

YOLO数据集的目录划分主要有以下几种常见方式，具体选择取决于任务需求（如是否包含测试集）和框架要求（如Ultralytics YOLO的规范）：

1. 基础划分（训练集+验证集）

• 比例：通常为8:2或7:3
• 目录结构：

  dataset/
  ├── images/
  │   ├── train/  # 训练集图片
  │   └── val/    # 验证集图片
  └── labels/
      ├── train/  # 训练集标签（与图片同名.txt文件）
      └── val/    # 验证集标签
  

  特点：适用于小规模数据集或无需独立测试集的场景，代码实现可参考随机划分脚本。

2. 三划分法（训练集+验证集+测试集）

• 比例：常见为7:2:1或6:2:2
• 目录结构：

  dataset/
  ├── images/
  │   ├── train/
  │   ├── val/
  │   └── test/
  └── labels/
      ├── train/
      ├── val/
      └── test/
  

  特点：测试集用于最终模型评估，需确保数据独立分布。实现代码可通过分阶段随机采样完成。

3. Ultralytics YOLO标准结构

• 分类任务专用：需按类别子目录组织，适用于图像分类（非目标检测）：

  dataset/
  ├── train/
  │   ├── class1/  # 每个类别的图片
  │   └── class2/
  ├── val/         # 同train结构
  └── test/        # 可选
  

  特点：要求每个类别的图片存放在独立子目录下，便于分类模型训练。

4. 兼容VOC/COCO的混合结构

• 结合路径索引文件：生成train.txt/val.txt列出图片路径，适用于复杂项目：

  dataset/
  ├── images/       # 所有图片集中存放
  ├── labels/       # 所有标签集中存放
  ├── train.txt     # 训练集图片路径列表
  └── val.txt       # 验证集路径列表
  

  特点：灵活性高，适合大规模数据集管理。

注意事项

• 标签与图片同名：YOLO要求标签文件（.txt）与图片文件（如.jpg）同名且一一对应。
• 比例调整：可通过修改脚本中的split_list参数自定义划分比例（如[0.7, 0.2, 0.1]）。
• 数据平衡：建议验证各类别在划分后的分布是否均匀。

以上划分方式可根据项目需求选择，参考Ultralytics官方文档或开源脚本快速实现。