🚀 如何在 Roboflow 上进行数据标注：一步步打造自己的目标检测数据集
在深度学习中，高质量的标注数据是训练模型的关键。本文将带你通过 Roboflow 平台，完成一次完整的图像数据标注流程。适用于行人检测、车辆检测、人车同框等多类任务，尤其适合用于训练 YOLO 系列模型。
✨ 一、为什么选择 Roboflow？
Roboflow 是一个专为计算机视觉开发者设计的平台，提供：
-
图像上传与管理
-
自动 / 手动标注
-
多种格式导出（YOLO, COCO, VOC 等）
-
与模型训练平台无缝对接（如 Ultralytics YOLOv8）
适合个人开发者、小组项目、科研训练等各种场景。
🛠️ 二、数据标注的完整流程
1. 创建项目
进入 Roboflow 官网 并登录账号。
-
点击
Create Project -
填写项目名称（如：PedestrianAndVehicleDetect）
-
选择项目类型
Object Detection -
数据格式建议选择
Public（公开项目）或Private（私密项目）
2. 上传图像数据
-
点击左侧菜单栏
Upload Data -
拖入图像或批量上传
.jpg/.png格式图片 -
上传后记得点击
Finish Upload
3. 标注类别设置
在 Annotate 页面：
-
点击左栏
Classes→+ Add Class -
添加类别，如：
-
person（行人） -
car（小汽车） -
bus、truck、bicycle等（按需添加）
-
建议写上描述性 Prompt，例如：“a human being, standing, walking” 以辅助自动标注。
✏️ 三、两种标注方式详解
✅ 方法一：手动标注
点击每张图片后使用矩形框工具 Draw Bounding Box，对目标进行手动框选，并选择对应类别。
适用于：
-
标注初期、小样本阶段
-
特殊类别 / 边缘样本
-
人车同框等复杂场景
建议至少手动标注 100～300 张图片，作为高质量样本。
🤖 方法二：自动标注（Auto Label）
在标注页面点击 Auto Label → 选择 Grounding DINO 模型，输入 prompt 自动生成框。
注意事项：
-
prompt 不准确会导致错误框或漏检
-
自动标注结果建议人工复核
🧪 四、生成训练集与验证集
完成标注后，点击左侧 Generate Dataset：
-
设置
Train : Val : Test比例（常见为 70:20:10） -
选择导出格式：
YOLOv8 (PyTorch)为主流选择 -
点击
Generate生成数据集
💡 五、导出数据集（YOLO 格式）
在 Versions 页面：
-
点击
Download Dataset -
选择格式为
YOLOv8 PyTorch -
下载后即获得
.jpg图像与.txt标注文件
每张图对应一个同名 .txt，格式如下：
<class_id> <x_center> <y_center> <width> <height>
注：坐标均为归一化（0~1）值。
✅ 实战技巧分享
-
标签不要太多，优先覆盖主目标（如 person、car）。
-
图像多样性重要，尽可能收集不同天气、角度、密度的场景。
-
小样本先手动标注再训练弱模型辅助自动标注，提升效率。
-
验证集要保留代表性，不要全是“好检测”的图。
📦 总结
通过 Roboflow 标注数据，不仅效率高，还可以与 YOLOv8 训练无缝衔接。适合你的行人检测、人车同框等项目场景。下一步就是训练模型，验证标注效果啦！
如果你也在做视觉检测项目，欢迎一起交流 🚀
🚀 我的数据集我做主：使用Roboflow手动标注人车检测数据的全过程
🧠 背景与动机：为什么我要自己标注数据？
作为一名计算机专业的学生，我在训练YOLOv8目标检测模型时，计划同时检测行人与车辆。但在寻找公开数据集时发现：大多数数据集只标注了人或车其中一类，缺乏我需要的“人车同框”场景数据。
因此，我决定亲自上阵，使用 Roboflow 平台进行手动标注，一方面为训练模型准备符合场景的数据集，另一方面也深入体验并学习目标检测中至关重要的数据准备环节。
✍️ 学习过程回顾：一步步掌握 Roboflow 标注流程
1. 创建项目并上传数据
我在 Roboflow 官网 创建了一个新的目标检测项目，并命名为 “pedestrian-vehicle-detect”。项目类型选择 Object Detection，因为我要标注的是边界框（bounding box）形式的目标。
上传图像后，Roboflow 会自动生成缩略图供你标注使用，支持 jpg/png 等格式，也可从本地拖拽上传。
2. 自动标注功能探索（失败）
我本来打算偷懒一下，使用 Roboflow 的 Auto Label 功能自动生成标注，设置了类名如 person、car、bus 等，并尝试用 Grounding DINO 自动生成。
但系统返回提示：Error Generating Test Results。
💡经验总结：
-
如果没有挂代理或网络不稳，Auto Label 可能失败。
-
自动标注对图片质量与场景要求较高，且提示语（prompt）要尽量清晰，比如
A person standing near a car可能比单独写person效果好。
3. 手动标注初体验：从一张图开始学
我手动标注了第一张图：
-
使用工具栏左侧的类名选择（如 person / car）
-
鼠标拖拽框选每个目标，系统会自动记录 class 和坐标
-
标注完后点击保存
🔥 此过程虽然繁琐，但很锻炼你对目标检测标注逻辑的理解：什么是一个对象？是否要标注重叠部分？靠的就是判断力！
4. 遇到的几个坑
-
图片加载慢 / 失败：有时图片无法加载，是因为上传太大或网络不稳，建议先压缩图像尺寸。
-
AI Label按钮误点：图像右侧的篮子图标不是“保存”，而是触发 AI Label 自动补标，误点会报错或者清空手动标注，要注意！
-
保存机制不明确：标注后并没有提示“保存成功”，其实是自动保存的，可以通过 History 栏查看历史标注记录。
🔄 模型训练策略补充：一个识别人，一个识别车
我的导师提出了一个思路启发我：可以分别训练两个模型（行人检测 & 车辆检测），再用代码融合两个模型的检测结果。
这也提醒我——数据集不一定非得一次搞定所有类，可以分阶段、分任务进行训练与整合。
📚 总结：学到了什么？
-
数据标注是目标检测中最关键的第一步；
-
Roboflow 是一个非常友好的平台，适合入门和项目实践；
-
手动标注虽然慢，但有利于深入理解“目标”与“语义”的边界；
-
自动标注并非万能，手动标注不可或缺；
-
标注过程也是数据清洗和预处理的一部分。
📝 下一步计划
-
继续标注 2000 张“人车同框”图像作为基础训练集；
-
使用 Roboflow 的导出功能，导出为 YOLO 格式用于 YOLOv8 训练；
-
编写融合两个检测模型输出的 Python 脚本；
-
将整个数据准备与模型训练流程写成系列博客，帮助更多像我一样的初学者！
如果你也正在为训练一个“同时识别人和车”的模型而苦恼，不妨自己动手，去 Roboflow 上画一画，学一学，你会收获比模型更多的东西。
扫一扫
3219
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
