YOLOv8实例分割实战：从LabelMe标注到模型训练全流程（附完整代码）

YOLOv8实例分割实战：从LabelMe标注到模型训练全流程（附完整代码）

如果你正在尝试用YOLOv8做实例分割，但卡在了数据标注和格式转换这一步，这篇文章就是为你准备的。我见过不少开发者，模型调参头头是道，却在最基础的数据准备环节栽了跟头，导致训练结果一塌糊涂。实例分割不同于目标检测，它要求模型不仅要找到物体，还要精确勾勒出物体的轮廓，这对数据标注的质量和格式提出了更高的要求。本文将带你走通从零开始的全流程：如何用LabelMe这个免费工具高效标注，如何将标注结果转换成YOLOv8能“读懂”的格式，以及如何配置和训练模型，最终获得一个能精准分割出目标的实用模型。整个过程我会附上详细的代码和踩坑经验，无论你是初学者还是需要快速上手的开发者，都能直接套用。

1. 数据标注：用LabelMe打好地基

实例分割模型的好坏，七分靠数据，三分靠训练。而数据质量的核心，在于标注的精准度。LabelMe以其简单直观的交互和免费开源的特性，成为许多研究者和工程师的首选。但直接用LabelMe导出的JSON文件去训练YOLOv8是行不通的，中间必须经过一次关键的格式转换。

1.1 LabelMe标注的核心技巧与规范

安装LabelMe非常简单，一条命令即可：

pip install labelme

安装完成后，在命令行输入 labelme 即可打开图形化界面。标注时，有几个细节直接影响后续模型的表现：

• 多边形勾勒要贴合边缘：用多边形工具勾勒物体轮廓时，点与点之间的线段应尽量贴近物体真实边缘。对于弯曲的边缘，适当增加节点；对于平直边缘，减少不必要的节点。过于稀疏的节点会导致轮廓粗糙，过于密集则会增加计算负担且容易引入标注噪声。
• 统一类别命名：确保同一个物体类别在所有图片中的标签名完全一致，区分大小写。例如，“Person”和“person”会被视为两个不同的类别。
• 处理遮挡与截断：对于被部分遮挡的物体，应沿着可见部分进行标注。对于图片边缘截断的物体，同样只标注可见部分。

标注完成后，每张图片会生成一个同名的 .json 文件。这个文件包含了图片尺寸、所有标注物体的类别和多边形顶点坐标（基于图片像素的绝对坐标）等信息。这是我们的“原材料”。

1.2 从LabelMe到YOLO格式：关键的转换步骤

YOLOv8实例分割所需的标签格式是文本文件（.txt），其核心内容是类别ID和归一化的多边形坐标。转换过程需要解决两个问题：坐标归一化和文件结构组织。

我们可以使用 ultralytics 官方提供的转换工具，它封装了这个过程。假设你的LabelMe标注文件都放在 labelme_annotations 文件夹里，你可以这样转换：

from ultralytics.data.converter import convert_labelme2yolo

# 指定LabelMe标注目录和YOLO格式标签的目标保存目录
convert_labelme2yolo(
    labelme_json_dir="path/to/your/labelme_annotations",
    save_dir="path/to/your/seg_dataset/labels"
)

运行后，工具会在 save_dir 下生成对应的 .txt 标签文件。让我们深入看看这个 .txt 文件里到底有什么。以下是一个示例内容：

0 0.423 0.512 0.435 0.523 0.420 0.538 0.408 0.527
1 0.712 0.334 0.728 0.340 0.725 0.360 0.710 0.355

注意：转换工具会自动从 labelme_annotations 的同级目录寻找同名图片文件。请确保 .json 文件和 .jpg/.png 图片文件在同一目录下，或者 json 文件中正确记录了图片路径。

格式解读：

• 每一行代表一个实例（物体）。
• 第一个数字是类别ID（从0开始）。这个ID与后续数据集配置文件中的 names 列表顺序对应。
• 后面是一系列成对的浮点数 x1 y1 x2 y2 ...，代表多边形各个顶点的坐标。
• 这些坐标是归一化的，即 x = 像素横坐标 / 图片宽度, y = 像素纵坐标 / 图片高度，取值范围在0到1之间。这种归一化处理使得模型训练不受原始图片尺寸影响。

2. 构建YOLOv8分割数据集

格式转换完成后，我们需要按照YOLOv8约定的目录结构来组织我们的图片和标签，并编写一个至关重要的配置文件。

2.1 标准的目录结构

一个清晰规范的目录结构是避免路径错误的关键。请严格按照以下方式组织：

my_custom_seg_dataset/
├── dataset.yaml  # 数据集配置文件（稍后创建）
├── images/
│   ├── train/  # 存放训练集图片，如 train_001.jpg, train_002.png
│   └── val/    # 存放验证集图片
└── labels/
    ├── train/  # 存放训练集标签，如 train_001.txt, train_002.txt
    └── val/    # 存放验证集标签

关键点：

• images/train 和 labels/train 中的文件必须一一对应，且主文件名