从Labelme到YOLO：手把手实现关键点标注数据的格式转换与实战

1. 为什么你的YOLO模型“吃不下”Labelme标注的数据？

嘿，朋友们，我是老张，在AI和计算机视觉这行摸爬滚打了十来年。今天咱们不聊那些高大上的模型架构，就聊一个实实在在、几乎每个做姿态估计的朋友都会踩的坑：数据格式转换。

你是不是也遇到过这种情况？兴致勃勃地用Labelme标注了几百张、甚至上千张带有关键点（比如人脸特征点、人体关节点）的图片，标注得眼睛都快花了。然后满心欢喜地打开YOLOv8-Pose或者YOLOv5-Pose，准备大干一场，结果一加载数据，模型直接“懵”了，要么报错，要么训练出来的结果完全不对。这时候你可能会怀疑人生：是我的模型有问题？还是我标注得不够好？

别急，99%的问题都出在数据格式不匹配上。Labelme和YOLO，就像是两个说不同语言的人。Labelme说：“我把所有信息都放在一个叫JSON的文件里了，图片路径、每个目标的边界框、每个关键点的坐标，都在这儿，你自己看吧。” 而YOLO呢，它是个“强迫症”，它要求：“每张图片必须有一个同名的TXT文件，里面每一行代表一个目标，格式必须是‘类别 x_center y_center width height kpt1_x kpt1_y …’，所有数字都要归一化到0到1之间，用空格分开，一个标点符号都不能错。”

你看，这沟通能顺畅吗？所以，我们今天要做的，就是当这个“翻译官”，写一个靠谱的“翻译脚本”，把Labelme的“JSON语言”精准地翻译成YOLO能听懂的“TXT语言”。这个过程，远不止是改个文件后缀那么简单，它涉及到坐标系的转换、数据结构的拆解、归一化的计算，任何一个环节出错，都会导致训练失败。我当年就因为这个，白白浪费了好几天训练时间，最后才发现是归一化时宽高除反了。所以，跟着我一步步来，咱们把这些坑都提前填平。

2. 彻底搞懂：Labelme的JSON和YOLO的TXT到底长啥样？

磨刀不误砍柴工，在动手写代码之前，我们必须把两种格式的“长相”和“脾气”摸透。这能帮你未来自己调试脚本，或者处理一些特殊标注情况时，心里有底。

2.1 Labelme JSON：一个包罗万象的“档案袋”

当你用Labelme保存标注时，它会为每张图片生成一个同名的.json文件。你可以用任何文本编辑器打开它看看，结构其实很清晰。它本质上是一个大字典（Dictionary），里面包含了这张图片的所有元信息和标注信息。

一个典型的人体姿态标注JSON文件核心结构是这样的：

{
  "version": "5.3.1",
  "flags": {},
  "shapes": [
    {
      "label": "person",
      "points": [[156.4, 298.7], [389.2, 501.1]],
      "group_id": null,
      "shape_type": "rectangle",
      "flags": {}
    },
    {
      "label": "kpt_nose",
      "points": [[265.8, 205.3]],
      "group_id": 1,
      "shape_type": "point",
      "flags": {}
    },
    {
      "label": "kpt_left_eye",
      "points": [[245.2, 198.4]],
      "group_id": 1,
      "shape_type": "point",
      "flags": {}
    }
    // ... 更多关键点
  ],
  "imagePath": "example_image.jpg",
  "imageData": null,
  "imageHeight": 640,
  "imageWidth": 480
}

我来给你拆解一下几个关键字段：

• imagePath: 图片的文件名。这是找到原图的依据。
• imageHeight & imageWidth: 图片的高和宽。这是整个转换过程的基石，所有坐标归一化都要用到这两个值。
• shapes: 这是一个列表，里面存放了所有的标注形状。每个形状都是一个字典。
  • label: 标签名。对于目标检测框，通常是“person”、“car”等；对于关键点，可能是“nose”、“left_eye”等，或者你自定义的如“kp1”、“kp2”。
  • points: 坐标点列表。这是核心差异点！
    • 对于shape_type为"rectangle"的框，points列表里有两个点：[ [x1, y1], [x2, y2] ]，分别代表矩形框的左上角和右下角。注意，Labelme的坐标是像素坐标，原点在图片左上角。
    • 对于shape_type为"point"的关键点，points列表里只有一个点：[ [x, y] ]，就是这个关键点的像素坐标。
  • group_id: 这是关联框和点的“秘密纽带”！在标注时，如果你先画了一个人的框（label: person），然后在这个框内标注他的鼻子、眼睛，记得把这些关键点的group_id设置成同一个数字（比如1）。这样，在转换时，我们才知道哪些关键点属于哪个边界框。如果没设置或设置错了，转换脚本就会把关键点“张冠李戴”。

所以，Labelme的JSON就像一个档案袋，把一张图里所有零散的信息（框、点、图片尺寸）都装在一起，通过group_id来建立关联。

2.2 YOLO TXT：一个高度结构化的“清单”

YOLO格式则截然不同，它追求极致的简洁和规整。它为每张训练图片准备一个同名的TXT文件。比如example_image.jpg对应example_image.txt。

这个TXT文件里的每一行，都代表图像中的一个目标实例（比如一个人）。对于姿态估计任务，这一行的格式非常固定：

<class_id> <x_center> <y_center> <width&