yolo关键点检测数据集

适用于YOLO关键点检测的数据集
对于YOLO模型进行关键点检测的任务，存在多种适用的数据集。这些数据集中包含了不同类型的对象及其对应的关键点位置信息。
COCO Keypoints 数据集
COCO (Common Objects in Context) 是一个广泛使用的计算机视觉数据集，在其中有一个专门针对人体姿态估计的部分——即COCO Keypoints[^1]。该部分提供了超过20万个人体实例的标注，每个人体被标记了17个关键部位的位置坐标。此数据集不仅规模庞大而且涵盖了丰富的场景变化，非常适合用来训练像YOLO这样的通用型目标检测框架来完成关键点定位任务。
MPII Human Pose Dataset
MPII Human Pose dataset是一个专注于人类姿势分析的大规模图像集合，它由大约25,000幅来自YouTube视频截图组成的图片库组成，并带有详细的关节角度注释。尽管最初并非专门为YOLO设计，但由于其详尽的人类肢体结构描述，同样可以作为有效的资源应用于基于YOLO架构的关键点检测研究之中[^2]。
自定义数据集准备方法
当现成公开可用的数据集无法满足特定应用场景需求时，则可能需要创建自定义数据集。例如，在工业自动化领域内实现机械臂末端执行器的姿态跟踪功能就需要构建专属的小样本量但高度针对性的数据集。此时可以从零开始收集并标注自己的数据源，或者利用现有的开源工具如LabelMe等辅助完成这一过程。
import os
from labelme import utils as lbl_utils

def convert_labelme_to_yolo(labelme_json_dir, output_txt_file):
with open(output_txt_file, 'w') as f_out:
json_files = [pos_json for pos_json in os.listdir(labelme_json_dir) if pos_json.endswith('.json')]

for jsn in json_files:
data = lbl_utils.json.load(open(os.path.join(labelme_json_dir, jsn)))

img_shape = lbl_utils.img_b64_to_arr(data['imageData']).shape[:2][::-1]
shapes = [{'label': shape['label'], 'points': shape['points']} for shape in data['shapes']]

lines = []
for i, shape in enumerate(shapes):
points_str = " ".join([f"{p:.2f}" for point_set in shape["points"] for p in point_set])
line = f"{i} {points_str}\n"
lines.append(line)

f_out.writelines(lines)

convert_labelme_to_yolo('path/to/your/jsons', 'output.txt')
登录后复制