YOLO 入门实战（一）：用 Label Studio 快速构建你的第一个目标检测数据集

打不过快跑
536 阅读4分钟

YOLO 入门实战（一）：用 Label Studio 快速构建你的第一个目标检测数据集

你是不是也曾经被“目标检测”这个词吓退过？觉得它高深莫测，需要海量数据、强大算力和复杂的调参过程？其实，入门并没有那么难。

本文的目标很明确：用最少的资源、最短的时间，带你从零开始，完整跑通一次 YOLO 目标检测的全流程。无论你是刚接触深度学习的新手，还是想快速验证一个想法的产品经理或开发者，只要你有几十张图片，就能跟着这篇教程，亲手训练出一个能“看懂”图像的小模型。

我们将使用目前主流的 YOLOv8 框架（来自 Ultralytics），它安装简单、API 友好、文档清晰，非常适合快速验证。整个过程分为五个清晰的步骤：

  1. 环境搭建：几条命令搞定依赖。
  2. 数据准备：如何用少量图片构建自己的数据集。
  3. 模型训练：启动训练，观察指标。
  4. 验证与测试：看看模型学得怎么样。
  5. 简单部署：用几行代码实现图片检测。

首先介绍下硬件环境配置：

  • CPU：Intel i5-12400F
  • GPU：NVIDIA RTX 4060（8GB）
  • 内存：32GB
  • 系统：Windows 11 专业版

构建数据集

要训练一个目标检测模型，第一步是准备数据。我们不需要海量图片，20~50 张标注好的图像，就足以让 YOLO 学会识别一个简单目标（比如纸巾盒、水杯、键盘等）。

要构建数据集必然需要一个数据标注工具，本来想体验下ultralytics-hub的，但是死活没注册成功。目前改用Label Studio(Open Source Data Labeling | Label Studio)来管理我的数据集。 Label Studio可以使用python快速搭建，比如使用pip install,那么我们首先来创建一个python的虚拟环境，毕竟python依赖之间经常有版本冲突，使用虚拟环境可以避免很多麻烦。这里我使用了miniconda(Installing Miniconda - Anaconda)。具体安装步骤就不多说。 然后我们创建一个专属label的虚拟环境

conda create -n label python=3.11
conda activate label

在激活虚拟环境的前提下，执行下载依赖的命令

pip install label-studio

下载完毕后，可以通过命令来启动label studio.没错就是如此方便！

label-studio start

通过日志可以观察到默认服务是启动在8080的,我们可以通过浏览器访问

August 28, 2025 - 18:16:39
Django version 5.1.11, using settings 'label_studio.core.settings.label_studio'
Starting development server at http://0.0.0.0:8080/
Quit the server with CTRL-BREAK.

image.png 现在你可以注册一个账号然后登录进去,我们需要点击“Create Project”来创建一个项目。这次我的数据集就是一个目标检测纸巾盒，大家可以任意取一个名字

image.png 别急着保存哦！第二步就是导入数据，我这边就是拍摄的纸巾盒的图片，大家可以把需要检测的数据全部导入进去，如果数据集比较大那么需要稍等一会儿

image.png

最后一步，我们可以选择一个模板来提高效率，这里我选择的是“Object Detection with Bounding Boxes”用于将目标检测后使用边框标记。这里我们可以清理掉模板的label然后添加我们自己的tag,最后点击保存即可。

image.png 进入到项目的详情也就可以看到我们上传的数据集了，满满一整页的数据，然后点击“label all tasks”开启我们的标注，因为我们数据量比较少所以采用了人工标注。每一个图片上所有出现的纸巾盒都需要通过矩形框来标注，具体的UI操作我们可以参考(Label Studio — Image Object Detection Data Labeling Template)

image.png 当所有的数据都完成标注后，就可以进行数据集导出了。我们可以直接选择YOLO8带图片的导出格式（标注数据和原图片会一起导出，很方便） 但是这里有个坑，第一次导出存在权限不足，我们可以通过“API Token Setting”勾选下面的选项来解决

image.png

image.png 然后就可以正常导出数据集了，我们会得到images、labels的数据，大致结构如下

- dataset
|- images #图片
|   |- 1.jpg
|   |- 2.jpg
|- labels #标注
|   |- 1.txt
|   |- 2.txt
|- classes.txt #分类
|- notes.json

本篇我们完成了目标检测项目的第一步：从零构建自己的小规模数据集。我们使用 Conda 创建了独立的 Python 环境，安装并配置了 Label Studio，完成了图片标注，并导出了 YOLO 可直接读取的数据格式。

整个过程无需复杂工具，也不依赖大量数据，适合快速验证想法或入门学习。

数据准备好了，接下来就是让模型“学会看懂”这些图片。在下一篇中，我们将使用 Ultralytics YOLOv8，带你一步步：

  • 组织训练数据目录
  • 配置模型参数
  • 启动训练
  • 验证效果
  • 导出模型用于推理

敬请期待：《YOLO 入门实战（二）：用自定义数据训练你的第一个检测模型》！

avatar
文章
阅读
粉丝