yoloutils 操作手册（v0.0.8）yoloutils 操作手册（v0.0.8） yoloutils 是一组面向

yoloutils 操作手册（v0.0.8）

yoloutils 是一组面向 YOLO 数据集的命令行工具，用于标签统计、标签筛选、索引替换、数据集整理、图片裁剪、分类数据拆分和模型批量测试。

作者: Neo netkiller@msn.com
官网: www.netkiller.cn

1. 工具概览

当前源码中的子命令如下：

子命令	作用
`label`	查看 `classes.txt`、统计标签数量、搜索标签所在文件
`merge`	按文件名合并两组 YOLO 标注
`copy`	按标签名称复制标注文件和图片
`remove`	删除指定标签索引或标签名称
`change`	批量替换标签索引
`crop`	使用 YOLO 模型检测并裁剪图片
`labelimg`	手工整理 labelimg 数据，或自动模型打标并输出 YOLO 标签
`resize`	按长边尺寸缩放图片
`classify`	处理分类数据集并划分 `train/test/val`
`test`	用模型批量推理并输出表格或 CSV

查看总帮助：

yoloutils -h

2. 安装与运行

2.1 环境要求

Python >= 3.13
依赖项：
- pillow
- opencv-python
- pyyaml
- tqdm
- texttable
- ultralytics

2.2 从 PyPI 安装

pip install netkiller-yoloutils

2.3 从源码安装

git clone https://github.com/netkiller/yoloutils.git
cd yoloutils
pip install -e .

2.4 构建 wheel 安装

pip install build
python -m build
pip install dist/netkiller_yoloutils-*.whl --force-reinstall

2.5 查看某个子命令帮助

yoloutils label -h
yoloutils classify -h
yoloutils test -h

3. 数据准备

3.1 YOLO 检测数据目录

大多数命令面向 YOLO 检测标注，目录通常如下：

dataset/
├── classes.txt
├── image001.jpg
├── image001.txt
├── image002.jpg
├── image002.txt
└── subdir/
    ├── image101.jpg
    └── image101.txt

说明：

classes.txt 为类别清单，每行一个类别名称。
标注文件为 YOLO 标准格式：class x_center y_center width height。
当前源码中大多数流程按 .jpg + .txt 成对处理，png 支持并不完整，实际使用时建议统一为 .jpg。
多个命令会递归扫描 source 目录下的所有标注文件。

3.2 分类数据目录

classify 命令要求按类别分目录：

source/
├── cat/
│   ├── 001.jpg
│   └── 002.jpg
├── dog/
│   ├── 101.jpg
│   └── 102.jpg
└── bird/
    └── 201.jpg

3.3 日志文件

程序运行后会在当前工作目录生成类似下面的日志文件：

yoloutils.2026-04-07.log

4. 命令详解

4.1 `label`

用于查看 classes.txt、统计标签数量以及检索包含某些标签的标注文件。

命令格式：

yoloutils label --source DATASET [--classes | --total | --index | --search 0 1 2]

帮助信息：

usage: yoloutils.py label [-h] [--source /tmp/dir1] [--classes] [--total]
                          [--index] [--search 1 2 3 [1 2 3 ...]]

options:
  -h, --help            show this help message and exit
  --source /tmp/dir1    目录
  --classes             查看 classes.txt 文件
  --total               统计标签图数量
  --index               统计标签索引数量
  --search 1 2 3 [1 2 3 ...]
                        搜索标签

详细使用说明（推荐流程）：

准备数据目录：确保 --source 目录存在，且包含 classes.txt 与若干 *.txt 标注文件。
先执行 --classes：确认标签索引和标签名称对应关系，避免后续按索引分析时看错类别。
按目标选择统计方式：
- 看标签总量用 --total；
- 看纯索引计数用 --index；
- 查特定索引落在哪些文件用 --search。
核验结果：随机打开 --search 输出的若干文件，确认首列索引与表格统计一致。

常用示例：

# 查看 classes.txt
yoloutils label --source ./dataset --classes

# 统计各标签出现次数
yoloutils label --source ./dataset --total

# 仅按索引统计
yoloutils label --source ./dataset --index

# 查找包含索引 0 和 2 的标注文件
yoloutils label --source ./dataset --search 0 2

实现说明：

--classes 读取 source/classes.txt 并以表格输出。
--total 统计的是标注框数量，不是图片数量。
--index 与 --total 使用同一套统计逻辑，只是不再映射成标签名称。
--search 返回包含指定索引的标注文件路径列表。

4.2 `merge`

将左侧目录中的标注文件与右侧目录中同名标注合并到输出目录，同时复制左侧目录中的图片。

命令格式：

yoloutils merge \
    --left ./left \
    --right ./right \
    --output ./merged \
    --clean

帮助信息：

usage: yoloutils.py merge [-h] [--left /tmp/dir1] [--right /tmp/dir2]
                          [--output /tmp/output] [--clean]

options:
  -h, --help            show this help message and exit
  --left /tmp/dir1      左侧目录
  --right /tmp/dir2     右侧目录
  --output /tmp/output  最终输出目录
  --clean               清理之前的数据

详细使用说明（推荐流程）：

准备左右目录：left 和 right 都应包含 YOLO 标签文件，且两边使用可匹配的文件名规则。
先在小样本目录验证：建议先拷贝 5-10 组样本到临时目录验证合并规则，再全量执行。
正式执行时指定 --output，若需要覆盖旧结果再加 --clean。
核验输出：检查 output 中图片是否来自左侧目录，标签文件是否为“左+右”拼接结果。

使用前提：

左右目录中都使用 YOLO .txt 标注文件。
图片从 --left 目录复制到输出目录。
当前实现默认图片扩展名为 .jpg。
右侧文件名匹配规则较特殊：左侧若为 name_0.txt，右侧会查找 name.txt。

适用场景示例：

left/
├── sample_0.jpg
└── sample_0.txt

right/
└── sample.txt

合并后：

merged/
├── sample_0.jpg
└── sample_0.txt

实现说明：

如果右侧缺少对应标注，则仅复制左侧标注。
如果右侧存在对应标注，则把两个文本内容直接拼接写入输出文件。
当前源码已修正顶层 CLI 的 merge 分发，命令可以正常进入合并逻辑。

4.3 `copy`

按标签名称筛选标注文件，并复制对应的标注和图片到目标目录。

命令格式：

yoloutils copy \
    --source ./dataset \
    --target ./picked \
    --label person,dog \
    --uuid \
    --clean

帮助信息：

usage: yoloutils.py copy [-h] [--source SOURCE] [--target TARGET]
                         [--label LABEL] [-u] [-c]

options:
  -h, --help       show this help message and exit
  --source SOURCE  图片来源地址
  --target TARGET  图片目标地址
  --label LABEL    逗号分割多个标签
  -u, --uuid       UUID 文件名
  -c, --clean      清理目标文件夹

详细使用说明（推荐流程）：

先确认 source/classes.txt 标签名称，--label 必须和文件里的名称完全一致。
若只提取某些类别，传入 --label person,dog；若不传 --label，按源码行为会复制全部标签文件。
如需避免重名覆盖，建议加 --uuid；如需覆盖旧结果，加 --clean。
核验结果：在 target 中检查是否同时有同名 jpg/txt，并确认 classes.txt 已复制。

常用示例：

# 复制含有 cat 标签的样本
yoloutils copy --source ./dataset --target ./picked --label cat

# 复制多个标签
yoloutils copy --source ./dataset --target ./picked --label person,car,bicycle

# 输出文件名改为 UUID
yoloutils copy --source ./dataset --target ./picked --label dog --uuid

实现说明：

复制前会读取 source/classes.txt，把标签名称转换为索引。
--label 采用逗号分隔，如 person,dog,car。
会把 classes.txt 一并复制到目标目录。
当前实现主要按 .jpg 配对复制图片。
该命令的复制逻辑依赖文件名和目录状态，建议先在小样本目录验证输出结果。

4.4 `remove`

从 YOLO 标注文件中删除指定标签。可以按索引删除，也可以按标签名称删除。

命令格式：

yoloutils remove \
    --source ./dataset \
    --target ./cleaned \
    --classes 0 3 5 \
    --clean

或：

yoloutils remove \
    --source ./dataset \
    --label cat dog

帮助信息：

usage: yoloutils.py remove [-h] [--source SOURCE] [--target TARGET] [--clean]
                           [--classes 1 2 3 [1 2 3 ...]]
                           [--label label1 label2 [label1 label2 ...]]

options:
  -h, --help            show this help message and exit
  --classes 1 2 3 [1 2 3 ...]
                        标签序号
  --label label1 label2 [label1 label2 ...]
                        标签名称

通用参数:
  --source SOURCE       图片来源地址
  --target TARGET       图片目标地址
  --clean               清理之前的数据

详细使用说明（推荐流程）：

明确删除方式：
- 已知索引用 --classes 0 3 5；
- 已知标签名用 --label cat dog（会自动从 classes.txt 映射索引）。
先做安全试跑：优先指定 --target 输出新目录，不建议第一次就原地修改。
确认结果目录：有变更的标签文件会写入目标目录；删除后为空的文件会连同对应图片一起移除。
核验：执行后用 yoloutils label --source <target> --index 复查删除是否生效。

实现说明：

--classes 接收标签索引列表。
--label 先读取 source/classes.txt，再转换成索引列表。
如果指定了 --target，会把结果写入目标目录；如果不指定，则直接原地修改源文件。
某个标注文件在删除后若没有任何标注行，程序会删除对应的 .txt 和同名 .jpg。
当前实现写入 --target 时只保留文件名，不保留原始子目录结构；若不同子目录存在同名文件，可能发生覆盖。

常用示例：

# 删除索引 0 和 1
yoloutils remove --source ./dataset --target ./cleaned --classes 0 1

# 删除标签名称 cat、dog
yoloutils remove --source ./dataset --target ./cleaned --label cat dog

# 直接原地删除
yoloutils remove --source ./dataset --classes 7

4.5 `change`

批量修改标签索引，直接原地覆盖源标注文件。

命令格式：

yoloutils change \
    --source ./dataset \
    --search 0 1 2 \
    --replace 3 4 5

帮助信息：

usage: yoloutils.py change [-h] [--source /tmp/dir1]
                           [--search 1 2 3 [1 2 3 ...]]
                           [--replace 4 5 6 [4 5 6 ...]]

options:
  -h, --help            show this help message and exit
  --source /tmp/dir1    目录
  --search 1 2 3 [1 2 3 ...]
                        标签序号
  --replace 4 5 6 [4 5 6 ...]
                        标签名称

详细使用说明（推荐流程）：

先确定映射关系：--search 与 --replace 按位置一一对应，例如 0->5, 1->6。
先备份源目录：该命令是原地改写，不提供 --target。
执行替换后，立即用 yoloutils label --source <dir> --index 对比前后计数变化。
若替换关系较多，建议先在小目录验证，确认没有错位映射再跑全量。

实现说明：

--search 与 --replace 按位置一一对应。
会递归处理 source 下所有 .txt，跳过 classes.txt。
该命令没有 --target 输出目录，修改直接写回原文件。

常用示例：

# 把 0 -> 5, 1 -> 6
yoloutils change --source ./dataset --search 0 1 --replace 5 6

4.6 `crop`

使用 YOLO 模型批量检测图片，并把检测区域裁剪到目标目录。

命令格式：

yoloutils crop \
    --source ./images \
    --target ./cropped \
    --model ./best.pt \
    --output ./predict \
    --clean

帮助信息：

usage: yoloutils.py crop [-h] [--source SOURCE] [--target TARGET] [--clean]
                         [--model best.pt] [--output /tmp/output]

options:
  -h, --help            show this help message and exit
  --model best.pt       模型
  --output /tmp/output  Yolo 输出目录

通用参数:
  --source SOURCE       图片来源地址
  --target TARGET       图片目标地址
  --clean               清理之前的数据

详细使用说明（推荐流程）：

准备模型与输入：确认 --model 文件可用，--source 下图片建议统一为 .jpg。
明确输出目标：
- --target 存放裁剪结果（保留相对目录）；
- --output 可选，用于保存带框图和 save_crop 产物。
首次运行建议带 --clean，避免旧结果干扰统计和核对。
核验：随机打开 target 与 output 中对应文件，确认裁剪区域与检测框一致。

实现说明：

递归扫描 source 下的 .jpg 文件。
--target 保留原始相对目录结构。
--model 必填，使用 ultralytics.YOLO 加载模型。
--output 存在时，会额外保存带检测框的推理结果，以及 ultralytics 生成的裁剪结果到 output/crop/。
当前实现每张图在 target 目录中只保留首个检测结果输出，目标文件名沿用原图相对路径。

常用示例：

yoloutils crop --source ./images --target ./cropped --model ./best.pt

4.7 `labelimg`

labelimg 现在包含两种模式：

默认模式：把 labelimg 风格的数据整理成 YOLO 训练目录结构，并生成 data.yaml。
自动模式（--auto）：使用模型识别图片并生成 YOLO .txt 标签，同时复制图片到目标目录，保持原有目录结构。

命令格式：

# 默认模式（labelimg -> yolo 训练目录）
yoloutils labelimg \
    --source ./labelimg_data \
    --target ./yolo_data \
    --val 10 \
    --uuid \
    --clean

# 自动模式（模型自动打标）
yoloutils labelimg \
    --auto \
    --model ./best.pt \
    --source ./source \
    --target ./target \
    --clean \
    --report ./target/report.csv

帮助信息：

usage: yoloutils labelimg [-h] [--source SOURCE] [--target TARGET] [--clean] [--classes CLASSES] [--val 10] [--uuid] [--check] [--auto] [--model MODEL] [--report REPORT]

options:
  -h, --help         show this help message and exit
  --classes CLASSES  classes.txt 文件
  --val 10           检验数量
  --uuid             输出文件名使用UUID
  --check            图片检查 corrupt JPEG restored and saved

通用参数:
  --source SOURCE    图片来源地址
  --target TARGET    图片目标地址
  --clean            清理之前的数据

自动打标:
  用载入的模型自动给目录中的文件打标

  --auto             自动标注
  --model MODEL      载入模型
  --report REPORT    报告输出，哪些文件已经标准，哪些没有标注

详细使用说明（推荐流程）：

先选模式：
- 数据整理场景用默认模式（不加 --auto）；
- 直接模型打标用自动模式（必须加 --auto --model）。
默认模式建议流程：准备 source/classes.txt 与成对 jpg/txt，先跑小样本确认目录结构，再全量执行。
自动模式建议流程：准备好 --model 和源图目录，执行 --clean 清理目标目录，必要时加 --report 导出报表。
核验输出：
- 默认模式检查 data.yaml、train/val 目录是否完整；
- 自动模式检查 classes.txt、同名 txt 是否生成，以及未标注清单是否合理。

默认模式输出目录结构：

yolo_data/
├── train/
│   ├── images/
│   └── labels/
├── val/
│   ├── images/
│   └── labels/
├── test/
│   ├── images/
│   └── labels/
└── data.yaml

自动模式输出目录结构示例：

target/
├── classes.txt
├── report.csv                  # 仅在传入 --report 时生成
├── a/
│   ├── 001.jpg
│   └── 001.txt
└── b/sub/
    ├── 123.png
    └── 123.txt

默认模式实现说明：

程序实际读取的是 source/classes.txt。
--val 表示每个标签随机抽取多少个样本进入 val，不是百分比。
所有样本会先进入 train，再从中抽样复制到 val。
test 目录会创建，但当前实现不会自动填充测试集。
--uuid 会把输出的图片和标签文件名改为 UUID。
当前源码中声明了 --classes 和 --check 参数，但在默认模式里这两个参数尚未真正生效。
图片配对逻辑主要按同名 .jpg 处理，准备数据时建议统一使用 .jpg。

自动模式实现说明：

必须提供 --auto --model --source --target。
支持的图片扩展名：.jpg .jpeg .png .bmp .webp .tif .tiff。
会递归扫描 source，把每张图片复制到 target 对应相对路径下（保持目录结构）。
每张图片都会生成同名 .txt 标签文件：
- 检测到目标：写入 YOLO 标准格式 class x_center y_center width height（归一化坐标）。
- 未检测到目标：会创建空 txt 文件。
target/classes.txt 从模型 model.names 生成。
统计项固定为：图片总数、已标注、未标注、标注框总数。
会输出未标注文件名表格。
传入 --report 时会写 CSV，内容为统计表 + 未标注文件名列表。

常用示例：

# 基本整理
yoloutils labelimg --source ./labelimg_data --target ./yolo_data

# 每个标签抽取 20 个样本到验证集
yoloutils labelimg --source ./labelimg_data --target ./yolo_data --val 20

# 生成 UUID 文件名
yoloutils labelimg --source ./labelimg_data --target ./yolo_data --uuid

# 自动打标（保持目录结构，输出报告）
yoloutils labelimg --auto --model ./best.pt --source ./source --target ./target --clean --report ./target/report.csv

4.8 `resize`

按长边尺寸缩放图片，小于目标尺寸的图片会直接复制。

命令格式：

yoloutils resize \
    --source ./images \
    --target ./resized \
    --imgsz 640 \
    --clean

帮助信息：

usage: yoloutils.py resize [-h] [--source SOURCE] [--target TARGET] [--clean]
                           [--imgsz 640] [--output ]

options:
  -h, --help       show this help message and exit
  --imgsz 640      长边尺寸
  --output         输出识别图像

通用参数:
  --source SOURCE  图片来源地址
  --target TARGET  图片目标地址
  --clean          清理之前的数据

详细使用说明（推荐流程）：

选择目标尺寸：--imgsz 表示长边阈值，常见取值 640/1280/1920。
指定输入输出目录，首次建议加 --clean，保证结果目录干净可复现。
运行后关注统计表：已处理 表示发生缩放，未处理 表示直接复制。
核验：随机检查几张大图与小图，确认大图已缩放、小图保持原样。

实现说明：

递归扫描 source 下的 .jpg 文件。
输出目录保留原始相对路径。
长边大于 --imgsz 时才会缩放，否则直接复制原图。
输出统计表中的“未处理”表示未缩放、直接复制的文件数。
当前源码声明了 --output 参数，但实际流程中没有使用该目录。

常用示例：

yoloutils resize --source ./images --target ./resized --imgsz 640
yoloutils resize --source ./images --target ./resized --imgsz 1920

4.9 `classify`

处理分类数据集，并自动生成 train/test/val 目录结构。支持在复制训练集之前先用检测模型裁剪图片。

命令格式：

yoloutils classify \
    --source ./source \
    --target ./dataset \
    --test 100 \
    --crop \
    --model ./best.pt \
    --output ./predict \
    --checklist ./checklist \
    --uuid \
    --verbose \
    --clean

帮助信息：

usage: yoloutils.py classify [-h] [--source SOURCE] [--target TARGET]
                             [--clean] [--output ] [--checklist ] [--test 100]
                             [--crop] [--model ] [--uuid] [--verbose]

options:
  -h, --help       show this help message and exit
  --output         输出识别图像
  --checklist      输出识别图像
  --test 100       测试数量
  --crop           裁剪
  --model          裁剪模型
  --uuid           重命名图片为UUID
  --verbose        过程输出

通用参数:
  --source SOURCE  图片来源地址
  --target TARGET  图片目标地址
  --clean          清理之前的数据

输出目录结构：

dataset/
├── train/
│   ├── class_a/
│   └── class_b/
├── test/
│   ├── class_a/
│   └── class_b/
└── val/
    ├── class_a/
    └── class_b/

详细使用说明（推荐流程）：

准备分类目录：source/<类别名>/*.jpg，类别名就是最终目录名。
先决定是否启用裁剪：
- 纯分类数据整理：不加 --crop；
- 先检测再入库：加 --crop --model <pt>。
设置抽样数量：--test 会同时作用于 test 和 val 的每类抽样数量。
核验：检查 train/test/val 每个类别子目录是否存在，并抽查图片是否符合预期（原图或裁剪图）。

实现说明：

首先把所有源图片复制或裁剪到 train。
然后从 train 中随机抽样复制到 test 和 val。
--test 表示每个类别抽样多少张，同时用于 test 和 val 两个集合。
--crop 生效时必须同时提供有效的 --model。
裁剪模式下，若一张图检测出多个框，会输出多个 _0、_1 之类的裁剪文件。
--output 用于保存带检测框的推理结果。
--checklist 用于保存多框样本的检查结果和裁剪产物，便于人工复核。
--uuid 会将目标文件改名为 UUID。

常用示例：

# 不裁剪，直接划分分类数据集
yoloutils classify --source ./source --target ./dataset

# 每个类别抽样 50 张到 test 和 val
yoloutils classify --source ./source --target ./dataset --test 50

# 先检测裁剪，再做分类数据集
yoloutils classify \
    --source ./source \
    --target ./dataset \
    --crop \
    --model ./best.pt \
    --output ./predict \
    --checklist ./checklist

4.10 `test`

用 YOLO 模型批量推理目录中的图片。支持单模型测试和多模型对比（--diff），可选保存 CSV 和可视化图片。

命令格式：

# 单模型测试
yoloutils test \
    --source ./images \
    --model ./best.pt \
    --csv ./result.csv \
    --output ./predict

# 多模型对比
yoloutils test \
    --diff \
    --source ./images \
    --models ./best1.pt ./best2.pt ./best3.pt \
    --label person \
    --csv ./diff.csv \
    --output ./predict_diff

帮助信息：

usage: yoloutils.py test [-h] [--source SOURCE] [--target TARGET] [--clean]
                         [--model MODEL] [--csv result.csv] [--output OUTPUT]
                         [--diff]
                         [--models best1.pt best2.pt best3.pt [best1.pt best2.pt best3.pt ...]]
                         [-l ]

options:
  -h, --help        show this help message and exit
  --model MODEL     模型路径
  --csv result.csv  保存测试结果
  --output OUTPUT   测试结果输出路径

通用参数:
  --source SOURCE   图片来源地址
  --target TARGET   图片目标地址
  --clean           清理之前的数据

对比模型:
  对比多个模型识别率

  --diff                对比模型
  --models best1.pt best2.pt best3.pt [best1.pt best2.pt best3.pt ...]
                        模型
  -l, --label           标签统计

详细使用说明（推荐流程）：

先选测试模式：
- 单模型：传 --model；
- 多模型对比：传 --diff --models ...，可选 -l/--label 只统计指定标签。
准备输入目录：把要评估的图片统一放到 --source，避免混入无关文件。
需要复盘时加 --output 保存可视化图，需要归档时加 --csv 导出结果表。
核验：
- 单模型模式关注 Total/Not found/Average；
- 对比模式关注 Total, Average(模型1), Average(模型2), ...。

实现说明：

输入扫描：递归读取 source/**/*，过滤 .txt 和 .DS_Store。
单模型模式（默认）：
- 必填 --model。
- 每张图片仅记录首个检测框的 标签/置信度。
- 表格列为：文件, 标签, 置信度。
对比模式（--diff）：
- 必填 --models（可传多个模型）。
- 表格头为：文件, 标签, <模型1>, <模型2>, ...。
- 进度条为单条总进度，total = 图片数 × 模型数，实时显示当前模型和文件。
- “标签”列为该文件识别到的标签集合（去重后逗号拼接）。
- 传 -l/--label 时，仅统计该标签对应检测框（标签列和置信度都按此过滤）。
- 每个模型对每张图记录匹配检测框中的最大置信度；无匹配结果时为 0.00。
- 终端汇总按模型分别计算平均值：Total: N, Average(modelA): x.xx, ...。
--csv 在两种模式下都会按当前表格结构输出 CSV。
--output 在两种模式下都会保存带框结果图（按原文件名写入输出目录）。
该命令虽然继承了通用参数中的 --target、--clean，但当前实现没有使用它们。

常用示例：

# 批量测试并保存 CSV
yoloutils test --source ./images --model ./best.pt --csv ./result.csv

# 同时保存可视化结果
yoloutils test --source ./images --model ./best.pt --output ./predict

# 对比三个模型，并导出对比 CSV
yoloutils test --diff --source ./images --models ./best1.pt ./best2.pt ./best3.pt -l person --csv ./diff.csv

# 对比模型并导出可视化图
yoloutils test --diff --source ./images --models ./best1.pt ./best2.pt --output ./predict_diff

5. 通用参数

部分子命令复用以下参数：

参数	说明
`--source`	输入目录
`--target`	输出目录
`--clean`	运行前先删除目标目录中的旧数据

说明：

label 和 change 不使用 --target。
test 虽然带有 --target、--clean 帮助项，但当前实现未使用。

6. 使用建议

批量操作前先备份原始数据，尤其是 change 和未指定 --target 的 remove。
尽量统一使用 .jpg 图片，避免因为扩展名处理差异导致图片未被复制。
使用 --clean 时确认目标目录没有需要保留的旧文件。
labelimg、classify、test 涉及随机抽样或推理，建议先在小目录上试跑一轮。
若目录层级较深，优先保证文件名唯一，避免某些命令在输出时因只保留 basename 发生覆盖。

7. 常见问题

Q1: 提示 `classes.txt 文件不存在`

确认以下几点：

source 目录下存在 classes.txt
文件名大小写正确
运行目录和传入路径没有写错

Q2: 标签统计结果和图片数对不上

label --total 统计的是标注框数量，不是图片数量。一张图中如果有多个框，会被累计多次。

Q3: 为什么 `labelimg` 没有生成 `test` 数据

当前实现只会创建 test 目录，不会自动填充测试样本。

Q4: 为什么某些图片没有被处理

优先检查：

图片是否为 .jpg
标注文件和图片是否同名
模型文件路径是否正确
输出目录是否被旧数据覆盖

8. 许可证

MIT License

yoloutils 操作手册（v0.0.8）