自己怎么做模型数据集，先把时间花在这三处，就可以事半功倍

自己怎么做数据集，我后来是按「时间花在哪划算」来算的，不是按步骤清单。

第一次做目标检测，容易低估的是返工：类别名改一次，几百张图跟着动；测试图没留，效果只能凭感觉。这些都不是钱的问题，是一整轮的时间。下面三处，是我觉得值得先把时间放上去的地方。

一、类别表值得多花半小时

开工前把名字、顺序、判定标准一次写死。同一个东西两种叫法，模型会当两类学；顺序中途调换，转换后调用可能一直输出同一个类，而且不报错。

这半小时换来的，是不用在第二周回头改几百张图。多人一起标的时候，还要配一句能对齐的标准：被挡住一半算不算、框贴多紧。

类别表应写清的三项内容

类别表应写清的三项内容

二、素材覆盖比数量更值

光线暗一点、目标小一点、被挡住一半的图要主动混进来。只挑好认的那批，训练时数字漂亮，实际画面稍微复杂一点就漏。

补图这件事成本很高：要重新采集、重新标注、重新分组、重新训练。所以采集阶段多花心思，比事后补划算。图片数量反倒不用一开始就追得很大，先把场景覆盖齐。

怎么标注图片数据这件事上，我的判断是标准先于工具。矩形框、掩码分割、SAM 标注、智能标注各有适用形状，但哪一种都绕不开人再确认一遍，工具省的是手和时间。yolo 数据标注说到底就是给这批图写标准答案；YOLO 标注工具怎么挑，我更看标完能不能直接进训练，而不是功能列表有多长。

素材场景覆盖的几种变化示例

素材场景覆盖的几种变化示例

三、测试集要一开始就锁住

常按 7:2:1 拆成训练、验证、测试。测试那批不参与训练，只在结束后用来验收。用改卷子打比方，练习册不能当考卷——同源的图看效果，分数好看但说明不了部署后的表现。

之后每次改标注、换版本，都拿同一批测试图对比，结果才有可比性。这一步不花什么时间，省下的是反复「感觉好像变好了」的来回。YOLO 数据集划分里，这份独立基准比多标几百张图更有用。

7:2:1 分组与验收基准的关系

7:2:1 分组与验收基准的关系

流程怎么组织也算在这笔账里：标注、训练、测试与转换导出交付分在几个工具里，中间就得自己搬文件、对路径；放在同一个项目里，省的是往返，代价是流程要按项目来走。公开资料里能看到后一种做法（万唯图界首批上线的目标检测模块万图 YOLO 采用的就是这种项目结构），按自己的情况选就行。

四、一份能照着做的准备清单

• 类别表与标注标准定稿，全程不改；

• 素材覆盖光线、遮挡、目标大小的变化；

• 三组分开，测试图单独锁住；

• 标注结果能直接进训练，不用导出再对路径；

• 版本规格先按跑通流程选；

• 转换格式按目标设备定，类别映射随模型导出。

五、算下来值不值

把时间放在类别表、素材覆盖和测试集上，回报是少返工一轮；把时间全放在挑工具和调参数上，常常要回到第一步。

数据集这件事没有捷径，但有先后顺序。先定标准，再补场景，把验收独立出来，比一上来就追数量稳得多。