如何为 YOLOv8 项目正确配置 labels 文件夹-Python教程-PHP中文网

如何为 YOLOv8 项目正确配置 labels 文件夹

yolov8 训练报错“no labels found”通常源于数据集目录结构或 yaml 配置不匹配；本文详解标准目录结构、正确 yaml 写法及常见陷阱，助你快速修复标签路径问题。

yolov8 训练报错“no labels found”通常源于数据集目录结构或 yaml 配置不匹配；本文详解标准目录结构、正确 yaml 写法及常见陷阱，助你快速修复标签路径问题。

在 YOLOv8 中，模型训练时会严格依据 dataset.yaml 中定义的 train 和 val 子路径，自动在对应目录下查找 images/ 和 labels/ 两个同级子文件夹。若结构不符（例如将 labels 直接放在 img/ 内），即使路径存在，YOLOv8 也无法识别标注文件，从而触发 WARNING ⚠️ no labels found in detect set 并导致 mAP 等指标无法计算。

✅ 正确的数据集目录结构

YOLOv8 官方推荐且被 ultralytics 库默认识别的标准结构如下（注意层级与命名）：

dataset/
├── train/
│   ├── images/          # 必须命名为 images（非 img、JPEGImages 等）
│   │   ├── fire_001.jpg
│   │   └── smoke_042.jpg
│   └── labels/          # 必须命名为 labels（非 annotations、txt 等）
│       ├── fire_001.txt
│       └── smoke_042.txt
└── val/
    ├── images/
    │   ├── fire_099.jpg
    └── labels/
        └── fire_099.txt

? 关键规则：

images/ 与 labels/ 必须是 同级目录，均位于 train/ 和 val/ 下；

.txt 标签文件名必须与对应图像完全一致（仅扩展名不同），如 fire_001.jpg ↔ fire_001.txt；

labels/ 内每个 .txt 文件需遵循 YOLO 格式：每行 class_id center_x center_y width height（归一化坐标，范围 0–1）。

✅ 正确的 trainer.yaml 配置

你的 trainer.yaml 应指向 dataset/ 根目录，并将 train/val 设为子目录名（而非子路径）：

# trainer.yaml
path: ./dataset           # 相对路径，指向 dataset/ 根目录（确保该文件与 train.py 同级或路径可解析）

train: train              # 表示 dataset/train/ 目录 → YOLOv8 将在此下找 images/ 和 labels/
val: val                  # 表示 dataset/val/ 目录

names:
  0: fire
  1: smoke

⚠️ 常见错误修正：

❌ train: img → 错误！YOLOv8 不会自动推导 img/labels；它只认 train/images + train/labels；
❌ path: -CENCORED-/Masaüstü/... → 绝对路径含空格/特殊字符易出错，建议改用相对路径或规范绝对路径（如 path: /home/user/dataset）；
❌ val: train 或缺失 val → 验证集路径缺失将导致评估失败，即使训练能进行。

✅ 验证与调试技巧

运行前，建议执行以下检查：

路径可达性验证（Python 中）：

import os
from pathlib import Path

yaml_path = "trainer.yaml"
with open(yaml_path) as f:
    import yaml
    data = yaml.safe_load(f)

train_path = Path(data["path"]) / data["train"]
print("Train images:", train_path / "images")
print("Train labels:", train_path / "labels")
print("Labels exist?", (train_path / "labels").exists())

标签文件格式校验（示例 fire_001.txt）：
```
0 0.452 0.613 0.221 0.387  # class=fire, x_center=0.452, y_center=0.613, w=0.221, h=0.387
1 0.789 0.234 0.156 0.291  # class=smoke
```
✅ 所有数值 ∈ [0, 1]，无负数、无穷值或超限值（如 x+w > 1）。
启动训练时启用详细日志：
```
model.train(data="trainer.yaml", epochs=1, verbose=True)  # 查看实际加载的图像/标签数量
```
成功时日志应显示类似：
Found 1242 images and 1242 labels in dataset/train