手头的目标检测数据集标注完成后,常用的标注工具导出的是Pascal VOC标准的XML文件,但不少训练框架只认TXT标签。这种格式不对接的问题,跑训练前基本都会遇到。我最早接触这个转换需求是做一个车辆检测项目,一千多张图片的标注文件全是XML,而当时要用的框架只接受TXT格式的标签。第一次手动转换时踩了不少坑,后来把解析脚本整理成了通用工具,这套方法在几个数据集上反复用下来效果很稳定,今天完整梳理出来,给同样被这个问题卡住的朋友一个可直接参考的实践路线。
这篇文章适合需要处理目标检测数据集、做数据预处理的算法工程师和研究人员,也适合刚接触标注格式转换的入门学习者。核心会覆盖XML与TXT两种标签格式的差异、XML解析的本质原理、完整的转换脚本实现、批量处理手段和避开常见坑位的方法。
1. 为什么偏偏是XML和TXT——标注格式迁移的真实痛点
1.1 同一种数据,两种格式的典型生态
目标检测任务的数据标注环节,基本上绕不开两类标签格式:一类是以Pascal VOC为代表的XML结构,另一类是以YOLO系列为代表的TXT纯文本结构。
先用一个具体场景说明问题。你用LabelImg标注了一批图片,默认导出的是XML文件。每个XML文件对应一张图片,里面记录了图片的文件名、路径、尺寸,以及图中每个目标对象的类别和边界框坐标。这套体系是Pascal VOC竞赛沉淀下来的标准,标注工具支持、算法评估脚本也支持,整体生态非常成熟。
但换到训练环节,情况就不一样了。YOLO系列的训练脚本普遍要求标签是TXT格式,每一行对应一个目标对象,格式是固定的:类别id 中心点x坐标 中心点y坐标 宽度 高度。这个坐标不是像素坐标,而是经过归一化后的相对坐标,范围在0到1之间。
于是问题就出现了:标注阶段产生的XML文件,训练阶段根本读不进去。这时候就需要一个格式转换环节,把XML里存储的树状结构化信息,重新映射成TXT的扁平文本格式。
1.2 转换不是改后缀那么简单
有人可能会想,直接把XML文件的后缀改成txt不就行了?这样想就完全理解偏了。两种格式不只是后缀不同,它们的信息组织方式完全不一样。
XML是树状结构。一个标签节点下面可以嵌套子节点,比如<object>节点下面有<name>和<bndbox>,而<bndbox>下面又有<xmin>、<ymin>、<xmax>、<ymax>。这种结构适合表达复杂的层次关系,读取的时候需要通过节点路径一层层找下去。
TXT是扁平结构。一行就是一整条独立的数据,各个字段之间用空格分隔。它没有任何嵌套关系,也不需要通过节点名来查找信息,解析逻辑简单直接。
转换的核心工作,其实就是把XML树中分散在不同层级的信息提取出来,按TXT的格式要求做一次重排和计算。
1.3 我在实际项目中遇到的几种转换场景
除了最典型的VOC转YOLO,还有几种情况也属于这个转换范畴:
- 从网上下载的数据集,官方提供的是VOC格式的XML标签,但自己的训练代码只支持YOLO格式的TXT。
- 团队内部统一用标注工具生成XML,但不同项目跑不同的框架,有的框架吃TXT,有的框架吃JSON,需要做一次适配。
- 需要把XML标签导入到某些数据管理平台,平台只接受TXT格式的导入模板。
- 做数据清洗的时候,想快速统计每个类别的目标数量,TXT格式比XML更容易用脚本做行级别的统计。
这些场景都需要一个稳定可靠的XML转TXT流程,而不是每次临时写一个一次性脚本。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. XML标签结构的深度拆解——搞懂节点树才能写对脚本
2.1 一份典型XML标签文件长什么样
动手写转换脚本之前,首先要能看懂XML里存了什么。下面是一份非常典型的Pascal VOC格式标注文件:
xml复制<annotation>
<folder>images</folder>
<filename>000001.jpg</filename>
<path>/home/user/dataset/images/000001.jpg</path>
<source>
<database>Unknown</database>
</source>
<size>
<width>1920</width>
<height>1080</height>
<depth>3</depth>
</size>
<segmented>0</segmented>
<object>
<name>car</name>
<pose>Unspecified</pose>
<truncated>0</truncated>
<difficult>0</difficult>
<bndbox>
<xmin>100</xmin>
<ymin>150</ymin>
<xmax>300</xmax>
<ymax>400</ymax>
</bndbox>
</object>
<object>
<name>person</name>
<pose>Unspecified</pose>
<truncated>0</truncated>
<difficult>0</difficult>
<bndbox>
<xmin>400</xmin>
<ymin>200</ymin>
<xmax>500</xmax>
<ymax>450</ymax>
</bndbox>
</object>
</annotation>
这里每个根元素<annotation>下面,<size>子节点给出了图片的宽、高、通道数,<object>节点每出现一次,就代表图中有一个标注目标。<object>里面的<name>是类别名,<bndbox>里的四个值分别是目标的左上角x坐标、左上角y坐标、右下角x坐标、右下角y坐标。
转换脚本要做的就是从这段结构里提取四类信息:图片尺寸、目标类别、目标坐标、以及每个目标是否标记为difficult。后三者是TXT标签的核心,图片尺寸用于归一化运算。
2.2 解析XML的三种库怎么选
Python解析XML常见的有三个选择:xml.etree.ElementTree、lxml和BeautifulSoup。三者各有特点,我在实际项目中都尝试过,可以给你一个比较清晰的选择参考。
| 库 | 性能 | 是否需要额外安装 | 适合场景 |
|---|---|---|---|
| xml.etree.ElementTree | 中等 | 不需要,标准库自带 | 大多数常规解析任务 |
| lxml | 高 | 需要安装 | 超大批量XML解析、复杂XPath查询 |
| BeautifulSoup | 较低 | 需要安装 | HTML解析为主,XML只是附带能力 |
我的建议是,常规的XML标签转换直接用ElementTree就足够了。原因有几个:第一,不需要安装额外依赖,换个环境也能直接跑;第二,标签文件通常不会特别大,ElementTree的性能完全够用;第三,ElementTree的API简单直接,用find()和findall()就能完成节点查找,非常容易上手。
lxml的优势在于性能高,而且支持更复杂的查询表达式,适合处理上万张图片的大规模数据集。但如果你的数据集规模在几千到一两万张的级别,ElementTree的解析速度完全感觉不到瓶颈。BeautifulSoup我不太推荐用于XML解析,它的强项是解析不规范的HTML,处理XML反而显得累赘。
2.3 坐标归一化:VOC格式和YOLO格式的关键差异
看懂了XML结构之后,最重要的一步就是坐标转换。XML里面存的是绝对像素坐标,而YOLO格式的TXT要求的是归一化相对坐标。
先明确一下YOLO格式每个字段的含义:
- 第一个字段是类别id,它是一个整数,对应类别列表中的索引。比如类别列表是
car, person, bicycle,那么car就是0,person就是1,bicycle就是2。 - 第二、三个字段是目标中心点的x和y坐标,但这里的坐标不是像素值,而是除以图片宽高之后的归一化结果。
- 第四、五个字段是目标的宽度和高度,同样也是归一化之后的比值。
计算公式如下:
code复制x_center = (xmin + xmax) / 2 / width
y_center = (ymin + ymax) / 2 / height
box_width = (xmax - xmin) / width
box_height = (ymax - ymin) / height
用前面那份XML举例。图片宽度是width = 1920,高度是height = 1080。第一个目标车的坐标是xmin=100、ymin=150、xmax=300、ymax=400。
先计算中心点:
code复制x_center = (100 + 300) / 2 / 1920 = 200 / 1920 ≈ 0.1042
y_center = (150 + 400) / 2 / 1080 = 275 / 1080 ≈ 0.2546
再计算宽高:
code复制box_width = (300 - 100) / 1920 = 200 / 1920 ≈ 0.1042
box_height = (400 - 150) / 1080 = 250 / 1080 ≈ 0.2315
所以转换后TXT中对应该目标的行的内容是:
code复制0 0.1042 0.2546 0.1042 0.2315
这里的0是car在类别映射表中的id。如果有多类目标,每个目标的类别都要通过映射表转成id,映射表的顺序必须在整个数据集中保持一致。
注意:VOC坐标是按左上角和右下角记录的,而YOLO只需要中心点和宽高。这个差异是转换的核心,也是新手最容易搞混的地方。
3. 从零到可用的转换脚本——逐行拆解核心逻辑
3.1 框架设计:先列需求再写代码
写脚本之前先把需求表列出来,这样代码结构会清晰很多。我实际项目里总结的转换需求主要包含以下几点:
- 输入:一个XML文件路径,或一个包含大量XML文件的文件夹路径。
- 输出:与XML文件同名的TXT文件,存放在指定的输出目录。
- 类别映射:支持一个类别列表文件或Python列表,用来把类别名映射成整数id。
- 容错:遇到缺失字段、非法坐标时能给出明确提示,而不是直接崩溃。
- 扩展性:后续如果要支持其他标注格式的转换,核心逻辑尽量解耦。
3.2 核心代码实现与关键参数解释
下面这段脚本是我在多个数据集上验证过的版本,去掉了一些项
