实战指南：从COCO JSON到YOLOv8-seg TXT，打造自定义分割数据集

1. 理解COCO数据集与YOLOv8-seg的数据需求

COCO数据集是计算机视觉领域最常用的基准数据集之一，包含超过33万张图像和80个常见物体类别。每张图像都带有精确的边界框标注和实例分割标注，这些标注信息以JSON格式存储。而YOLOv8-seg作为Ultralytics公司推出的最新实例分割模型，其训练数据需要特定的TXT格式标注文件。

在实际项目中，我们往往只需要训练特定类别的模型。比如在智能宠物监控场景中，可能只需要检测人和宠物（猫、狗）。这时候就需要从COCO的全类别标注中提取特定类别的数据。YOLOv8-seg的标注文件格式要求每个对象用一行表示，包含类别索引和归一化的多边形坐标点，格式如下：

code复制<class-index> <x1> <y1> <x2> <y2> ... <xn> <yn>

理解这个转换过程的核心在于把握三个关键点：COCO的JSON结构、目标类别的筛选逻辑，以及多边形坐标的归一化处理。COCO的标注文件采用层次化结构，主要包含images、annotations和categories三个关键部分。其中annotations字段中的segmentation字段存储的就是我们需要提取的多边形坐标。

2. 准备开发环境和数据目录

在开始转换之前，我们需要搭建合适的Python环境。推荐使用Python 3.8+和以下关键库：

python复制pip install numpy opencv-python Pillow tqdm pycocotools

数据目录结构对YOLOv8训练至关重要。我们需要预先创建符合YOLOv8要求的目录树：

code复制mydata/
├── images/
│   ├── train/
│   └── val/
└── labels/
    ├── train/
    └── val/

建议使用Pathlib模块来管理路径，这样可以避免跨平台路径分隔符的问题。以下代码可以快速创建这个目录结构：

python复制from pathlib import Path

def create_yolo_dirs(base_path="mydata"):
    base = Path(base_path)
    for split in ["train", "val"]:
        (base/"images"/split).mkdir(parents=True, exist_ok=True)
        (base/"labels"/split).mkdir(parents=True, exist_ok=True)
    return base

3. 解析COCO JSON并筛选特定类别

COCO的标注文件是一个大型JSON，我们需要从中提取特定类别的分割标注。首先加载JSON文件：

python复制import json

with open("instances_val2017.json") as f:
    coco_data = json.load(f)

建立类别名称到ID的映射关系：

python复制category_map = {cat["name"]: cat["id"] for cat in coco_data["categories"]}
target_classes = ["person", "cat", "dog"]
target_ids = [category_map[name] for name in target_classes]

为了提高处理效率，我们可以预先构建两个字典：

1. 图像ID到图像信息的映射
2. 图像ID到其