数据集下载与准备

整体介绍

本文档记录了modelzoo-GPL/built-in/ACL_Pytorch/目录下各Yolo版本所需数据集的下载与准备方式。

数据集与使用模型对照表

数据集	目录名称	使用模型(任务)
coco2017 val	coco	yolov3、yolov5、yolov7、yolov8、yolov11(detect/segment)、yolov12
ImageNet val	imagenet	yolov11(classify)
coco2017-pose val	coco-pose	yolov11(pose)
DOTAv1	DOTAv1	yolov11(obb)

数据集下载链接一览表

数据集	文件	下载地址
coco2017 val	coco2017labels-segments.zip	点击下载
	val2017.zip	点击下载
ImageNet val	ILSVRC2012_img_val.tar	点击下载
coco2017-pose val	ILSVRC2012_img_val.tar	点击下载
	val2017.zip	同coco2017 val数据集val2017.zip文件
DOTAv1	DOTAv1.zip	点击下载

下载与准备详解

注意：yolo各版本模型所要求数据集目录结构有差异，以下数据集目录结构以yolov11为例，其余版本需要参考各自README确认目录具体结构，并做相应调整。

coco2017 val 数据集

#进入项目目录
cd ${YOLO_PATH}

# 创建数据集目录
mkdir -p datasets/coco/images

cd datasets

# 下载并解压标注文件
wget https://github.com/ultralytics/assets/releases/download/v0.0.0/coco2017labels-segments.zip
unzip coco2017labels-segments.zip

cd coco

#下载并解压图像文件
wget http://images.cocodataset.org/zips/val2017.zip    # 1G, 5k images
unzip val2017.zip -d images/
mkdir -p images/train2017  # 创建空的训练集目录


# 创建验证图像列表 (对应coco.yaml中的 val: val2017.txt)
ls ./images/val2017/*.jpg > val2017.txt

最终数据集结构如下

datasets/
├── labels/
│   ├── train2017/
│   └── val2017/
└── coco/
    ├── images/
    │   ├── train2017/
    │   └── val2017/ 
    └── val2017.txt

coco2017-pose val 数据集

#创建文件夹
cd ${YOLO_PATH}
mkdir -p datasets/coco-pose/
cd datasets/

#下载标签并解压
wget https://github.com/ultralytics/assets/releases/download/v0.0.0/coco2017labels-pose.zip
unzip coco2017labels-pose.zip

#下载图片并解压
cd coco-pose/images
wget http://images.cocodataset.org/zips/val2017.zip
unzip val2017.zip

#创建一个空的训练集
mkdir train2017

#创建图像文件列表
cd ..
ls labels/val2017/*.txt | sed 's/labels\/val2017\///g' | sed 's/\.txt/.jpg/g' | sed 's/^/images\/val2017\//g' > val2017.txt

最终数据集结构如下

.
├── images
│   ├── train2017
│   ├── val2017
│   └── val2017.zip
├── labels
│   ├── train2017
│   └── val2017
└── val2017.txt

ImageNet val 数据集

cd ${YOLO_PATH}

mkdir -p datasets/imagenet/val
mkdir -p datasets/imagenet/train
mkdir -p datasets/imagenet/test
cd datasets/imagenet/val

# 下载并解压验证集
wget https://image-net.org/data/ILSVRC/2012/ILSVRC2012_img_val.tar
tar -xf ILSVRC2012_img_val.tar

# 执行预处理脚本
wget https://raw.githubusercontent.com/soumith/imagenetloader.torch/master/valprep.sh
bash valprep.sh

最终数据集结构如下

imagenet/
  ├── train/
  ├── test/
  └── val/
      ├── n01440764/
      │   ├── ILSVRC2012_val_00000293.JPEG
      │   └── ...
      ├── n01443537/
      │   ├── ILSVRC2012_val_00000338.JPEG
      │   └── ...
      └── ...

DOTAv1 数据集

cd ${YOLO_PATH}

# 创建DOTAv1数据集根目录
mkdir -p datasets/DOTAv1/images
cd datasets/DOTAv1

# 下载DOTAv1数据集并解压 (约2GB)
wget https://github.com/ultralytics/assets/releases/download/v0.0.0/DOTAv1.zip
unzip DOTAv1.zip

最终目录结构

DOTAv1/
├── images/
│   ├── train/
│   │   ├── P0000.png
│   │   ├── P0001.png
│   │   └── ...
│   ├── val/
│   │   ├── P1411.png
│   │   ├── P1412.png
│   │   └── ...
│   └── test/
│       ├── P1869.png
│       ├── P1870.png
│       └── ...
└── labels/
   ├── train/
   │   ├── P0000.txt
   │   ├── P0001.txt
   │   └── ...
   ├── val/
   │   ├── P1411.txt
   │   ├── P1412.txt
   │   └── ...
   └── test/