干目标检测的人，迟早会被数据标注绊一跤。几千张图，一张一张拿鼠标画框，画到后半夜眼睛发花，框还没画完。我身边有朋友就是这么熬过来的——后来他学乖了，先训练一个不算太差的YOLOv5模型，让模型把几千张图“预标注”一遍，再拉人去检查、改错、补漏。这条路走到最后，卡在一个很实在的问题上：模型吐出来的是YOLO格式的txt，标注工具认的是VOC格式的xml。这篇就把我用YOLOv5做半自动标注/预标注的完整方案拆开讲，重点放在txt转xml这一步，顺带把推理参数、人工校验、迭代闭环这些周边细节一并说清楚。想少熬夜画框、又想保住标注质量的，可以直接参考这套流程。

1. 先想清楚：半自动标注到底要解决什么问题

1.1 标注这件事的账，得这么算

做检测项目，第一个绕不过去的坑就是训练数据的量。以工业检测场景为例，起步两千张图很正常，复杂场景加到五千张也不夸张。纯人工标注，一张图平均四十秒到一分钟，两千张就是二十多个小时，这还没算重复劳动带来的眼疲劳和手误。一个班里三十个学生同时举手，老师挨个点名回答，一节课下来嗓子哑了，还没答完一半——人工标注就是这种既费时又费神的活。

半自动标注/预标注的思路，本质上是让模型先当一次“代课老师”。用已经训练好的权重对新图跑一遍推理，把疑似目标的框和类别提前打出来，人工只需要对着预标注结果做确认、微调和补充。人工从一个字一个字“写作文”变成“改作文”，速度自然就上来了。我实测的数据是：预标注后，单张图片的校对时间压到八到十五秒，效率提升至少七成，眼睛负担小了一大截。

这里要说清楚，半自动标注不是“全自动标注”，它的核心价值从来不是完全替代人工，而是把人工从低价值的拉框动作里解放出来，集中精力处理模型漏检、误检和边界修正。这也是它比全自动方案更稳的原因——错框有人兜底，不会直接带坏训练集。

1.2 为什么偏偏是YOLOv5而不是其他模型

做预标注，模型选型有三个硬指标：推理速度要快、丢进新数据里要能跑、生态要成熟到出了问题能找到答案。YOLOv5在这三点上一直很稳。

推理速度方面，YOLOv5s在消费级显卡上单张图片跑几十毫秒是常态，几千张图个把小时就能全部过完。相比两阶段检测器，YOLO这种一阶段架构在速度上天然占优，预标注场景是高吞吐、低延迟，它天生就是干这活的。

生态方面就更不用说了，网上关于YOLOv5的教程和工具链多到溢出来，无论是部署、导出还是踩坑，基本搜一下就有答案。而且它在公共数据集上的权重是开放的，就算不训练自己的数据，直接拿官方预训练模型跑通用检测也能凑合用。对刚起步的小团队来说，这是一条成本极低的上手路径。

值得提醒的是，现在YOLOv8也出来了，但在我做的半自动标注流程里，YOLOv5的推理接口和输出格式我已经非常熟悉，改起来顺手，稳定性也验证过很多轮，所以这篇还是以它为主线。工具是死的，流程是活的，你完全可以把脚本里的模型换掉，核心思想不变。

1.3 整条流程拆开看，就这五步

我在做预标注的时候，习惯把整个流程拆成固定的几步，每一步的输出都会落到硬盘上，这样即使中间哪一步出了问题，也不用从头再来。

第一步，准备好一定量的人工标注数据，先训练一个初版YOLOv5模型。这个初版模型不需要多强，能用就行，它的任务不是上线，而是给后面的预标注当“工人的手”。第二步，用这个模型对剩余未标注图片批量推理，输出YOLO格式的txt文件。第三步，把txt转成VOC格式的xml文件。第四步，用标注工具打开xml，人工检查和修正。第五步，把修正后的xml再转回YOLO格式，合并进训练集，进入下一轮迭代。

五是五步，听起来简单，实际操作里每一步都有不少细节。比如第二步的置信度阈值怎么设，设高了漏检多、人工补框累，设低了假框多、人工删框累。又比如第三步的坐标转换，YOLO存的是归一化的中心点和宽高，XML要的是绝对像素坐标的左上角和右下角，两边数据结构完全不一样，写脚本时一个粗心就全乱了。下面我会一个一个拆开讲。

2. 准备工作：环境、权重、推理参数

2.1 环境怎么装最快，别绕路

YOLOv5的依赖安装网上教程一堆，但很多教程喜欢让人一步一步手动装，纯属浪费时间。我一般直接用项目里的requirements.txt一把梭。装完再验证一下关键依赖的版本对齐，尤其是torch和torchvision，版本不匹配的坑后面很难排查。

git clone https://github.com/ultralytics/yolov5.git cd yolov5 pip install -r requirements.txt

装完之后做一次快速冒烟测试，跑一张测试图看看能不能正常出结果。这一步很多人会跳过，结果等到真正批量跑数据的时候才发现环境有问题，几万张图跑到一半崩了，那才叫崩溃。我个人的建议是，装完环境先拿官方权重随便跑通一次完整流程，确认没报错再进入下一步。

如果你要训练自己的数据，还需要在data目录下准备好yaml配置文件，把训练集、验证集路径和类别名写清楚。这个YAML文件的格式网上资料很多，这里就不展开说了，但有一件事必须提醒：类别顺序一旦定了，中途不要改，否则预标注生成txt的时候类别ID全乱了，后面的xml也会跟着错。

2.2 权重选哪个版本，我的取舍标准

YOLOv5官方给了n、s、m、l、x几个尺寸，不同尺寸对应不同的精度和速度。做预标注，我通常推荐从YOLOv5s起步。

s尺寸在速度和精度的平衡上最合适，入门项目用它足够了。要是你的场景里小目标特别多，比如远处的小零件、小行人，可以换成m甚至l，精度会上去一点，但推理时间也会拉长，预标注几千张图的时候时间成本会明显增加。遇到这种情况，我会先跑一批小样本对比一下效果，再决定要不要升级。

还有一个容易被忽略的选项——复用公共数据集预训练权重。拿官方在COCO上训练好的权重作为初始权重来微调，比从头训练收敛快得多。哪怕是完全不同的业务场景，COCO预训练学到的基础特征对迁移学习也有实实在在的帮助。我在几个不同的项目里都验证过，这招能省下至少四分之一的训练时间。

2.3 推理参数里最容易忽略的三个点

用YOLOv5做批量预标注时，detect.py里有几个参数直接影响标注质量，很多人第一次跑就忽略掉它们。

第一个是--conf-thres，置信度阈值。这个参数决定模型输出哪些框，太低会漏标，太高会错标。我建议先按默认值0.25跑一两百张图，人工抽查一下效果再微调。第二个是--iou-thres，NMS的IoU阈值，默认0.45基本不用动，除非目标特别密集，否则不需要调。

第三个是最容易被忽略的--save-txt，这个参数不打开的话，模型只会保存带框的图片，不会输出txt标注文件。预标注全流程都依赖txt文件，这个开关漏了，后面全白跑。我第一回跑批量预标注的时候就忘了开，等图片全部跑完才发现没有标注文件，只能重来。

3. 核心环节：用模型批量生成txt预标注

3.1 推理脚本的改造思路

直接用官方detect.py跑预标注其实没问题，只是它的输出目录结构是按exp、exp2这种递增的命名来的，跑多了目录又乱又难找。而且它默认会把每个类的label文件合在一起，存成和图片同名但后缀为txt的文件，这个倒是我们想要的。

我习惯在detect.py的基础上做一点小改造：固定输出目录名为runs/detect/prelabel_xxx，把--save-txt和--save-conf都打开。save-conf会把置信度也写进txt，这个信息后面导入标注工具时可以用来排序，先处理置信度低的框，人工校验效率会高很多。

还有个细节是--project和--name这两个参数，指定了就再也不会出现exp、exp2这种乱糟糟的目录了。脚本跑完，每个图片对应的txt文件会生成在相同的子目录结构里，和图片一一对应，后面转xml的时候遍历起来非常方便。

3.2 conf阈值到底怎么设，给出取值范围

置信度阈值的选择，本质是在“漏检”和“误检”之间找平衡。我做了好几轮实验，发现一个规律：预标注场景下，置信度阈值一般设在0.2到0.3之间，比上线部署时的阈值要低不少。

为什么？因为预标注后面还有人工审核这道工序，误检的框删掉也就一秒的事，但如果漏检了，人工就得重新画框，那才是真正耗时间的操作。所以我会故意把阈值压低一点，让模型多给一些“候选答案”，宁可人工删错，也不要人工补框。

具体数值上，我用的是0.2。如果你用的是YOLOv5m或更大的模型，可以适当提到0.3，因为大模型的输出通常更干净，误检率更低。当然这个数字不是死的，每换一批新数据，我都建议先跑一百张图人工看一下效果再定，别一上来就全量跑。

3.3 批量跑图时的目录与命名规范

批量处理大量图片之前，先把图片的命名和目录结构理顺，这是我从教训里学来的。最合理的做法是：把所有待标注图片统一放在一个文件夹，命名规范统一，比如按照DSC_0001.jpg、DSC_0002.jpg这种规律递增的格式。千万不要把不同批次、不同来源的图片混在一个文件夹里，不然后面xml和图片对不上，排查起来想哭。

图片和txt文件的对应关系也是一个大坑。YOLOv5保存txt文件时，会保持和输入图片相同的文件名前缀。比如DSC_0001.jpg对应DSC_0001.txt。如果图片名有重复或者特殊字符，txt和图片就容易错位。我遇到过一轮，图片名里带空格，结果转换脚本遍历的时候全乱了。从那以后我定了个规矩：进标注流程的图片，名字里一律不允许有空格、中文和特殊符号。

4. 硬核转换：txt转xml的完整实现

4.1 YOLO和VOC的坐标系到底差在哪

这一步是整个流程里最核心也最容易出错的，我们必须先把两种格式的数据结构理解清楚。

YOLO的txt文件，每一行代表一个目标框，有五个数值，格式是：class_id x_center y_center width height。注意，这五个数里，除了class_id是整数，后面四个全是归一化的小数，范围在0到1之间。比如0 0.5123 0.4421 0.1234 0.2345，表示类别0的框，中心点在图片水平方向的51.23%、垂直方向的44.21%处，框宽度占图片宽度的12.34%，高度占图片高度的23.45%。

VOC的xml文件就不一样了，它要求的是绝对像素坐标。框的描述是用左上角xmin, ymin和右下角xmax, ymax来确定的。所以从txt转成xml，本质上要做两件事：第一，把归一化的中心点坐标和宽高还原成像素值；第二，把中心点加宽高的表示法，换算成左上角和右下角。

换算公式是固定的，我来写一遍：

x_center_pixel = x_center * image_width y_center_pixel = y_center * image_height width_pixel = width * image_width height_pixel = height * image_height xmin = int(x_center_pixel - width_pixel / 2) ymin = int(y_center_pixel - height_pixel / 2) xmax = int(x_center_pixel + width_pixel / 2) ymax = int(y_center_pixel + height_pixel / 2)

这套公式就是txt转xml的灵魂，理解了它，脚本写起来就顺手了。

4.2 一个能直接用的txt转xml脚本

下面这个脚本是我自己一直在用的，支持指定图片目录、txt目录和输出xml目录，批量转换。用了中文注释，方便理解。我把图片尺寸读取放在了脚本里，用PIL获取每张图片的宽和高，这样就不需要额外维护尺寸表了。

import os from PIL import Image import xml.etree.ElementTree as ET def yolo_txt_to_voc_xml(txt_path, img_path, xml_save_path, class_list): """ txt_path: YOLO格式的txt文件路径 img_path: 对应图片文件路径 xml_save_path: 输出xml文件保存路径 class_list: 类别名称列表，索引对应class_id """ img = Image.open(img_path) img_width, img_height = img.size root = ET.Element("annotation") filename_tag = ET.SubElement(root, "filename") filename_tag.text = os.path.basename(img_path) path_tag = ET.SubElement(root, "path") path_tag.text = img_path size_tag = ET.SubElement(root, "size") width_tag = ET.SubElement(size_tag, "width") width_tag.text = str(img_width) height_tag = ET.SubElement(size_tag, "height") height_tag.text = str(img_height) depth_tag = ET.SubElement(size_tag, "depth") depth_tag.text = "3" with open(txt_path, "r") as f: lines = f.readlines() for line in lines: line = line.strip() if not line: continue parts = line.split() class_id = int(parts[0]) x_center = float(parts[1]) y_center = float(parts[2]) box_width = float(parts[3]) box_height = float(parts[4]) xmin = int(x_center * img_width - box_width * img_width / 2) ymin = int(y_center * img_height - box_height * img_height / 2) xmax = int(x_center * img_width + box_width * img_width / 2) ymax = int(y_center * img_height + box_height * img_height / 2) xmin = max(0, xmin) ymin = max(0, ymin) xmax = min(img_width, xmax) ymax = min(img_height, ymax) object_tag = ET.SubElement(root, "object") name_tag = ET.SubElement(object_tag, "name") name_tag.text = class_list[class_id] pose_tag = ET.SubElement(object_tag, "pose") pose_tag.text = "Unspecified" truncated_tag = ET.SubElement(object_tag, "truncated") truncated_tag.text = "0" difficult_tag = ET.SubElement(object_tag, "difficult") difficult_tag.text = "0" bndbox_tag = ET.SubElement(object_tag, "bndbox") xmin_tag = ET.SubElement(bndbox_tag, "xmin") xmin_tag.text = str(xmin) ymin_tag = ET.SubElement(bndbox_tag, "ymin") ymin_tag.text = str(ymin) xmax_tag = ET.SubElement(bndbox_tag, "xmax") xmax_tag.text = str(xmax) ymax_tag = ET.SubElement(bndbox_tag, "ymax") ymax_tag.text = str(ymax) tree = ET.ElementTree(root) tree.write(xml_save_path, encoding="utf-8", xml_declaration=True) if __name__ == "__main__": # 使用前改这三个路径 image_dir = "./images" label_dir = "./labels" output_dir = "./xmls" class_list = ["cat", "dog", "person"] # 改你的类别 os.makedirs(output_dir, exist_ok=True) for filename in os.listdir(image_dir): if not filename.lower().endswith((".jpg", ".jpeg", ".png")): continue basename = os.path.splitext(filename)[0] img_path = os.path.join(image_dir, filename) txt_path = os.path.join(label_dir, basename + ".txt") xml_path = os.path.join(output_dir, basename + ".xml") if not os.path.exists(txt_path): print(f"跳过 {filename}，找不到对应的txt文件") continue yolo_txt_to_voc_xml(txt_path, img_path, xml_path, class_list) print("转换完成")

这个脚本核心逻辑清晰，用的时候只需要改三个路径和类别列表，别的不用动。我故意把边界做了clip处理，防止模型输出的框超出图片边界，这在边缘目标很常见，不处理的话标注工具打开会报错。

4.3 转换时最容易翻车的三个细节

第一个坑是类别列表的顺序。class_list里第0个元素对应class_id 0，第1个对应1。如果类别顺序和训练时的yaml文件不一致，转换出来的xml里标签名就会和框想表达的类别对不上。这个错误非常隐蔽，因为脚本不会报错，直到人工校对时才发现“person”的框标成了“dog”。

第二个坑是图片尺寸。xml里的width和height必须要和实际图片的尺寸一致，不然标注工具打开时框的位置会整体偏移。我的脚本直接从图片本身读取宽高，这是最保险的做法。不推荐用什么预先写好的txt说明文件，万一图片被压缩过一轮，尺寸变了，xml就全废了。

第三个坑是xml编码。有些标注工具对xml的编码格式很敏感，保存时unsigned不管，读取时就乱码。我上面脚本里用了xml_declaration=True和encoding="utf-8"，就是为了避免这种编码问题。生成完xml之后，推荐用文本编辑器随机抽查几个，确认没有乱码再进入人工校对环节。

5. 人机配合：人工校验和迭代闭环

5.1 用xml之后，校验工具怎么选

txt转成xml之后，就可以交给标注工具进行人工校验了。这里有个选择题：用传统的LabelImg还是用更现代的LabelStudio。

LabelImg是老牌工具，轻量、启动快、对VOC xml支持最完整。如果你只是要打开xml，快速改几个框的位置，然后保存，那LabelImg完全够用。我最早期的项目都是用它，稳定，功能简单，没有学习成本。

LabelStudio功能更强，支持多人协同、任务分配，而且可以直接预览图片和标注的对应关系。如果你的标注量很大，需要几个标注员同时干活，用LabelStudio效率会高很多。它同样支持导入VOC xml格式。有个朋友的公司团队分工是LabelImg预校验第一遍，LabelStudio做第二遍抽检，两层防线下来数据质量很有保障。

工具选型没有唯一定论，我的建议是：“一个人改框就用LabelImg，小组协同就用LabelStudio”。

5.2 badcase落地：重新训练应该用哪些数据

人工校对完之后，会形成一批修正后的标注。这些xml文件千万不能直接扔进训练集就完事，我在项目里总结了一套“三分类回收法”。

第一类是模型完全漏检的图，也就是xml里人工补了很多框的图片。这类图是所有数据里最值钱的，它代表了模型的知识盲区，必须重点加入下一轮训练。第二类是模型框错了但没补框的图，通常是误检，这类数据用于纠正模型“过于自信”的问题，也值得加入训练。第三类是模型本身预测正确、人工没怎么改动的图，这类数据价值最低，可以只抽样加入，不必全量收进训练集，否则训练集会过于冗余。

这些都处理完之后，需要把xml再转回YOLO格式。注意，是从“修正后的xml”转回yolo格式，而不是直接用原始模型输出的txt。我之前见过有人偷懒，以为转成了xml再转回txt，和原来的一样——大错特错，人工修正的内容全丢了。所以xml转yolo这步也要写脚本，格式对称，核心是读xml的bndbox坐标，反算成归一化的x_center、y_center、width、height。自己写一遍或者从网上找个现成脚本都行，逻辑不复杂。

5.3 三轮迭代后的效率变化数据

我拿一个实际项目举例，两千张未标注图片，场景是广场上的人流检测，五个类别：行人、自行车、电动车、汽车、公交车。

第一轮用时：先花两小时用两百张人工标注训练了一个初版模型，然后用模型批量预标注剩余一千八百张图，大概用时四十分钟。人工校对花费约六个小时。总耗时约八小时四十分钟。如果纯人工标注，两千张图按每张四十秒算，大约要二十二个小时。第一轮已经省了六成时间。

第一轮修正后的数据加入训练集，训出第二轮模型，预标注效果明显变好，置信度框准确率明显提升。第二轮人工校对时间降到了四个小时以内。第三轮的时候，初版模型在常见场景下已经相当稳了，校对时间进一步降到两小时左右。

三轮下来，总人工校对时间从六小时降到两小时，整个流程越跑越快。这个趋势是半自动标注最迷人的地方——标注工作不是一次性成本，它是在给模型“喂经验”，模型越跑越聪明，人工负担越来越轻。

6. 常见问题速查与避坑清单

6.1 典型问题一网打尽

6.2 调试阶段先小样，别直接全量

很多第一次做预标注的人，喜欢一上来就把几千张图全部扔进去跑。这是很危险的行为。我给自己定了一条规矩：任何新场景、新模型、新参数组合，第一轮必须先跑100张图，人工检查一遍输出质量，确认没问题再跑全量。

这100张不是随便挑的，要尽量覆盖不同光照、不同角度、不同遮挡程度的图，最好在图片集里均匀抽样。检查的时候重点看三件事：框的位置准不准、类别对不对、小目标漏检率能不能接受。评估完再决定是调整阈值、换权重，还是先用更多人工标注训练初版模型。

6.3 我在实际项目中保留的几个习惯

第一个习惯是保留所有中间产物。每轮预标注的结果txt、转换后的xml、人工修正后的xml、重新生成的训练txt，都按版本分目录存好。这样做的好处是，一旦发现某轮数据有问题，可以精准回溯到出错的那一步，而不用重新跑整个流程。

第二个习惯是给每轮预标注打一个版本标签。比如prelabel_v1_conf020、prelabel_v2_conf025，这样不但方便追溯是哪轮的标注，还能对比不同阈值下模型的输出质量，为后续调参提供参考。

第三个习惯是每周用随机抽样的方式检查标注质量。从已标注数据里抽五十张，人工重新看一遍，统计框偏移和类别错误的比率。这个检测步骤看似多花时间，实际上是给后面的模型训练省时间——数据质量差，训练出来的模型就是垃圾进垃圾出，修模型的成本永远比修数据的成本高。

结尾

做了这么多轮预标注，我最深的体会是：半自动标注的核心不在模型，而在于流程设计。模型只是工具，真正决定整个方案好不好用的，是你把置信度阈值、格式转换、人工校验、迭代回传这些环节配合得有多顺畅。txt转xml这一步看起来只是一段简单的坐标换算脚本，但它把YOLO模型的输出和标注工具的输入打通了，是这个流程里承上启下的关键一环。强烈建议第一次做的人，别急着追求全自动标注，先把带人工校验的半自动流程跑通，等你把预标注的置信度调参、badcase回收这些手感都建立了，再往自动化方向演进也不迟。