企业官网建设流程全解析

1. 项目概述：为什么VisDrone2019是无人机视觉落地绕不开的“试金石”

VisDrone2019 数据集——这个名字在目标检测、尤其是低空智能感知领域，几乎等同于“真实世界压力测试”的代名词。它不是实验室里精心裁剪的玩具数据，而是由天津大学团队联合多家机构，在中国多个城市、乡村、机场、港口等典型场景下，用多型号消费级与工业级无人机采集的真实航拍影像。我带过三届研究生做小目标检测课题，每次开题前第一件事就是让他们把 VisDrone2019 的统计报告打印出来贴在工位上：10,209 张训练图、3,369 张验证图、5,480 张测试图，总计标注了 1,020,907 个目标实例，平均单图目标数高达 53.7 个，最小目标尺寸仅 2×2 像素，遮挡率超 38%，密集程度远超 COCO 或 VOC。这不是数字游戏，这是你模型在真实农田巡检、电力线异物识别、城市交通流量统计中必须扛住的第一道关卡。

而标题里紧随其后的“YOLO/VOC/COCO 训练格式转换”，恰恰戳中了绝大多数从业者的痛点。你下载完原始数据，打开 annotation 文件夹——全是 XML 格式，但里面存的不是 PASCAL VOC 那套标准字段，而是 VisDrone 自定义的<target_id>、<truncation>、<occlusion>等 7 类属性；bbox 坐标也不是左上+宽高，而是中心点+宽高+旋转角（虽然多数样本旋转角为0）；更关键的是，类别体系完全独立：pedestrian、people、bicycle、car、van、truck、tricycle、awning-tricycle、bus、motor、others——这11类里，“awning-tricycle”（带篷三轮车）和“tricycle”（普通三轮车）的视觉差异，在 4K 航拍图里可能就差几像素的阴影边缘。你不可能直接把这套数据喂给 YOLOv8 的train.py，也不可能拖进 LabelImg 里按 VOC 模式标注。转换不是锦上添花，是开工前必须完成的“数据通关仪式”。

我见过太多人卡在这一步：有人硬着头皮改 YOLO 源码去适配 VisDrone 的 XML 结构，结果训练时 bbox 解析错位，mAP 直接归零；有人用网上搜到的半成品脚本，跑完发现 “van” 和 “truck” 被合并成一类，后续评估时召回率虚高；还有人把测试集也转成了 YOLO 格式，却忘了 VisDrone 官方测试服务器只认特定命名规则的.txt文件，提交后返回一串 cryptic error。这篇内容，就是把我过去三年在农业无人机公司、电网智能巡检项目组里踩过的所有坑，连同当时手写的调试日志、参数对比表格、甚至被删掉的错误分支 commit 记录，全部摊开给你看。它不讲抽象理论，只告诉你：哪一行代码必须改、哪个字段不能丢、哪类样本要单独过滤、以及为什么用 OpenCV 重绘 bbox 比用 PIL 更稳。如果你正准备用 VisDrone2019 训练一个能真正上无人机飞控的模型，而不是交课程作业，那接下来的内容，每一句都值得你 Ctrl+C/V 到终端里执行。

1.1 核心需求解析：从“能跑通”到“跑得准”的三重跨越

很多人把“格式转换”理解成机械的字段映射：XML 里的<name>对应 YOLO 的 class id，<xmin>对应 x_center。但 VisDrone2019 的真实需求远比这复杂，它横跨三个不可妥协的层次：

第一层：合规性需求——让框架“认出”你的数据
YOLOv5/v8 官方要求训练集目录结构严格为images/train/+labels/train/，且labels/xxx.txt中每行必须是class_id x_center y_center width height（归一化到 0~1）。VisDrone 原始数据里，images/下是uav0000013_00000_v.jpg这类带下划线和版本号的文件名，而annotations/下对应 XML 是uav0000013_00000_v.xml。如果脚本没做文件名清洗，生成的labels/uav0000013_00000_v.txt会被 YOLO 加载器静默跳过——因为 YOLO 默认只认纯数字或简单字母组合的 basename。我第一次遇到这问题时，训练日志显示 “Found 0 labels”，查了 6 小时才发现是文件名里那个_v后缀触发了正则过滤。

第二层：语义保真需求——不让类别信息在转换中“蒸发”
VisDrone 的 11 个类别里，“people” 是“多人聚集”的语义标签，而 “pedestrian” 是单人行走。但在某些城中村航拍图中，两者在图像上根本无法区分，标注员可能随手标成 “people”。如果你粗暴地把所有类别按字典序映射为 0~10，那么模型学到的不是“人群密度”，而是“字符串长度”。更致命的是 “others” 类——它包含所有未明确定义的目标，如动物、施工设备、甚至飘在空中的塑料袋。官方评估脚本会把 “others” 全部忽略，但如果你在训练时把它当成一个有效类别，mAP 计算就会严重失真。所以转换脚本里必须有明确的ignore_classes = ['others']逻辑，且要在生成 label 文件前就过滤掉这些行。

第三层：工程鲁棒性需求——应对真实数据的“脏乱差”
VisDrone 的 XML 标注存在大量边界情况：bbox 坐标超出图像边界（xmax > width）、宽高为负值（标注工具 bug）、<truncation>字段为浮点数而非整数（不同版本标注规范不一致）。我曾用某开源脚本转换后，发现验证集里 12% 的图片 bbox 坐标是(0.999, 0.999, 0.002, 0.002)——这是原始 XML 里xmax=1920, width=1920导致x_center=1.0被截断的结果。YOLO 训练时会把这个当有效框，但损失函数计算时除零报错。真正的转换脚本必须内置坐标钳位（clamp）、宽高校验、以及对truncation>0.5的样本打上特殊标记（用于后续数据增强时避免裁剪）。

这三层需求，决定了我们不能满足于“能生成 txt 文件”，而必须构建一个带校验、可审计、可回溯的转换流水线。接下来的所有操作，都将围绕这三重目标展开。

1.2 技术选型逻辑：为什么不用现成工具，而要手写 Python 脚本

搜索 “VisDrone2019 to YOLO” 会跳出几十个 GitHub 仓库，Star 数从 5 到 200 不等。我逐个 clone 测试过，结论很明确：没有一个能直接用于生产环境。原因不在代码质量，而在设计哲学的根本错位。

• 方案A：通用 XML 转换器（如 xml_to_yolo.py）
  这类脚本假设所有 XML 都遵循 PASCAL VOC DTD，即<object>下必有<bndbox>，且<xmin>等字段为整数。但 VisDrone 的 XML 根节点是<Annotation>，<object>下是<target_id>和<box>，<box>里是<cx><cy><w><h>。强行用 XPath 匹配/Annotation/object/box/cx会漏掉<occlusion>等关键属性，导致后续无法做遮挡感知建模。

• 方案B：VisDrone 官方 MATLAB 工具包
  官网提供visdrone2coco.m，但依赖 MATLAB R2018a+ 和 Computer Vision Toolbox。我在客户现场部署时，对方服务器只允许装 Anaconda，禁用 MATLAB License。更麻烦的是，它输出的 COCO JSON 里categories字段顺序是随机的，而 YOLOv8 的data.yaml要求 class names 严格按索引顺序排列。我曾因此浪费两天排查 “类别错位导致 precision 为 0” 的问题。

• 方案C：Hugging Face Datasets 库
  datasets.load_dataset("visdrone")看似优雅，但它内部调用的是一个已废弃的第三方 loader，对truncation和occlusion字段处理为 0，且不支持自定义 ignore classes。当你需要分析 “遮挡率>0.7 的样本在哪些场景集中” 时，这个库直接让你失去分析维度。

所以最终我选择手写 Python 脚本，核心逻辑只有三句话：

1. 用xml.etree.ElementTree原生解析，不依赖任何外部 schema，只读取<Annotation>下所有<object>；
2. 对每个<object>，显式提取<name>、<box>子节点、<truncation>、<occlusion>，并做类型强转（如float(truncation.text)）；
3. 坐标转换时，先用 OpenCVcv2.imread()读取原图获取真实width/height，再计算归一化值——这比用 PIL 或硬编码尺寸可靠 10 倍，因为 VisDrone 部分图像的 EXIF 里width字段是错的。

这个选择不是为了炫技，而是因为：在无人机视觉领域，数据可信度永远高于开发速度。多写 20 行校验代码，能帮你省下三天 debug 时间。下面所有实操步骤，都基于这个原则展开。

2. 核心细节解析与实操要点：VisDrone2019 数据结构深度拆解

VisDrone2019 的数据组织看似简单，但它的每一个设计细节都在模拟真实无人机作业的复杂性。不彻底吃透它的 XML Schema 和图像特性，转换脚本写得再漂亮也是空中楼阁。我建议你在动手写代码前，先用文本编辑器打开任意一个annotations/xxx.xml文件，对照下面的解析逐行确认。

2.1 XML 结构精读：7 个关键字段的业务含义与陷阱

VisDrone 的 XML 不是标准 VOC，它的根节点<Annotation>下包含<filename>、<size>、<object>等子节点，但每个节点的语义都经过业务打磨。以uav0000013_00000_v.xml为例（节选）：

<Annotation> <folder>VisDrone2019-DET-train</folder> <filename>uav0000013_00000_v.jpg</filename> <path>/home/data/VisDrone2019-DET-train/images/uav0000013_00000_v.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> <occluded>0</occluded> <difficult>0</difficult> <bndbox> <xmin>1234</xmin> <ymin>567</ymin> <xmax>1289</xmax> <ymax>621</ymax> </bndbox> <target_id>1</target_id> <box> <cx>1261.5</cx> <cy>594.0</cy> <w>55.0</w> <h>54.0</h> </box> </object> </Annotation>

这里藏着 7 个必须处理的关键字段，它们的业务含义远超表面：

• <name>：类别名称，但需注意大小写与空格
  VisDrone 官方文档明确要求类别名全小写，无空格。但实际数据中存在awning-tricycle（正确）和awning- tricycle（错误，中间有空格）。我的脚本第一行就是name = name.text.strip().lower().replace(' ', '-')，否则os.path.exists()会因路径不匹配失败。

• <truncated>：截断标志，决定是否参与训练
  值为0表示完整可见，1表示部分截断（如车辆一半在画面外）。VisDrone 官方评估协议规定：truncated=1的样本在测试时不计入 recall 计算，但训练时是否使用由你决定。我通常设阈值trunc_thresh=0.3，即truncated>0.3的样本才过滤，因为轻微截断（如车头露出 10 像素）对小目标检测泛化性有益。

• <occluded>：遮挡等级，0~3 整数
  0=无遮挡，1=轻微遮挡（如行人被树枝遮挡 10%），2=中度（被广告牌遮挡 30%），3=严重（仅露头部）。这个字段在 YOLO 训练中无直接用途，但它是做数据增强的关键信号——对occluded>=2的样本，我禁止使用Mosaic增强，因为拼接后遮挡关系会彻底混乱。

• <bndbox>vs<box>：两套坐标系统的共存逻辑
  <bndbox>是传统左上+右下坐标（VOC 风格），<box>是中心点+宽高（YOLO 风格）。理论上<box>更准，但实测发现uav0000155_00000_v.xml中<box>的<w>值为0.0，而<bndbox>是有效的。所以我的脚本优先用<box>，若<w>或<h>≤0，则 fallback 到<bndbox>计算：w = xmax - xmin,h = ymax - ymin,cx = xmin + w/2。

• <target_id>：跨帧目标 ID，用于 MOT 任务
  虽然当前只做检测，但这个字段暗示了 VisDrone 的设计初衷是支持多目标跟踪。我在转换脚本里保留它作为注释写入.txt文件末尾（如# target_id: 123），方便后续扩展。

• <size>：图像尺寸，但需二次校验
  XML 里的<width>可能与实际图像不符。我曾遇到uav0000321_00000_v.xml声称width=1920，但cv2.imread()读取后shape[1]=1918。因此脚本中必须用cv2.imread(img_path).shape[1::-1]（取width, height）覆盖 XML 值。

• <segmented>：是否分割标注，VisDrone 中恒为 0
  这个字段在 VisDrone 里无意义，但 YOLO 的data.yaml要求train,val,nc,names四个键。我把它作为占位符，在生成data.yaml时写死segmented: false。

提示：VisDrone 官方提供的readme.txt里有一句关键描述：“Annotations are provided in both bounding box and instance segmentation format.” 但实际下载包中只有 bbox XML。这意味着你看到的 XML 就是唯一真相，不要试图从其他来源找分割掩码。

2.2 图像特性实战：为什么必须用 OpenCV 而非 PIL 处理 VisDrone

VisDrone2019 的图像不是普通 JPEG，它的压缩方式、色彩空间、EXIF 信息都带着无人机相机的“指纹”。我做过一组对比实验：用 PIL 和 OpenCV 分别读取同一张uav0000013_00000_v.jpg，然后计算np.mean()和np.std()：

差异看似微小，但对小目标检测影响巨大。原因有三：

第一，色彩空间一致性
VisDrone 图像由大疆 Phantom 4 Pro 等相机拍摄，其默认色彩配置文件是 sRGB。PIL 在Image.open()后会自动应用 ICC profile 转换，而 OpenCV 的cv2.imread()直接读取 BGR 原始数据。YOLOv8 的预训练模型（如 yolov8n.pt）是在 BGR 图像上训练的（OpenCV 默认通道顺序），如果你用 PIL 读图再转 BGR，会引入额外 gamma 校正误差。实测显示，PIL 读取的图像在 YOLO 推理时，对car类别的置信度平均低 0.03。

第二，Alpha 通道处理
部分 VisDrone 图像（尤其是夜间或雾天场景）带有透明度通道（如uav0000211_00000_v.png）。PIL 读取后是 RGBA，转 RGB 时默认用黑色填充，导致车顶反光区域变暗；OpenCV 读取后是 BGRA，cv2.cvtColor(img, cv2.COLOR_BGRA2BGR)会用白色填充，更符合真实光照。我在脚本里强制用cv2.IMREAD_UNCHANGED，再判断img.shape[2]==4来决定填充色。

第三，EXIF 方向修正
无人机悬停时，相机可能旋转 90° 拍摄。VisDrone 部分图像的 EXIF 里有Orientation=6（顺时针旋转 90°），PIL 的ImageOps.exif_transpose()会自动旋转，但 OpenCV 不会。我的解决方案是：先用PIL.Image.open().getexif()读取 Orientation，若为 6 或 8，则在 OpenCV 读取后加cv2.rotate(img, cv2.ROTATE_90_CLOCKWISE)。这样既保证了方向正确，又保留了 OpenCV 的 BGR 优势。

所以，所有涉及图像尺寸、坐标计算、数据增强的操作，必须统一用 OpenCV。这是我在三个项目中总结出的铁律：宁可多写两行cv2.rotate()，也不要让 PIL 和 OpenCV 在 pipeline 里混用。

2.3 类别映射策略：如何处理 “others” 与 “people” 的语义鸿沟

VisDrone 的 11 个类别中，others和people是最容易引发误判的两个。官方文档对它们的定义是：

• others: “Objects that do not belong to any of the above categories, e.g., animals, construction equipment, plastic bags.”
• people: “Groups of people, typically more than 3 persons gathered together.”

但实际标注中，people常被用于标注“排队买早餐的 5 个人”，而pedestrian用于标注“独自过马路的 1 个人”。问题在于：当图像分辨率不足时（如 1080p 下 200 米高度），5 个人和 1 个人在像素层面都是一个模糊的 blob。标注员可能凭主观判断标成people，而模型需要学习的是“密度”而非“数量”。

我的处理策略分三步：

第一步：建立类别优先级表
不是简单按字母序编号，而是按业务重要性排序。在农业巡检场景中，pedestrian（闯入农田者）和car（非法倾倒车辆）是最高优先级，others是最低。因此names.yaml中的顺序是：

names: ['pedestrian', 'car', 'van', 'truck', 'bus', 'motor', 'bicycle', 'tricycle', 'awning-tricycle', 'people'] # 注意：'others' 被移除，不参与训练

这样pedestrian的 class_id=0，YOLO 的损失函数会优先优化它。

第二步：对people类做动态降权
在data.yaml中添加class_weights: [1.0, 1.2, ...]不够灵活。我的做法是在转换脚本中，对每个people样本计算其 bbox 面积占比：area_ratio = (w * h) / (img_width * img_height)。若area_ratio < 0.001（即小于图像千分之一），则将其 class_id 设为pedestrian的 id（因为小 blob 更可能是单人）。这需要在脚本中维护一个class_map字典：

class_map = { 'pedestrian': 0, 'car': 1, 'van': 2, # ... } # 动态映射 if obj_name == 'people': if area_ratio < 0.001: class_id = class_map['pedestrian'] else: class_id = class_map['people'] # 10

第三步：others的两种处理模式

• 模式A（推荐）：完全忽略
  在生成.txt文件时，跳过所有name == 'others'的<object>。这是官方评估协议的要求，确保你的 mAP 可与论文对比。
• 模式B（研究用）：重映射为背景
  若想研究模型对未知物体的鲁棒性，可将others映射为-1，并在 YOLO 的loss.py中修改compute_loss()，对class_id == -1的样本只计算 bbox loss，不计算 cls loss。但这需要改源码，不适用于快速验证。

注意：VisDrone 官网的evaluation/目录下有一个eval.py脚本，它会扫描results/下所有.txt文件，并按class_id顺序匹配names.yaml。如果你的names.yaml里有others，但results/中没有对应类别的预测，它会报错KeyError: 'others'。所以务必保持names.yaml与训练集 class_id 严格一致。

3. 实操过程与核心环节实现：从下载到训练的端到端脚本

现在进入最硬核的部分：一套经过生产环境验证的端到端转换脚本。它不是玩具代码，而是我在某电网公司部署的巡检系统中实际运行的版本，已处理超过 20 万张 VisDrone 图像。整个流程分为四步：下载校验 → 目录重构 → 格式转换 → 训练准备。每一步都有防错机制和性能优化。

3.1 下载与完整性校验：避开官网的“镜像陷阱”

VisDrone2019 官网（http://aiskyeye.com/）提供百度网盘和 OneDrive 链接，但存在两个隐藏陷阱：

• 陷阱1：百度网盘链接失效
  官网显示的百度网盘链接常指向一个已删除的分享，实际需在 GitHub Issues 里搜索最新链接。2024 年最新有效链接是：https://pan.baidu.com/s/1QZqXJY7zFkLdR9W8tTgGjA （提取码：visd）。但下载后你会发现，VisDrone2019-DET-train.zip解压后images/目录下有 10,209 个文件，而annotations/下只有 10,207 个 XML——少了 2 个。这是因为官网打包时遗漏了uav0000001_00000_v.jpg和uav0000002_00000_v.jpg的标注。

• 陷阱2：OneDrive 链接的文件名编码问题
  OneDrive 版本的文件名含中文（如无人机_测试集.zip），在 Linux 服务器上解压会出现乱码。我用的解决方案是：在 Windows 上用 7-Zip 解压，再通过rsync传到服务器，并用convmv -f gbk -t utf8 --notest *批量转码。

所以我的下载脚本download_visdrone.sh第一件事就是校验：

#!/bin/bash # download_visdrone.sh DATASET_DIR="./VisDrone2019" mkdir -p $DATASET_DIR # Step 1: Download from Baidu (using aria2c for resume) aria2c -x 16 -s 16 -k 1M "https://pan.baidu.com/s/1QZqXJY7zFkLdR9W8tTgGjA" -o "$DATASET_DIR/VisDrone2019-DET-train.zip" --header="Cookie: BDCLND=xxxx" # Step 2: Unzip and check file count unzip -q "$DATASET_DIR/VisDrone2019-DET-train.zip" -d "$DATASET_DIR/" cd "$DATASET_DIR/" # Count images and annotations IMG_COUNT=$(ls images/*.jpg | wc -l) ANN_COUNT=$(ls annotations/*.xml | wc -l) echo "Images: $IMG_COUNT, Annotations: $ANN_COUNT" # If mismatch, download missing XML from GitHub repo if [ $IMG_COUNT -ne $ANN_COUNT ]; then echo "Warning: $((IMG_COUNT - ANN_COUNT)) XML files missing. Fetching from GitHub..." wget https://raw.githubusercontent.com/VisDrone/VisDrone2019-DET/master/annotations/uav0000001_00000_v.xml -P annotations/ wget https://raw.githubusercontent.com/VisDrone/VisDrone2019-DET/master/annotations/uav0000002_00000_v.xml -P annotations/ fi # Step 3: MD5校验（官网提供 checksum.txt） if [ ! -f "checksum.txt" ]; then wget https://github.com/VisDrone/VisDrone2019-DET/raw/master/checksum.txt fi md5sum -c checksum.txt 2>/dev/null | grep -E "OK|FAILED"

提示：checksum.txt里有 10,209 行 MD5 值，但只校验images/目录。annotations/的校验需手动执行md5sum annotations/*.xml | sort > ann_checksum.txt，再与 GitHub 上的ann_checksum.txt对比。我已在脚本中集成此逻辑，但为简洁未展示。

3.2 目录结构标准化：为 YOLO 训练铺平道路

YOLOv8 要求数据目录严格遵循：

dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── data.yaml

但 VisDrone 原始结构是：

VisDrone2019-DET-train/ ├── images/ │ └── uav0000013_00000_v.jpg ├── annotations/ │ └── uav0000013_00000_v.xml └── readme.txt

直接复制会出问题：YOLO 的train.py期望images/train/下的图片，与labels/train/下同名.txt文件一一对应。所以必须重构。我的restructure_dirs.py脚本核心逻辑是：

import os import shutil from pathlib import Path def restructure_visdrone(visdrone_root: str, output_root: str): # 创建标准目录 for split in ['train', 'val', 'test']: (Path(output_root) / 'images' / split).mkdir(parents=True, exist_ok=True) (Path(output_root) / 'labels' / split).mkdir(parents=True, exist_ok=True) # VisDrone 的划分：train/val/test 对应官方提供的 splits/ # 但官网 splits/ 是 .txt 列表，需解析 splits_dir = Path(visdrone_root) / 'splits' for split in ['train', 'val', 'test']: list_file = splits_dir / f'{split}.txt' if not list_file.exists(): continue with open(list_file) as f: img_names = [line.strip() for line in f if line.strip()] # 复制图片和生成标签 for img_name in img_names: # 清洗文件名：uav0000013_00000_v.jpg -> uav0000013_00000_v.jpg clean_name = img_name.replace('.jpg', '').replace('.jpeg', '').replace('.png', '') src_img = Path(visdrone_root) / 'images' / f'{img_name}' dst_img = Path(output_root) / 'images' / split / f'{clean_name}.jpg' # 复制图片（硬链接节省空间） if src_img.exists(): os.link(src_img, dst_img) # Linux only # Windows 用 shutil.copy2(src_img, dst_img) # 生成空 label 文件（占位，后续转换脚本填充） dst_label = Path(output_root) / 'labels' / split / f'{clean_name}.txt' dst_label.write_text('') # 创建空文件 print(f"Directory restructuring done. Total images: {len(os.listdir(Path(output_root)/'images/train'))}") # 调用 restructure_visdrone('./VisDrone2019-DET-train', './visdrone_yolo')

关键点：

• 用硬链接（os.link）代替复制：VisDrone 训练集 10,209 张图约 12GB，复制会浪费磁盘和时间。硬链接在 Linux 下是秒级操作。
• 提前创建空.txt文件：确保labels/train/下有与images/train/完全同名的文件，避免 YOLO 加载器报 “label not found”。
• 文件名清洗：VisDrone 的splits/train.txt里可能有uav0000013_00000_v.jpg\n，而images/下是uav0000013_00000_v.jpg，需统一去除换行符和空格。

3.3 格式转换脚本：安全、可审计、可回溯的转换器

这是整个流程的核心。我命名为visdrone2yolo.py，它不是一个单文件脚本，而是一个模块化设计：

visdrone2yolo/ ├── __init__.py ├── converter.py # 主转换逻辑 ├── validator.py # 校验函数（坐标合法性、类别存在性） ├── utils.py # 工具函数（文件名清洗、OpenCV 读图） └── config.py # 配置（ignore_classes, trunc_thresh, etc.）

converter.py的主干逻辑如下（精简版）：

import cv2 import xml.etree.ElementTree as ET from pathlib import Path from visdrone2yolo.utils import safe_read_image, clean_filename from visdrone2yolo.validator import validate_bbox, validate_class from visdrone2yolo.config import IGNORE_CLASSES, TRUNC_THRESH def convert_single_xml(xml_path: Path, img_dir: Path, label_dir: Path): """Convert one XML to YOLO label""" tree = ET.parse(xml_path) root = tree.getroot() # Get image path and size filename = root.find('filename').text clean_name = clean_filename(filename) img_path = img_dir / f'{clean_name}.jpg' # Read image to get true size img = safe_read_image(img_path) if img is None: print(f"Warning: {img_path} not found or corrupted") return h, w = img.shape[:2] # Parse all objects yolo_lines = [] for obj in root.findall('object'): name = obj.find('name').text.strip().lower().replace(' ', '-') if name in IGNORE_CLASSES: continue # Get bbox from <box> or fallback to <bndbox> box_elem = obj.find('box') if box_elem is not None and box_elem.find('w') is not None: cx = float(box_elem.find('cx').text) cy = float(box_elem.find('cy').text) bw = float(box_elem.find('w').text) bh = float(box_elem.find('h').text) else: bndbox = obj.find('bndbox') xmin = int(bndbox.find('xmin').text) ymin = int(bndbox.find('ymin').text) xmax = int(bndbox.find('xmax').text) ymax