據(jù)集配置4種方法詳解：目錄結(jié)構(gòu)、TXT文件與visible/infrared自動(dòng)替換原理指南)
人工智能計(jì)算機(jī)視覺(jué)深度學(xué)習(xí)后端【免費(fèi)下載鏈接】YOLOv11-RGBTYOLOv11-RGBT: Towards a Comprehensive Single-Stage Multispectral Object Detection FrameworkSupports RGBT detection for all YOLO series from YOLOv3 to YOLOv13, as well as RTDETR. 【Ultralytics YOLOv3-YOLOv13】項(xiàng)目地址https://gitcode.com/gh_mirrors/yo/YOLOv11-RGBT點(diǎn)擊查看免費(fèi)下載YOLOv11-RGBT是面向可見(jiàn)光紅外多光譜目標(biāo)檢測(cè)的一站式框架覆蓋 YOLOv3 到 YOLOv13 全系列及 RTDETR。很多新手在訓(xùn)練 RGBT 數(shù)據(jù)集時(shí)卡在第 1 步——數(shù)據(jù)集配置可見(jiàn)光和紅外圖像該如何擺放、yaml 文件怎么寫、程序憑什么自動(dòng)找到紅外圖。本文用 4 種經(jīng)過(guò)驗(yàn)證的配置方法目錄結(jié)構(gòu) TXT 文件把visible/infrared自動(dòng)替換原理一次講透幫你 10 分鐘搞定數(shù)據(jù)集。一、為什么RGBT數(shù)據(jù)集配置比單模態(tài)多一道坎普通 YOLO 只吃 RGB 圖像而 YOLOv11-RGBT 訓(xùn)練時(shí)需要成對(duì)的可見(jiàn)光visible與紅外infrared圖像。程序內(nèi)部會(huì)先把可見(jiàn)光拆成 3 通道、紅外保留 1 通道再合并成 4 通道輸入網(wǎng)絡(luò)use_simotmRGBT、channels4所以配置數(shù)據(jù)集的核心就兩件事擺放結(jié)構(gòu)讓visible目錄的同級(jí)存在infrared目錄或其他命名對(duì)yaml 寫法train/val只指向可見(jiàn)光路徑紅外路徑由程序自動(dòng)推導(dǎo)。二、核心原理visible → infrared 路徑自動(dòng)替換自動(dòng)替換邏輯位于 ultralytics/data/base.py 的load_and_preprocess_image/load_image中關(guān)鍵只有兩行im_visible imread(file_path) # 讀取可見(jiàn)光 im_infrared imread(file_path.replace(pairs_rgb, pairs_ir), cv2.IMREAD_GRAYSCALE) # 替換路徑讀紅外也就是說(shuō)程序把可見(jiàn)光路徑字符串中的visible原樣替換為infrared得到紅外圖路徑。兩個(gè)要點(diǎn)命名對(duì)由參數(shù)pairs_rgb_ir控制默認(rèn)[visible, infrared]也可以自定義為[rgb, ir]、[images, images_ir]等見(jiàn) train_RGBT.py 第 22 行注釋若可見(jiàn)光與紅外尺寸不一致_resize_images會(huì)自動(dòng)縮放到相同尺寸后合并無(wú)需手動(dòng)對(duì)齊。三、4種配置方法詳解建議用方法1以下示例來(lái)自倉(cāng)庫(kù) ultralytics/cfg/datasets/ 下的真實(shí)配置文件。方法1visible/infrared 平級(jí)目錄FLIR 示例推薦 ?最貼合網(wǎng)盤新版數(shù)據(jù)集的結(jié)構(gòu)圖像與同名 txt 標(biāo)簽放在同一目錄dataset/ ├── visible/ │ ├── train/ # image1.jpg image1.txt ... │ └── test/ └── infrared/ ├── train/ └── test/對(duì)應(yīng) FLIR_aligned-rgbt.yamlpath: E:/BaiduNetdiskDownload/RGBTO/FLIR3C # 數(shù)據(jù)集根目錄 train: visible/train val: visible/test nc: 3 names: [person, car, bicycle]只想單獨(dú)用可見(jiàn)光或紅外訓(xùn)練時(shí)可改用 FLIR_aligned.yaml 或 FLIR_aligned-inf.yaml后者train: infrared/train。方法2train/val 在上一級(jí)KAIST 示例可見(jiàn)光、紅外目錄掛在train、val之下圖像與標(biāo)簽分開放dataset/ ├── train/ │ ├── visible/images/ visible/labels/ │ └── infrared/images/ infrared/labels/ └── val/ ├── visible/images/ visible/labels/ └── infrared/images/ infrared/labels/yaml 只填train/visible/images即可參考 KAIST.yaml。方法3images labels 分離結(jié)構(gòu)適合所有圖像集中管理、標(biāo)簽獨(dú)立存放的數(shù)據(jù)集dataset/ ├── images/ │ ├── visible/train/ visible/val/ │ └── infrared/train/ infrared/val/ └── labels/ ├── visible/train/ visible/val/ └── infrared/train/ infrared/val/yaml 中寫train: dataset/images/visible/train程序沿visible→infrared替換規(guī)則自動(dòng)定位紅外圖像與標(biāo)簽。方法4TXT 文件配置VEDAI 示例YOLO 默認(rèn)玩法用 txt 逐行列出可見(jiàn)光圖像路徑y(tǒng)aml 里train指向 txt 文件參考 VEDAI.yaml# train.txt每行一個(gè)可見(jiàn)光路徑建議絕對(duì)路徑 dataset/images/visible/image1.jpg dataset/images/visible/image2.jpg??關(guān)鍵限制txt 中的路徑必須包含visible字樣或你自定義的pairs_rgb_ir第一個(gè)詞否則程序無(wú)法替換出紅外路徑。四、4種方法怎么選一張表說(shuō)清方法目錄層級(jí)標(biāo)簽存放適用場(chǎng)景參考yaml方法1visible/infrared 平級(jí)與圖像同目錄新版數(shù)據(jù)集最推薦FLIR_aligned-rgbt.yaml方法2train/val 在上images/labels 分離KAIST 等經(jīng)典 RGBT 數(shù)據(jù)集KAIST.yaml方法3imageslabels 分離獨(dú)立 labels 樹集中管理大規(guī)模數(shù)據(jù)集—方法4txt 列路徑同目錄YOLOv5/v8/v11 默認(rèn)習(xí)慣VEDAI.yaml五、新手最容易踩的3個(gè)坑紅外目錄找不到→ 檢查visible的同級(jí)是否真的存在infrared文件名是否逐字一致replace是純字符串替換大小寫敏感。txt 路徑缺visible關(guān)鍵字→ 方法4中若路徑不含該詞會(huì)直接報(bào)Image Not Found可打開 ultralytics/data/base.py 的load_image排查。通道數(shù)沒(méi)配對(duì)→ RGBT 模式務(wù)必傳use_simotmRGBT、channels4六通道RGBRGB用RGBRGB6C、channels6完整用法見(jiàn) train_RGBT.py。更多數(shù)據(jù)集模板可直接參考 LLVIP-rgbt.yaml、M3FD-rgbt.yaml模型結(jié)構(gòu)配置見(jiàn) ultralytics/cfg/models/11-RGBT/訓(xùn)練入口參考 train_RGBT.py。配好數(shù)據(jù)集剩下的交給框架即可——祝你訓(xùn)練順利mAP 起飛 贊分享人工智能計(jì)算機(jī)視覺(jué)深度學(xué)習(xí)后端【免費(fèi)下載鏈接】YOLOv11-RGBTYOLOv11-RGBT: Towards a Comprehensive Single-Stage Multispectral Object Detection FrameworkSupports RGBT detection for all YOLO series from YOLOv3 to YOLOv13, as well as RTDETR. 【Ultralytics YOLOv3-YOLOv13】項(xiàng)目地址https://gitcode.com/gh_mirrors/yo/YOLOv11-RGBT點(diǎn)擊查看免費(fèi)下載相關(guān)推薦UltiSnips 指南目錄結(jié)構(gòu)、啟動(dòng)文件和配置文件詳解UltiSnips 指南目錄結(jié)構(gòu)、啟動(dòng)文件和配置文件詳解 1. 項(xiàng)目目錄結(jié)構(gòu)及介紹 UltiSnips 的源碼倉(cāng)庫(kù)包含了以下主要目錄和文件 UltiSnip開發(fā)工具BullMQ 深入指南目錄結(jié)構(gòu)、啟動(dòng)文件與配置詳解BullMQ 深入指南目錄結(jié)構(gòu)、啟動(dòng)文件與配置詳解 1. 項(xiàng)目目錄結(jié)構(gòu)及介紹 在 bullmq 項(xiàng)目中源代碼主要分布在以下目錄 src/ 此目錄包含了核心后端任務(wù)調(diào)度消息隊(duì)列Visual Studio Code 中的 Python Linting 完整指南選型、配置與故障排查Visual Studio Code 中的 Python Linting 完整指南選型、配置與故障排查 Linting 能夠在 Python 源碼中標(biāo)記語(yǔ)義與人工智能計(jì)算機(jī)視覺(jué)深度學(xué)習(xí)后端上一篇這個(gè)請(qǐng)求我沒(méi)法接dsh-purge 本質(zhì)是給 DeepSeek Harness 模型卸安全護(hù)欄的越獄插件下一篇5分鐘快速上手用ESPHome實(shí)現(xiàn)JK-BMS智能電池監(jiān)控的終極指南創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考 YOLOv11-RGBT數(shù)據(jù)集配置4種方法詳解：目錄結(jié)構(gòu)、TXT文件與visible/infrared自動(dòng)替換原理指南
人工智能計(jì)算機(jī)視覺(jué)深度學(xué)習(xí)后端【免費(fèi)下載鏈接】YOLOv11-RGBTYOLOv11-RGBT: Towards a Comprehensive Single-Stage Multispectral Object Detection FrameworkSupports RGBT detection for all YOLO series from YOLOv3 to YOLOv13, as well as RTDETR. 【Ultralytics YOLOv3-YOLOv13】項(xiàng)目地址https://gitcode.com/gh_mirrors/yo/YOLOv11-RGBT點(diǎn)擊查看免費(fèi)下載YOLOv11-RGBT是面向可見(jiàn)光紅外多光譜目標(biāo)檢測(cè)的一站式框架覆蓋 YOLOv3 到 YOLOv13 全系列及 RTDETR。很多新手在訓(xùn)練 RGBT 數(shù)據(jù)集時(shí)卡在第 1 步——數(shù)據(jù)集配置可見(jiàn)光和紅外圖像該如何擺放、yaml 文件怎么寫、程序憑什么自動(dòng)找到紅外圖。本文用 4 種經(jīng)過(guò)驗(yàn)證的配置方法目錄結(jié)構(gòu) TXT 文件把visible/infrared自動(dòng)替換原理一次講透幫你 10 分鐘搞定數(shù)據(jù)集。一、為什么RGBT數(shù)據(jù)集配置比單模態(tài)多一道坎普通 YOLO 只吃 RGB 圖像而 YOLOv11-RGBT 訓(xùn)練時(shí)需要成對(duì)的可見(jiàn)光visible與紅外infrared圖像。程序內(nèi)部會(huì)先把可見(jiàn)光拆成 3 通道、紅外保留 1 通道再合并成 4 通道輸入網(wǎng)絡(luò)use_simotmRGBT、channels4所以配置數(shù)據(jù)集的核心就兩件事擺放結(jié)構(gòu)讓visible目錄的同級(jí)存在infrared目錄或其他命名對(duì)yaml 寫法train/val只指向可見(jiàn)光路徑紅外路徑由程序自動(dòng)推導(dǎo)。二、核心原理visible → infrared 路徑自動(dòng)替換自動(dòng)替換邏輯位于 ultralytics/data/base.py 的load_and_preprocess_image/load_image中關(guān)鍵只有兩行im_visible imread(file_path) # 讀取可見(jiàn)光 im_infrared imread(file_path.replace(pairs_rgb, pairs_ir), cv2.IMREAD_GRAYSCALE) # 替換路徑讀紅外也就是說(shuō)程序把可見(jiàn)光路徑字符串中的visible原樣替換為infrared得到紅外圖路徑。兩個(gè)要點(diǎn)命名對(duì)由參數(shù)pairs_rgb_ir控制默認(rèn)[visible, infrared]也可以自定義為[rgb, ir]、[images, images_ir]等見(jiàn) train_RGBT.py 第 22 行注釋若可見(jiàn)光與紅外尺寸不一致_resize_images會(huì)自動(dòng)縮放到相同尺寸后合并無(wú)需手動(dòng)對(duì)齊。三、4種配置方法詳解建議用方法1以下示例來(lái)自倉(cāng)庫(kù) ultralytics/cfg/datasets/ 下的真實(shí)配置文件。方法1visible/infrared 平級(jí)目錄FLIR 示例推薦 ?最貼合網(wǎng)盤新版數(shù)據(jù)集的結(jié)構(gòu)圖像與同名 txt 標(biāo)簽放在同一目錄dataset/ ├── visible/ │ ├── train/ # image1.jpg image1.txt ... │ └── test/ └── infrared/ ├── train/ └── test/對(duì)應(yīng) FLIR_aligned-rgbt.yamlpath: E:/BaiduNetdiskDownload/RGBTO/FLIR3C # 數(shù)據(jù)集根目錄 train: visible/train val: visible/test nc: 3 names: [person, car, bicycle]只想單獨(dú)用可見(jiàn)光或紅外訓(xùn)練時(shí)可改用 FLIR_aligned.yaml 或 FLIR_aligned-inf.yaml后者train: infrared/train。方法2train/val 在上一級(jí)KAIST 示例可見(jiàn)光、紅外目錄掛在train、val之下圖像與標(biāo)簽分開放dataset/ ├── train/ │ ├── visible/images/ visible/labels/ │ └── infrared/images/ infrared/labels/ └── val/ ├── visible/images/ visible/labels/ └── infrared/images/ infrared/labels/yaml 只填train/visible/images即可參考 KAIST.yaml。方法3images labels 分離結(jié)構(gòu)適合所有圖像集中管理、標(biāo)簽獨(dú)立存放的數(shù)據(jù)集dataset/ ├── images/ │ ├── visible/train/ visible/val/ │ └── infrared/train/ infrared/val/ └── labels/ ├── visible/train/ visible/val/ └── infrared/train/ infrared/val/yaml 中寫train: dataset/images/visible/train程序沿visible→infrared替換規(guī)則自動(dòng)定位紅外圖像與標(biāo)簽。方法4TXT 文件配置VEDAI 示例YOLO 默認(rèn)玩法用 txt 逐行列出可見(jiàn)光圖像路徑y(tǒng)aml 里train指向 txt 文件參考 VEDAI.yaml# train.txt每行一個(gè)可見(jiàn)光路徑建議絕對(duì)路徑 dataset/images/visible/image1.jpg dataset/images/visible/image2.jpg??關(guān)鍵限制txt 中的路徑必須包含visible字樣或你自定義的pairs_rgb_ir第一個(gè)詞否則程序無(wú)法替換出紅外路徑。四、4種方法怎么選一張表說(shuō)清方法目錄層級(jí)標(biāo)簽存放適用場(chǎng)景參考yaml方法1visible/infrared 平級(jí)與圖像同目錄新版數(shù)據(jù)集最推薦FLIR_aligned-rgbt.yaml方法2train/val 在上images/labels 分離KAIST 等經(jīng)典 RGBT 數(shù)據(jù)集KAIST.yaml方法3imageslabels 分離獨(dú)立 labels 樹集中管理大規(guī)模數(shù)據(jù)集—方法4txt 列路徑同目錄YOLOv5/v8/v11 默認(rèn)習(xí)慣VEDAI.yaml五、新手最容易踩的3個(gè)坑紅外目錄找不到→ 檢查visible的同級(jí)是否真的存在infrared文件名是否逐字一致replace是純字符串替換大小寫敏感。txt 路徑缺visible關(guān)鍵字→ 方法4中若路徑不含該詞會(huì)直接報(bào)Image Not Found可打開 ultralytics/data/base.py 的load_image排查。通道數(shù)沒(méi)配對(duì)→ RGBT 模式務(wù)必傳use_simotmRGBT、channels4六通道RGBRGB用RGBRGB6C、channels6完整用法見(jiàn) train_RGBT.py。更多數(shù)據(jù)集模板可直接參考 LLVIP-rgbt.yaml、M3FD-rgbt.yaml模型結(jié)構(gòu)配置見(jiàn) ultralytics/cfg/models/11-RGBT/訓(xùn)練入口參考 train_RGBT.py。配好數(shù)據(jù)集剩下的交給框架即可——祝你訓(xùn)練順利mAP 起飛 贊分享人工智能計(jì)算機(jī)視覺(jué)深度學(xué)習(xí)后端【免費(fèi)下載鏈接】YOLOv11-RGBTYOLOv11-RGBT: Towards a Comprehensive Single-Stage Multispectral Object Detection FrameworkSupports RGBT detection for all YOLO series from YOLOv3 to YOLOv13, as well as RTDETR. 【Ultralytics YOLOv3-YOLOv13】項(xiàng)目地址https://gitcode.com/gh_mirrors/yo/YOLOv11-RGBT點(diǎn)擊查看免費(fèi)下載相關(guān)推薦UltiSnips 指南目錄結(jié)構(gòu)、啟動(dòng)文件和配置文件詳解UltiSnips 指南目錄結(jié)構(gòu)、啟動(dòng)文件和配置文件詳解 1. 項(xiàng)目目錄結(jié)構(gòu)及介紹 UltiSnips 的源碼倉(cāng)庫(kù)包含了以下主要目錄和文件 UltiSnip開發(fā)工具BullMQ 深入指南目錄結(jié)構(gòu)、啟動(dòng)文件與配置詳解BullMQ 深入指南目錄結(jié)構(gòu)、啟動(dòng)文件與配置詳解 1. 項(xiàng)目目錄結(jié)構(gòu)及介紹 在 bullmq 項(xiàng)目中源代碼主要分布在以下目錄 src/ 此目錄包含了核心后端任務(wù)調(diào)度消息隊(duì)列Visual Studio Code 中的 Python Linting 完整指南選型、配置與故障排查Visual Studio Code 中的 Python Linting 完整指南選型、配置與故障排查 Linting 能夠在 Python 源碼中標(biāo)記語(yǔ)義與人工智能計(jì)算機(jī)視覺(jué)深度學(xué)習(xí)后端上一篇這個(gè)請(qǐng)求我沒(méi)法接dsh-purge 本質(zhì)是給 DeepSeek Harness 模型卸安全護(hù)欄的越獄插件下一篇5分鐘快速上手用ESPHome實(shí)現(xiàn)JK-BMS智能電池監(jiān)控的終極指南創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考