Python实现VOC XML转YOLO TXT格式转换

云舒

发布时间：2026-10-15| 4人浏览过

原创

本文介绍如何利用Python将VOC数据集的XML标注文件转换为YOLO模型所需的TXT格式。通过解析XML树结构提取边界框坐标，应用归一化公式计算中心点与宽高，实现自动化批量转换，解决手动处理效率低的问题。

前言

在学习YOLO v5时遇到数据格式不匹配的问题。VOC数据集使用XML格式进行标注，而YOLO模型需要TXT格式的数据。手动提取数据既耗时又容易出错，因此需要通过编写程序来自动完成格式转换。

分析XML与TXT数据

观察XML文件的树形结构，了解其层级关系。

查看YOLO所需的TXT格式规范。

总结转换要点：

从XML的object节点中提取name属性，从bndbox节点中提取xmin、ymin、xmax、ymax坐标值。

格式转换需通过特定公式进行坐标归一化处理。

YOLO数据集TXT格式包含以下字段：

x_center：归一化后的中心点x坐标。

y_center：归一化后的中心点y坐标。

w：归一化后的目标框宽度。

h：归一化后的目标框高度。

归一化是指将坐标值除以图片的宽度和高度。

VOC数据集XML格式的具体结构如下。

yolo的四个数据	xml->txt公式
x_center	((x_min+x_max)/2-1)/w_image
y_center	((y_min+y_max)/2-1)/h_image
w	(x_max-x_min)/w_image
h	(y_max-y_min)/h_image

转换过程

创建两个文件夹，分别用于存放原始XML数据（train）和转换后的TXT标签文件（labels）。

代码逻辑解析：

import os
import xml.etree.ElementTree as ET
import io
find_path = './train/'    #xml所在的文件
savepath='./labels/'   #保存文件

class Voc_Yolo(object):
    def __init__(self, find_path):
        self.find_path = find_path
    def Make_txt(self, outfile):
        out = open(outfile,'w') 
        print("创建成功：{}".format(outfile))
        return out
    def Work(self, count):
    #找到文件路径
        for root, dirs, files in os.walk(self.find_path):
        #找到文件目录中每一个xml文件
            for file in files:
            #记录处理过的文件
                count += 1
                #输入、输出文件定义
                input_file = find_path + file
                outfile = savepath+file[:-4]+'.txt'
                #新建txt文件，确保文件正常保存
                out = self.Make_txt(outfile)
                #分析xml树，取出w_image、h_image
                tree=ET.parse(input_file)
                root=tree.getroot()
                size=root.find('size')
                w_image=float(size.find('width').text)
                h_image=float(size.find('height').text)
                #继续提取有效信息来计算txt中的四个数据
                for obj in root.iter('object'):
                #将类型提取出来，不同目标类型不同，本文仅有一个类别->0
                    classname=obj.find('name').text
                    cls_id = classname
                    xmlbox=obj.find('bndbox')
                    x_min=float(xmlbox.find('xmin').text)
                    x_max=float(xmlbox.find('xmax').text)
                    y_min=float(xmlbox.find('ymin').text)
                    y_max=float(xmlbox.find('ymax').text)
                    #计算公式
                    x_center=((x_min+x_max)/2-1)/w_image
                    y_center=((y_min+y_max)/2-1)/h_image
                    w=(x_max-x_min)/w_image
                    h=(y_max-y_min)/h_image
                    #文件写入
                    out.write(str(cls_id)+" "+str(x_center)+" "+str(y_center)+" "+str(w)+" "+str(h)+'\n')
                out.close()
        return count
if __name__ == "__main__":
    data = Voc_Yolo(find_path)
    number = data.Work(0)
    print(number)