YOLO 数据集配置文件（.yaml）详解

📌 关键要点

data=coco128.yaml 中的 yaml 是数据集配置文件——告诉训练程序"数据在哪、有哪些类别"，不是给人看的说明文档。

• 核心字段：path（数据根目录）、train/val（图片路径）、names（类别名）
• ultralytics 内置 42 个数据集配置，覆盖检测/分割/姿态/多光谱等任务

• 类别数由 yaml 的 names 决定，与模型版本无关——官方预训练权重都是 COCO 80 类，自定义数据集则可任意设类别数

• 80 个类别 id 就是标注文件第一列的编号，理解 id 才能读懂标注数据

一、什么是数据集配置文件

data=coco128.yaml 里那个 yaml，官方术语叫 dataset configuration file（数据集配置文件）。它是一份给程序读的参数表，负责把"图片、标注、类别"三者对应起来。

以内置的 coco128.yaml 为例：

path: coco128              # 数据集根目录（相对当前工作目录）
train: images/train2017    # 训练图片路径（相对 path）
val: images/train2017      # 验证图片路径（相对 path）
test:                      # 测试集（可选）

names:                     # 类别定义（id → 类别名）
  0: person
  1: bicycle
  2: car
  ...

download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco128.zip  # 自动下载地址（可选）

💡 找配置文件的顺序：yolo 命令先找当前目录下同名 yaml（自定义优先），找不到再去 ultralytics 安装包内置目录（本机完整路径见第二章）。

二、ultralytics 内置的 42 个数据集配置

本机完整路径：D:\B\software\anaconda\envs\CondaBYP\Lib\site-packages\ultralytics\cfg\datasets\

定位方法：命令行执行 pip show ultralytics 可查看安装位置；换环境/换机器后，用此方法重新定位该目录。

安装 ultralytics 就自带这些配置文件，按用途分类：

通用检测（COCO 系）

• coco.yaml：完整 COCO 2017（11.8 万训练图 / 5000 验证图 / 80 类），评测标准
• coco128.yaml：COCO 前 128 张图（入门练手）
• coco8.yaml：COCO 前 8 张图（极速测试）
• coco-pose.yaml / coco8-pose.yaml：姿态估计
• coco128-seg.yaml / coco8-seg.yaml：实例分割
• coco12-formats.yaml / coco8-grayscale.yaml / coco8-multispectral.yaml：格式/灰度/多光谱变体

经典基准数据集

• VOC.yaml：PASCAL VOC（20 类）
• lvis.yaml：LVIS（1200+ 类长尾）
• Objects365.yaml：365 类街景
• open-images-v7.yaml：Open Images（600 类）
• ImageNet.yaml：分类任务
• kitti.yaml：KITTI 自动驾驶（8 类）
• cityscapes.yaml / cityscapes8.yaml：街景
• Argoverse.yaml：自动驾驶

航拍 / 遥感

• VisDrone.yaml：无人机航拍（10 类）
• xView.yaml / DOTAv1.yaml / DOTAv1.5.yaml：遥感
• dota8.yaml / dota128.yaml / dota8-multispectral.yaml：DOTA 子集
• SKU-110K.yaml：密集货架商品
• TT100K.yaml：交通标志

垂直场景

• african-wildlife.yaml：非洲野生动物
• GlobalWheat2020.yaml：小麦头检测
• medical-pills.yaml：药片
• brain-tumor.yaml / crack-seg.yaml / package-seg.yaml / carparts-seg.yaml：分割场景
• construction-ppe.yaml：施工安全装备
• signature.yaml：签名
• HomeObjects-3K.yaml：室内物体

姿态估计

• hand-keypoints.yaml：手部关键点
• dog-pose.yaml / tiger-pose.yaml：动物姿态

用法都一样：yolo train data=VisDrone.yaml、yolo val data=coco.yaml……选哪个数据集就写哪个文件名。

2.1 42 个配置文件 → 6 种任务完整映射

YOLO 实际支持 6 种任务：detect（检测）、segment（实例分割）、semantic（语义分割，YOLO26 新增）、classify（分类）、pose（姿态）、obb（旋转框）。42 个配置文件按任务分布如下：

① 目标检测 detect（23 个）——输出矩形框

② 实例分割 segment（6 个）——每个目标独立像素掩码

③ 语义分割 semantic（3 个，YOLO26 新任务）——整幅图逐像素分类

④ 图像分类 classify（1 个）——整图一个类别

⑤ 姿态估计 pose（5 个）——关键点

⑥ 旋转框检测 obb（4 个）——带角度的框，适合航拍

合计：23 + 6 + 3 + 1 + 5 + 4 = 42 个

五大任务框架 vs YOLO 6 任务（对照 AI 视觉算法总览）：

五大任务（通用框架）	YOLO 对应任务	配置示例
图像分类	classify	ImageNet.yaml
目标检测	detect	coco.yaml（23 个）
语义分割	semantic（YOLO26）+ segment（可近似）	ade20k.yaml
实例分割	segment	coco128-seg.yaml
全景分割	❌ YOLO 暂无	—
（框架外）	pose 姿态 / obb 旋转框	coco-pose.yaml / dota8.yaml

三、COCO 80 个类别详解

官方预训练权重（yolov8n.pt / yolo11n.pt 等）默认检测的 80 类，即 coco.yaml 里 names 的内容。类别 id 与标注文件第一列一一对应，例如标注 0 0.52 0.55 0.4 0.6 中的 0 表示 person。

3.1 完整类别对照表（id 0–79）

3.2 按大类（supercategory）分组

COCO 官方将 80 类归为 12 个大类，便于理解类别构成：

3.3 类别分布可视化（COCO128 示例）

训练时自动生成的 labels.jpg：左上为标注框位置/尺寸分布，右下为各类别数量直方图，直观展示数据集的类别构成。

四、关键问题：不同版本 YOLO 模型，类别都一样吗？

答案：模型能检测哪些类别，由数据集配置（yaml 的 names）决定，与模型版本无关。

证据：训练日志中模型头部显示 Detect [80, 16, ...]，其中的 80 来自 coco128.yaml 的 names 数量，不是写死在模型里的。换成 5 类的自定义数据集，Detect 头就是 [5, 16, ...]。

不同任务类别不同（同一版本）：

五、如何编写自己的数据集配置文件

训练自己的数据时，把标注好的数据集按 YOLO 目录结构放好，再写一个自己的 yaml：

# 例如：识别 3 类水果
path: ../datasets/fruit      # 数据集根目录
train: images/train          # 训练图片
val: images/val              # 验证图片

names:
  0: apple
  1: banana
  2: orange

对应目录结构：

datasets\fruit\
   ├── images\train\    ├── labels\train\
   ├── images\val\      ├── labels\val\

标注 txt 与图片同名，每行 类别id x_center y_center width height（归一化）。然后用 yolo train data=fruit.yaml 即可训练自己的模型。

🔗 相关笔记：

• YOLO 训练流程（COCO128 入门实战）
• 常用目标检测数据集与图片库清单
• YOLO系列版本演进

📖 资料来源：

• Ultralytics 数据集文档（Detect）
• COCO 数据集官网
• COCO 类别 supercategory 说明

📝 创建时间：2026-08-31