LabelMe 转 YOLO：格式转换之后，还有三件更该做的事
格式互转只是数据准备的第一步。这篇讲 Easy Dataset 的完整链路：LabelMe / VOC / YOLO / COCO 互转之外，还要做质量检测、标签一致性抽查与训练集划分，否则模型学到的可能是标注错误。
拿到一批 LabelMe 标注的数据，第一反应通常是「先转成 YOLO 格式」。转完能训练，但训练结果好不好，取决于转换前后有没有做检查。
一、转换：四类格式互相打通
LabelMe（JSON）、VOC（XML）、YOLO（TXT）、COCO（JSON）之间的互转是最基础的能力。转换时容易出问题的地方有两个：
- 坐标归一化：YOLO 用的是相对坐标，图像尺寸读错就会整体偏移。
- 类别顺序：类别列表顺序变了，标签含义就变了，而且不会报错。
所以转换后一定要打开看一眼，而不是直接丢进训练。
二、质量检测：先找出「不可能」的数据
带框可视化浏览的作用就在这。随机抽 30 张过一遍，重点看：
- 框有没有整体偏、有没有越界；
- 一张图里同类目标是否被重复标注；
- 小目标是不是被标成了整片区域。
数据集里的错误是会被模型学进去的。一个 5% 的错误标注率，往往比调参影响更大。
三、划分与合并：别让验证集「泄题」
同一个视频抽出来的相邻帧，如果一部分进了训练集、一部分进了验证集，指标会虚高。划分时要按视频或场景切，而不是按图片随机切。
合并多批数据时同理：先统一类别表，再合并，最后重新做一次划分。
四、视频抽帧：从现场素材到可用样本
监控视频里有很多重复帧。抽帧时控制间隔，配合质量检测筛掉模糊帧，能显著减少标注工作量。
这些步骤都在本地完成，数据不需要上传到任何云端——对涉及现场画面或客户素材的项目，这一条通常是硬要求。
完整功能见 Easy Dataset 产品页，Windows / macOS / Linux 都有安装包。