尧图网页设计 
最近在尝试把 YOLO-World 这类多模态检测模型用在自己的项目上时我遇到了一个比想象中更棘手的问题数据。不是数据不够而是数据“不对”。我手头有一批常规的 COCO 格式标注数据本以为直接扔给 YOLO-World 就能跑起来结果模型要么对文本提示词毫无反应要么检测出的东西和文本描述对不上。折腾了半天才发现问题出在最基础的地方——YOLO-World 的训练尤其是利用 Grounding 数据对标注格式有自己的一套“语法”。这套语法和 YOLOv8 时代我们熟悉的.txt文件或 COCO 的.json文件有着本质的不同。很多人拿到一个新模型第一反应是去搜“yolov8训练自己的数据集”这样的教程然后套用旧经验。但 YOLO-World 的核心是“开放词汇”和“文本引导”这意味着训练数据不仅要告诉模型“框在哪里”更要清晰地建立“框”和“一段描述性文本”之间的关联。如果沿用旧格式就相当于只给了坐标没给“名字”和“上下文”模型自然学不会根据文本找目标。今天我们就彻底拆解一下为了训练 YOLO-World你的数据集到底需要准备成什么样子特别是 Grounding 数据集的标注格式以及如何基于 Ultralytics 框架来理解和处理它们。1. 为什么 YOLO-World 的数据格式是训练成败的第一道坎在 YOLOv5/v8 的时代我们标注数据的逻辑是封闭且固定的。一个person.txt文件里写着0 0.5 0.5 0.2 0.3模型就知道“第 0 类人在这个位置”。模型在训练前就已经通过data.yaml文件背下了一个固定的类别列表[‘person’, ‘bicycle’, ‘car’, …]。这种模式对于已知类别的检测非常高效。但 YOLO-World 要解决的是开放词汇检测。你不可能预先定义一个包含世间万物的类别列表。它的输入是一张图片和一段任意的文本描述如“a red apple on the wooden table”输出则是与描述匹配的边界框。这就要求训练数据必须提供这种“图片-文本-框”的配对关系。这里的关键转变在于标注的单位从“类别ID”变成了“文本描述”。在 Grounding 数据集中每个边界框不再关联一个简单的数字标签而是关联一个或多个短语、句子。例如同一张图片里“a dog”和“a running pet”可能指向同一个框这为模型提供了更丰富的语义信息。如果你用旧的格式去训练模型接收到的文本输入你的提示词和它从标注中学到的“文本信号”如果格式不对可能根本没有是割裂的。这就是为什么“错误标注会导致数据标注模型训练集loss降不下来”。因为模型从根本上就无法对齐你希望它学习的目标——基于文本的定位。损失函数在计算时基于错误的关联关系梯度更新方向是混乱的自然难以收敛。所以准备 YOLO-World 的训练数据第一步是忘掉class_id拥抱text。2. Grounding 数据集的标注格式核心文本与框的关联基于 Ultralytics 框架对 YOLO-World 的支持以及相关实践一个能被正确识别的 Grounding 风格数据集其标注格式通常需要包含以下核心信息图像路径索引记录每张图片的位置。文本描述列表一个包含所有出现过的文本短语的列表。注意这个列表不是固定的类别字典而是针对整个数据集或一个批次动态构建的。实例标注每个实例需要包含bbox: 归一化的边界框坐标[x_center, y_center, width, height]。text_id或phrase_ids: 这个框关联的是文本描述列表中的第几个短语。一个框可以关联多个短语比如“dog”和“animal”。在实际的文件组织形式上常见的有两种它们都围绕着如何表达上述关联关系。2.1 格式一类 COCO-JSON但强化文本关联这是一种与 COCO 格式相似但进行了扩展的 JSON 格式。它更清晰易于人工阅读和调试。{ “images”: [ {“id”: 1, “file_name”: “train/001.jpg”, “width”: 640, “height”: 480}, {“id”: 2, “file_name”: “train/002.jpg”, “width”: 800, “height”: 600} ], “annotations”: [ { “id”: 1, “image_id”: 1, “bbox”: [300, 200, 100, 80], // 这里可能是绝对坐标训练时需要归一化 “area”: 8000, “category_id”: 0, // **注意这个ID指向的是‘categories’或‘texts’列表** “iscrowd”: 0 }, { “id”: 2, “image_id”: 1, “bbox”: [400, 300, 120, 90], “area”: 10800, “category_id”: 1, “iscrowd”: 0 } ], “categories”: [ // 方式A传统COCO式但每个类名就是文本提示 {“id”: 0, “name”: “a black dog”}, {“id”: 1, “name”: “a red ball”} ], // 方式B更贴近Grounding的显式文本列表 “texts”: [ [“a black dog”], // 每个元素可以是一个列表表示该ID对应的可能文本 [“a red ball”, “a toy”] // 第二个对象关联了两个文本描述 ] }关键解读categories或texts字段是灵魂。它存储了文本描述。在 YOLO-World 中模型会将这些文本通过文本编码器转换成特征并与图像特征进行匹配。annotation中的category_id用于索引到texts列表从而建立“框-文本”链接。一个category_id可以对应多个文本如[“a red ball”, “a toy”]这有助于模型学习语义关联。2.2 格式二适配 Ultralytics 训练的 TXT 变体Ultralytics 的 YOLO 系列通常使用data.yaml配合每张图片的.txt标注文件。对于 YOLO-World一种可行的转换思路是扩展这种格式但核心逻辑不变一个文本文件记录所有图片和对应的标注。一个数据集索引文件如train.txt可能看起来像这样但它需要配合额外的文本标签文件# train.txt - 每行定义一张图片及其标注文件 train/001.jpg train/labels/001.txt train/002.jpg train/labels/002.txt而对应的标签文件001.txt则需要进行根本性的改变# 传统YOLOv8格式 (无法用于YOLO-World) # 0 0.5 0.5 0.2 0.3 # 适用于Grounding/YOLO-World的假设格式 (需自定义解析) # 格式: “text_index_1,text_index_2,... x_center y_center width height” 0 0.5 0.5 0.2 0.3 # 假设: 文本列表索引0对应“dog” 1 0.6 0.6 0.15 0.15 # 假设: 文本列表索引1对应“ball” 0,2 0.3 0.3 0.1 0.1 # 假设: 文本列表索引0和2共同描述此框 (“dog”, “animal”)同时你需要一个独立的文件来定义索引到文本的映射例如text_labels.json{ “0”: “a black dog”, “1”: “a red ball”, “2”: “animal” }重要提示Ultralytics 官方对于 YOLO-World 自定义训练的数据格式可能尚未完全标准化为简单的.txt文件。上述.txt变体是一种概念性示意。在实际操作中更可靠的方式是准备成 COCO 格式的 JSON 文件然后利用或修改 Ultralytics 的数据加载器来读取。因为 JSON 格式能更自然地容纳“一对多”的文本关联和更复杂的描述。注意不要试图强行将 YOLOv8 的.txt标注直接复用。首要任务是确认你使用的训练脚本无论是官方的还是社区的支持何种数据格式。通常寻找或编写一个能将你的原始标注转换为类似“格式一”的 JSON 脚本是更稳妥的起点。3. 从零开始准备你的第一个 YOLO-World 训练数据集假设你现在有一批图片并且已经用标注工具如 LabelImg、CVAT、或专业 Grounding 标注工具完成了边界框标注并且为每个框写了文本描述。以下是将其转换为可用格式的实操流程3.1 第一步原始数据整理你的原始标注可能导出为 COCO、VOC 或自定义格式。确保你拥有images/文件夹所有训练图片。一个包含以下信息的标注文件可能是 CSV、JSON 或 XML图片文件名边界框坐标 (绝对坐标x_min, y_min, width, height或x_min, y_min, x_max, y_max)该框对应的文本描述这是最关键的新增项。3.2 第二步转换为 Grounding JSON 格式编写一个转换脚本例如convert_to_grounding_json.py。脚本的逻辑如下构建唯一文本列表遍历所有标注收集所有独特的文本描述。为其分配从 0 开始的连续 ID。all_texts [“a dog”, “a ball”, “a black dog”, “animal”] text_to_id {text: idx for idx, text in enumerate(all_texts)} # 注意这里“a dog”和“a black dog”是不同的ID模型会学习它们的关联。处理每张图片和标注为每张图片创建images条目。为每个边界框创建annotations条目。将框的坐标归一化为[x_center, y_center, width, height]相对于图片宽高。根据框的文本描述找到对应的text_id。如果一个框有多个有效描述如标注员写了同义词则可以对应多个 ID这需要在texts列表中用子列表表示。组装最终的 JSON 字典output_dict { “images”: […], “annotations”: […], # 使用“texts”字段更直观 “texts”: [[“a dog”], [“a ball”], [“a black dog”], [“animal”]] # 或者如果框2同时关联“a dog”和“animal”则 texts 可以是 # “texts”: [[“a dog”], [“a ball”], [“a black dog”], [“animal”], [“a dog”, “animal”]] # 然后 annotation 的 category_id 指向 4。 }3.3 第三步配置 Ultralytics 数据 YAML 文件在 Ultralytics 中你仍然需要一个data.yaml文件来指向你的数据。但这个文件的内容与传统不同。# data_custom.yaml path: /path/to/your/dataset # 数据集根目录 train: train_grounding.json # 训练集标注文件 (JSON格式) val: val_grounding.json # 验证集标注文件 (JSON格式) # 以下参数对于 YOLO-World 可能不需要或不适用但保留以防万一 # names: # 传统的固定类别名列表在开放词汇中通常不这样用 # 0: person # 1: bicycle # 但有些实现可能要求一个 placeholder 列表具体需看代码要求。 nc: 0 # 类别数在开放词汇设置下可设为0或忽略因为类别是动态的文本。 # 关键指定任务类型和标注格式 task: detect # 可能需要通过自定义数据加载类来告诉 Ultralytics 如何解析你的 JSON。这里的核心挑战是标准的 UltralyticsYOLODataset可能无法直接解析我们自定义的 Grounding JSON 格式。因此你可能需要使用社区适配的代码寻找已经为 YOLO-World 修改了数据加载逻辑的 Ultralytics 分支或第三方仓库。自定义数据集类继承ultralytics.data.base.BaseDataset重写get_labels等方法使其能够从你的 JSON 格式中正确加载图片路径、边界框和对应的文本列表。训练时这个文本列表会作为参数传递给模型。4. 训练流程中的关键配置与避坑指南当你有了正确格式的数据后在启动训练时以下几点至关重要4.1 模型初始化与文本编码YOLO-World 模型包含一个视觉主干如 YOLO 检测器和一个文本编码器如 CLIP 的文本编码器。在训练时文本输入对于每张图片你需要将其所有关联的文本描述列表输入给文本编码器得到文本特征。动态性每张图片的文本列表可能不同这与固定类别的 YOLO 有本质区别。数据加载器需要能处理这种动态性。4.2 损失函数的变化YOLO-World 的损失函数不仅包含定位损失如 CIOU Loss更核心的是图像-文本对齐损失。它需要计算每个预测框与所有文本特征之间的相似度并与真实标注进行匹配。确保你的训练脚本正确实现了这类损失通常基于对比学习的思想如 InfoNCE Loss。4.3 常见错误排查链路如果你的训练出现 Loss 不下降、模型不收敛或性能极差请按以下顺序排查数据关联检查现象Loss 震荡或居高不下。排查可视化你的训练数据。随机采样几张图片加载其标注检查边界框是否绘制正确更重要的是检查每个框显示的文字标签是否正确。确保“框-文本”关联没有错乱。工具写一个简单的脚本用 OpenCV 在图片上画框并显示关联文本。文本编码检查现象模型对任何文本提示都无反应。排查检查文本编码器的输入输出。确保文本字符串被正确分词Tokenization并且文本编码器被正确加载且处于训练模式如果微调的话。打印出文本特征的维度看是否符合模型预期。数据格式兼容性现象训练脚本报错提示找不到标签或维度不匹配。排查仔细核对你的 JSON 格式与训练脚本中数据加载器期望的格式是否完全一致。键名如bboxvsboxes、坐标格式归一化 vs 绝对、文本字段结构列表 vs 字符串的细微差别都可能导致失败。超参数调整现象训练缓慢或不稳定。排查由于引入了文本模态学习率lr0可能需要比传统 YOLO 训练设置得更小。批量大小batch也可能受文本编码复杂度的影响。从较小的学习率如1e-4和批量大小开始尝试。评估方式现象训练 Loss 下降但验证集效果不好。排查开放词汇检测的评估比封闭集合更复杂。确保你的验证集同样包含多样化的文本描述并且评估脚本能够正确计算基于文本提示的检测精度例如在验证集上使用不同的文本提示进行测试。准备 YOLO-World 的训练数据是一个从“封闭世界”思维转向“开放世界”思维的过程。最大的障碍不是标注框而是如何用正确的格式将丰富的文本语义与视觉位置牢固地绑定在一起。与其在模型调参上花费无数时间不如在数据准备的起点上多花一倍精力。当你把category_id替换为text把固定的names列表替换为动态的文本描述集合时你就已经为模型打开了那扇通往开放词汇感知的大门。剩下的就是让数据流过模型等待它学会用你教给它的“语言”去看见和理解世界。 YOLO-World训练数据标注格式详解：从COCO到Grounding的转变
最近在尝试把 YOLO-World 这类多模态检测模型用在自己的项目上时我遇到了一个比想象中更棘手的问题数据。不是数据不够而是数据“不对”。我手头有一批常规的 COCO 格式标注数据本以为直接扔给 YOLO-World 就能跑起来结果模型要么对文本提示词毫无反应要么检测出的东西和文本描述对不上。折腾了半天才发现问题出在最基础的地方——YOLO-World 的训练尤其是利用 Grounding 数据对标注格式有自己的一套“语法”。这套语法和 YOLOv8 时代我们熟悉的.txt文件或 COCO 的.json文件有着本质的不同。很多人拿到一个新模型第一反应是去搜“yolov8训练自己的数据集”这样的教程然后套用旧经验。但 YOLO-World 的核心是“开放词汇”和“文本引导”这意味着训练数据不仅要告诉模型“框在哪里”更要清晰地建立“框”和“一段描述性文本”之间的关联。如果沿用旧格式就相当于只给了坐标没给“名字”和“上下文”模型自然学不会根据文本找目标。今天我们就彻底拆解一下为了训练 YOLO-World你的数据集到底需要准备成什么样子特别是 Grounding 数据集的标注格式以及如何基于 Ultralytics 框架来理解和处理它们。1. 为什么 YOLO-World 的数据格式是训练成败的第一道坎在 YOLOv5/v8 的时代我们标注数据的逻辑是封闭且固定的。一个person.txt文件里写着0 0.5 0.5 0.2 0.3模型就知道“第 0 类人在这个位置”。模型在训练前就已经通过data.yaml文件背下了一个固定的类别列表[‘person’, ‘bicycle’, ‘car’, …]。这种模式对于已知类别的检测非常高效。但 YOLO-World 要解决的是开放词汇检测。你不可能预先定义一个包含世间万物的类别列表。它的输入是一张图片和一段任意的文本描述如“a red apple on the wooden table”输出则是与描述匹配的边界框。这就要求训练数据必须提供这种“图片-文本-框”的配对关系。这里的关键转变在于标注的单位从“类别ID”变成了“文本描述”。在 Grounding 数据集中每个边界框不再关联一个简单的数字标签而是关联一个或多个短语、句子。例如同一张图片里“a dog”和“a running pet”可能指向同一个框这为模型提供了更丰富的语义信息。如果你用旧的格式去训练模型接收到的文本输入你的提示词和它从标注中学到的“文本信号”如果格式不对可能根本没有是割裂的。这就是为什么“错误标注会导致数据标注模型训练集loss降不下来”。因为模型从根本上就无法对齐你希望它学习的目标——基于文本的定位。损失函数在计算时基于错误的关联关系梯度更新方向是混乱的自然难以收敛。所以准备 YOLO-World 的训练数据第一步是忘掉class_id拥抱text。2. Grounding 数据集的标注格式核心文本与框的关联基于 Ultralytics 框架对 YOLO-World 的支持以及相关实践一个能被正确识别的 Grounding 风格数据集其标注格式通常需要包含以下核心信息图像路径索引记录每张图片的位置。文本描述列表一个包含所有出现过的文本短语的列表。注意这个列表不是固定的类别字典而是针对整个数据集或一个批次动态构建的。实例标注每个实例需要包含bbox: 归一化的边界框坐标[x_center, y_center, width, height]。text_id或phrase_ids: 这个框关联的是文本描述列表中的第几个短语。一个框可以关联多个短语比如“dog”和“animal”。在实际的文件组织形式上常见的有两种它们都围绕着如何表达上述关联关系。2.1 格式一类 COCO-JSON但强化文本关联这是一种与 COCO 格式相似但进行了扩展的 JSON 格式。它更清晰易于人工阅读和调试。{ “images”: [ {“id”: 1, “file_name”: “train/001.jpg”, “width”: 640, “height”: 480}, {“id”: 2, “file_name”: “train/002.jpg”, “width”: 800, “height”: 600} ], “annotations”: [ { “id”: 1, “image_id”: 1, “bbox”: [300, 200, 100, 80], // 这里可能是绝对坐标训练时需要归一化 “area”: 8000, “category_id”: 0, // **注意这个ID指向的是‘categories’或‘texts’列表** “iscrowd”: 0 }, { “id”: 2, “image_id”: 1, “bbox”: [400, 300, 120, 90], “area”: 10800, “category_id”: 1, “iscrowd”: 0 } ], “categories”: [ // 方式A传统COCO式但每个类名就是文本提示 {“id”: 0, “name”: “a black dog”}, {“id”: 1, “name”: “a red ball”} ], // 方式B更贴近Grounding的显式文本列表 “texts”: [ [“a black dog”], // 每个元素可以是一个列表表示该ID对应的可能文本 [“a red ball”, “a toy”] // 第二个对象关联了两个文本描述 ] }关键解读categories或texts字段是灵魂。它存储了文本描述。在 YOLO-World 中模型会将这些文本通过文本编码器转换成特征并与图像特征进行匹配。annotation中的category_id用于索引到texts列表从而建立“框-文本”链接。一个category_id可以对应多个文本如[“a red ball”, “a toy”]这有助于模型学习语义关联。2.2 格式二适配 Ultralytics 训练的 TXT 变体Ultralytics 的 YOLO 系列通常使用data.yaml配合每张图片的.txt标注文件。对于 YOLO-World一种可行的转换思路是扩展这种格式但核心逻辑不变一个文本文件记录所有图片和对应的标注。一个数据集索引文件如train.txt可能看起来像这样但它需要配合额外的文本标签文件# train.txt - 每行定义一张图片及其标注文件 train/001.jpg train/labels/001.txt train/002.jpg train/labels/002.txt而对应的标签文件001.txt则需要进行根本性的改变# 传统YOLOv8格式 (无法用于YOLO-World) # 0 0.5 0.5 0.2 0.3 # 适用于Grounding/YOLO-World的假设格式 (需自定义解析) # 格式: “text_index_1,text_index_2,... x_center y_center width height” 0 0.5 0.5 0.2 0.3 # 假设: 文本列表索引0对应“dog” 1 0.6 0.6 0.15 0.15 # 假设: 文本列表索引1对应“ball” 0,2 0.3 0.3 0.1 0.1 # 假设: 文本列表索引0和2共同描述此框 (“dog”, “animal”)同时你需要一个独立的文件来定义索引到文本的映射例如text_labels.json{ “0”: “a black dog”, “1”: “a red ball”, “2”: “animal” }重要提示Ultralytics 官方对于 YOLO-World 自定义训练的数据格式可能尚未完全标准化为简单的.txt文件。上述.txt变体是一种概念性示意。在实际操作中更可靠的方式是准备成 COCO 格式的 JSON 文件然后利用或修改 Ultralytics 的数据加载器来读取。因为 JSON 格式能更自然地容纳“一对多”的文本关联和更复杂的描述。注意不要试图强行将 YOLOv8 的.txt标注直接复用。首要任务是确认你使用的训练脚本无论是官方的还是社区的支持何种数据格式。通常寻找或编写一个能将你的原始标注转换为类似“格式一”的 JSON 脚本是更稳妥的起点。3. 从零开始准备你的第一个 YOLO-World 训练数据集假设你现在有一批图片并且已经用标注工具如 LabelImg、CVAT、或专业 Grounding 标注工具完成了边界框标注并且为每个框写了文本描述。以下是将其转换为可用格式的实操流程3.1 第一步原始数据整理你的原始标注可能导出为 COCO、VOC 或自定义格式。确保你拥有images/文件夹所有训练图片。一个包含以下信息的标注文件可能是 CSV、JSON 或 XML图片文件名边界框坐标 (绝对坐标x_min, y_min, width, height或x_min, y_min, x_max, y_max)该框对应的文本描述这是最关键的新增项。3.2 第二步转换为 Grounding JSON 格式编写一个转换脚本例如convert_to_grounding_json.py。脚本的逻辑如下构建唯一文本列表遍历所有标注收集所有独特的文本描述。为其分配从 0 开始的连续 ID。all_texts [“a dog”, “a ball”, “a black dog”, “animal”] text_to_id {text: idx for idx, text in enumerate(all_texts)} # 注意这里“a dog”和“a black dog”是不同的ID模型会学习它们的关联。处理每张图片和标注为每张图片创建images条目。为每个边界框创建annotations条目。将框的坐标归一化为[x_center, y_center, width, height]相对于图片宽高。根据框的文本描述找到对应的text_id。如果一个框有多个有效描述如标注员写了同义词则可以对应多个 ID这需要在texts列表中用子列表表示。组装最终的 JSON 字典output_dict { “images”: […], “annotations”: […], # 使用“texts”字段更直观 “texts”: [[“a dog”], [“a ball”], [“a black dog”], [“animal”]] # 或者如果框2同时关联“a dog”和“animal”则 texts 可以是 # “texts”: [[“a dog”], [“a ball”], [“a black dog”], [“animal”], [“a dog”, “animal”]] # 然后 annotation 的 category_id 指向 4。 }3.3 第三步配置 Ultralytics 数据 YAML 文件在 Ultralytics 中你仍然需要一个data.yaml文件来指向你的数据。但这个文件的内容与传统不同。# data_custom.yaml path: /path/to/your/dataset # 数据集根目录 train: train_grounding.json # 训练集标注文件 (JSON格式) val: val_grounding.json # 验证集标注文件 (JSON格式) # 以下参数对于 YOLO-World 可能不需要或不适用但保留以防万一 # names: # 传统的固定类别名列表在开放词汇中通常不这样用 # 0: person # 1: bicycle # 但有些实现可能要求一个 placeholder 列表具体需看代码要求。 nc: 0 # 类别数在开放词汇设置下可设为0或忽略因为类别是动态的文本。 # 关键指定任务类型和标注格式 task: detect # 可能需要通过自定义数据加载类来告诉 Ultralytics 如何解析你的 JSON。这里的核心挑战是标准的 UltralyticsYOLODataset可能无法直接解析我们自定义的 Grounding JSON 格式。因此你可能需要使用社区适配的代码寻找已经为 YOLO-World 修改了数据加载逻辑的 Ultralytics 分支或第三方仓库。自定义数据集类继承ultralytics.data.base.BaseDataset重写get_labels等方法使其能够从你的 JSON 格式中正确加载图片路径、边界框和对应的文本列表。训练时这个文本列表会作为参数传递给模型。4. 训练流程中的关键配置与避坑指南当你有了正确格式的数据后在启动训练时以下几点至关重要4.1 模型初始化与文本编码YOLO-World 模型包含一个视觉主干如 YOLO 检测器和一个文本编码器如 CLIP 的文本编码器。在训练时文本输入对于每张图片你需要将其所有关联的文本描述列表输入给文本编码器得到文本特征。动态性每张图片的文本列表可能不同这与固定类别的 YOLO 有本质区别。数据加载器需要能处理这种动态性。4.2 损失函数的变化YOLO-World 的损失函数不仅包含定位损失如 CIOU Loss更核心的是图像-文本对齐损失。它需要计算每个预测框与所有文本特征之间的相似度并与真实标注进行匹配。确保你的训练脚本正确实现了这类损失通常基于对比学习的思想如 InfoNCE Loss。4.3 常见错误排查链路如果你的训练出现 Loss 不下降、模型不收敛或性能极差请按以下顺序排查数据关联检查现象Loss 震荡或居高不下。排查可视化你的训练数据。随机采样几张图片加载其标注检查边界框是否绘制正确更重要的是检查每个框显示的文字标签是否正确。确保“框-文本”关联没有错乱。工具写一个简单的脚本用 OpenCV 在图片上画框并显示关联文本。文本编码检查现象模型对任何文本提示都无反应。排查检查文本编码器的输入输出。确保文本字符串被正确分词Tokenization并且文本编码器被正确加载且处于训练模式如果微调的话。打印出文本特征的维度看是否符合模型预期。数据格式兼容性现象训练脚本报错提示找不到标签或维度不匹配。排查仔细核对你的 JSON 格式与训练脚本中数据加载器期望的格式是否完全一致。键名如bboxvsboxes、坐标格式归一化 vs 绝对、文本字段结构列表 vs 字符串的细微差别都可能导致失败。超参数调整现象训练缓慢或不稳定。排查由于引入了文本模态学习率lr0可能需要比传统 YOLO 训练设置得更小。批量大小batch也可能受文本编码复杂度的影响。从较小的学习率如1e-4和批量大小开始尝试。评估方式现象训练 Loss 下降但验证集效果不好。排查开放词汇检测的评估比封闭集合更复杂。确保你的验证集同样包含多样化的文本描述并且评估脚本能够正确计算基于文本提示的检测精度例如在验证集上使用不同的文本提示进行测试。准备 YOLO-World 的训练数据是一个从“封闭世界”思维转向“开放世界”思维的过程。最大的障碍不是标注框而是如何用正确的格式将丰富的文本语义与视觉位置牢固地绑定在一起。与其在模型调参上花费无数时间不如在数据准备的起点上多花一倍精力。当你把category_id替换为text把固定的names列表替换为动态的文本描述集合时你就已经为模型打开了那扇通往开放词汇感知的大门。剩下的就是让数据流过模型等待它学会用你教给它的“语言”去看见和理解世界。