Ik converteer, maak schoon en repareer je yolo, coco of voc dataset voor training
Over deze dienst
Slechte data is de meest voorkomende reden dat een detectiemodel faalt. Ik maak je objectdetectie dataset schoon, converteer en valideer deze zodat hij klaar is om te trainen.
Achtergrond: voor mijn PPE-veiligheid detectieproject heb ik 5 openbare bronnen samengevoegd tot één schone dataset met 6956 afbeeldingen: uniforme klassenamen, dubbele gegevens verwijderd, train/test leakage gecontroleerd en kapotte labels gerepareerd. Samen met methodenvergelijkingen steeg de mAP50 van 0.674 naar 0.753 op een testset van 808 afbeeldingen.
Ik kan:
- Converteer tussen YOLO TXT, COCO JSON, Pascal VOC XML en Roboflow exports
- Beschadigde afbeeldingen, exacte en bijna duplicaten, lege of ongeldige boxen verwijderen
- Klassen hernoemen, samenvoegen of her-mappen over meerdere datasets
- Schoon train/val/test splits maken zonder leakage
- Klasse-aantallen, boxgroottes en verdachte labels rapporteren met visuele voorbeelden
Wat je krijgt:
- De schoongemaakte dataset in jouw doelbestand met data.yaml
- Een korte auditrapportage (CSV/Markdown plus grafieken)
- De Python-scripts die ik heb gebruikt, zodat je het proces kunt herhalen
Let op: het tekenen van nieuwe labels vanaf nul is niet inbegrepen. Stuur me een bericht voor een offerte.
Techniek:
Geautomatiseerd
Type tagging:
Afbeelding
•
Video
Veelgestelde vragen
Automatische vertaling
Label je nieuwe afbeeldingen?
Niet in deze dienst. Ik repareer, converteer en valideer bestaande labels. Nieuwe annotaties vanaf nul worden apart geoffreerd, stuur me een bericht met je volume.
Blijven mijn gegevens privé?
Ja. Ik gebruik je data alleen voor jouw opdracht, deel het nooit en verwijder het na levering als je dat vraagt.
Welke YOLO versies worden ondersteund?
Het YOLO TXT formaat werkt met YOLOv5, YOLOv8 en YOLO11 (Ultralytics). Ik lever ook een klaar data.yaml bestand.
Kun je exports van Roboflow, CVAT of Label Studio converteren?
Ja. Stuur de export zoals hij is (YOLO TXT, COCO JSON, Pascal VOC XML, CVAT of Label Studio). Ik zet het om naar jouw doelbestand, controleer dat elke box nog steeds bij de juiste afbeelding hoort, en geef je een data.yaml die klaar is voor Ultralytics training.
Hoe vind je slechte labels?
Eerst automatische controles: boxes buiten de afbeelding, zero-size of dubbele boxes, onbekende class IDs, lege labelbestanden en exacte of bijna-duplicate afbeeldingen over splits. Daarna bekijk ik een visueel voorbeeld van elke class. Je krijgt een CSV met alle gevonden issues.

