CSV 格式的 目标检测（Object Detection）标注文件 ，采用的是 边界框（Bounding Box）标注，属于 矩形框标注（Axis-Aligned Bounding Box, AABB） 类型。

CSV示例内容：

image_name,x_min,y_min,x_max,y_max,label  
image_1.jpg,30,50,150,200,face  
image_2.jpg,20,40,180,220,face

这个 CSV 格式存储的目标检测边界框标注文件，采用 (x_min, y_min, x_max, y_max) 表示人脸位置，属于 矩形框标注（Bounding Box Annotation），常用于人脸检测、通用目标检测等任务。

🔍详细解析：

每一行的字段含义如下：

这种表示方式是目标检测任务中 非常常见的一种标注格式，尤其在以下场景中广泛使用：

• 自定义数据集训练（如 YOLO、Faster R-CNN、SSD 等模型的前期数据准备）
• Kaggle 竞赛中的检测任务
• 简单的 CSV 格式便于人工检查和编辑

与其他常见标注格式对比：

注意：这个 CSV 示例使用的是 (x_min, y_min, x_max, y_max) 格式，而 YOLO 格式使用的是 (center_x, center_y, width, height) 且坐标归一化到 [0,1]，两者不同。

如何使用这种 CSV 标注？

1. 训练模型前转换：
   大多数深度学习框架（如 Detectron2、MMDetection、YOLOv5/v8）不直接读取 CSV，需要先转换为对应格式（如 COCO JSON 或 YOLO TXT）。

2. 自定义 Dataset 类（PyTorch 示例）：

   import pandas as pd
   from torch.utils.data import Dataset
   from PIL import Image
   
   class CSVDataset(Dataset):
       def __init__(self, csv_file, img_dir, transform=None):
           self.annotations = pd.read_csv(csv_file)
           self.img_dir = img_dir
           self.transform = transform
   
       def __len__(self):
           return len(self.annotations)
   
       def __getitem__(self, idx):
           img_path = os.path.join(self.img_dir, self.annotations.iloc[idx, 0])
           image = Image.open(img_path).convert("RGB")
           bbox = self.annotations.iloc[idx, 1:5].values.astype("float32")  # [x_min, y_min, x_max, y_max]
           label = self.annotations.iloc[idx, 5]
           # ... 转换为 tensor 等
   

3. 可视化检查：
   可用 OpenCV 或 Matplotlib 读取 CSV 并在图像上画框，验证标注质量。