目标检测之——labelImg标注工具使用方法(一)

简介: 目标检测之——labelImg标注工具使用方法(一)

labelImg的安装:


image.png

首先打开自己的Anaconda Prompt ,输入conda activate + 自己虚拟环境名字(我这里的环境名字叫tf21)


不知道如何配置深度学习环境,建立虚拟环境的可以参考我的这篇博客


史上最全深度学习环境配置教程---适用于各种深度学习框架---Pytorh TensorFlow Keras-等和各种python环境_小馨馨的小翟的博客-CSDN博客_深度学习框架配置

image.png

这是已经进入我们的环境了


然后我们开始安装labelImg,就跟下载一般的库一样,事实上labelImg也就是python的一个库。


我们输入下载命令

pip install labelImg

我这里因为已经下载过labelImg了,所以没反应。显示已经安装


image.png


然后我们安装好,开始启动labelImg。


输入命令:


labelImg

image.png


启动之后,这就是软件的界面:

image.png

把view下这个 Auto save mode打钩,这样我们标注完会自动保存


image.png


这里的Open Dir文件夹是对应于我们存放图片文件的文件夹,


Change Save Dir文件夹是对应于我们存放标注好的xml文件的文件夹


image.png



相关文章
|
机器学习/深度学习 并行计算 计算机视觉
YOLOv5入门实践(5)——从零开始,手把手教你训练自己的目标检测模型(包含pyqt5界面)
YOLOv5入门实践(5)——从零开始,手把手教你训练自己的目标检测模型(包含pyqt5界面)
11196 1
YOLOv5入门实践(5)——从零开始,手把手教你训练自己的目标检测模型(包含pyqt5界面)
|
JSON 人工智能 数据格式
AI计算机视觉笔记二十六:YOLOV8自训练关键点检测
本文档详细记录了使用YOLOv8训练关键点检测模型的过程。首先通过清华源安装YOLOv8,并验证安装。接着通过示例权重文件与测试图片`bus.jpg`演示预测流程。为准备训练数据,文档介绍了如何使用`labelme`标注工具进行关键点标注,并提供了一个Python脚本`labelme2yolo.py`将标注结果从JSON格式转换为YOLO所需的TXT格式。随后,通过Jupyter Notebook可视化标注结果确保准确性。最后,文档展示了如何组织数据集目录结构,并提供了训练与测试代码示例,包括配置文件`smoke.yaml`及训练脚本`train.py`,帮助读者完成自定义模型的训练与评估。
3581 2
|
12月前
|
人工智能 自然语言处理 并行计算
EchoMimicV2:阿里推出的开源数字人项目,能生成完整数字人半身动画
EchoMimicV2是阿里蚂蚁集团推出的开源数字人项目,能够生成完整的数字人半身动画。该项目基于参考图片、音频剪辑和手部姿势序列,通过音频-姿势动态协调策略生成高质量动画视频,确保音频内容与半身动作的一致性。EchoMimicV2不仅支持中文和英文驱动,还简化了动画生成过程中的复杂条件,适用于虚拟主播、在线教育、娱乐和游戏等多个应用场景。
3592 5
EchoMimicV2:阿里推出的开源数字人项目,能生成完整数字人半身动画
|
Python Windows Linux
配置国内PIP源方法
python开发者都知道,当我们pip install安装扩展库的时候,经常遇到安装失败(超时)等,有时候是因为国外镜像被屏蔽了,带来不少麻烦, 随着国内python开发的增多,越来越多企业都开放了自己的pip源: #阿里云 http://mirrors.
11134 1
|
2月前
|
机器学习/深度学习 人工智能 JSON
AI应用工程师面试问题清单
本内容涵盖AI与大语言模型(LLM)基础原理、Prompt工程设计及实战项目经验。详解LLM预测机制、Transformer架构、Embedding应用,介绍Prompt优化策略如Zero-shot、Few-shot、RAG技术,并结合实际项目展示AI应用全流程开发与落地能力。
749 4
|
机器学习/深度学习 编解码 监控
目标检测实战(六): 使用YOLOv8完成对图像的目标检测任务(从数据准备到训练测试部署的完整流程)
这篇文章详细介绍了如何使用YOLOv8进行目标检测任务,包括环境搭建、数据准备、模型训练、验证测试以及模型转换等完整流程。
20825 59
目标检测实战(六): 使用YOLOv8完成对图像的目标检测任务(从数据准备到训练测试部署的完整流程)
|
11月前
|
人工智能 机器人 vr&ar
Find3D:加州理工学院推出的3D部件分割模型
Find3D是由加州理工学院推出的3D部件分割模型,能够根据任意文本查询分割任意对象的任何部分。该模型利用强大的数据引擎自动从互联网上的3D资产生成训练数据,并通过对比训练方法训练出一个可扩展的3D模型。Find3D在多个数据集上表现出色,显著提升了平均交并比(mIoU),并能处理来自iPhone照片和AI生成图像的野外3D构建。
214 5
Find3D:加州理工学院推出的3D部件分割模型
|
自然语言处理 安全 编译器
Python 中的编译和链接过程
【8月更文挑战第29天】
294 6
|
测试技术 API 开发者
1688 API接口测试指南
本文为您提供1688 API接口的测试指南。我们将介绍1688 API的基本概念,详解测试步骤,并为您提供一系列的最佳实践,以确保您在与1688平台进行API交互时能够获得最佳的效果和稳定性。