旋转标注工具roLabelImg使用教程

简介: 旋转标注工具roLabelImg使用教程

1、下载地址

   labelImg工具地址:labelImg。


   roLabelImg工具地址:roLabelImg


   附上labelme工具地址:labelme


2、环境配置

   使用roLabelImg必须要先安装labelImg(作者配置为Win10+Python3.7.0)


 (1)PyQt5安装


   直接在CMD中输入pip install pyqt5 (或者下载whl文件进行离线安装pyqt5)。



w1.png

   验证安装:运行以下代码弹出窗口则表示安装成功。


import sys

from PyQt5 import QtWidgets,QtCore

app = QtWidgets.QApplication(sys.argv)

widget = QtWidgets.QWidget()

widget.resize(360,400)

widget.setWindowTitle("I love PyQt5!")

widget.show()

sys.exit(app.exec_())

(2) 安装lxml:pip install lxml


(3) 使用labelImg


   进入下载好的labelImg-master文件夹内(resources.py所在目录),CMD中输入pyrcc5 -o resources.py resources.qrc


   然后继续输入命令python labelImg.py,即打开了labelImg运行页面可开始标注了。


q5.png


3、使用roLabelImg

   进入下载好的roLabelImg-master文件夹内(resources.py所在目录),CMD中输入pyrcc5 -o resources.py resources.qrc


   然后继续输入命令python roLabelImg.py,此处报错了name ‘codecs’ is not defined,只需将roLabelImg.py文件中的# -- coding: utf8 --改成# -- coding: utf-8 --。


q4.png


    再次运行python roLabelImg.py,即打开了roLabelImg运行页面可开始标注了。Open Dir为打开要标注的图像文件夹,Files->change default saved Annotation dir 更改保存的标注xml文件路径,Create RotatedRBox开始绘制旋转矩形。


q3.png


    以下是一些标注快捷键,主要通过使用ZXCV实现标注框的旋转。


q2.png


   标注完之后,的xml示例如下,cx,cy代表标注框中心点的坐标,w,h代表宽和高,angle代表标注矩形框的角度。


   注意:angle是旋转角度的弧度值,水平方向angle=0,顺时针方向旋转,得到的角度值是正值,旋转一周为pi,没有负值。




 q1.png


相关文章
|
JSON 数据格式 Python
对Labelme标注图像,进行90、180、270的旋转,实现标注数据的扩充。
对Labelme标注图像,进行90、180、270的旋转,实现标注数据的扩充。
1449 0
对Labelme标注图像,进行90、180、270的旋转,实现标注数据的扩充。
|
机器学习/深度学习 算法 Python
【DYConv】CVPR2020 | 即插即用的动态卷积模块助力你涨点
【DYConv】CVPR2020 | 即插即用的动态卷积模块助力你涨点
1624 1
【DYConv】CVPR2020 | 即插即用的动态卷积模块助力你涨点
|
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。
2964 2
|
11月前
|
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。
18449 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)
|
人工智能 开发工具 计算机视觉
AI计算机视觉笔记三十:yolov8_obb旋转框训练
本文介绍了如何使用AUTODL环境搭建YOLOv8-obb的训练流程。首先创建虚拟环境并激活,然后通过指定清华源安装ultralytics库。接着下载YOLOv8源码,并使用指定命令开始训练,过程中可能会下载yolov8n.pt文件。训练完成后,可使用相应命令进行预测测试。
1024 4
|
11月前
|
机器学习/深度学习 监控 计算机视觉
目标检测实战(八): 使用YOLOv7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)
本文介绍了如何使用YOLOv7进行目标检测,包括环境搭建、数据集准备、模型训练、验证、测试以及常见错误的解决方法。YOLOv7以其高效性能和准确率在目标检测领域受到关注,适用于自动驾驶、安防监控等场景。文中提供了源码和论文链接,以及详细的步骤说明,适合深度学习实践者参考。
2827 1
目标检测实战(八): 使用YOLOv7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)
|
XML 机器学习/深度学习 数据格式
YOLOv8训练自己的数据集+常用传参说明
YOLOv8训练自己的数据集+常用传参说明
19765 1
|
11月前
|
机器学习/深度学习 人工智能 文字识别
ultralytics YOLO11 全新发布!(原理介绍+代码详见+结构框图)
本文详细介绍YOLO11,包括其全新特性、代码实现及结构框图,并提供如何使用NEU-DET数据集进行训练的指南。YOLO11在前代基础上引入了新功能和改进,如C3k2、C2PSA模块和更轻量级的分类检测头,显著提升了模型的性能和灵活性。文中还对比了YOLO11与YOLOv8的区别,并展示了训练过程和结果的可视化
17850 0
|
11月前
|
机器学习/深度学习 数据可视化 自动驾驶
YOLO11-seg分割如何训练自己的数据集(道路缺陷)
本文介绍了如何使用自己的道路缺陷数据集训练YOLOv11-seg模型,涵盖数据集准备、模型配置、训练过程及结果可视化。数据集包含4029张图像,分为训练、验证和测试集。训练后,模型在Mask mAP50指标上达到0.673,展示了良好的分割性能。
4667 4
|
XML 数据格式 Python
将xml标签转换为txt(voc格式转换为yolo方便进行训练)
该文章提供了一个Python脚本,用于将VOC格式的XML标签文件转换为YOLO训练所需的TXT格式,包括修改数据集类别、输入图像与标注文件夹地址、转换过程和结果展示。
将xml标签转换为txt(voc格式转换为yolo方便进行训练)