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
|
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.
11534 1
|
存储 人工智能 算法
【五子棋实战】第2章 博弈树负值极大alpha-beta剪枝算法(二)
  博弈树(Game Tree)是博弈论中的一个概念,用于表示博弈过程中的各种可能走法和对应的结果。它是树结构,树的每个节点表示游戏的一个状态,每个节点的子节点表示在该状态下可能的下一步行动。
814 0
|
10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。
2432 122
|
机器学习/深度学习 算法 数据可视化
利用SVM(支持向量机)分类算法对鸢尾花数据集进行分类
本文介绍了如何使用支持向量机(SVM)算法对鸢尾花数据集进行分类。作者通过Python的sklearn库加载数据,并利用pandas、matplotlib等工具进行数据分析和可视化。
1422 70
|
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。
457 5
Find3D:加州理工学院推出的3D部件分割模型
|
数据采集 人工智能 自然语言处理
FineWeb 2:开源的多语言预训练数据集,覆盖超过 1000 种语言
FineWeb 2 是由 Hugging Face 推出的多语言预训练数据集,覆盖超过 1000 种语言,支持多种 NLP 任务,如机器翻译和文本分类。该数据集通过定制化的数据处理流程,包括语言识别、去重、内容过滤和 PII 匿名化,提升了多语言模型的性能和泛化能力。
1201 5
FineWeb 2:开源的多语言预训练数据集,覆盖超过 1000 种语言
|
缓存 自然语言处理 搜索推荐
深入优化基于DeepSeek的智能客服系统:从基础到高级
本文在上一篇构建的DeepSeek智能客服系统基础上,深入探讨了性能优化、用户体验提升和高级功能集成的方法。通过缓存机制、异步处理优化性能;利用情感分析、个性化回答提升用户体验;引入语音识别、知识图谱等高级功能增强智能化水平。结合具体案例与代码示例,帮助开发者打造更高效、智能的客服系统。
|
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。
|
机器学习/深度学习
《揭秘机器学习中的交叉验证:模型评估的基石》
交叉验证是机器学习中评估模型性能的关键技术,旨在提高模型的可靠性和泛化能力。通过将数据集划分为多个子集,交叉验证有效抵御过拟合风险,最大化数据利用效率,并精准筛选最优模型。常见的方法包括K折交叉验证、留一交叉验证、分层交叉验证和嵌套交叉验证,每种方法适用于不同场景,确保模型在实际应用中表现优异。
1684 1