用来标注数据的工具，其实有不少，但是最好入门，我个人觉得还是这个labelimg工具最简单。 我标注的是关于救生圈的数据集作为案例，数据量不大，主要是为了方便讲述。
一、前期工作
1.1、创建相关文件夹
predfined_class.txt 是存放我们标签的文本文件，内容如下：
1.2、准备数据
案例数据都是从 pexels 网站所下载的。
全部放在 JPEGImages 文件夹下。
下载下来的时候，大概率全部是无序号的名称，不方便，我的建议是重命名为统一的名称。 可以用下面这段代码来进行重命名：
import os def rename(path): i = 0 # '该文件夹下所有的文件（包括文件夹）' FileList = os.listdir(path) # '遍历所有文件' for files in FileList: # '原来的文件路径' oldDirPath = os.path.join(path, files) # '如果是文件夹则递归调用' if os.path.isdir(oldDirPath): rename(oldDirPath) # '文件名' fileName = os.path.splitext(files)[0] # '文件扩展名' fileType = os.path.splitext(files)[1] # '新的文件路径' newDirPath = os.path.join(path, str(i) + fileType) # '重命名' os.rename(oldDirPath, newDirPath) i += 1 path = 'F://python_project//yolov5_project//yolov5-6.1-blog-demo//mydatasets//VOCdevkit//VOC2007//JPEGImages//' rename(path)
二、安装 labelImg
pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple
使用：
labelimg JPEGImages predefined_classes.txt
执行完后会让你选择一个文件夹，这里选择的文件夹是用来保存标签文件的。 我们选择 Annotations 文件夹即可。
但是在标注的时候会闪退，然后报下面的错误。
2.1、labelImg报错：TypeError: setValue(self, int): argument 1 has unexpected type ‘float‘，打开后闪退
如果本机电脑环境不是python3.9，在使用 labelimg的时候，可能会出现这个错误，打开图片后闪退。
具体怎么用在后文。
打开图片后，立马就闪退啦。
具体原因：python 版本不匹配，我的本机python环境为 3.10，而labelImg需要的python 版本为3.9
解决方案也很简单，直接使用换用 conda 重新建立一个新的环境：（没有conda，建议去安装一个，我觉得是必需品）
conda create -n base_python_3.9 python=3.9 #创建一个python为3.9版本的环境 conda activate base_python_3.9 # 激活创建的环境 pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple
等待下载完，然后激活这个环境
cd 到 JPEGImages目录层级
重新打开 labelImg 即可。
labelimg JPEGImages predefined_classes.txt
弹出来的文件夹是让你选择保存标注文件的位置，没选对，进去界面也可以更改保存路径的，没有关系
三、如何使用 labelimg
还是上面那张图，我们来标注一下各个按钮的作用吧。
保存格式还可以直接保存为yolo格式的数据集。 一些快捷使用方式： 1、W 是进行标注 2、A 是切换到上一张图片 3、D 是切换到下一张图片 想写好像也没啥能写的啊 开始实践吧
全部标注完后
按照这个方式就一直把图片标完就OK啦。 标注好的文件，会在我们之前选中的文件夹中出现，我们现在选择的数据格式为 VOC,是xml形式的 如下：
四、VOC 数据格式转化为Yolo格式，并划分训练集和验证集
我们标注的VOC的数据，但实际上我们要应用到yolo上面的，所以需要做一个数据转换，你如果直接选择的是Yolo格式的话，只需要进行划分就可以。
import xml.etree.ElementTree as ET import pickle import os from os import listdir, getcwd from os.path import join import random from shutil import copyfile classes = ["life_buoy"] TRAIN_RATIO = 80 def clear_hidden_files(path): dir_list = os.listdir(path) for i in dir_list: abspath = os.path.join(os.path.abspath(path), i) if os.path.isfile(abspath): if i.startswith("._"): os.remove(abspath) else: clear_hidden_files(abspath) def convert(size, box): dw = 1./size[0] dh = 1./size[1] x = (box[0] + box[1])/2.0 y = (box[2] + box[3])/2.0 w = box[1] - box[0] h = box[3] - box[2] x = x*dw w = w*dw y = y*dh h = h*dh return (x,y,w,h) def convert_annotation(image_id): in_file = open('VOCdevkit/VOC2007/Annotations/%s.xml' %image_id) out_file = open('VOCdevkit/VOC2007/YOLOLabels/%s.txt' %image_id, 'w') tree=ET.parse(in_file) root = tree.getroot() size = root.find('size') w = int(size.find('width').text) h = int(size.find('height').text) for obj in root.iter('object'): difficult = obj.find('difficult').text cls = obj.find('name').text if cls not in classes or int(difficult) == 1: continue cls_id = classes.index(cls) xmlbox = obj.find('bndbox') b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text)) bb = convert((w,h), b) out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n') in_file.close() out_file.close() wd = os.getcwd() wd = os.getcwd() data_base_dir = os.path.join(wd, "VOCdevkit/") if not os.path.isdir(data_base_dir): os.mkdir(data_base_dir) work_sapce_dir = os.path.join(data_base_dir, "VOC2007/") if not os.path.isdir(work_sapce_dir): os.mkdir(work_sapce_dir) annotation_dir = os.path.join(work_sapce_dir, "Annotations/") if not os.path.isdir(annotation_dir): os.mkdir(annotation_dir) clear_hidden_files(annotation_dir) image_dir = os.path.join(work_sapce_dir, "JPEGImages/") if not os.path.isdir(image_dir): os.mkdir(image_dir) clear_hidden_files(image_dir) yolo_labels_dir = os.path.join(work_sapce_dir, "YOLOLabels/") if not os.path.isdir(yolo_labels_dir): os.mkdir(yolo_labels_dir) clear_hidden_files(yolo_labels_dir) yolov5_images_dir = os.path.join(data_base_dir, "images/") if not os.path.isdir(yolov5_images_dir): os.mkdir(yolov5_images_dir) clear_hidden_files(yolov5_images_dir) yolov5_labels_dir = os.path.join(data_base_dir, "labels/") if not os.path.isdir(yolov5_labels_dir): os.mkdir(yolov5_labels_dir) clear_hidden_files(yolov5_labels_dir) yolov5_images_train_dir = os.path.join(yolov5_images_dir, "train/") if not os.path.isdir(yolov5_images_train_dir): os.mkdir(yolov5_images_train_dir) clear_hidden_files(yolov5_images_train_dir) yolov5_images_test_dir = os.path.join(yolov5_images_dir, "val/") if not os.path.isdir(yolov5_images_test_dir): os.mkdir(yolov5_images_test_dir) clear_hidden_files(yolov5_images_test_dir) yolov5_labels_train_dir = os.path.join(yolov5_labels_dir, "train/") if not os.path.isdir(yolov5_labels_train_dir): os.mkdir(yolov5_labels_train_dir) clear_hidden_files(yolov5_labels_train_dir) yolov5_labels_test_dir = os.path.join(yolov5_labels_dir, "val/") if not os.path.isdir(yolov5_labels_test_dir): os.mkdir(yolov5_labels_test_dir) clear_hidden_files(yolov5_labels_test_dir) train_file = open(os.path.join(wd, "yolov5_train.txt"), 'w') test_file = open(os.path.join(wd, "yolov5_val.txt"), 'w') train_file.close() test_file.close() train_file = open(os.path.join(wd, "yolov5_train.txt"), 'a') test_file = open(os.path.join(wd, "yolov5_val.txt"), 'a') list_imgs = os.listdir(image_dir) # list image files prob = random.randint(1, 100) print("Probability: %d" % prob) for i in range(0,len(list_imgs)): path = os.path.join(image_dir,list_imgs[i]) if os.path.isfile(path): image_path = image_dir + list_imgs[i] voc_path = list_imgs[i] (nameWithoutExtention, extention) = os.path.splitext(os.path.basename(image_path)) (voc_nameWithoutExtention, voc_extention) = os.path.splitext(os.path.basename(voc_path)) annotation_name = nameWithoutExtention + '.xml' annotation_path = os.path.join(annotation_dir, annotation_name) label_name = nameWithoutExtention + '.txt' label_path = os.path.join(yolo_labels_dir, label_name) prob = random.randint(1, 100) print("Probability: %d" % prob) if(prob < TRAIN_RATIO): # train dataset if os.path.exists(annotation_path): train_file.write(image_path + '\n') convert_annotation(nameWithoutExtention) # convert label copyfile(image_path, yolov5_images_train_dir + voc_path) copyfile(label_path, yolov5_labels_train_dir + label_name) else: # test dataset if os.path.exists(annotation_path): test_file.write(image_path + '\n') convert_annotation(nameWithoutExtention) # convert label copyfile(image_path, yolov5_images_test_dir + voc_path) copyfile(label_path, yolov5_labels_test_dir + label_name) train_file.close() test_file.close()
运行后是这样的一个效果：
images/train 为训练集,images/val为验证集，label/train、val 则是为我们的标注文件，YOLOLables 文件夹下则是为全部的标注文件文件。
这么看你可能会更清楚一些。
不知道看到这里，你是否已经对标注数据有所了解，如果仍然对这一切感觉到好奇的话，可以阅读相关的文章或视频，进行学习，以便于更好的理解这些。
最后
系列的第二篇文章也终于可以在博客上呈现出来啦，那么下一篇就是讲述如何使用Yolov5 训练自己的数据集，测试看看我们自己训练的数据集，训练出来的效果是如何的啦。那我们就一起期待着下一篇的博客的相遇吧。
