YOLO算法学习：labelimg与labelme标注工具的安装与使用指南
YOLO算法学习：labelimg与labelme标注工具的安装与使用指南
在YOLO算法学习过程中，数据标注是一个至关重要的环节。本文将介绍两种常用的标注工具：labelimg和labelme，帮助读者快速掌握数据标注的基本方法。
常见的CV任务
四大基本任务
（a）图像分类（目标检测）：一张图像中是否含某种物体
（b）物体定位（目标检测与目标识别）：确定目标位置和所属类别。
（c）语义分割（目标分割和目标分类）：对图像进行像素级分类，预测每个像素属于的类别，不区分个体；（所有的CUBE一个颜色）
（d）实例分割（目标分割和目标识别）：定位图中每个物体，并进行像素级标注，区分不同个体；（CUBE都是不同颜色）
细节说明
目标检测（object detection）
除了要告诉输入图像中包含了哪类目前外，还要框出该目标的具体位置和大小（bounding boxes）
目标识别（objec recognition）
是指明一幅输入图像中包含的目标是谁。其输入为一幅图像在确定其类别的基础上，进一步确定这个目标是谁(比如:小明，短脚猫等)
目标分割（object segmentation）
目标分割是对目标进行像素级的目标检测，即不是用边框将目标框起来，而是需要知道哪个像素是不是属于目标的一部分
目标分类（object classification）
对于一幅图像(其中包含一个主要的对象)，确定该幅图像是哪一个类别(比如:海滩，楼房)
打标工具选择
labelimg是一种矩形标注工具，常用于目标识别和目标检测，其标记数据输出为.xml和.txt
labelme是一种多边形标注工具，可以准确的将轮廓标注出来，常用于分割，其标记输出格式为json
labelImg的安装和使用
安装
在涉及上述中的图像分类，物体定位，实例分割等事项中，进行规则矩形分割可以进行labelImg的安装和使用。
github地址：https://github.com/HumanSignal/labelImg/releases
直接使用压缩包解压的方式即可解压使用，如果需使用pip install 的方式进行导入，可直接参考对应项目的REDEME部分，地址如下：https://github.com/HumanSignal/labelImg
使用
基础的使用流程为：打开文件夹，改变存储标签的地址，选择适合的标签，界面部分如下
配置操作：自动保存标签、显示标注框和标签、标注的十字架悬浮
Auto Save mode：切换到下一张图的时候，会自动保存标签。
Display Labels：会显示标注框和标签
Advanced Mode：标注的十字架会一直悬浮在窗口。
配置合适的格式，labelimg支持如下两种格式：
1 VOC标签格式，保存为xml文件
2 yolo标签格式，保存为txt文件
常用快捷键如下：
A：切换到上一张图片
D：切换到下一张图片
W：调出标注十字架
del ：删除标注框框
Ctrl+u：选择标注的图片文件夹
Ctrl+r：选择标注好的label标签存在的文件夹
读取文件报错
如果在读取文件中出现上述报错，可以进行文件调整，参考下述脚本进行
import os
from tqdm import tqdm
from PIL import Image
dir_origin_path = "E:/Code/yolov8_learn/Img"
dir_save_path = "E:/Code/yolov8_learn/data"
img_names = os.listdir(dir_origin_path)
for img_name in tqdm(img_names):
if img_name.lower().endswith(
(
".bmp",
".dib",
".png",
".jpg",
".jpeg",
".pbm",
".pgm",
".ppm",
".tif",
".tiff",
)
):
image_path = os.path.join(dir_origin_path, img_name)
image = Image.open(image_path)
image = image.convert("RGB")
if not os.path.exists(dir_save_path):
os.makedirs(dir_save_path)
image.save(os.path.join(dir_save_path, img_name))
示例
保存文件
标签与文本一一对应，
labelme的安装和使用
安装
在涉及上述中的图像分类，语义分割，实例分割等事项中，进行规则矩形分割可以进行labelme的安装和使用。
github地址：https://github.com/labelmeai/labelme/releases
直接使用压缩包解压的方式即可解压使用，如果需使用conda的方式进行导入，可直接参考对应项目的REDEME部分，地址如下：https://github.com/labelmeai/labelme
使用
所使用的操作以及快捷键同labelimg类似，这边不做过多赘述
示例
保存文件
小结
完成对labelimg与labelme的使用和初步了解，进行CV事项的复盘和学习，以及打标内容的学习，在打标的过程中会有一些相对便捷的操作方式，值得大家一起学习交流，这边只是简单的进行软件的安装和打标，在实际的生产过程中，可能需要进行对应标签的转化，对应脚本的其他操作，去适配我们的模型训练，这边会额外进行补充学习。