使用labelImg标注数据的方法

收集完图片记得逐个审查一遍把垃圾图片删掉，后续画框时候尽量给每幅图都至少画上一个框。

一.安装labelImg

1.下载

https://github.com/tzutalin/labelImg

去github下载zip，解压之后根据下边的不同系统使用方法安装相应的依赖

比如我的是安装了anaconda的windows系统，我可以按照如下图片进行操作

2.运行方法

在cmd中切换到labelImg的安装目录下，我的是

f:                                 #切换到f盘
cd F:softwarelabelImg-master     #切换到下载目录
python labelImg.py　　　　　　　　　　#运行labelImg

二、labelImg标注使用方法

https://blog.csdn.net/gaoyu1253401563/article/details/89512098

1、软件图标的使用
（1）打开需要标记的图片文件夹

（2）修改保存路径（XML文件夹）　　

（3）标注ROI区域，填写标签

（4）保存XML文件，有弹框提醒

（5）点击下一张图进行标记

2、软件快捷键的使用

Ctrl +u : 打开图片文件夹
Ctrl +r : 更改结果保存位置
w: 开始画框
Ctrl +s : 保存
d: 下一张
a: 上一张
del: 删除画的框
Ctrl++: 图片放大
Ctrl–: 图片缩小
↑→↓←: 对框进行移动
Ctrl+d: 复制当前框的标签和框

3.具体标注步骤

①运行labelImg（见步骤2）

②修改默认的XML文件保存路径，使用快捷键“Ctrl+R”，改为自己想存储的位置，一般是新建个Annotations文件来存储XML文件。

如果是yolo的模型可以直接点击下图位置，生成文件由xml变成txt，yolo模型可以直接使用

xml模型转换成yolo模型方法见最后

注：路径一定不能包含中文，否则无法保存

③在labelImg文件中，修改源码文件data/predefined_classes.txt，来修改类别，将默认类别换成我们需要的类别信息，例如person、dog、cat等

使用python规范化图片名称

import os
 
class BatchRename():
 
#定义函数执行图片的路径
    def __init__(self):
        self.path = '/home/darknet/scripts/VOCdevkit/VOC2019/JPEGImages'#修改为自己的图片路径
 
#定义函数实现重命名操作
    def rename(self):
        filelist = os.listdir(self.path)
        total_num = len(filelist)
        i = 0
        for item in filelist:
            if item.endswith('.jpg'):
                src = os.path.join(os.path.abspath(self.path), item)
                dst = os.path.join(os.path.abspath(self.path), str(i).zfill(6) + '.jpg')
                try:
                    os.rename(src, dst)
                    print('converting %s to %s ...' % (src, dst))
                    i = i + 1
                except:
                    continue
        print ('total %d to rename & converted %d jpgs' % (total_num, i))
 
#主函数调用
if __name__ == '__main__':
    demo = BatchRename()
    demo.rename()

使用Open Dir按钮来打开我们索要标注的图片文件夹JPEGImages，选择choose，然后打开了第一张需要标注的图片。

接下来使用Create RectBox按钮或者“Ctrl+N”来对图片中需要标注的软件进行画框，画完框，松掉鼠标左键，会弹出选择类别信息的框，选着我们所有标注的类别，然后点击ok

以上标注成功，然后等一张图片的所有目标都标注成功以后，点击Save保存按钮，此时就在Annotations文件下生成了一个对应图片名的XML文件，里面保存了标注信息

注：以上是标记过很多张之后生成的XML文件的结果

对于单张标记好的图片，打开XML文件，可看到标记信息如下

等待一张图片标注完毕后点击Next Image或者快捷键"d"进入下一张图片进行标注

注意文件放到voc的子目录下

参考：https://blog.csdn.net/qq_21578849/article/details/84980298

划分训练数据和测试数据

import os
from os import listdir, getcwd
from os.path import join
if __name__ == '__main__':
    source_folder='F:/esint/smoking_Recognition/darknet-master/voc/VOCdevkit/VOC2019/JPEGImages'#地址是所有图片的保存地点
    dest='F:/esint/smoking_Recognition/darknet-master/voc/VOCdevkit/VOC2019/ImageSets/Main/train.txt'  #保存train.txt的地址,对于train.txt(在ImageSets/Main/下)和2019_train.txt(在VOCdevkit下)是不同的路径
    dest2='F:/esint/smoking_Recognition/darknet-master/voc/VOCdevkit/VOC2019/ImageSets/Main/val.txt'  #保存val.txt的地址，对于val.txt(在ImageSets/Main/下)和2019_val.txt(在VOCdevkit下)是不同的路径
    file_list=os.listdir(source_folder)       #赋值图片所在文件夹的文件列表
    train_file=open(dest,'a')                 #打开文件
    val_file=open(dest2,'a')                  #打开文件
    for file_obj in file_list:                #访问文件列表中的每一个文件
        file_path=os.path.join(source_folder,file_obj) 
        #file_path保存每一个文件的完整路径
        file_name,file_extend=os.path.splitext(file_obj)
        #file_name 保存文件的名字，file_extend保存文件扩展名
        file_num=int(file_name)  
        if(file_num<300):                     #保留300个文件用于训练
            train_file.write(file_name+'
')  #用于训练前620个的图片路径保存在train.txt里面，结尾加回车换行/////////生成train.txt是file_name；生成2019_train.txt是file_path
        else :
            val_file.write(file_name+'
')    #其余的文件保存在val.txt里面/////////生成val.txt是file_name；生成2019_val.txt是file_path
    train_file.close()#关闭文件
val_file.close()

执行该文件前需要先划分训练数据和测试数据

将xml文件转换成txt文件

执行时可能遇到报错：ZeroDivisionError: float division by zero

原因：部分图片质量问题，图片本身大小不能被识别。

解决方法：去label文件夹下查看最后一个txt文件，他的大小是0kb

该文件对应的图片就是问题图片，直接查看图片属性，将宽高手动写入文件对应的xml文件中。

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join

sets=[('2019', 'train'), ('2019', 'val'), ('2007', 'train'), ('2007', 'val'), ('2007', 'test')]

classes = ["extinguisher"]

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(year, image_id):
    in_file = open('VOCdevkit/VOC%s/Annotations/%s.xml'%(year, image_id))
    out_file = open('VOCdevkit/VOC%s/labels/%s.txt'%(year, 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]) + '
')

wd = getcwd()

for year, image_set in sets:
    if not os.path.exists('VOCdevkit/VOC%s/labels/'%(year)):
        os.makedirs('VOCdevkit/VOC%s/labels/'%(year))
    image_ids = open('VOCdevkit/VOC%s/ImageSets/Main/%s.txt'%(year, image_set)).read().strip().split()
    list_file = open('%s_%s.txt'%(year, image_set), 'w')
    for image_id in image_ids:
        list_file.write('%s/VOCdevkit/VOC%s/JPEGImages/%s.jpg
'%(wd, year, image_id))
        convert_annotation(year, image_id)
    list_file.close()