网站微信建设运维培训班,静态网站首页更新,电商网站现状分析,网域高科学校网站管理系统文章目录 一、目标检测1.1 labelImg1.2 介绍1.3 安装1.4 使用1.5 转换1.6 验证 二、图像分割2.1 labelme2.2 介绍2.3 安装2.4 使用2.5 转换2.6 验证 一、目标检测
1.1 labelImg
1.2 介绍
labelImg是一个开源的图像标注工具#xff0c;用于创建图像标注数据集。它提供了一个… 文章目录 一、目标检测1.1 labelImg1.2 介绍1.3 安装1.4 使用1.5 转换1.6 验证 二、图像分割2.1 labelme2.2 介绍2.3 安装2.4 使用2.5 转换2.6 验证 一、目标检测
1.1 labelImg
1.2 介绍
labelImg是一个开源的图像标注工具用于创建图像标注数据集。它提供了一个简单易用的界面允许用户通过绘制边界框或者创建多边形来标注图像中的对象。它支持多种常见的标注格式如Pascal VOC、YOLO和COCO等。
使用labelImg用户可以加载图像文件夹逐个标注图像中的对象并保存标注结果。该工具还提供了一些快捷键和功能如缩放、移动和删除标注框以及快速切换到下一张图像等。此外labelImg还支持标注图像的困难程度、部分可见性和关键点等。
labelImg是一个跨平台的工具可以在Windows、Linux和macOS等操作系统上运行。它基于Python和Qt开发可以通过pip安装或从GitHub上获取源代码。这使得用户可以根据自己的需求进行定制和扩展。
总而言之labelImg是一个功能强大、易于使用的图像标注工具适用于创建各种类型的标注数据集从而用于训练和评估计算机视觉模型。
1.3 安装
pip install labelImg
1.4 使用
在cmd中输入labelImg打开目标标注界面 open dir选择图片的文件夹、Change Save Dir选择label保存的位置、在View下选择auto save mode可以不用每次都要点击保存、在File里面选择YOLO数据集的格式(点击pascalVOC切换)。通过w来选择标注区域然后写上类别名键盘输入a是上一张d是下一张然后按照这种格式将图片和label进行分开train和valid同理 1.5 转换
如果通过labelImg直接得到txt标签文本是不用进行转换就可以提供给YOLO进行训练的。 如果是保存的XML文本则需要通过下面代码进行转换。
修改两个路径xml文件地址和创建保存txt文件的地址
import os
import xml.etree.ElementTree as ET# xml文件存放目录(修改成自己的文件名)
input_dir rE:\auto_label\annotation# 输出txt文件目录自己创建的文件夹
out_dir rE:\auto_label\labelsclass_list []# 获取目录所有xml文件
def file_name(input_dir):F []for root, dirs, files in os.walk(input_dir):for file in files:# print file.decode(gbk) #文件名中有中文字符时转码if os.path.splitext(file)[1] .xml:t os.path.splitext(file)[0]F.append(t) # 将所有的文件名添加到L列表中return F # 返回L列表# 获取所有分类
def get_class(filelist):for i in filelist:f_dir input_dir \\ i .xmlin_file open(f_dir, encodingUTF-8)filetree ET.parse(in_file)in_file.close()root filetree.getroot()for obj in root.iter(object):cls obj.find(name).textif cls not in class_list:class_list.append(cls)def ConverCoordinate(imgshape, bbox):# 将xml像素坐标转换为txt归一化后的坐标xmin, xmax, ymin, ymax bboxwidth imgshape[0]height imgshape[1]dw 1. / widthdh 1. / heightx (xmin xmax) / 2.0y (ymin ymax) / 2.0w xmax - xminh ymax - ymin# 归一化x x * dwy y * dhw w * dwh h * dhreturn x, y, w, hdef readxml(i):f_dir input_dir \\ i .xmltxtresult outfile open(f_dir, encodingUTF-8)filetree ET.parse(outfile)outfile.close()root filetree.getroot()# 获取图片大小size root.find(size)width int(size.find(width).text)height int(size.find(height).text)imgshape (width, height)# 转化为yolov5的格式for obj in root.findall(object):# 获取类别名obj_name obj.find(name).textobj_id class_list.index(obj_name)# 获取每个obj的bbox框的左上和右下坐标bbox obj.find(bndbox)xmin float(bbox.find(xmin).text)xmax float(bbox.find(xmax).text)ymin float(bbox.find(ymin).text)ymax float(bbox.find(ymax).text)bbox_coor (xmin, xmax, ymin, ymax)x, y, w, h ConverCoordinate(imgshape, bbox_coor)txt {} {} {} {} {}\n.format(obj_id, x, y, w, h)txtresult txtresult txt# print(txtresult)f open(out_dir \\ i .txt, a)f.write(txtresult)f.close()# 获取文件夹下的所有文件
filelist file_name(input_dir)# 获取所有分类
get_class(filelist)# 打印class
print(class_list)# xml转txt
for i in filelist:readxml(i)# 在out_dir下生成一个class文件
f open(out_dir \\classes.txt, a)
classresult
for i in class_list:classresult classresult i \n
f.write(classresult)
f.close()
1.6 验证
import cv2
import os# 读取txt文件信息
def read_list(txt_path):pos []with open(txt_path, r) as file_to_read:while True:lines file_to_read.readline() # 整行读取数据if not lines:break# 将整行数据分割处理如果分割符是空格括号里就不用传入参数如果是逗号 则传入‘字符。p_tmp [float(i) for i in lines.split( )]pos.append(p_tmp) # 添加新读取的数据# Efield.append(E_tmp)passreturn pos# txt转换为box
def convert(size, box):xmin (box[1] - box[3] / 2.) * size[1]xmax (box[1] box[3] / 2.) * size[1]ymin (box[2] - box[4] / 2.) * size[0]ymax (box[2] box[4] / 2.) * size[0]box (int(xmin), int(ymin), int(xmax), int(ymax))return boxdef draw_box_in_single_image(image_path, txt_path):# 读取图像image cv2.imread(image_path)pos read_list(txt_path)for i in range(len(pos)):label classes[int(str(int(pos[i][0])))]print(label is label)box convert(image.shape, pos[i])image cv2.rectangle(image,(box[0], box[1]),(box[2],box[3]),colores[int(str(int(pos[i][0])))],2)cv2.putText(image, label,(box[0],box[1]-2), 0, 1, colores[int(str(int(pos[i][0])))], thickness2, lineTypecv2.LINE_AA)cv2.imshow(images, image)cv2.waitKey(0)if __name__ __main__:img_folder D:\datasets\YOLO/imagesimg_list os.listdir(img_folder)img_list.sort()label_folder D:\datasets\YOLO/labelslabel_list os.listdir(label_folder)label_list.sort()classes {0: cat, 1: dog}colores [(0,0,255),(255,0,255)]for i in range(len(img_list)):image_path img_folder \\ img_list[i]txt_path label_folder \\ label_list[i]draw_box_in_single_image(image_path, txt_path) 二、图像分割
2.1 labelme
2.2 介绍
LabelMe是一个在线图像标注工具旨在帮助用户对图像进行标注和注释。它提供了一个简单易用的界面让用户可以方便地在图像上绘制边界框、标记点、线条等并为每个标注对象添加文字描述。
LabelMe的主要特点包括 灵活多样的标注工具LabelMe提供了多种标注工具包括矩形框、多边形、线条、点等可以满足不同类型图像的标注需求。 支持多种标注任务LabelMe适用于各种标注任务包括对象检测、语义分割、关键点标注等。 数据的可视化和管理LabelMe支持将标注结果可视化展示用户可以在网页上查看和编辑标注结果。此外LabelMe还提供了数据管理功能可以方便地组织和管理大量的标注数据。 数据的导入和导出LabelMe支持将标注数据导入和导出为常见的数据格式如XML、JSON等方便与其他机器学习和计算机视觉工具集成。
总的来说LabelMe是一个功能强大且易于使用的在线图像标注工具适用于各种图像标注任务并提供了方便的数据管理和导入导出功能。
2.3 安装
pip install labelme -i https://pypi.tuna.tsinghua.edu.cn/simple/
2.4 使用
参考链接点击 打完标签后会在我们图片的目录下相应的生成JSON标签文件首先我们先验证一下我们打的标签和图片是否对应如果没问题那么我们才转换成YOLO可训练的标签文件。参考代码如下
import os, cv2, json
import numpy as npbase_path ../dataset/labelme_dataset
path_list [i.split(.)[0] for i in os.listdir(base_path) if json in i]
print(path_list)
for path in path_list:image cv2.imread(f{base_path}/{path}.jpg)h, w, c image.shapelabel np.zeros((h, w), dtypenp.uint8)with open(f{base_path}/{path}.json) as f:mask json.load(f)[shapes]for i in mask:i np.array([np.array(j) for j in i[points]])label cv2.fillPoly(label, [np.array(i, dtypenp.int32)], color255)image cv2.bitwise_and(image, image, masklabel)cv2.imshow(Pic, image)cv2.waitKey(0)cv2.destroyAllWindows()2.5 转换
既然打的标签文件是没问题的那么我们开始转换成YOLO可用的TXT文件转换代码如下
import os, cv2, json
import numpy as npclasses [square, triangle] # 修改成对应的类别base_path ../dataset/labelme_dataset # 指定json和图片的位置
path_list [i.split(.)[0] for i in os.listdir(base_path)]
for path in path_list:image cv2.imread(f{base_path}/{path}.jpg)h, w, c image.shapewith open(f{base_path}/{path}.json) as f:masks json.load(f)[shapes]with open(f{base_path}/{path}.txt, w) as f:for idx, mask_data in enumerate(masks):mask_label mask_data[label]if _ in mask_label:mask_label mask_label.split(_)[0]mask np.array([np.array(i) for i in mask_data[points]], dtypenp.float)mask[:, 0] / wmask[:, 1] / hmask mask.reshape((-1))if idx ! 0:f.write(\n)f.write(f{classes.index(mask_label)} { .join(list(map(lambda x:f{x:.6f}, mask)))})通过这个代码可以在当前目录生成对应文件名的TXT标签文件然后我们需要将其划分为训练集、验证集和测试集可通过下面的代码
import os, shutil, random
import numpy as nppostfix jpg # 里面都是jpg图片
base_path ../dataset/labelme_dataset # 原图片和TXT文件
dataset_path ../dataset/custom_dataset # 保存的目标位置
val_size, test_size 0.1, 0.2os.makedirs(dataset_path, exist_okTrue)
os.makedirs(f{dataset_path}/images, exist_okTrue)
os.makedirs(f{dataset_path}/images/train, exist_okTrue)
os.makedirs(f{dataset_path}/images/val, exist_okTrue)
os.makedirs(f{dataset_path}/images/test, exist_okTrue)
os.makedirs(f{dataset_path}/labels/train, exist_okTrue)
os.makedirs(f{dataset_path}/labels/val, exist_okTrue)
os.makedirs(f{dataset_path}/labels/test, exist_okTrue)path_list np.array([i.split(.)[0] for i in os.listdir(base_path) if txt in i])
random.shuffle(path_list)
train_id path_list[:int(len(path_list) * (1 - val_size - test_size))]
val_id path_list[int(len(path_list) * (1 - val_size - test_size)):int(len(path_list) * (1 - test_size))]
test_id path_list[int(len(path_list) * (1 - test_size)):]for i in train_id:shutil.copy(f{base_path}/{i}.{postfix}, f{dataset_path}/images/train/{i}.{postfix})shutil.copy(f{base_path}/{i}.txt, f{dataset_path}/labels/train/{i}.txt)for i in val_id:shutil.copy(f{base_path}/{i}.{postfix}, f{dataset_path}/images/val/{i}.{postfix})shutil.copy(f{base_path}/{i}.txt, f{dataset_path}/labels/val/{i}.txt)for i in test_id:shutil.copy(f{base_path}/{i}.{postfix}, f{dataset_path}/images/test/{i}.{postfix})shutil.copy(f{base_path}/{i}.txt, f{dataset_path}/labels/test/{i}.txt)2.6 验证
通过结合TXT标签文件以及图片来进行可视化以验证其是否正确。
import os, cv2
import numpy as npimg_base_path ../dataset/custom_dataset/images/train
lab_base_path ../dataset/custom_dataset/labels/trainlabel_path_list [i.split(.)[0] for i in os.listdir(img_base_path)]
for path in label_path_list:image cv2.imread(f{img_base_path}/{path}.jpg)h, w, c image.shapelabel np.zeros((h, w), dtypenp.uint8)with open(f{lab_base_path}/{path}.txt) as f:mask np.array(list(map(lambda x:np.array(x.strip().split()), f.readlines())))for i in mask:i np.array(i, dtypenp.float32)[1:].reshape((-1, 2))i[:, 0] * wi[:, 1] * hlabel cv2.fillPoly(label, [np.array(i, dtypenp.int32)], color255)image cv2.bitwise_and(image, image, masklabel)cv2.imshow(Pic, image)cv2.waitKey(0)cv2.destroyAllWindows()
