使用labelimg建立数据集

### 如何使用 LabelImg 进行数据集标注 LabelImg 是一款基于 Python 和 Qt 的图形化图像标注工具，广泛应用于机器学习项目中的目标检测任务。该软件支持多种格式的标签文件导出功能。 #### 安装依赖库 为了能够顺利运行此应用程序，在命令行输入如下指令来安装必要的包[^1]: ```bash pip install pyqt5 lxml ``` #### 下载并编译源码 可以从 GitHub 上获取最新版本的 LabelImg 源代码，并按照给定说明完成构建过程[^2]: 通过 Git 克隆仓库或者直接下载 ZIP 文件解压到本地目录下；进入项目根路径执行 `make` 命令即可生成可执行文件。 #### 启动程序 当一切准备就绪之后，可以通过双击桌面上创建好的快捷方式图标启动应用，也可以在终端里键入相应脚本名称来进行调用[^3]。 #### 使用界面简介 打开后的主窗口由菜单栏、工具条以及工作区三部分组成。其中最为重要的就是位于中央位置的工作区域——这里用来显示待处理图片及其对应的矩形框标记信息[^4]。 #### 开始标注流程 加载要编辑的照片集合之前先设置好保存 XML 格式的默认地址。点击 “Change default saved annotation folder”，选择合适的存储地点。接着利用左侧导航树状结构浏览指定文件夹内的所有项，右键单击某一项后选取“Open Dir”选项卡以读取整个序列的内容。此时可以逐张查看每一张照片并对感兴趣的目标绘制边界框，同时为其分配类别标签。完成后记得及时提交更改记录以便后续查阅[^5]。 #### 导出结果 一旦完成了全部样本的数据整理作业，则可通过 File 菜单项下的 Save 功能把最终版的 Pascal VOC 或者 YOLO 类型的结果另存为其他形式供训练模型时采用[^6]。 ```python from labelimg import * if __name__ == '__main__': app = QApplication([]) win = MainWindow() win.show() sys.exit(app.exec_()) ```

### 如何使用 LabelImg 创建 COCO 格式的数据集 #### 背景介绍 LabelImg 是一款用于图像标注的工具，通常生成 Pascal VOC 格式的 XML 文件。然而，在许多深度学习框架中，COCO (Common Objects in Context) 数据格式被广泛采用。因此，为了兼容这些框架，需要将由 LabelImg 生成的 Pascal VOC 格式转换为 COCO 格式。 --- #### 步骤说明 1. **安装并配置 LabelImg** 首先下载并安装 LabelImg 工具[^2]。完成安装后，启动该工具并对目标对象进行标注操作。每张图片对应的标注会被保存为一个 XML 文件，这是 Pascal VOC 的默认输出格式。 2. **准备数据集结构** 将所有已标注的图片及其对应的 XML 文件存放在同一目录下。例如： ``` dataset/ ├── images/ # 存放原始图片 └── annotations/ # 存放生成的XML文件 ``` 3. **批量处理 XML 文件** 如果存在大量 XML 文件，则可能需要对其进行预处理或统一化调整。这一步可以通过脚本实现，比如 Python 中基于 `xml.etree.ElementTree` 或第三方库如 `lxml` 进行解析和修改[^3]。 4. **转换至 COCO 格式** 利用现成的开源工具或者编写自定义脚本来执行此任务。一种常见方法是从 GitHub 下载专门设计用来做这种转换的项目，例如 [labelme](https://github.com/wkentaro/labelme)，尽管它主要用于 JSON 至 COCO 的转化，但其逻辑可作为参考[^1]。 对于从 Pascal VOC 转换到 COCO 的情况，推荐如下代码片段： ```python import xml.etree.ElementTree as ET from pycocotools.coco import COCO def voc_to_coco(voc_dir, output_json_path): """Converts Pascal VOC format to COCO.""" coco_output = { "images": [], "annotations": [], "categories": [] } category_set = set() image_id = 0 annotation_id = 1 for filename in os.listdir(os.path.join(voc_dir, 'annotations')): tree = ET.parse(os.path.join(voc_dir, 'annotations', filename)) img_info = {} anno_list = [] width = int(tree.find('size').find('width').text) height = int(tree.find('size').find('height').text) img_info['file_name'] = f"{filename.split('.')[0]}.jpg" img_info['id'] = image_id img_info['width'] = width img_info['height'] = height for obj in tree.findall('object'): name = obj.find('name').text bbox = obj.find('bndbox') xmin = float(bbox.find('xmin').text) ymin = float(bbox.find('ymin').text) xmax = float(bbox.find('xmax').text) ymax = float(bbox.find('ymax').text) w = xmax - xmin h = ymax - ymin ann = { 'area': w * h, 'iscrowd': 0, 'image_id': image_id, 'bbox': [xmin, ymin, w, h], 'category_id': list(category_set).index(name), 'id': annotation_id, 'ignore': 0, 'segmentation': [] } anno_list.append(ann) annotation_id += 1 coco_output["images"].append(img_info) coco_output["annotations"] += anno_list category_set.add(name) image_id += 1 categories = [{"supercategory": "", "id": idx, "name": cat} for idx, cat in enumerate(list(category_set))] coco_output["categories"] = categories with open(output_json_path, 'w') as outfile: json.dump(coco_output, outfile) if __name__ == "__main__": input_voc_directory = './dataset' output_file = './output.json' voc_to_coco(input_voc_directory, output_file) ``` 5. **验证与优化** 完成上述过程后，应仔细检查生成的 JSON 文件是否符合预期，并通过可视化手段确认无误。此外，还需注意类别名称一致性以及边界框坐标范围等问题。 --- #### 总结 以上流程涵盖了从初始阶段的数据采集到最后形成标准化 COCO 数据集的整体思路。借助自动化脚本能够显著提升效率，减少人为错误的发生概率。 ---