目标检测数据集标注工具开发py

### 开发目标检测数据集标注工具 Python #### 工具选择与安装 对于开发用于目标检测的数据集标注工具，`LabelImg` 和 `labelme` 是两个广泛使用的开源项目。这些工具允许用户通过图形界面手动绘制边界框并保存标签信息。 - **LabelImg**: 主要针对矩形区域的选择，适用于大多数常见的目标检测任务。其安装可以通过源码编译或者利用预构建的可执行文件完成，在 Windows 平台上推荐使用 Anaconda 创建独立环境来管理依赖项[^1]。 ```bash pip install pyqt5 lxml # 安装必要的库 git clone https://github.com/tzutalin/labelImg.git cd labelImg python labelImg.py ``` - **labelme**: 提供更灵活的功能支持多边形形状以及像素级精确度的需求，适合于实例分割或语义分割场景下的精细标注工作。同样地，也可以借助 pip 命令快速部署该软件包[^2]。 ```bash pip install labelme labelme ``` #### 自定义功能扩展 为了满足特定应用场景的要求，可能需要对现有框架进行定制化修改： - 添加新的导出格式：比如除了默认提供的 Pascal VOC XML 文件外还可以考虑增加 COCO JSON 或者 YOLO TXT 的选项； - 集成自动化辅助机制：引入基于深度学习的对象建议模块帮助减少人工操作时间成本； 例如，当处理大规模图像集合时，可以编写脚本来实现批量转换已有的标注记录至其他常用结构中去[^3]。 ```python import json from pathlib import Path def convert_labelme_to_yolo(labelme_dir, output_dir): """Convert LabelMe annotations to YOLO format.""" paths = list(Path(labelme_dir).glob('*.json')) for path in paths: with open(path) as f: data = json.load(f) image_height = data['imageHeight'] image_width = data['imageWidth'] yolo_lines = [] shapes = data.get('shapes', []) for shape in shapes: points = shape["points"] class_id = classes.index(shape["label"]) x_coords = [p[0] for p in points] y_coords = [p[1] for p in points] center_x = sum(x_coords) / len(points) / image_width center_y = sum(y_coords) / len(points) / image_height width = (max(x_coords)-min(x_coords)) / image_width height = (max(y_coords)-min(y_coords)) / image_height line = f"{class_id} {center_x:.6f} {center_y:.6f} {width:.6f} {height:.6f}\n" yolo_lines.append(line) out_file_path = Path(output_dir)/path.stem.replace('.json','.txt') with open(out_file_path,'w') as file: file.writelines(yolo_lines) if __name__ == '__main__': convert_labelme_to_yolo('./annotations/', './labels/') ```