在深度学习的目标检测任务中，首先要使用训练集进行模型训练。训练的数据集好坏决定了任务的上限。下面介绍两种常用的图像目标检测标注工具：Labelme和LabelImg。
（1）Labelme
Labelme适用于图像分割任务和目标检测任务的数据集制作，它来自该项目：https://github.com/wkentaro/labelme 。
按照项目中的教程安装完毕后，应用界面如下图所示：
它能够提供多边形、矩形、圆形、直线和点的图像标注，并将结果保存为 JSON 文件。
（2）LabelImg
LabelImg适用于目标检测任务的数据集制作。它来自该项目：https://github.com/tzutalin/labelImg
应用界面如下图所示：
它能够提供矩形的图像标注，并将结果保存为txt（YOLO）或xml（PascalVOC）格式。如果需要修改标签的类别内容，则在主目录data文件夹中的predefined_classes.txt文件中修改。
我使用的就是这一个标注软件，标注结果保存为xml格式，后续还需要进行标注格式的转换。
操作快捷键：
Ctrl + u 加载目录中的所有图像，鼠标点击Open dir同功能
Ctrl + r 更改默认注释目标目录(xml文件保存的地址)
Ctrl + s 保存
Ctrl + d 复制当前标签和矩形框
space 将当前图像标记为已验证
w 创建一个矩形框
d 下一张图片
a 上一张图片
del 删除选定的矩形框
Ctrl++ 放大
Ctrl-- 缩小
↑→↓← 键盘箭头移动选定的矩形框
二、数据扩增在某些场景下的目标检测中，样本数量较小，导致检测的效果比较差，这时就需要进行数据扩增。本文介绍常用的6类数据扩增方式，包括裁剪、平移、改变亮度、加入噪声、旋转角度以及镜像。
考虑到篇幅问题，将这一部分单列出来，详细请参考本篇博客：https://www.cnblogs.com/lky-learning/p/11653861.html
三、将数据转换至COCO的json格式首先让我们明确一下几种格式,参考自【】：
3.1 csvcsv/
labels.csv
images/
image1.jpg
image2.jpg
...
labels.csv 的形式:
/path/to/image,xmin,ymin,xmax,ymax,label
例如:
/mfs/dataset/face/image1.jpg,450,154,754,341,face
/mfs/dataset/face/image2.jpg,143,154,344,341,face
3.2 voc标准的voc数据格式如下：
VOC2007/
Annotations/
0d4c5e4f-fc3c-4d5a-906c-105.xml
0ddfc5aea-fcdac-421-92dad-144/xml
...
ImageSets/
Main/
train.txt
test.txt
val.txt
trainval.txt
JPEGImages/
0d4c5e4f-fc3c-4d5a-906c-105.jpg
0ddfc5aea-fcdac-421-92dad-144.jpg
...
3.3 COCOcoco/
annotations/
instances_train2017.json
instances_val2017.json
images/
train2017/
0d4c5e4f-fc3c-4d5a-906c-105.jpg
...
val2017
0ddfc5aea-fcdac-421-92dad-144.jpg
...
Json file 格式: （imageData那一块太长了，不展示了）
{ "version": "3.6.16", "flags": {}, "shapes": [ { "label": "helmet", "line_color": null, "fill_color": null, "points": [ [ 131, 269 ], [ 388, 457 ] ], "shape_type": "rectangle" } ], "lineColor": [ 0, 255, 0, 128 ], "fillColor": [ 255, 0, 0, 128 ], "imagePath": "004ffe6f-c3e2-3602-84a1-ecd5f437b113.jpg", "imageData": "" # too long ,so not show here "imageHeight": 1080, "imageWidth": 1920 }
在上一节中提到，经过标注后的结果保存为xml格式，我们首先要把这些xml标注文件整合成一个csv文件。
整合代码如下：
import os import glob import pandas as pd import xml.etree.ElementTree as ET ## xml文件的路径 os.chdir(‘./data/annotations/scratches‘) path = ‘C:/Users/Admin/Desktop/data/annotations/scratches‘ # 绝对路径 img_path = ‘C:/Users/Admin/Desktop/data/images‘ def xml_to_csv(path): xml_list = [] for xml_file in glob.glob(path + ‘/*.xml‘): #返回所有匹配的文件路径列表。 tree = ET.parse(xml_file) root = tree.getroot() for member in root.findall(‘object‘): # value = (root.find(‘filename‘).text, # int(root.find(‘size‘)[0].text), # int(root.find(‘size‘)[1].text), # member[0].text, # int(member[4][0].text), # int(member[4][1].text), # int(member[4][2].text), # int(member[4][3].text) # ) value = (img_path +‘/‘ + root.find(‘filename‘).text, int(member[4][0].text), int(member[4][1].text), int(member[4][2].text), int(member[4][3].text), member[0].text ) xml_list.append(value) #column_name = [‘filename‘, ‘width‘, ‘height‘, ‘class‘, ‘xmin‘, ‘ymin‘, ‘xmax‘, ‘ymax‘] column_name = [‘filename‘, ‘xmin‘, ‘ymin‘, ‘xmax‘, ‘ymax‘, ‘class‘] xml_df = pd.DataFrame(xml_list, columns=column_name) return xml_df if __name__ == ‘__main__‘: image_path = path xml_df = xml_to_csv(image_path) ## 修改文件名称 xml_df.to_csv(‘scratches.csv‘, index=None) print(‘Successfully converted xml to csv.‘)
当显示 Successfully converted xml to csv 后，我们就得到了整理后的标记文件。