yolo学习1：怎么用labelimg创建自己的yolo数据集

最近看了好多图像识别之目标检测的博文，并且尝试性的用yolo v5训练了一把OID数据集。OID是Open image dataset,是一个开放的数据集。我从github上利用 OID v4下载了两个类别的图片共计2000张左右，苹果和橘子，apple和orange，两个类别，训练了3个epoch就能预测，当然预测的准确率很低。 之前从网上下载了一个labelimg工具，当时没有深入研究怎么使用，这次趁着这个机会，找了一些图片，用yolo v5 训练一下自己的数据集。

链接: link. 万里长征第一步，工欲善其事必先利其器，labelimg是一个图片标记工具，给图片加上框框，并且添加标签。

比如上面这2张图片。这两张图片是标记完以后的数据集。

网上找到过一个labelimg软件，是打包成exe格式的，可以打开用，但是标签信息只能保存成xml格式的文件，我用yolo v5 实现的时候用的格式是txt。百度了一下，说labelimg可以直接保存txt的供yolo v5算法使用的数据集格式。 下面这张截图就是PyPi上面的labelimg的最新版本，可以编译运行。 我也是新手，这个东西下载下来后怎么使用呢，我尝试的用pycharm编译一下使用，没有成功，改天再试一下。 就直接从windows的控制台运行这个代码吧： 第一步：下载下来的这个工具解压 我截图看一下，我是解压到我的一个移动硬盘， 打开这个文件夹可以看到： 里面有这些东西，这个就是我们要用的labelimg工具了，这个具体怎么用呢？ 其实下载页面里面有介绍，只是都是英文的，看到英文就头大，其实不用头大，这里的介绍很简单。 我也翻译一下，labelimg是一个图片注释工具 这个工具使用python编写，用qt做的界面 注释被保存成voc格式的xml文件，也可以保存成yolo和ml格式的

首先打开cmd 按下win+r 输入cmd，按回车。 我这里解压到了我的移动硬盘，盘符为F盘 接着打开文件夹labelImg-1.8.5， （这里windows用的命令是cd） 最后就可以运行程序了 按下回车键，就会弹出下面的这个windows界面 这里是成功的打开的了软件，这个软件工具依赖于pyqt5和lxml这两个包，打开的时候如果失败了，注意看一下提示的原因，是不是这两个依赖包没有安装，如果没有安装就用pip安装一下。

到这里准备工作1算是做完了，梳理一下 1.下载labelimg，可以从github也可以从pypi上面下载 2.解压labelimg，在cmd上面运行程序，弹出软件界面 上面的两步对于新手朋友来说也是很难的，其实，下载下来的就是labelimg的源码，只是没有打包成exe文件，需要在python里面编译使用。

用labelImg这个工具标记标签的时候，会默认的有10个标签，比如dog person 等等，怎么把这些删除呢，毕竟我们用不到，比如我们用到两个标签，一个男人，一个女人吧，man woman，怎么让软件默认这两个类别class，截图说明如下： 在labelImg-1.8.5这个文件夹内有data文件夹，打开 这里的predefined是预定义的意思，预定义类别，打开后输入我们自己想定义的类别就可以。 比如我定义了poppy_flower 和poppy这两个类别，我们打开labelImg工具看一下：

这里就会有这两个类别

第一步完成以后再做这一步就简单了，比如我想做一个罂粟花的数据集，就从百度上找了57张罂粟花的图片，我是先保存了57张图片，如下图 这57张图片用labelImg给标记标签，并保存成yolo格式的txt文件 打开一个txt文件看一下 这是图片poppy_00.jpg这张图片的标记文件，这张图片里面有两个标签，其中0代poppy_flower,1表示poppy，接着的两个是bbox框的中心位置，后面两位是长宽，共四个坐标信息。 标记完以后就可以训练了，但是在训练之前要把这些图片的分类放到固定格式的文件夹中。

标签做完以后是上面这张图这样的，有57张图片，对应这个57个txt文件。 我用的是pycharm创建的项目，项目文件夹是pcharm_yolo-poppy,在项目文件夹下面创建一个文件夹，这个文件夹下面创建一个data，data文件夹下面创建两个文件夹images和labels文件夹， 分别在images和labels文件夹下面创建两个文件夹，一个是train，一个是valid

对应着images-train里面放图片57张，labels-train里面放标签 对于images-valid里面放几张验证数据集图片，同样labels-valid里面放标签，用来验证模型

到这里yolo数据集基本上全部建完了，下一步就是怎么用yolo训练自己的数据集，并且能输出结果