| Yolov5 使用精灵标注助手制作数据集 | 您所在的位置：网站首页 › 按键精灵修改文件名称 › Yolov5 使用精灵标注助手制作数据集 |
Yolov5 使用精灵标注助手制作数据集
|
精灵标记助手下载：http://www.jinglingbiaozhu.com/ 首先点击菜单文件->新建，然后选择位置标注，选择图片文件夹，点击创建按钮，软件会自动加载文件夹下的图片（png,jpg,gif）并创建一个项目。 项目名称：根据自己的需求命名 图片文件夹：图片文件所在电脑磁盘的路径 分类值：根据对图片划分的类别，对不同类的框命名 注意：每次标记完一张图后，要对图片进行保存，通过快捷键 ctrl + s 或者点击图片下方的 ✔， 所有的数据集标注完成后，将标注的信息导出。
注：选择导出格式时候必须选择pascal—voc导出XML直接选择XML会在后面无法读取到标注 的信息
输出的标注文件XML保存在Annotations中
数据集标记好后，将原始图片数据集放到images文件夹中，如图所示 创建 makeTxt.py 文件 makeTxt.py主要是将数据集分类成训练数据集和测试数据集，默认train，val，test按照8：1：1 的比例进行随机分类。 import os import random trainval_percent = 0.9 train_percent = 0.9 xmlfilepath = './datasets/Annotations' # 数据集位置 txtsavepath = './datasets/images' # 图片位置 tmage_sets_path = './datasets/ImageSets' # 将数据集分为 训练数据集和测试数据集进行存放的位置 total_xml = os.listdir(xmlfilepath) num = len(total_xml) list = range(num) tv = int(num * trainval_percent) tr = int(tv * train_percent) trainval = random.sample(list, tv) train = random.sample(trainval, tr) # 先找ImageSets文件夹如果不存在则创建 if not os.path.exists(tmage_sets_path): os.makedirs(tmage_sets_path) ftrainval = open('datasets/ImageSets/trainval.txt', 'w') # 以只写方式打开文件。如果文件存在会被覆盖。如果文件不存在，创建新文件 ftest = open('datasets/ImageSets/test.txt', 'w') ftrain = open('datasets/ImageSets/train.txt', 'w') fval = open('datasets/ImageSets/val.txt', 'w') for i in list: name = total_xml[i][:-4] + '\n' if i in trainval: ftrainval.write(name) if i in train: ftrain.write(name) else: fval.write(name) else: ftest.write(name) ftrainval.close() ftrain.close() fval.close() ftest.close() voc_label.py创建 voc_label.py 文件 代码如下： classes=[……] 中填入的一定要是自己在数据集中所标注的类别名称，标记了几个类别就填写几个类别名，填写错误的话会造成读取不出xml文件里的标注信息。 # xml解析包 import xml.etree.ElementTree as ET import pickle import os from os import listdir, getcwd from os.path import join sets = ['train', 'test', 'val'] classes = ['杯子', '键盘', '鼠标', '手机'] #填入刚刚标记数据集的类别名称 # 进行归一化操作 def convert(size, box): # size:(原图w,原图h) , box:(xmin,xmax,ymin,ymax) dw = 1. / size[0] # 1/w dh = 1. / size[1] # 1/h x = (box[0] + box[1]) / 2.0 # 物体在图中的中心点x坐标 y = (box[2] + box[3]) / 2.0 # 物体在图中的中心点y坐标 w = box[1] - box[0] # 物体实际像素宽度 h = box[3] - box[2] # 物体实际像素高度 x = x * dw # 物体中心点x的坐标比(相当于 x/原图w) w = w * dw # 物体宽度的宽度比(相当于 w/原图w) y = y * dh # 物体中心点y的坐标比(相当于 y/原图h) h = h * dh # 物体宽度的宽度比(相当于 h/原图h) return (x, y, w, h) # 返回 相对于原图的物体中心点的x坐标比,y坐标比,宽度比,高度比,取值范围[0-1] # year ='2012', 对应图片的id（文件名） def convert_annotation(image_id): ''' 将对应文件名的xml文件转化为label文件，xml文件包含了对应的bunding框以及图片长款大小等信 息， 通过对其解析，然后进行归一化最终读到label文件中去，也就是说 一张图片文件对应一个xml文件，然后通过解析和归一化，能够将对应的信息保存到唯一一个label文件 中去 labal文件中的格式：calss x y w h 同时，一张图片对应的类别有多个，所以对应的ｂｕｎｄｉ ｎｇ的信息也有多个 ''' # 对应的通过year 找到相应的文件夹，并且打开相应image_id的xml文件，其对应bund文件 in_file = open('datasets/Annotations/%s.xml' % (image_id), encoding='utf-8') # 准备在对应的image_id 中写入对应的label，分别为 # out_file = open('datasets/labels/%s.txt' % (image_id), 'w', encoding='utf-8') # 解析xml文件 tree = ET.parse(in_file) # 获得对应的键值对 root = tree.getroot() # 获得图片的尺寸大小 size = root.find('size') # 如果xml内的标记为空，增加判断条件 if size != None: # 获得宽 w = int(size.find('width').text) # 获得高 h = int(size.find('height').text) # 遍历目标obj for obj in root.iter('object'): # 获得difficult ？？ difficult = obj.find('difficult').text # 获得类别 =string 类型 cls = obj.find('name').text # 如果类别不是对应在我们预定好的class文件中，或difficult==1则跳过 if cls not in classes or int(difficult) == 1: continue # 通过类别名称找到id cls_id = classes.index(cls) # 找到bndbox 对象 xmlbox = obj.find('bndbox') # 获取对应的bndbox的数组 = ['xmin','xmax','ymin','ymax'] b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text)) print(image_id, cls, b) # 带入进行归一化操作 # w = 宽, h = 高， b= bndbox的数组 = ['xmin','xmax','ymin','ymax'] bb = convert((w, h), b) # bb 对应的是归一化后的(x,y,w,h) # 生成 calss x y w h 在label文件中 out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n') # 返回当前工作目录 wd = getcwd() print(wd) for image_set in sets: ''' 对所有的文件数据集进行遍历 做了两个工作： １．将所有图片文件都遍历一遍，并且将其所有的全路径都写在对应的txt文件中去，方便定位 ２．同时对所有的图片文件进行解析和转化，将其对应的bundingbox 以及类别的信息全部解析写到 label 文件中去 最后再通过直接读取文件，就能找到对应的label 信息 ''' # 先找labels文件夹如果不存在则创建 if not os.path.exists('datasets/labels/'): os.makedirs('datasets/labels/') # 读取在ImageSets/Main 中的train、test..等文件的内容 # 包含对应的文件名称 image_ids = open('datasets/ImageSets/%s.txt' % (image_set)).read().strip().split() # 打开对应的2012_train.txt 文件对其进行写入准备 list_file = open('datasets/%s.txt' % (image_set), 'w') # 将对应的文件_id以及全路径写进去并换行 for image_id in image_ids: list_file.write('datasets/images/%s.jpg\n' % (image_id)) # 调用 year = 年份 image_id = 对应的文件名_id convert_annotation(image_id) # 关闭文件 list_file.close() 分别运行makeTxt.py和voc_label.py。makeTxt.py主要是将数据集分类成训练数据集和测试数据集，默认train，val，test按照8：1：1 的比例进行随机分类，运行后ImagesSets文件夹中会出现四个文件，主要是生成的训练数据集和测 试数据集的图片名称，同时data目录下也会出现这四个文件，内容是训练数据集和测试数据集的图 片路径。  labels文件夹下 txt文件的内容如下： 
根据数据集会写一些对图片文件和txt文件处理的脚本， 例如：以下是在标记数据集的过程中并没有对一些数据集进行标记然后，将已经标记的数据集进行分开 存放在另一个文件夹中。 import os, shutil '''匹配训练的图片 和 标记 文件名字是否对应 把对应的名字复制到其它文件中 ''' def mycopyfile(srcfile, dstfile): # 复制文件函数 if not os.path.isfile(srcfile): print("%s not exist!" % (srcfile)) else: fpath = os.path.dirname(dstfile) # 获取文件路径 if not os.path.exists(fpath): # 如果没有复制的文件目录就创建复制到那里的文件目录 os.makedirs(fpath) # 没有就创建路径 shutil.copyfile(srcfile, dstfile) # 复制文件到默认路径 print("copy %s -> %s" % (srcfile, os.path.join(fpath, dstfile))) def operation(images_path, txt_path, copy_images_path, copy_txt_path): os.chdir(images_path) # 用于改变当前工作目录到指定的路径。 相当于 cd #当操作的文件不在当前目录时必须先进入目录 print("开始复制....") cout = 0 for images_file in os.listdir(images_path): images_name = os.path.splitext(images_file)[0] # 获取文件名 images_suffix = os.path.splitext(images_file)[1] # 获取后缀 for txt_file in os.listdir(txt_path): txt_name = os.path.splitext(txt_file)[0] #获取文件名 txt_suffix = os.path.splitext(txt_file)[1] # 获取后缀 if images_name == txt_name: mycopyfile(images_path + images_name + images_suffix, copy_images_path + images_name + images_suffix) mycopyfile(txt_path + images_name + txt_suffix, copy_txt_path + images_name + txt_suffix) print("images文件复制%s个，txt文件复制%s个,总共复制%s个文件" % (len(os.listdir(copy_images_path)), len(os.listdir(copy_txt_path)), len(os.listdir(copy_images_path)) + len(os.listdir(copy_txt_path)))) if __name__ == '__main__': # 图片路径 #文件名不能包含冒号 images_path = 'C:\\Users\\vvcat\\Desktop\\yolov5\\total\\images\\' # txt文件路径 txt_path = 'C:\\Users\\vvcat\\Desktop\\yolov5\\total\\labels\\' # 图片复制路径 copy_images_path = 'C:\\Users\\vvcat\\Desktop\\yolov5\\neaten\\images\\' # txt文件复制路径 copy_txt_path = 'C:\\Users\\vvcat\\Desktop\\yolov5\\neaten\\labels\\' operation(images_path, txt_path, copy_images_path, copy_txt_path) |
可以选择 曲线框，多边形框，矩形框等对图片进行标注。 
注：所选框不能超出图片大小，如图下 
为了有更好的识别效果，上面的图片应该进行如下标记： 
当左下角弹出 √保存成功，则证明该张图片的标记已经保存，如果标记的图片没有进行保存，在切换图片的过程中，前一张的图片标记框会自动消失，此时需要对图片重新标记。 
快捷键
导出后，会在目录中生成一个 outputs 文件夹，导出的文件就是pascal-voc的xml，效果如下： 
以下操作是对导出的XML文件和原图片进行解析。【本文地址】
公司简介
联系我们