【数据标注】使用LabelImg标注YOLO格式的数据（案例演示）

news2025/2/26 18:53:33

文章目录

- LabelImg介绍
- LabelImg安装
- LabelImg界面
- 标注常用的快捷键
- 标注前的一些设置
- 案例演示
- 检查YOLO标签中的标注信息是否正确
- 参考文章

LabelImg介绍

LabelImg是目标检测数据标注工具，可以标注两种格式：

VOC标签格式，标注的标签存储在xml文件
YOLO标签格式，标注的标签存储在txt文件中

LabelImg官网：

labelImg的GitHub链接：https://github.com/HumanSignal/labelImg

LabelImg安装

在Anaconda创建的虚拟环境中使用pip安装LabelImg。
1、打开 Anaconda Prompt
2、创建一个虚拟环境

conda create -n use_labelimg python=3.6

3、激活虚拟环境

conda activate use_labelimg

4、使用pip安装LabelImg（有挂代理/梯子记得关掉）

pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple

5、执行以下命令打开LabelImg

labelimg

在这里插入图片描述

LabelImg界面

在这里插入图片描述

标注常用的快捷键

W：调出标注的十字架，开始标注
A：切换到上一张图片
D：切换到下一张图片
Ctrl+S：保存标注好的标签
del：删除标注的矩形框
Ctrl+鼠标滚轮：按住Ctrl，然后滚动鼠标滚轮，可以调整标注图片的显示大小
Ctrl+u：选择要标注图片的文件夹
Ctrl+r：选择标注好的label标签存放的文件夹
↑→↓←：移动标注的矩形框的位置

标注前的一些设置

点击View显示如下图，然后把如下的几个选项勾上：

Auto Save mode：当你切换到下一张图片时，就会自动把上一张标注的图片标签自动保存下来，这样就不用每标注一样图片都按Ctrl+S保存一下了
Display Labels：标注好图片之后，会把框和标签都显示出来
Advanced Mode：这样标注的十字架就会一直悬浮在窗口，不用每次标完一个目标，再按一次W快捷键，调出标注的十字架。

在这里插入图片描述

案例演示

1、假设在我的 green_plate文件夹中已经存放了所要进行标注的车牌图片
在这里插入图片描述
2、在 LabelImg界面通过 Open Dir 导入 green_plate文件夹

3、在 LabelImg界面通过 Change Save Dir 选择存放标注好图片的文件夹路径

4、在 LabelImg界面点击 View 进行标注前的一些设置
5、设置标注的文件格式为YOLO
在这里插入图片描述
6、按W键调出标注的十字架，开始标注

可通过Ctrl+鼠标滚轮调整标注图片的显示大小，方便对目标进行标注

7、对一张图片标注完成后，按D键切换到下一张图片继续标注
8、如果需要对一个标注好的矩形框进行删除，可以按以下图片中的操作进行
在这里插入图片描述
9、重复以上步骤直至所有的图片标注完成
10、在存放标注好图片的文件夹中查看标注好的文件

检查YOLO标签中的标注信息是否正确

通过读取图像文件和相应的标签文件来绘制边界框，并在窗口中显示带有边界框的图像。
如果边界框的位置和大小与预期相符，那么可以认为YOLO格式的标签是正确的。

"""
文件名: CheckYOLOLabels.py
功能描述: 检查YOLO标签中的标注信息是否正确
"""

import os
import cv2
import matplotlib.pyplot as plt
import numpy as np

def listPathAllfiles(dirname):
    """
    遍历指定目录下的所有文件并返回一个包含这些文件路径的列表。
    """
    result = []
    for maindir, subdir, file_name_list in os.walk(dirname):
        for filename in file_name_list:
            apath = os.path.join(maindir, filename)
            result.append(apath)
    return result

if __name__ == '__main__':
    # YOLO图片文件的保存路径
    imagespath = "DeepLearningProjects\\green_plate"
    
    # YOLO标签文件的保存路径
    labelspath = "DeepLearningProjects\\process_green_plate"


    # 获取所有标签文件的路径
    labelsFiles = listPathAllfiles(labelspath)

    # 逆序遍历标签文件，因为通常最新的文件在最后
    for lbf in labelsFiles[::-1]:
        # 读取标签文件的每一行，并将其分割成一个列表
        labels = open(lbf, "r").readlines()
        labels = list(map(lambda x: x.strip().split(" "), labels))
        # 构造对应的图片文件名
        imgfileName = os.path.join(imagespath, os.path.basename(lbf)[:-4] + ".jpg") # .jpg
        # 从文件中读取图片，cv2.imdecode函数可以将字节流解码为图像
        img = cv2.imdecode(np.fromfile(imgfileName, dtype=np.uint8), 1)

        # 遍历每个标签
        for lbs in labels:
            # 将标签字符串转换为浮点数，并去掉类别索引
            lb = list(map(float, lbs))[1:]
            # 根据标签计算边界框的左上角和右下角坐标
            x1 = int((lb[0] - lb[2] / 2) * img.shape[1])
            y1 = int((lb[1] - lb[3] / 2) * img.shape[0])
            x2 = int((lb[0] + lb[2] / 2) * img.shape[1])
            y2 = int((lb[1] + lb[3] / 2) * img.shape[0])
            # 在图像上绘制边界框
            cv2.rectangle(img, (x1, y1), (x2, y2), (0, 0, 255), 5)

        # 调整图像大小，使其最大边长为600像素
        ratio = 600 / min(img.shape[0:2])
        img = cv2.resize(img, dsize=(int(img.shape[1] * ratio), int(img.shape[0] * ratio)))

        # 显示带有边界框的图像
        cv2.imshow("Image", img)
        # 等待用户按键，按任意键继续
        cv2.waitKey()
        # 关闭所有OpenCV创建的窗口
        cv2.destroyAllWindows()