一、安装Anaconda

下载anaconda：https://www.anaconda.com/download/

选择自己电脑相应的版本即可，具体的安装过程可自行百度。

二、创建labelme虚拟环境

打开Anaconda Prompt，或者将anaconda添加到系统环境cmd命令打开也可，可参考链接1。

conda create --name=labelme python=3.6

conda activate labelme

pip install pyqt5
![请添加图片描述](https://img-blog.csdnimg.cn/684a1bcd66f641bb80aad9e05584550a.png)

pip install labelme

在该环境下输入labelme，具体的使用方法可以参考链接2

三、使用labelme标注健康非健康猫狗数据

labelme的标注快捷键：
W——新建标注框
A——上一张
D——下一张
ctrl+D——复制标签（选中需要复制的标签，ctrl+D，新复制的标签重叠在原标签上，拉出来就好了）
ctrl+S——保存
ctrl+滑动鼠标——放大缩小

3.1 打开数据集所在文件夹

3.2 进行标注数据集

标签对应：
    0 healthy_cat 300张
    1 unhealthy_cat 300张
    2 healthy_dog 300张 
    3 unhealthy_dog 300张
按照训练集：验证集：测试集 = 8：1：1

点击Create Polygons —> 鼠标放在图片上，按右键选create rectangle （一定需要是矩形，按两个点矩形不能旋转，一定就要正矩形）

因为健康非健康猫狗的区分特征主要是身体毛色等信息，所以我们需要标注整体动物个体，如上图所示。

说明：label按照上面所提的标签进行标注，Group ID可以不用填写。

为了实现标注后自动保存：点击左上角的File，找到Save Automatically并点击上，做完标注后后自动生成json文件，保存在放图片的文件夹下面，成功生成后，右下角小框会打勾。

可以在file list中点下一张图片，也可以左边点next image，为了更快标注，使用快捷键A(上一张) 或 D(下一张) 进行切换图片进行标注。

3.3 json2txt

因为我们使用的是yolo检测框架，其训练环境为darknet，我们需要将前面得到的json标注文件转换为训练框架能够识别的格式，具体格式要求如下所示：

darknet标注信息的数据格式如下：
Class id    center_x    center_y    w    h
对数据格式解释如下：
Class id:表示标注框的类别，从0开始计算，当前只要手部1类检测物体，故Class id全为0；
center_x:表示归一化后的手部框中心点坐标的X值。归一化坐标 = 实际坐标 / 整个图片宽
center_y:表示归一化后的手部框中心点坐标的Y值。归一化坐标 = 实际坐标 / 整个图片高
w:表示归一化后的手部框的宽。归一化长度 = 实际长度 / 整个图片宽
h:表示归一化后的手部框的高。归一化长度 = 实际长度 /整个图片高

下面是labelme的json格式转换为darknet所需的txt格式程序：

import os
import json
import numpy as np
from PIL import Image

def json2txt(path_json,path_txt,path_image):
    img = Image.open(path_image)
    w = img.width       #图片的宽
    h = img.height      #图片的高
    with open(path_json,'r', encoding='gb18030') as path_json:
        jsonx=json.load(path_json)
        with open(path_txt,'w+') as ftxt:
            for shape in jsonx['shapes']:
                xy=np.array(shape['points'])
                seq = []
                #print(xy[1][1])  #xy[1]表示第二个点的坐标，xy[1][1]表示第四个值，即第二点的y坐标
                center_x = (xy[0][0] + xy[1][0])/2/w  #归一化后的中心点坐标的X值
                center_y = (xy[0][1] + xy[1][1])/2/h  #归一化后的中心点坐标的Y值
                pet_w = abs(xy[0][0] - xy[1][0])/w #归一化后的宽
                pet_h = abs(xy[0][1] - xy[1][1])/h  # 归一化后的高
                # for m,n in xy:
                #     seq.append(str(m)+" "+str(n))
                #info = '0' + center_x + center_y + pet_w + pet_h
                # 0健康猫 1非健康猫 2健康狗 3非健康狗
                ftxt.writelines( '2 %.5f %.5f %.5f %.5f' % (center_x, center_y, pet_w, pet_h) + "\n") #
                # ftxt.writelines(" ".join(seq)+"\n")  #\n换行
                #join(),str = "-";举例：seq = ("a", "b", "c"); # 字符串序列 print str.join( seq );  结果：a-b-c

dir_json = 'C:/Users/tanhui/Desktop/code/cat_dog_dataset/user_json/3_unhealthy_dogs/'   #json路径
dir_txt = 'C:/Users/tanhui/Desktop/code/cat_dog_dataset/user_txt/3_unhealthy_dogs/'  #存取的txt路径
dir_image = 'C:/Users/tanhui/Desktop/code/cat_dog_dataset/user_jpg/3_unhealthy_dogs/'  #图片的路径

if not os.path.exists(dir_txt):
    os.makedirs(dir_txt)
list_json = os.listdir(dir_json)
list_image = os.listdir(dir_image)

for cnt,json_name in enumerate(list_json):
    path_json = dir_json + json_name
    path_image = dir_image + list_image[cnt]  #image_name=list_image[cnt]
    print('cnt=%d,name=%s,image=%s' % (cnt, json_name, list_image[cnt]))
    path_txt = dir_txt + json_name.replace('.json','.txt')
    json2txt(path_json, path_txt, path_image)

3.4 按文件目录和训练测试数据集重分配

如图是训练集和测试集文件夹结构：

JPEGImages放的是原始图像，labels放的是json2txt后的darknet标注格式信息，list存放的是原始图像的全局路径（放在服务器上的路径）

接下来给出写入原始图像路径到list中的程序：

import os

# 指定图片所在路径
img_dir = r"cat_dog_dataset\training_dataset\JPEGImages"

# 自定义输出文件路径和文件名
output_file = r"cat_dog_dataset\training_dataset\list\cat_dog_train.txt"

# 自定义写入txt文件的内容
txt_path = "/home/nicta100-s12/ai/cat_dog_detect/training_dataset/JPEGImages" #服务器绝对路径

# 写入文件
with open(output_file, "w") as f:
    # 循环遍历所在路径下所有文件
    for filename in os.listdir(img_dir):
        filepath = os.path.join(img_dir, filename)
        path = os.path.join(txt_path, filename)
        path = path.replace("\\", "/") # 将路径中的反斜杠替换为正斜杠
        # 判断是否为图片文件
        if os.path.isfile(filepath) and (filepath.endswith(".jpg") or filepath.endswith(".png")):
            # 将图片路径写入输出文件中
            f.write(path + "\n")

四、数据喂给服务器网络

# test_dataset为测试数据
# training_dataset为训练数据
# JPEGImages目录下是需要进行训练的数据集图片
# labels目录下的txt是JPEGImages目录下对应图片所标注的labels
# list目录下的hand_train.txt文件中保存的是JPEGImages目录下所有图片的绝对路径。
# 注意：所有的txt文件都必须是linux格式的，可以使用 dos2unix 工具进行文件格式的转换
# 使用方法： dos2unix filename   （如果还不知道如何使用，可上网咨询度娘）

注意：所有的txt文件都必须是linux格式的(包括了标签txt)，可以使用 dos2unix 工具进行文件格式的转换，
使用方法： dos2unix filename （如果还不知道如何使用，可上网咨询度娘）
sudo apt-get install dos2unix  # 如果服务器没有dos2unix这个软件的话，执行这条命令，先进行安装

dos2unix hand_test.txt         # 修改某个文件的文件格式

dos2unix  *                    # 修改该目录下的所有文件的文件格式

DOS2UNIX 安装与使用简介 (gnss.help)

参考链接

1. Anaconda3安装深度学习标记工具labelme

2. 数据标注软件labelme详解