半自动标注yolo训练数据并逆向为Labelimg标注文件

1. 半自动标注 YOLO 数据的原理与方法

  • 模型辅助标注:首先,通过训练一个初步的 YOLO 模型,使其能够识别出大致的目标。这一步通常是基于少量手动标注的数据集进行训练。
  • 推理辅助标注:将初步训练的 YOLO 模型应用于新图像,生成初步的检测结果,这些检测框会作为半自动标注的基础。
  • 手动校正:对于模型生成的标注框,使用标注工具(如 LabelImg 等)进行必要的手动微调和修正,以提高标注的准确性。

2. 将 YOLO 格式标注转换为 LabelImg 格式的流程

  • YOLO 格式与 PASCAL VOC 格式的区别:介绍 YOLO 使用的是相对坐标的格式,而 LabelImg 使用的 PASCAL VOC XML 格式是绝对坐标。
  • 坐标转换:在生成 YOLO 标注时,坐标是归一化的中心点坐标和宽高,而在生成 LabelImg 的 XML 文件时,需要将这些坐标转换成左上角和右下角的像素坐标。
  • 类别映射:解释如何将 YOLO 的类别 ID 与具体的类别名称对应,并在生成的 XML 文件中正确写入。

3. 自动化脚本示例

  • 博客通常会提供一段 Python 脚本,详细说明如何从 YOLO 格式自动生成 PASCAL VOC 格式的 XML 文件。脚本可能包括:
    • 读取 YOLO 文件并解析数据:解析每个 YOLO 文件中的类别 ID 和坐标。
    • 反归一化 YOLO 坐标:将 YOLO 的中心点坐标和宽高转换为左上角和右下角的坐标。
    • 生成 XML 文件:用 PASCAL VOC XML 格式的标签信息填充每个目标对象,并将生成的 XML 文件保存在指定文件夹。

4. 实现效果与应用场景

  • 提升标注效率:解释如何利用半自动标注技术大幅减少人工标注的工作量,尤其适用于需要标注大量数据的场景。
  • 适用数据集:博客可能会提到,这种方法适用于目标比较简单且明显的数据集,例如交通标志、自然场景中的单类或少类目标。

一、Labelimg标注图像数据

pascl voc格式标注文件

二、将pascl voc 转化为yolo格式

python 复制代码
import os
import xml.etree.ElementTree as ET
import shutil

# 输入和输出路径
annotations_dir = 'F:\\trafficsigntest\\TT100K\\tt100k_2021\\tt100k_2021\\yolo\\yolonew\yololabel'  # 标注文件夹路径
images_dir = 'F:\\trafficsigntest\\TT100K\\tt100k_2021\\tt100k_2021\\yolo\\yolonew\\yolonew'  # 图像文件夹路径
output_dir = 'F:\\trafficsigntest\\TT100K\\tt100k_2021\\tt100k_2021\\yolonew'  # YOLO 格式输出文件夹

# 检查输出文件夹是否存在
os.makedirs(output_dir, exist_ok=True)
os.makedirs(os.path.join(output_dir, "images"), exist_ok=True)
os.makedirs(os.path.join(output_dir, "labels"), exist_ok=True)

# 类别映射(假设有单一类别"monostyle",否则需要更改类别)
class_mapping = {"monostyle": 0,"single_cantilever":1,"gantry":2,"road_attachment":"3","double_cantilever":4,"polystyle":5}


# 遍历 XML 文件
for xml_file in os.listdir(annotations_dir):
    if xml_file.endswith('.xml'):
        # 解析 XML 文件
        tree = ET.parse(os.path.join(annotations_dir, xml_file))
        root = tree.getroot()

        # 获取图像文件名和尺寸
        filename = root.find('filename').text
        width = int(root.find('size/width').text)
        height = int(root.find('size/height').text)

        # 生成 YOLO 格式标注
        yolo_annotations = []
        for obj in root.findall('object'):
            class_name = obj.find('name').text
            if class_name in class_mapping:
                class_id = class_mapping[class_name]

                # 获取边界框并转换为 YOLO 格式
                xmin = int(obj.find('bndbox/xmin').text)
                ymin = int(obj.find('bndbox/ymin').text)
                xmax = int(obj.find('bndbox/xmax').text)
                ymax = int(obj.find('bndbox/ymax').text)

                # 转换为 YOLO 格式坐标
                x_center = ((xmin + xmax) / 2) / width
                y_center = ((ymin + ymax) / 2) / height
                box_width = (xmax - xmin) / width
                box_height = (ymax - ymin) / height

                # 添加到标注列表
                yolo_annotations.append(f"{class_id} {x_center} {y_center} {box_width} {box_height}")

        # 写入 YOLO 格式的标注文件
        yolo_filename = os.path.splitext(filename)[0] + '.txt'
        with open(os.path.join(output_dir, "labels", yolo_filename), 'w') as f:
            f.write("\n".join(yolo_annotations))

        # 拷贝图像文件
        shutil.copy(os.path.join(images_dir, filename), os.path.join(output_dir, "images", filename))

print("转换完成!所有标注文件已转换为 YOLO 格式并拷贝对应图像文件。")

yolo 格式标注文件

三、整理为YOLO v5 模型训练格式

python 复制代码
# Ultralytics YOLOv5 🚀, AGPL-3.0 license
# COCO128 dataset https://www.kaggle.com/ultralytics/coco128 (first 128 images from COCO train2017) by Ultralytics
# Example usage: python train.py --data coco128.yaml
# parent
# ├── yolov5
# └── datasets
#     └── coco128  ← downloads here (7 MB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: /home/lyy/yolo # dataset root dir
train: images/train # train images (relative to 'path') 128 images
val: images/val # val images (relative to 'path') 128 images
#test: images/test # test images (optional)
#{"monostyle": 0,"single_cantilever":1,"gantry":2,"road_attachment":"3","double_cantilever":4,"polystyle":5}

# Classes
names:
  0: monostyle
  1: single_cantilever
  2: gantry
  3: road_attachment
  4: double_cantilever
  5: polystyle

训练模型:

bash 复制代码
python train.py --data='data/tt100k_yolo.yaml'

模型预测:

bash 复制代码
python detect.py --data='data/tt100k_yolo.yaml' --weights='runs/train/exp38/weights/best.pt' --source='/common/dataset/bdd100k_images/bdd100k/images/10k/test' --name='/common/dataset/bdd100k_images/bdd100k/images/10k/exp'

四、逆向将yolo格式数据集生成labelimg标注的数据

python 复制代码
import os
import xml.etree.ElementTree as ET
from xml.dom.minidom import parseString
from PIL import Image

# # 输入和输出路径
# yolo_labels_dir = 'path/to/yolo_labels'  # YOLO格式标签路径
# images_dir = 'path/to/images'  # 原始图像路径
# output_dir = 'path/to/voc_labels'  # 输出的VOC XML文件路径

# 输入和输出路径
yolo_labels_dir = 'F:\\trafficsigntest\\TT100K\\exp2\\labels'  # YOLO格式标签路径
images_dir = 'F:\\trafficsigntest\\TT100K\\exp2\\test'  # 原始图像路径
output_dir = 'F:\\trafficsigntest\\TT100K\\exp2\\newlabels'  # 输出的Labelme JSON文件路径

# 类别映射,确保类别 ID 与 LabelImg 标签一致
class_mapping = {0:"monostyle",1:"single_cantilever",2:"gantry",3:"road_attachment",4:"double_cantilever",5:"polystyle"}

# 创建输出目录
os.makedirs(output_dir, exist_ok=True)


# 定义生成 XML 标签的函数
def create_voc_xml(image_path, image_size, shapes, output_path):
    root = ET.Element("annotation")

    folder = ET.SubElement(root, "folder")
    folder.text = os.path.basename(os.path.dirname(image_path))

    filename = ET.SubElement(root, "filename")
    filename.text = os.path.basename(image_path)

    path = ET.SubElement(root, "path")
    path.text = image_path

    source = ET.SubElement(root, "source")
    database = ET.SubElement(source, "database")
    database.text = "Unknown"

    size = ET.SubElement(root, "size")
    width = ET.SubElement(size, "width")
    width.text = str(image_size[0])
    height = ET.SubElement(size, "height")
    height.text = str(image_size[1])
    depth = ET.SubElement(size, "depth")
    depth.text = "3"

    segmented = ET.SubElement(root, "segmented")
    segmented.text = "0"

    for shape in shapes:
        obj = ET.SubElement(root, "object")
        name = ET.SubElement(obj, "name")
        name.text = shape["label"]
        pose = ET.SubElement(obj, "pose")
        pose.text = "Unspecified"
        truncated = ET.SubElement(obj, "truncated")
        truncated.text = "0"
        difficult = ET.SubElement(obj, "difficult")
        difficult.text = "0"

        bndbox = ET.SubElement(obj, "bndbox")
        xmin = ET.SubElement(bndbox, "xmin")
        xmin.text = str(int(shape["xmin"]))
        ymin = ET.SubElement(bndbox, "ymin")
        ymin.text = str(int(shape["ymin"]))
        xmax = ET.SubElement(bndbox, "xmax")
        xmax.text = str(int(shape["xmax"]))
        ymax = ET.SubElement(bndbox, "ymax")
        ymax.text = str(int(shape["ymax"]))

    # 格式化输出 XML
    xml_str = ET.tostring(root, encoding="utf-8")
    dom = parseString(xml_str)
    with open(output_path, "w") as f:
        f.write(dom.toprettyxml(indent="  "))


# 遍历 YOLO 标签文件
for label_file in os.listdir(yolo_labels_dir):
    if label_file.endswith('.txt'):
        image_file = os.path.splitext(label_file)[0] + '.jpg'
        image_path = os.path.join(images_dir, image_file)

        # 打开图像以获取其尺寸
        with Image.open(image_path) as img:
            img_width, img_height = img.size

        # 读取 YOLO 标签文件
        yolo_path = os.path.join(yolo_labels_dir, label_file)
        shapes = []

        with open(yolo_path, 'r') as f:
            for line in f.readlines():
                parts = line.strip().split()
                class_id = int(parts[0])
                x_center, y_center, width, height = map(float, parts[1:])

                # 反归一化 YOLO 坐标
                x_center *= img_width
                y_center *= img_height
                width *= img_width
                height *= img_height

                # 计算左上角和右下角的坐标
                xmin = x_center - width / 2
                ymin = y_center - height / 2
                xmax = x_center + width / 2
                ymax = y_center + height / 2

                # 添加到 shapes 列表
                shape = {
                    "label": class_mapping[class_id],
                    "xmin": xmin,
                    "ymin": ymin,
                    "xmax": xmax,
                    "ymax": ymax
                }
                shapes.append(shape)

        # 创建并保存 XML 文件
        output_path = os.path.join(output_dir, os.path.splitext(label_file)[0] + '.xml')
        create_voc_xml(image_path, (img_width, img_height), shapes, output_path)

print("转换完成!YOLO 格式数据已转换为 PASCAL VOC 格式 XML 文件。")
相关推荐
jay神1 天前
基于 YOLOv8 的传送带异物检测系统(Web 版)
前端·人工智能·深度学习·yolo·计算机视觉·计算机毕业设计
jay神4 天前
基于 YOLOv8 的手势识别系统(Web 版)
前端·人工智能·python·深度学习·yolo·计算机视觉·计算机毕业设计
鱼听禅4 天前
Ubuntu安装YOLOv8进行菌落识别训练
linux·python·yolo·ubuntu
jay神6 天前
基于深度学习的交通流量预测系统(Web 版)
前端·人工智能·深度学习·yolo·计算机毕业设计
带电的小王6 天前
YOLO27:官方预览页放出全部规格,60.5 mAP 破 YOLO 纪录,但权重还没发布
yolo
jay神7 天前
基于 YOLOv8 的轴承缺陷检测(Web 版)
前端·人工智能·yolo
jay神7 天前
基于 YOLOv8 的森林火灾检测系统(Web 版)
前端·yolo
微尘hjx7 天前
【Deep-OC-SORT 06】多轨迹算法Deep-OC-SORT-CMC相机运动补偿
yolo·目标检测·目标跟踪·ultralytics·轨迹算法·deep-oc-sort·车流统计
LongRunning8 天前
【Linux】RK3568-OpenCV+YOLO(八)
linux·opencv·yolo
微尘hjx12 天前
【Deep-OC-SORT 01】多轨迹算法Deep-OC-SORT源码分析
深度学习·yolo·目标跟踪·ultralytics·轨迹算法·deep-oc-sort·车流统计