Yolo模型 图像预标注 图片自动标注

什么是自动标注?

在训练过程中，如果图片的数据量不够，或想通过某些手段加快标注的效率，可以在之前训练好的模型基础上识别出一些物体，根据已识别的数据进行转换。在labelme或labelimg上继续修改已识别的数据。这时候由于已经有很多物体被模型识别预先标注了，可以很大提高标注的效率。

 

需要用到的工具：labelimg

这里推荐使用的工具是labelImg，其它标注labelme工具需要其它转换，不太推荐。实测YOLO版本是YOLOV7,其它YOLO系列也可以保存识别的结果，就算有差异应该不大可以轻松地进行转换。

 

开始预标注

1.首先是通过设置参数，打开detect.py,修改save--text 参数，值为'store_false'。

该参数的意思是是否保存检测后后的结果，如框的位置大小，框的物体类别。注意，store_false才是保存检测的结果。

2.准备好要预标注的图片，集中同一目录，在此中以datasets/mask/test/目录为例。

运行检测命令 如：python detect.py --weights runs/train/mask/weights/best.pt --source datasets/mask/test。

3.在检测的结果中加入图片和类数据。首先来到检测结果的输出目录，看到已经生成和图片格式完全一致的label格式。

打开后是数据是这样的格式。保存的格式是：类别索引，框的位置和大小数据。

我们把对应的图片目录datasets/mask/test/下的图片全部拷到输出目录，如下图。输出结果的label文件和图片是对应的。

 

 4.最后加入框类型各类的文件。文件格式是.txt，格式如下。在我这个模型中识别的是戴口罩，有戴口罩、不戴口罩和不正确佩戴三种。

 

 

5.最后打开labelimg对结果进行修改。在labelimg中选择openDir，选择刚才的模型输出目录。已经看到模型识别后标注的结果，具体框的结果与模型的准确度有关。

 如果有发现标注不正确或错误太多的可以适当调高conf-thres值再检测，默认是0.25。

 如果误识别或标注框不对，可以在labelimg上对标注的信息进行修改。