目标检测——标注图像（超详细步骤）

目录

1、目标

2、标注目标框生成XML文件

（1）建立工作区（必须）

（2） 导入工作区

 （3）在图片中进行标注

（4）完成

 3、将XML文件转化为TXT文件

3.1将图像遍历输入到txt文件中

（1）建立存放目标文件的目录

 （2）运行代码生成文件

（3）完成结果

3.2生成与图像名对应的txt文件

（1） 运行代码

 （2）完成结果

1、目标

    标注图像是为了生成用于训练的数据集，我们需要对采集的图像进行一系列操作，然后生成与图像同名的txt文件，txt文件中记录了目标信息包括有：类别标签、左上角横坐标、左上角纵坐标、右下角横坐标、右下角纵坐标。

    举个例子，对DSC_0011_12.jpg图像进行标注，我们要生成一个DSC_0011_12.txt文件，txt文件内部为

2、标注目标框生成XML文件

    标注的过程大概分为如下几步，首先是框选目标并形成XML文件，而后将XML文件转化为TXT文件。在本节将说明框选目标并形成XML文件的过程。

     在本步骤中我们借助了labeIImg完成(下载地址：https://tzutalin.github.io/labelImg/)，通过这个工具我们可以在图像中框出选择的目标，然后labelImg会生成如下的XML文件来记录标注的信息。

    明确本步的目标后，我们正式开始我们的框选目标过程。首先要为我们的labeIImg建立工作区，首先新建文件夹myData，然后在myData内部建立两个文件夹，分别命名为Annotations和JPEGImages，然后将我们的待标记图片放入JPEGImages，labeIImg生成的HTML文件会在Annotations文件夹内。

    这一步我们直接用图片说明，打开工具labeIImg(下载地址：https://tzutalin.github.io/labelImg/)后：

step1：点击按钮

 step2：找到文件夹并导入

 step3：导入完成

    本次标注的目标是标记车辆，命名为car。

step1：点击创建目标框按钮

 step2：画目标框

step3：保存

点击右边的按钮或者快捷键都可

 step4：下一张

    完成后在JPEGImages中的每张图片都会有一个相应的xml文件在Annotations中。

 3、将XML文件转化为TXT文件

    因为我们的最终需要的是生成与图像同名的txt文件，而目前是xml文件，所有在本步中要完成聪XML文件到TXT文件的转化。首先我们先统计图像的名称放在一个文件中，然后再与Annotations中保留目标框位置的信息对照生成与图像同名的txt文件，这两步各使用一个代码完成。

3.1将图像遍历输入到txt文件中

   建立目标文件夹目录：在myData文件夹下建立ImageSets文件夹，在ImageSets文件夹内建立Main文件夹，本步骤生成的文件都会存放在myDataImageSetsMain中，如下图：

    本步需要利用代码实现，我这边是命名为了BirthPictureTxt.py，存放在myData目录下：

    代码为：

import os

import random

trainval_percent = 0

train_percent = 1

xmlfilepath = 'Annotations'

txtsavepath = 'ImageSetsMain'

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)

ftrainval = open('ImageSets/Main/trainval.txt', 'w')

ftest = open('ImageSets/Main/test.txt', 'w')

ftrain = open('ImageSets/Main/train.txt', 'w')

fval = open('ImageSets/Main/val.txt', 'w')

for i in list:

name = total_xml[i][:-4] + 'n'

if i in trainval:

ftrainval.write(name)

if i in train:

ftest.write(name)

else:

fval.write(name)

else:

ftrain.write(name)

ftrainval.close()

ftrain.close()

fval.close()

ftest.close()

    完成后，我们得到包含图像名称的txt文件train.txt（该文件存放在myDataImageSetsMain中）

3.2生成与图像名对应的txt文件

    这是最后一步，需要生成与图像名对应的txt文件。

    将代码放在与myData同级的目录下：

     代码为：

import xml.etree.ElementTree as ET

import pickle

import os

from os import listdir, getcwd

from os.path import join

sets = [('2021', 'train')]

classes = ["car"]

def convert(size, box):

dw = 1. / (size[0])

dh = 1. / (size[1])

x = (box[0] + box[1]) / 2.0 - 1

y = (box[2] + box[3]) / 2.0 - 1

w = box[1] - box[0]

h = box[3] - box[2]

x = x * dw

w = w * dw

y = y * dh

h = h * dh

return (x, y, w, h)

def convert_annotation(year, image_id):

in_file = open('myData/Annotations/%s.xml' % (image_id))

out_file = open('myData/labels/%s.txt' % (image_id), 'w')

tree = ET.parse(in_file)

root = tree.getroot()

size = root.find('size')

w = int(size.find('width').text)

h = int(size.find('height').text)

for obj in root.iter('object'):

if obj.find('difficult'):

difficult = int(obj.find('difficult').text)

else:

difficult = 0

cls = obj.find('name').text

if cls not in classes or int(difficult) == 1:

continue

cls_id = classes.index(cls)

xmlbox = obj.find('bndbox')

b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),

float(xmlbox.find('ymax').text))

bb = convert((w, h), b)

out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + 'n')

wd = getcwd()

for year, image_set in sets:

if not os.path.exists('myData/labels/'):

os.makedirs('myData/labels/')

image_ids = open('myData/ImageSets/Main/%s.txt' % (image_set)).read().strip().split()

list_file = open('myData/%s_%s.txt' % (year, image_set), 'w')

for image_id in image_ids:

list_file.write('%s/myData/JPEGImages/%s.jpgn' % (wd, image_id))

convert_annotation(year, image_id)

list_file.close()

    我们的目标文件就存在于myData/labels（自动建立）里面啦

相关知识

植物病虫害检测数据集 7800张 病虫害 带标注 voc yolo
TensorFlow 训练自己的目标检测器
如何使用这个玉米病虫害检测数据集进行YOLOv5模型的训练 玉米虫害数据集 4类
无人机目标检测与跟踪数据集（UAVDT）：推动无人机技术的前沿
构建智能化玉米病虫害检测系统：深度学习与实时UI集成详解
基于yolov5的海棠花花朵识别检测系统完整项目
高分项目：基于yolov5的海棠花花朵识别检测系统完整包
桃树病害和害虫图像检测系统的研究与实现
目标检测YOLOv3实战：叶病虫害检测（5）
【农业科普】病害检测研究汇总：深度学习在植物病害目标检测

网址: 目标检测——标注图像（超详细步骤） https://www.huajiangbk.com/newsview1263592.html