一、使用labelImg标注数据

labelImg已经打包好放在网盘中了

链接：https://pan.baidu.com/s/1gwfB2bsc0ygW2yOH-8t9Tg 提取码：ABCD

下载labelImg后解压得到两个文件，一个是可执行文件labelImg.exe，另一个是存放标签的文件data/predefined_classes.txt

打开labelImg.exe
使用说明：按W会出现光标，按A是前一张照片，按D是后一张照片，使用光标将目标物框住以后，输入标签名字，再保存即可
image.png

open Dir 打开是存放图片的文件夹 change save Dir 是设置标签保存的文件夹 PascalVOC 是修改数据集标签格式（有YOLO和VOC两种）

二、数据集划分

数据集需要按图片和标签划分为训练集和测试集，所以要对图片和标签进行划分，划分结果如下图所示：
image.png

数据集划分主要用到两个代码：make_txt.py和train_val.py，下面已给出完整代码
在数据集划分之前，先新建几个文件夹，把数据集图片保存在images中，数据集标签保存在labels中，文件夹名和路径如下所示：

  • images
    • 存放数据集图片
  • ImageSets
  • labels
    • 存放数据集标签
  • make_txt.py
  • train_val.py

先运行make_txt.py，会在ImageSets文件下生成四个文件test.txt, train.txt, trainval.txt, val.txt，里面存放的是划分好的图片名，如下所示：
image.png

再运行train_val.py ，需要修改的是最后四行中的文件路径，改成自己的数据集文件名，需要修改的部分如下：
image.png

  1. import os    #路径处理包
  2. import random    #随机数包
  3. trainval_percent = 0.1      #所有数据中测试用数据比例10%
  4. train_percent = 0.9                #训练数据比例90%
  5. #├── train                  占90%
  6. #└── trainval               占10%
  7. #   ├── test               占90%*10%
  8. #   └── val                占10%*10%
  9. xmlfilepath = 'images'    #图片所在路径
  10. txtsavepath = 'ImageSets'    #生成txt文件路径
  11. total_xml = os.listdir(xmlfilepath)
  12. num = len(total_xml)    #所有图片数
  13. list = range(num)    
  14. #计算各类数据实际量
  15. tv = int(num * trainval_percent)
  16. tr = int(tv * train_percent)
  17. #随机生成固定个数序列
  18. trainval = random.sample(list, tv) #从所有list中返回tv个数量的项目
  19. train = random.sample(trainval, tr)
  20. if not os.path.exists('ImageSets/'):
  21.     os.makedirs('ImageSets/')
  22. ftrainval = open('ImageSets/trainval.txt', 'w')
  23. ftest = open('ImageSets/test.txt', 'w')
  24. ftrain = open('ImageSets/train.txt', 'w')
  25. fval = open('ImageSets/val.txt', 'w')
  26. for i in list:
  27.     name = total_xml[i][:-4] + '\n'
  28.     if i in trainval:
  29.         ftrainval.write(name)
  30.         if i in train:
  31.             ftest.write(name)
  32.         else:
  33.             fval.write(name)
  34.     else:
  35.         ftrain.write(name)
  36. ftrainval.close()
  37. ftrain.close()
  38. fval.close()
  39. ftest.close()
  1. import xml.etree.ElementTree as ET    #Python标准库中处理xml的API
  2. import pickle       # 可以将对象以文件的形式存放在磁盘上。
  3. import os               # 路径处理包
  4. import shutil        # python高级文件操作模块（例如复制文件内容，创建文件的新副本并进行归档）
  5. from os import listdir, getcwd
  6. from os.path import join
  7. sets = ['train', 'trainval']    #数据集名称
  8. classes = ['pinecone']        #类别名称
  9. # xyxy -> xywh########################
  10. # 返回值为ROI中心点相对于图片大小的比例坐标，和ROI的w、h相对于图片大小的比例
  11. # box里保存的是ROI感兴趣区域的坐标（xyxy）
  12. def convert(size, box):
  13.     dw = 1. / size[0]    #浮点数除法则执行精确除法
  14.     dh = 1. / size[1]
  15.     x = (box[0] + box[1]) / 2.0
  16.     y = (box[2] + box[3]) / 2.0
  17.     w = box[1] - box[0]
  18.     h = box[3] - box[2]
  19.     x = x * dw
  20.     w = w * dw
  21.     y = y * dh
  22.     h = h * dh
  23.     return (x, y, w, h)
  25. # 对于单个xml的处理
  26. def convert_annotation(image_id):
  27.     in_file = open('Annotations/%s.xml' % (image_id))
  28.     out_file = open('labels/%s.txt' % (image_id), 'w')
  29.     tree = ET.parse(in_file)
  30.     root = tree.getroot()
  31.     size = root.find('size')
  32.     w = int(size.find('width').text)
  33.     h = int(size.find('height').text)
  34.     for obj in root.iter('object'):
  35.         difficult = obj.find('difficult').text
  36.         cls = obj.find('name').text
  37.         if cls not in classes or int(difficult) == 1:
  38.             continue
  39.         cls_id = classes.index(cls)
  40.         xmlbox = obj.find('bndbox')
  41.         b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),
  42.              float(xmlbox.find('ymax').text))
  43.         print(b)
  44.         bb = convert((w, h), b)    #生成ROI
  45.         # print(bb)
  46.         out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
  47. #打印当前路径
  48. wd = getcwd()
  49. print(wd)
  50. #遍历所有数据集和类别，对每个数据进行处理并按结构保存
  51. for image_set in sets:
  52.     if not os.path.exists('labels/'):
  53.         os.makedirs('labels/')
  54.     image_ids = open('ImageSets/%s.txt' % (image_set)).read().strip().split()
  55.     image_list_file = open('images_%s.txt' % (image_set), 'w')
  56.     labels_list_file=open('labels_%s.txt'%(image_set),'w')
  57.     for image_id in image_ids:
  58.         image_list_file.write('%s.JPG\n' % (image_id))
  59.         labels_list_file.write('%s.txt\n'%(image_id))
  60.         # convert_annotation(image_id) #如果标签已经是txt格式，将此行注释掉，所有的txt存放到all_labels文件夹。
  61.     image_list_file.close()
  62.     labels_list_file.close()
  64. #创建yolo训练格式新路径
  65. def copy_file(new_path,path_txt,search_path):#参数1：存放新文件的位置  参数2：为上一步建立好的train,val训练数据的路径txt文件  参数3：为搜索的文件位置
  66.     if not os.path.exists(new_path):
  67.         os.makedirs(new_path)
  68.     with open(path_txt, 'r') as lines:
  69.         filenames_to_copy = set(line.rstrip() for line in lines)
  70.         # print('filenames_to_copy:',filenames_to_copy)
  71.         # print(len(filenames_to_copy))
  72.     for root, _, filenames in os.walk(search_path):
  73.         # print('root',root)
  74.         # print(_)
  75.         # print(filenames)
  76.         for filename in filenames:
  77.             if filename in filenames_to_copy:
  78.                 shutil.copy(os.path.join(root, filename), new_path)
  80. #按照划分好的训练文件的路径搜索目标，并将其复制到yolo格式下的新路径
  81. copy_file('../VOCdevkit408409/images/train/', './images_train.txt', './images')
  82. copy_file('../VOCdevkit408409/images/val/', './images_trainval.txt', './images')
  83. copy_file('../VOCdevkit408409/labels/train/', './labels_train.txt', './labels')
  84. copy_file('../VOCdevkit408409/labels/val/', './labels_trainval.txt', './labels')