[2] LabelImg图片标注 与 YOLOv3 网络训练 (待补充)

LabelImg是一个图形图像注释工具。

它是用Python编写的,并使用Qt作为其图形界面。

注释以PASCAL VOC格式保存为XML文件,这是ImageNet使用的格式。Besdies,它也支持YOLO格式

LabelImg Win&Linux版 下载 https://tzutalin.github.io/labelImg/

LabelImg 操作描述 https://github.com/tzutalin/labelImg

Steps (YOLO):

(注意不同的网络标注形式可能不相同,具体请参考 上面 LabelImg Github操作描述)

1.用 data/predefined_classes.txt 定义你将要进行训练的分类名

2.点击Save下面的双箭头号,切换到YOLO

3.单击左侧的“Change Save Dir” 设置xml文件存放目录(目录不要有中文)

4.使用 Open/OpenDIR 来选定待标记的 单个或多个图片。

5.点击“Create RectBox” 进行标注(单击W也可以标注), 单击并释放鼠标左键以选择要注释矩形框的区域,右键拖动矩形框进行复制或移动

6.完成最后一张图片后,需要单击SAVE (Ctrl+S保存),按a前往上一张图片,按d前往下一张图片

标注完之后,一个文件夹一个放图片,一个放标注好的.XML文件,后续还需要把.xml文件转为.txt格式。以下就是自己的数据集, 注意: 每个分类的标注数据样本至少100个

待 补 充

https://blog.csdn.net/john_bh/article/details/80625220

https://www.cnblogs.com/ruiyang-/p/10222177.html

https://www.cnblogs.com/tango1221/p/10084969.html

https://www.cnblogs.com/MY0213/p/9829581.html

原文地址:https://www.cnblogs.com/clemente/p/10226307.html

时间: 2024-08-02 22:31:23

[2] LabelImg图片标注 与 YOLOv3 网络训练 (待补充)的相关文章

模式识别之卷及网络---卷及网络 训练太慢

摘要:CIFAR-10竞赛之后,卷积网络之父Yann LeCun接受相关采访.他认为:卷积网络需要大数据和高性能计算机的支持:深层卷积网络的训练时间不是问题,运行时间才是关键.Yann LeCun还分享了他正在做的一些最新研究. Kaggle近期举办了一场 关于CIFAR-10数据集的竞赛,该数据集包含有6万个32*32的彩色图像,共分为10种类型,由 Alex Krizhevsky, Vinod Nair和 Geoffrey Hinton收集而来. 很多竞赛选手使用了卷积网络来完成这场竞赛,其

Caffe-python interface 学习|网络训练、部署、测试

继续python接口的学习.剩下还有solver.deploy文件的生成和模型的测试. 网络训练 solver文件生成 其实我觉得用python生成solver并不如直接写个配置文件,它不像net配置一样有很多重复的东西. 对于一下的solver配置文件: base_lr: 0.001 display: 782 gamma: 0.1 lr_policy: "step" max_iter: 78200 #训练样本迭代次数=max_iter/782(训练完一次全部样本的迭代数) momen

卷积网络训练太慢?Yann LeCun:已解决CIFAR-10,目标 ImageNet

卷积网络训练太慢?Yann LeCun:已解决CIFAR-10,目标 ImageNet Kaggle近期举办了一场 关于CIFAR-10数据集的竞赛,该数据集包含有6万个32*32的彩色图像,共分为10种类型,由 Alex Krizhevsky, Vinod Nair和 Geoffrey Hinton收集而来. 很多竞赛选手使用了卷积网络来完成这场竞赛,其中一些在该分类任务中靠着超乎人类能力的表现而得分.在本系列的博客中,我们将会分别采访三位选手和卷积网络之父.Facebook人工智能实验室主任

Caffe-python interface 学习|网络训练、部署、測试

继续python接口的学习.剩下还有solver.deploy文件的生成和模型的測试. 网络训练 solver文件生成 事实上我认为用python生成solver并不如直接写个配置文件,它不像net配置一样有非常多反复的东西. 对于一下的solver配置文件: base_lr: 0.001 display: 782 gamma: 0.1 lr_policy: "step" max_iter: 78200 #训练样本迭代次数=max_iter/782(训练完一次所有样本的迭代数) mom

深度网络训练的一些trick

1.隐层维数要比输入大,输入几百维隐层几千维,500输入,2000隐层.(余凯) 2.发现一层一层AE训练效果并不怎么好(除第一层外其他回复原始数据较差),尝试每一层都用到标签(看余凯视频1:13:30) 来自为知笔记(Wiz)深度网络训练的一些trick,布布扣,bubuko.com

Google Keep绘图新功能:五个使用技巧让笔记中手写和图片标注更加方便

1.三种方式进入Google Keep绘图页面 打开Google Keep后,我们可以通过三种方式进入到绘图页面: 点击底部工具栏的绘图按钮,添加新的绘图笔记 在已有的笔记里,点击右上角的添加绘图,可以添加新的绘图到已有的笔记 点击笔记里的图片,直接进入绘图页面,进行图片标注 继续阅读>>

用java的swing写了个图片标注工具

功能说明: 1 鼠标单击:选取裁剪区域 2 鼠标双击:选取裁剪区域,并把裁剪区域保存为文件,同时把区域中心点的坐标保存 3 打开图片:从某个文件夹打开图片并显示,同时把该目录的所有图片的路径载进来.这个功能主要是针对这么种情况, 假如处理某个文件夹的图片集,在某一张终止了或者暂停了,下一次要从这种图片开始. 4 保存坐标:把裁剪区域保存为文件,同时把区域中心点的坐标保存 5 打开目录:把该目录的所有图片的路径载进来. 6 下一张:展示下一张图片. 常见用法: 1 "打开目录",这时会将

图片标注工具LabelImg使用教程

1.进入labelImg-master文件夹,在空白处使用 "Shift+鼠标右键" ,选择在此处打开命令窗口,依次输入下面语句即可打开软件. pyrcc4 -o resources.py resources.qrc python labelImg.py 2.使用方法 - 修改XML文件保存位置,使用快捷键 "Ctrl+R" ,改为自定义位置,这里的路径一定不能包含中文,否则无法保存. - 源码文件夹中使用notepad++打开data/predefined_cla

基于pycaffe的网络训练和结果分析(mnist数据集)

该工作的主要目的是为了练习运用pycaffe来进行神经网络一站式训练,并从多个角度来分析对应的结果. 目标: python的运用训练 pycaffe的接口熟悉 卷积网络(CNN)和全连接网络(DNN)的效果差异性 学会从多个角度来分析分类结果 哪些图片被分类错误并进行可视化? 为什么被分错? 每一类是否同等机会被分错? 在迭代过程中,每一类的错误几率如何变化? 是否开始被正确识别后来又被错误识别了? 测试数据集:mnist 代码:https://github.com/TiBAiL/Pycaffe