使用YOLO自动标注，并由用labelImg微调_yolo标注工具

前言：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。

工具：YOLO模型，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。

而关于labelImg的安装与使用请查看这篇文章

开始标注：

1.获取预权重

可以先用标注软件标注300张图片，然后用YOLOv7训练得出预权重。然后把权重放入YOLO模型的weight目录下。

2.修改参数

接着是通过设置参数，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。

3.运行项目

现在我们在/yolov7/这个工作路径下，输入如下命令

python detect.py --weights weights/yolov7.pt --source inference/images

参数说名

--weights weight/yolov7.pt   # 这个参数是把已经训练好的模型路径传进去，就是刚刚下载的文件
--source inference/images   # 传进去要预测的图片

 如果得到如下的运行结果，则说明运行成功，预测的图片被保存在了/runs/detect/exp2/文件夹下

 

 4.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YOLOV7\inference\images下的图片全部拷到单独目录（是原图），如下图。输出结果的label文件和图片是对应的。

PS：label和原图要分开两个文件夹

 

 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一下几种类别。

5.最后打开标注软件对结果进行修改。

若是YOLO数据集格式，标注文件为txt文件：

在labelimg中选择Open Dir，打开存放原图的目录，让选择Change Save Dir，选择刚刚模型输出label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。

若是VOC数据集格式，标注文件为XML格式：

在精灵标注助手中选择新建项目，选择刚才的模型输出目录。进入后选择导入，把xml文件导入，则可以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。

参考文章：https://www.cnblogs.com/cnZhi/articles/17055439.html