数据标注：labelimg和Labelme的安装

数据标注

概念与意义

图像数据标注指的是运用人工或自动化手段，对图像里的目标物体、场景环境、属性特征等进行标记和注释的过程。它的意义在于生成带有标签的图像数据集，这些数据集能作为机器学习模型的训练素材，助力模型学会识别和理解图像中的各类元素。

标注的类型与方式

图像数据标注包含多种类型和方式，依据不同的应用场景以及任务要求，可挑选合适的标注形式。下面为你介绍一些常见的图像数据标注类型和方式：

• 目标检测标注：在图像里标记出目标对象的位置和边界框，同时给出该对象的类别标签。这种方式常用于自动驾驶、安防监控等领域。

• 语义分割标注：给图像中的每个像素都标注对应的类别标签，以达成像素级别的分类。该方式在医学图像分析、自动驾驶等领域应用广泛。

• 关键点标注：在图像中标注出目标对象的关键点位置，如人脸的眼角、嘴角等。这种方法常用于人脸识别、姿态估计等领域。

• 多边形标注：使用多边形框标注出图像中的不规则目标物体。这种方法比矩形框标注更精确 ,适用于复杂场景下的目标检测。

• 3D 标注：对图像中的物体进行三维空间中的标注，包括物体的形状、大小、位置等。这种方法常用于自动驾驶、虚拟现实等领域。

标注流程

图像数据标注的流程通常包括以下几个步骤：

1.数据准备：收集需要标注的图像数据，并进行预处理，如图像清洗、格式转换等。

2.制定标注规范：根据任务需求和数据特点，制定详细的标注规范，包括标注目标、标注方法 、标注精度等。

3.标注实施：按照标注规范对图像数据进行标注。标注工作可以由人工完成，也可以使用自动 化标注工具辅助完成。

4.质量控制：对标注结果进行质量控制和验证，确保标注的准确性和一致性。这可以通过抽样 检查、双重标注等方式实现。

5.数据整理与输出：将标注好的图像数据整理成统一格式，并输出为机器学习模型所需的训练 数据集。

标注工具

LabelImg安装与使用

LabelImg 是一款用 Python 编写的开源图像标注工具，其图形界面基于 Qt，简洁易用（尽管是英文版）。该工具主要用于分类和目标检测的数据标注，其注释可以保存为 PASCAL VOC 格式的 XML 文件，这也是 ImageNet 所使用的格式。此外，LabelImg 还支持 COCO 数据集格式。接下来，我们将介绍如何使用 LabelImg 进行目标检测数据标注，以及如何使用 Labelme 进行图像分割数据标注。

安装LabelImg之前必须安装acaconda，acaconda安装请自行查阅。

首先，请进入 conda 虚拟环境终端，并使用以下指令来创建一个新的虚拟环境，将新环境命名为labeling。（注：不建议在 conda 自带的 base 环境里安装）。

(base) C:\Users\Fanjiarong>conda create --name labelimg python=3.9

接着，请激活 labeling 虚拟环境，并在该环境中使用以下指令来安装 LabelImg 工具，等待其自动帮您安装 labelimg 以及 lxml 和 pyqt5。

(base) C:\Users\Fanjiarong>conda activate labelimg
(labeling) C:\Users\Fanjiarong>pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple

在安装好 labeling 的虚拟环境里输入 labelimg，等大约三秒左右出现 labelimg 界面。

(labeling) C:\Users\Fanjiarong>labelImg

labelimg 使用

我们打开需要标注的图片文件夹

并设置标注文件保存的目录（上图中的 Change Save Dir）

然后就开始标注，画框，标记目标的 label，然后按 D 键切换到下一张继续标注，不断重复重复。

标注结果展示：

Labelme****安装与使用

Labelme 是一款图像标注工具，它广泛应用于图像分割、目标检测等任务。该工具提供了多边形、矩形、圆形、多段线、线段以及点等多种标注形式，能够满足各种复杂的绘制需求。此外，Labelme 还支持视频标注功能，并能生成符合 VOC 和 COCO 等格式的数据集。

建议在 Anaconda 虚拟环境中安装 Labelme。

(labelimg) C:\Users\Fanjiarong>pip install labelme -i
https://pypi.tuna.tsinghua.edu.cn/simple

安装完成后，在终端中输入以下指令：

(labelimg) C:\Users\Fanjiarong>labelme

等（大约三秒）就会出现 labelme（界面如下图）

使用 labelme 对图片进行标注。

标注完后的标签文件为 json 文件

图像标注后，生成的 json 文件是保存的分割边界坐标，还需要进一步处理，将描述文件转 换为分割实例图像。才可放入到模型中进行训练