(四)机器学习小白入门YOLOv ：图片标注实操手册
(1)机器学习小白入门YOLOv ：从概念到实践
(2)机器学习小白入门 YOLOv：从模块优化到工程部署
(3)机器学习小白入门 YOLOv： 解锁图片分类新技能
(4)机器学习小白入门YOLOv ：图片标注实操手册
(5)机器学习小白入门 YOLOv：数据需求与图像不足应对策略
对于熟悉 Python 和 YOLOv 的资深程序员而言，图片标注是模型训练前至关重要的环节，其质量直接影响模型的检测精度。以下是详细的标注过程、步骤及相关实例代码：
一、标注前的准备工作
（一）数据集整理
首先要对收集到的图片进行筛选和整理。去除模糊、光照异常、目标不清晰的图片，保证数据集的有效性。同时，按照一定的比例划分训练集、验证集和测试集，一般可采用 8:1:1 的比例，也可根据实际需求调整。另外，为了让模型更好地学习，需要确保数据集中包含各种场景、角度、尺寸的目标对象。
以下是使用 Python 划分数据集的示例代码：
import os
import shutil
import randomdef split_dataset(image_dir, train_ratio=0.8, val_ratio=0.1, test_ratio=0.1):# 创建训练集、验证集、测试集文件夹train_dir = os.path.join(image_dir, 'train')val_dir = os.path.join(image_dir, 'val')test_dir = os.path.join(image_dir, 'test')for dir in [train_dir, val_dir, test_dir]:if not os.path.exists(dir):os.makedirs(dir)# 获取所有图片路径image_files = [f for f in os.listdir(image_dir) if f.endswith(('.jpg', '.jpeg', '.png'))]random.shuffle(image_files)# 计算各数据集数量total = len(image_files)train_num = int(total * train_ratio)val_num = int(total * val_ratio)# 复制图片到对应文件夹for i, file in enumerate(image_files):src = os.path.join(image_dir, file)if i < train_num:dst = os.path.join(train_dir, file)elif i < train_num + val_num:dst = os.path.join(val_dir, file)else:dst = os.path.join(test_dir, file)shutil.copy(src, dst)# 使用示例
image_directory = 'path/to/your/images'
split_dataset(image_directory)
（二）确定标注目标和类别
明确需要标注的目标对象，比如在目标检测任务中，可能需要标注行人、车辆、交通信号灯等。然后对这些目标进行类别定义，每个类别给予唯一的标识符，方便后续的标注和模型训练。
（三）选择合适的标注工具
根据实际需求选择标注工具，常用的标注工具有 LabelImg、LabelMe、VGG Image Annotator（VIA）等。对于 YOLOv 模型，通常需要输出特定格式的标注文件（如 txt 格式），部分工具可以直接生成该格式，能减少后续格式转换的工作。比如 LabelImg 就支持 YOLO 格式的标注，使用起来较为便捷。
二、标注实施步骤（以 LabelImg 为例）
（一）导入图片到标注工具
-
打开 LabelImg 软件，点击左上角的 “Open Dir” 按钮，在弹出的窗口中选择整理好的图片文件夹，即可将该文件夹下的所有图片导入到工具中。
-
若需要批量处理图片，可点击 “Change Save Dir” 设置标注文件的保存路径，确保标注文件与图片对应存放。
（二）进行目标框标注
-
在工具栏中选择 “Create RectBox” 工具。
-
对于当前显示的图片，找到目标对象，按住鼠标左键拖动，绘制一个能够准确包围目标的矩形边界框。例如，标注一辆汽车时，边界框应从汽车的左上角边缘到右下角边缘，尽量不包含过多背景，也不遗漏汽车的任何部分。
-
绘制完成后，松开鼠标，会弹出一个类别选择窗口。
（三）填写类别信息
-
在弹出的类别选择窗口中，从预设的类别列表中选择该目标对应的类别，如 “dog”。
-
若该类别未在列表中，可直接输入类别名称并点击 “OK”，该类别会被添加到列表中供后续使用。
-
完成一个目标的标注后，可点击 “Next Image”（快捷键 “D”）切换到下一张图片，重复上述标注操作。
实例过程：假设要标注一批包含行人、自行车和摩托车的图片。导入图片文件夹后，第一张图片中有一位行人和一辆自行车。使用 “Create RectBox” 工具分别为行人和自行车绘制边界框，在类别选择窗口中分别选择 “person” 和 “bicycle”，完成标注后切换到下一张图片继续标注。
三、标注后的检查与处理
（一）标注质量检查
对标注好的图片进行逐一检查，查看边界框是否准确、类别标注是否正确。可以通过随机抽查、交叉检查等方式提高检查的准确性。对于发现的错误标注，要及时进行修正。
import osdef check_annotations(image_dir, label_dir, class_names):class_ids = {name: i for i, name in enumerate(class_names)}error_log = []for image_file in os.listdir(image_dir):if not image_file.endswith(('.jpg', '.jpeg', '.png')):continueimage_name = os.path.splitext(image_file)[0]label_file = os.path.join(label_dir, f'{image_name}.txt')# 检查标注文件是否存在if not os.path.exists(label_file):error_log.append(f'标注文件不存在：{label_file}')continue# 检查标注内容with open(label_file, 'r') as f:lines = f.readlines()for line_num, line in enumerate(lines, 1):parts = line.strip().split()if len(parts) != 5:error_log.append(f'{label_file} 第{line_num}行格式错误，应为5个字段')continueclass_id, x_center, y_center, width, height = partstry:class_id = int(class_id)x_center = float(x_center)y_center = float(y_center)width = float(width)height = float(height)except ValueError:error_log.append(f'{label_file} 第{line_num}行字段类型错误')continueif class_id not in class_ids.values():error_log.append(f'{label_file} 第{line_num}行类别ID无效：{class_id}')if not (0 <= x_center <= 1 and 0 <= y_center <= 1 and 0 <= width <= 1 and 0 <= height <= 1):error_log.append(f'{label_file} 第{line_num}行坐标值超出范围')return error_log# 使用示例
class_names = ['person', 'car', 'traffic_light']
image_dir = 'path/to/train/images'
label_dir = 'path/to/train/labels'
errors = check_annotations(image_dir, label_dir, class_names)
if errors:with open('annotation_errors.txt', 'w') as f:f.write('\n'.join(errors))print(f'发现{len(errors)}个错误，已保存到annotation_errors.txt')
else:print('标注检查通过')
（二）格式转换（如需要）
虽然部分标注工具可以直接生成 YOLOv 所需的 txt 格式标注文件，但如果使用的工具生成的是其他格式（如 XML 格式），则需要进行格式转换。可以利用 Python 编写脚本实现格式转换，将标注信息转换为 YOLOv 要求的格式，即每个图片对应一个 txt 文件，文件中每行包含类别索引、目标中心 x 坐标、目标中心 y 坐标、目标宽度、目标高度（均为相对于图片宽度和高度的归一化值）。
以下是将 XML 格式标注文件转换为 YOLOv 所需 txt 格式的示例代码：
<annotation><folder>img</folder><filename>1-0002.png</filename><path>E:\BaiduNetdiskDownload\data\img\1-0002.png</path><source><database>Unknown</database></source><size><width>386</width><height>386</height><depth>3</depth></size><segmented>0</segmented><object><name>dog</name><pose>Unspecified</pose><truncated>0</truncated><difficult>0</difficult><bndbox><xmin>2</xmin><ymin>2</ymin><xmax>383</xmax><ymax>385</ymax></bndbox></object>
</annotation>（三）数据集打包与存储
将检查和处理好的图片和对应的标注文件按照训练集、验证集、测试集的划分进行打包存储。可以建立相应的文件夹结构，如 “train/images”“train/labels”“val/images”“val/labels”“test/images”“test/labels”，分别存放对应数据集的图片和标注文件，方便后续模型训练时调用。