[人工智能]Yolov5 使用精灵标注助手制作数据集

精灵标记助手下载：http://www.jinglingbiaozhu.com/

首先点击菜单文件->新建，然后选择位置标注，选择图片文件夹，点击创建按钮，软件会自动加载文件夹下的图片（png,jpg,gif）并创建一个项目。



可以选择 曲线框，多边形框，矩形框等对图片进行标注。

所有的数据集标注完成后，将标注的信息导出。

注：选择导出格式时候必须选择pascal—voc导出XML直接选择XML会在后面无法读取到标注
的信息

导出的文件就是pascal-voc的xml，效果如下：

输出的标注文件XML保存在Annotations中

数据集标记好后，将原始图片数据集放到images文件夹中，如图所示

以下操作是对导出的XML文件和原图片进行解析。

makeTxt.py

创建 makeTxt.py 文件
makeTxt.py主要是将数据集分类成训练数据集和测试数据集，默认train，val，test按照8：1：1
的比例进行随机分类。

import os
import random

trainval_percent = 0.9
train_percent = 0.9
xmlfilepath = './datasets/Annotations'  # 数据集位置
txtsavepath = './datasets/images'  # 图片位置
tmage_sets_path = './datasets/ImageSets'  # 将数据集分为 训练数据集和测试数据集进行存放的位置
total_xml = os.listdir(xmlfilepath)

num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)

# 先找ImageSets文件夹如果不存在则创建
if not os.path.exists(tmage_sets_path):
    os.makedirs(tmage_sets_path)

ftrainval = open('datasets/ImageSets/trainval.txt', 'w')  # 以只写方式打开文件。如果文件存在会被覆盖。如果文件不存在，创建新文件
ftest = open('datasets/ImageSets/test.txt', 'w')
ftrain = open('datasets/ImageSets/train.txt', 'w')
fval = open('datasets/ImageSets/val.txt', 'w')

for i in list:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        ftrainval.write(name)
        if i in train:
            ftrain.write(name)
        else:
            fval.write(name)
    else:
        ftest.write(name)

ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

voc_label.py

创建 voc_label.py 文件
代码如下：
classes=[……] 中填入的一定要是自己在数据集中所标注的类别名称，标记了几个类别就填写几个类别名，填写错误的话会造成读取不出xml文件里的标注信息。

# xml解析包
import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join


sets = ['train', 'test', 'val']
classes = ['杯子', '键盘', '鼠标', '手机']  #填入刚刚标记数据集的类别名称

# 进行归一化操作
def convert(size, box):  # size:(原图w,原图h) , box:(xmin,xmax,ymin,ymax)
    dw = 1. / size[0]  # 1/w
    dh = 1. / size[1]  # 1/h
    x = (box[0] + box[1]) / 2.0  # 物体在图中的中心点x坐标
    y = (box[2] + box[3]) / 2.0  # 物体在图中的中心点y坐标
    w = box[1] - box[0]  # 物体实际像素宽度

    h = box[3] - box[2]  # 物体实际像素高度
    x = x * dw  # 物体中心点x的坐标比(相当于 x/原图w)
    w = w * dw  # 物体宽度的宽度比(相当于 w/原图w)
    y = y * dh  # 物体中心点y的坐标比(相当于 y/原图h)
    h = h * dh  # 物体宽度的宽度比(相当于 h/原图h)
    return (x, y, w, h)   # 返回 相对于原图的物体中心点的x坐标比,y坐标比,宽度比,高度比,取值范围[0-1]

# year ='2012', 对应图片的id（文件名）
def convert_annotation(image_id):
    '''
    将对应文件名的xml文件转化为label文件，xml文件包含了对应的bunding框以及图片长款大小等信
    息，
    通过对其解析，然后进行归一化最终读到label文件中去，也就是说
    一张图片文件对应一个xml文件，然后通过解析和归一化，能够将对应的信息保存到唯一一个label文件
    中去
    labal文件中的格式：calss x y w h 同时，一张图片对应的类别有多个，所以对应的ｂｕｎｄｉ
    ｎｇ的信息也有多个
    '''

    # 对应的通过year 找到相应的文件夹，并且打开相应image_id的xml文件，其对应bund文件
    in_file = open('datasets/Annotations/%s.xml' % (image_id), encoding='utf-8')
    # 准备在对应的image_id 中写入对应的label，分别为
    # <object-class> <x> <y> <width> <height>
    out_file = open('datasets/labels/%s.txt' % (image_id), 'w', encoding='utf-8')
    # 解析xml文件
    tree = ET.parse(in_file)
    # 获得对应的键值对
    root = tree.getroot()
    # 获得图片的尺寸大小
    size = root.find('size')
    # 如果xml内的标记为空，增加判断条件
    if size != None:
        # 获得宽
        w = int(size.find('width').text)
        # 获得高
        h = int(size.find('height').text)
        # 遍历目标obj
        for obj in root.iter('object'):
            # 获得difficult ？？
            difficult = obj.find('difficult').text
            # 获得类别 =string 类型
            cls = obj.find('name').text
            # 如果类别不是对应在我们预定好的class文件中，或difficult==1则跳过
            if cls not in classes or int(difficult) == 1:
                continue
            # 通过类别名称找到id
            cls_id = classes.index(cls)
            # 找到bndbox 对象
            xmlbox = obj.find('bndbox')
            # 获取对应的bndbox的数组 = ['xmin','xmax','ymin','ymax']
            b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text),
                 float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text))
            print(image_id, cls, b)
            # 带入进行归一化操作
            # w = 宽, h = 高， b= bndbox的数组 = ['xmin','xmax','ymin','ymax']
            bb = convert((w, h), b)

            # bb 对应的是归一化后的(x,y,w,h)
            # 生成 calss x y w h 在label文件中
            out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
# 返回当前工作目录
wd = getcwd()
print(wd)

for image_set in sets:
    '''
    对所有的文件数据集进行遍历
    做了两个工作：
    １．将所有图片文件都遍历一遍，并且将其所有的全路径都写在对应的txt文件中去，方便定位
    ２．同时对所有的图片文件进行解析和转化，将其对应的bundingbox 以及类别的信息全部解析写到
    label 文件中去
    最后再通过直接读取文件，就能找到对应的label 信息
    '''

    # 先找labels文件夹如果不存在则创建
    if not os.path.exists('datasets/labels/'):
        os.makedirs('datasets/labels/')
    # 读取在ImageSets/Main 中的train、test..等文件的内容
    # 包含对应的文件名称
    image_ids = open('datasets/ImageSets/%s.txt' % (image_set)).read().strip().split()
    # 打开对应的2012_train.txt 文件对其进行写入准备
    list_file = open('datasets/%s.txt' % (image_set), 'w')
    # 将对应的文件_id以及全路径写进去并换行
    for image_id in image_ids:
        list_file.write('datasets/images/%s.jpg\n' % (image_id))
        # 调用 year = 年份 image_id = 对应的文件名_id
        convert_annotation(image_id)
    # 关闭文件
    list_file.close()

• 分别运行makeTxt.py和voc_label.py。
• makeTxt.py主要是将数据集分类成训练数据集和测试数据集，默认train，val，test按照8：1：1
  的比例进行随机分类，运行后ImagesSets文件夹中会出现四个文件，主要是生成的训练数据集和测
  试数据集的图片名称，同时data目录下也会出现这四个文件，内容是训练数据集和测试数据集的图
  片路径。
  
  
  labels文件夹下 txt文件的内容如下：