YOLO开发（labelImg使用+xml文件转为txt文件）_Python

一、labelImg使用方法

labelImg安装包
1、软件图标的使用
（1）打开需要标记的图片文件夹
在这里插入图片描述
（2）修改保存路径（XML文件夹）

（3）标注ROI区域，填写标签

（4）保存XML文件，有弹框提醒

（5）点击下一张图进行标记

2、软件快捷键的使用
Ctrl +u : 打开图片文件夹
Ctrl +r : 更改结果保存位置
w: 开始画框
Ctrl +s : 保存
d: 下一张
a: 上一张
del: 删除画的框
Ctrl++: 图片放大
Ctrl–: 图片缩小
↑→↓←: 对框进行移动
Ctrl+d: 复制当前框的标签和框
重要提醒：将图片全部命名为1、2、3、4….n等形式，因为后续将xml文件转成txt文件只能识别数字形式。不要加入中文。

二、利用voc制作自己的数据集

在目录下新建VOC2007，并在VOC2007下新建Annotations，ImageSets和JPEGImages三个文件夹。在ImageSets下新建Main文件夹。文件目录如下所示：
在这里插入图片描述
将自己的数据集图片拷贝到JPEGImages目录下。将数据集label文件拷贝到Annotations目录下。在VOC2007下新建test.py文件夹，将下面代码拷贝进去运行，将生成四个文件：train.txt,val.txt,test.txt和trainval.txt

import os
import random

trainval_percent = 0.1      #valid比例
train_percent = 0.9         #train比例
xmlfilepath = 'Annotations'
txtsavepath = 'ImageSets\Main'
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)

ftrainval = open('ImageSets/Main/trainval.txt', 'w')
ftest = open('ImageSets/Main/test.txt', 'w')
ftrain = open('ImageSets/Main/train.txt', 'w')
fval = open('ImageSets/Main/val.txt', 'w')

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

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

生成后的目录结构如下：
在这里插入图片描述

三、加入自己的数据集

在代码的darknet目录下新建VOCdevkit文件夹，然后把刚才制作的VOC2007文件夹拷贝到该文件夹下：
在这里插入图片描述
在scripts目录下有一个voc_label.py文件，修改里面的参数，这里需要修改两个地方，sets和classes，classes根据自己需要修改。

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

sets=[ ('2007', 'train'),('2007', 'valid')]    #需要生成的txt文件

classes = ["neg"]               #标记的名字，需要与labelImg里的名字一致

def convert(size, box):
    dw = 1./size[0]
    dh = 1./size[1]
    x = (box[0] + box[1])/2.0
    y = (box[2] + box[3])/2.0
    w = box[1] - box[0]
    h = box[3] - box[2]
    x = x*dw
    w = w*dw
    y = y*dh
    h = h*dh
    return (x,y,w,h)

def convert_annotation(year, image_id):  # 转换这一张图片的坐标表示方式（格式）,即读取xml文件的内容，计算后存放在txt文件中。
    in_file = open('VOCdevkit/VOC%s/Annotations/%s.xml'%(year, image_id),encoding='UTF-8')
    out_file = open('VOCdevkit/VOC%s/labels/%s.txt'%(year, image_id), 'w',encoding='UTF-8')
    tree=ET.parse(in_file)
    root = tree.getroot()
    size = root.find('size')
    w = int(size.find('width').text)
    h = int(size.find('height').text)

    for obj in root.iter('object'):
        difficult = obj.find('difficult').text
        cls = obj.find('name').text
        if cls not in classes or int(difficult) == 1:
            continue
        cls_id = classes.index(cls)
        xmlbox = obj.find('bndbox')
        b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text))
        bb = convert((w,h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')

wd = getcwd()

for year, image_set in sets:
    if not os.path.exists('VOCdevkit/VOC%s/labels/'%(year)):
        os.makedirs('VOCdevkit/VOC%s/labels/'%(year))  # 新建一个 label 文件夹，用于存放yolo格式的标签文件：000001.txt
    image_ids = open('VOCdevkit/VOC%s/ImageSets/Main/%s.txt'%(year, image_set),encoding='UTF-8').read().strip().split()  # 读取txt文件中 存放的图片的 id：000001
    list_file = open('%s_%s.txt'%(year, image_set), 'w')  # 新建一个 txt文件，用于存放 图片的绝对路径：/media/common/yzn_file/DataSetsH/VOC/VOCdevkit/VOC2007/JPEGImages/000001.jpg
    for image_id in image_ids:
        list_file.write('%s/VOCdevkit/VOC%s/JPEGImages/%s.jpg\n'%(wd, year, image_id))  # 向 txt 文件中写入 一张图片的绝对路径
        convert_annotation(year, image_id)  # 转换这一张图片的坐标表示方式（格式）
    list_file.close()

接下来运行该文件，我们的目录下会生成三个txt文件2007_train.txt,2007_val.txt,，VOCdevkit下的VOC2007也会多生成一个labels文件夹，下面是真正会使用到的label，点开看发现已经转化成YOLOV3需要的格式了。这时候自己的数据集正式完成。
在这里插入图片描述
参考链接：
使用labelImg标注数据的方法：https://www.cnblogs.com/StarZhai/p/11926610.html
超详细教程：YOLO_V3（yolov3）训练自己的数据：https://blog.csdn.net/qq_21578849/article/details/84980298