YOLOv5与CVAT联合进行预标注并修正labels--[全网独家]

已于 2023-05-15 16:21:22 修改
阅读量5.2k 收藏 28
点赞数 5
分类专栏： CVAT ubuntu18.4 YOLOv5检测 文章标签： python 开发语言
于 2022-06-01 16:38:13 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/ZHUO__zhuo/article/details/125083581
版权

在网上一直没找到YOLOv5预标注+CVAT修正labels的方法，就自己摸索了，这里记录一下

一、YOLOv5预标注
 

yolov5在模型推理阶段，输入命令

python detect.py --save-txt

即可获得默认设置下的预标注图像 + txt文件。

        该命令中save_txt选项用于生成结果的txt标注文件，会生成与图片相同文件名的txt检测框信息文件，每个txt文件会生成一行或多行的信息，一行信息对应一个label, 信息包括类别序号（第几类物体）、xcenter ycenter w h（label的中心坐标信息），label的长宽信息，均为归一化数值，如下图：

输入命令：

python detect.py --save-txt  --save-crop

即可获得默认设置下的预标注图像 + txt文件 + 被检物体的截取图像。

 也可以在指定其他信息：

 python detect.py

        --data waterpipe-electricwire.yaml        #指定yaml文件

        --weights last.pt        #权重文件

        --source home/images/        #图片读取位置

        --device 0

        --save-txt

        --save-crop

二、CVAT对预标注结果进行修正

需要安装cvat，还没安装的可以看我这篇博客，这里不展开说明：

CVAT安装及图片标注使用教程

1.将yolo预标注结果保存成可被cvat读取的格式

        创建一个自命名文件夹，自命名文件夹再创建一个obj_train_data文件夹、一个data文件、一个names文件、一个txt文件：

obj_train_data文件用来存放没有检测框的原图 + 被检测生成的txt文件     

这里有个问题要注意：有些图片在预训练时没有被检测到目标，所以没有生成对应的txt文件

而obj_train_data文件中的images和txt是要一一对应的

这就要我们提前手动剔除没有txt文件的图片   

 obj.data写入以下信息，classes = 1即我要检测的类别只有一个

 obj.names文件即是定义类别的具体名称，我这里只有一个

 train.txt文件存放所有图片的位置，但要注意，这里的位置信息不是绝对位置，而是

data/+相对路径

 生成这个信息的代码可以看我这篇博客：python输出文件的位置信息

运行代码会自动生成一个含有图片位置信息的train.txt文件，位于被测图片同级目录下，生成结果也会显示在终端：

2.CVAT导入数据

打开cvat，点击projects, 创建create a new project

项目随意命名，一定要注意的是，

constructor创建的标签名和上述obj.names文件定义类别的名称是一致的

subimt 后选择open project, 点击import dataset上传材料

 

选择yolo 1.1，将包含 obj_train_data、data文件、names文件、txt文件的压缩包上传

3.完善标注

 标注小技巧

  • 标注过程中的快捷键可以省很多力气，以下是比较常用的几个：
    • 保存： Ctrl + S
    • 删除： Delete
    • 缩放：鼠标滚轴，往上放大，向下缩小
    • 拖动：鼠标左键点击并拖动图片，调整位置
    • 下一帧：F
    • 上一帧：D
    • 向后跳十张: Shift+Ctrl + V
    • 向前跳十张: Shift+Ctrl + C
    • 复制框：Ctrl + C
    • 粘贴框：Ctrl + V
    • 重复上一次标注框参数：N，比如连续标一类头框，那么每次重复标时按N可以直接标下一个头框
    • 对选定对象连续标注接下来所有帧内此对象：Ctrl + B
    • 转换标签：Ctrl+(0..9)

更多使用方法看我的这篇博客： CVAT安装及图片标注使用教程_问题多多快快改的博客-CSDN博客

总结

这里只是简单介绍了yolo+cvat的联合使用，更多方法欢迎评论区留言讨论

labelme转YOLOv8、YOLOv5 标签格式 标注数据
黎国溥
06-11 4010
本文分析将labelme的标签，转为YOLOv8、YOLOv5的格式，实现模型训练。首先了解YOLOv8和YOLOv5标签格式，然后了解labelme标签格式，最近实现数据格式转换。
【深度学习】使用yolov5对数据进行预标注
q742971636的博客
07-19 1603
以条形码为例，下载数据集muenster_barcodedb，想使用yolov5对条形码进行检测。muenster_barcodedb数据集有几千张图，没有目标检测标注。
【YOLO】X-Anylabeling 数据集标注
最新发布
AbaAbaxxx_的博客
03-11 3011
本文将介绍如何使用软件进行 YOLO 格式的数据集标注与导出。对于初学者来说，建议参考进行安装与使用。特别是在第1.2节“Running from GUI”中，详细介绍了如何通过GUI进行操作。为了快速开始，建议前往页面，下载适合你系统的GUI版本。我个人下载并使用的是X-AnyLabeling自动标注数据集并训练自己的YOLO11目标检测模型（推荐）【YOLO】X-AnyLabeling自动标注工具,AI帮你解放双手（官方文档）
YOLOV5_labels.jpg&labels_correlogram.jpg
smilejfy的博客
07-10 1381
汇总训练集数据的标签labels，并画出训练集数据标签 x, y, width, height 4个变量之间的关系图（线性或非线性，有无较为明显的相关关系）。（3，3）图表明框的高的分布情况，可以看到大部分框的高的大小超过整幅图的高的小一半，但也有大的框；（2，2）图表明框的宽的分布情况，可以看到大部分框的宽的大小大概是整幅图的宽的小一半；（1，1）图表明中心点纵坐标y的分布情况，可以看到大部分集中在整幅图的中心位置；第一张图可以看出样本的均衡性，最好的是各个类别的数量差不多一样。
YOLOv5 数据集划分及生成labels
weixin_57790393的博客
10-16 3275
YOLOv5数据存放格式，及生成标签，划分数据集
YOLOV5训练时找不到lables标签
on_the_fly的博客
01-06 5021
yolov5训练时找不到标签
CVAT标注平台导出格式转YOLOv8格式
lpb99的博客
02-26 1793
但是我这里的YOLO格式导出后txt里面没有标注内容，不知道为什么，因此采用了先转COCO格式，再手动代码转YOLO格式。而在CVAT标注中如果使用了Draw new mask这个按点标注的功能的话，在导出的COCO的Json文件中会出现类似与这种格式。CVAT是一个非常方便的标注平台，可以实现半自动标注，导出的格式也是非常全面，基本的图像检测分割算法需要的标注信息格式它都涵盖。这其实是RLE格式的标注信息，可以使用如下代码转化为普通的segmentation像素点格式。代码写的很冗余，继续学习。
coco2017数据集--训练集的txt标注文件，适用于yolov5训练
09-11
此文件是使用coco2017的训练集的原json标注格式转化为xml文件标注格式再转化为txt标注格式的所有图片的标注，共118287个txt文件
手把手带你调参YOLOv5 (v5.0-v7.0)（推理）
热门推荐
YOLOv8项目贡献者
04-24 15万+
解析YOLOv5项目中detect.py文件27个参数含义
基于Yolov5的口罩面罩检测识别数据集+标注好的数据，yolov5 进行二分类口罩检测
01-17
使用 pytorch 版本 yolov5 进行二分类 mask 检测，首次模型训练15天，对数据打标； 数据+标签，人工筛选 打标数据更新数据集再次训练，提升模型精度 二三步骤反复迭代 三次，最终得到 准确率（accuracy）高达 0.995 ...
yolov5如何修改标签和显示框
qq_39195736的博客
11-29 2604
yolov5修改显示框大小
YOLO快速图像标注工具
11-09
YOLO快速图像标注工具，里面附有使用说明书。资源并非自己原创，如果造成侵权，请私信我（我会主动删除）。
YOLOv5 人脸口罩图片数据集带图片和文档，可直接训练
04-29
这是基于Yolov5标注的人脸与口罩数据集，包含图片和txt文档，可直接训练使用 约4000张不带口罩的人脸图片+4000张带口罩的人脸图片，含标注文件，符合YOLOv5格式，可直接训练。
yolov5训练时少类别、images和labels文件生成
m0_70255491的博客
10-20 1322
创建一个空的txt文件夹，将所有xml文件放入Annotations文件夹里 然后运行下列代码使xml文件转为txt文件。如果在用yolov5训练自己的数据集时，需要训练两种类别，在mydata.yaml和yolov5.yaml文件里都改了相应参数。如 0 0.24355 0.45323 0.3453 0.35134这个txt文件表示第0个种类。yolov5训练是用的txt文件，txt文件里的第一个数字表示种类。因为我只要两个种类 所以我的txt文件前面数字只有0或者1。
利用yolov5的预测结果，生成txt标注文件（与labelImg一样），实现自动标注
weixin_48057700的博客
03-15 1万+
1.下载yolov5代码，或者直接用已有的代码。 2.pycharm终端运行: #yolov5 detect.py help data python detect.py -h 3.使用以下参数，可以将yolov5预测的结果，转为txt格式。注意哈，可以指定类别。（可以说是想要啥就有啥）。 --save-txt save results to *.txt #将预测的bounding box保存为txt文件 --save-crop sav..
Yolov5制作自己的数据集，图片标签重命名程序
frighting_ing的博客
09-23 2259
制作自己的数据集，应该先进行格式重命名，以便于后期处理 import os class BatchRename(): ''' 批量重命名文件夹中的图片文件 ''' def __init__(self): self.path = r'E:\python学习资料\python数据处理\xiangduiying' #表示需要命名处理的文件夹 def rename(self): filelist = os.listdir(self.pa
yolov5直接修改标签显示内容，无需转化标签，无需重新训练
记录自己的学习历程。
05-15 4817
yolov5两行代码直接修改标签内容，无需转化标签，无需重新训练。
【Python-实操】cvat-coco-to-yolov8seg
08-07 607
这是一个简单的Python脚本，用于将COCO格式的分割标注转换为YOLO格式的分割标注。该脚本使用了标准库中的argparse模块来处理命令行参数，从而使得用户能够方便地指定JSON文件路径以及输出文件夹。
2.CVAT—导入导出数据集并上传注释
ban102055的博客
02-27 4460
在任务或作业中，您可以上传注释。为此，请在任务菜单 Action 或作业 Menu 中选择项目 Upload annotation ， Top panel 选择您计划上传注释的格式，然后通过资源管理器选择注释文件或存档。然后回到任务面板，打开就可以看到已经标注好的结果了。Pascal VOC的xml格式的注释。在导入过程中，您将能够跟踪导入进度。从可用选项列表中选择对应的标签格式。标注文件的格式是打包压缩好的。coco的json格式的注释。从选择需要输出的标签格式。YOLO的txt格式的注释。
cvat预标注
03-11
<think>好的，我现在需要帮助用户了解CVAT的预标注功能和使用方法。首先，用户明确提到了预标注，所以我要先确认自己对CVAT的预标注功能的理解是否正确。CVAT是一个开源的标注工具，预标注应该是利用已有的模型对数据进行自动标注，减少人工标注的工作量。 接下来，我需要回忆相关的引用内容。用户提供的引用中有引用[3]和引用[4]，其中引用[3]提到了在Ubuntu上安装CVAT和SAM的指南，以及设置环境变量来运行容器。引用[4]则介绍了globox这个用于转换数据集和评估指标的工具。虽然用户的问题是关于预标注，但可能需要结合这些引用中的信息。 不过，用户的问题主要是预标注的使用方法，我需要更直接的信息。根据我对CVAT的了解，预标注通常是通过集成机器学习模型，在标注任务开始前自动生成标注结果，然后由人工进行修正。这可能涉及到上传模型到CVAT，或者使用现有的模型接口。 接下来，我应该考虑如何结构化的回答用户的问题。用户需要教程式的指导，所以步骤要清晰。可能需要包括如何准备模型、上传模型到CVAT、创建任务时启用预标注、运行推理任务、以及后续的人工审核步骤。 同时，用户提供的引用中并没有直接提到预标注的具体步骤，所以可能需要依赖我的现有知识，但需要确保准确性。例如，引用[3]提到运行CVAT容器，这可能是在部署环境时的步骤，而预标注功能可能需要在已部署的CVAT实例中进行配置。 另外，引用[4]提到的globox可能用于转换标注格式，可能在预标注后导出数据时有用，但用户的问题主要集中在预标注的使用上，所以可能不需要深入讨论globox，除非在步骤中需要转换格式。 现在，我需要组织步骤。首先，用户可能需要安装和配置CVAT，这部分引用[3]中的安装指南可能相关，但用户可能已经安装好了，所以重点放在预标注功能的使用上。步骤可能包括： 1. 准备预标注模型：比如使用ONNX或TensorRT格式的模型，或者使用CVAT支持的框架。 2. 上传模型到CVAT：通过CVAT的模型管理界面。 3. 创建任务时启用预标注：在任务设置中选择预标注模型。 4. 运行自动标注：在任务中触发模型推理，生成预标注结果。 5. 人工审核和修正：检查并调整自动生成的标注。 需要验证这些步骤是否正确。例如，CVAT的模型管理界面是否有上传模型的选项，是否支持常见的模型格式，如何触发推理等。如果有不确定的地方，可能需要查阅CVAT的官方文档或社区资源，但根据我的现有知识，这些步骤基本正确。 另外，可能需要提到如何利用SAM（Segment Anything Model）进行预标注，因为引用[3]提到了安装SAM。SAM是Meta的模型，用于图像分割，可能可以作为预标注的模型使用。这可能是一个具体的例子，说明如何集成SAM到CVAT中进行自动分割标注。 此外，注意事项部分可能包括模型兼容性、标注质量检查、性能优化等。例如，模型需要与CVAT兼容，预标注结果可能需要调整阈值以提高准确率，或者处理大图像时的性能问题。 最后，相关问题部分需要生成与CVAT预标注相关的问题，比如支持的模型格式、优化预标注速度的方法、处理不同任务类型（检测、分割等）的注意事项，以及如何评估预标注结果的质量。 需要确保回答中的LaTeX格式正确，但用户的问题可能不涉及数学公式，所以可能不需要使用太多数学表达式，但如果有模型推理的数学部分可能需要提及，例如模型输出的处理步骤。不过，可能这里不需要深入数学细节，更多是操作步骤。 总结，回答的结构应该是：介绍预标注功能，详细步骤（准备模型、上传、创建任务、运行推理、人工修正），使用SAM的例子（如果有），注意事项，以及相关问题。同时，引用相关的引用内容，比如引用[3]关于环境变量设置，或者引用[4]关于数据集转换，但需要自然衔接。</think>### CVAT预标注功能及使用教程 CVAT的预标注（Pre-annotation）功能通过集成机器学习模型自动生成标注结果，显著减少人工标注工作量。以下是具体使用方法： --- #### **1. 预标注功能原理** 预标注基于预训练模型（如目标检测、分割模型）对未标注数据推理，生成初始标注框或掩码。用户可在此基础上修正，提升效率[^3][^4]。 --- #### **2. 使用步骤** ##### **2.1 准备预标注模型** - 支持的格式：ONNX、TensorRT、OpenVINO IR等。 - 示例模型：YOLOv8（目标检测）、SAM（分割模型）。 - 模型需包含推理脚本（如Python脚本），定义输入输出接口。 ##### **2.2 上传模型至CVAT** 1. 进入CVAT界面，点击右上角 **`Models`**。 2. 点击 **`Create New Model`**，填写模型名称、描述。 3. 上传模型文件（如`.onnx`）及推理脚本（如`model.py`）。 4. 设置输入输出参数（如输入图像尺寸、输出类别）。 ##### **2.3 创建任务并启用预标注** 1. 创建新任务时，在 **`Advanced configuration`** 中勾选 **`Use automated annotation`**。 2. 选择已上传的模型。 3. 设置推理参数（如置信度阈值）。 ##### **2.4 运行自动标注** - 任务创建后，进入任务详情页，点击 **`Run Inference`**。 - CVAT调用模型批量处理数据，生成预标注结果（如边界框、分割掩码）。 ##### **2.5 人工审核与修正** - 在标注界面中，检查预标注结果，使用快捷键（如`N`下一张，`Ctrl+Z`撤销）快速修正。 --- #### **3. 使用SAM进行预标注示例** 若已安装SAM（参考引用[3]）： 1. 将SAM模型转换为ONNX格式，并编写推理脚本。 2. 上传至CVAT，创建分割任务时选择SAM模型。 3. 运行推理后，SAM会自动生成高质量分割掩码，人工仅需微调边缘。 --- #### **4. 注意事项** - **模型兼容性**：确保模型输入输出与CVAT要求匹配（如输入为BGR格式）。 - **性能优化**：大图像可分块处理，避免内存溢出。 - **质量检查**：可通过引用[4]的`globox`工具将预标注结果转换为COCO格式，用官方评估脚本验证精度。 ---
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值