目标检测自动标注生成xml文件

最新推荐文章于 2025-09-25 14:28:16 发布

原创

最新推荐文章于 2025-09-25 14:28:16 发布 · 1.4w 阅读

218 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #神经网络 #python

本文介绍了一种利用预训练模型自动标注数据的方法，通过Darknet模型与OpenCV结合，实现目标检测和坐标获取，再将检测结果写入XML文件，有效提升数据集规模和模型训练效率。

文章目录

前言
一、使用opencv调用模型
二、在xml文件中创建树并写入坐标
定义一个main函数
总结

前言

在训练目标检测时，标注数据是一项简单而又浪费时间的事情，如果能够自动标注数据将可以高效的扩充数据集，从而提高训练模型的效果。
目前能想到的一种自动标注方法是先训练一个检测效果较好的模型，然后使用这个模型对需要标注的图片进行检测，将检测到的BBox写入到标注文件中。这里来简单说明一下相关代码。
python脚本文件下载地址：https://download.csdn.net/download/qq_43019451/12836771

一、使用opencv调用模型

此处以Darknet模型为例，使用OpenCV调用模型来检测图片中的目标。

#引用opencv-python库
import cv2

#此处设置相关的文件路径，我使用的时人脸检测的模型，所示是face.weights
weightsPath = "./face/face.weights"
configPath = "./face/face.cfg"
labelsPath = "./face/face.names"

#读取names文件中的类别名
LABELS = open(labelsPath).read().strip().split("\n")

#使用opencv加载Darknet模型
net = cv2.dnn.readNetFromDarknet(configPath, weightsPath)
net.setPreferableBackend(cv2.dnn.DNN_BACKEND_CUDA)
net.setPreferableTarget(cv2.dnn.DNN_TARGET_CUDA)

#下面是通过检测获取坐标的函数
def coordinate_get(img):
    coordinates_list=[] # 创建坐标列表
    boxes = []
    confidences = []
    classIDs = []
    (H, W) = img.shape[:2]
    # 得到 YOLO需要的输出层
    ln = net.getLayerNames()
    ln = [ln[i[0] - 1] for i in net.getUnconnectedOutLayers()]
    # 从输入图像构造一个blob，然后通过加载的模型，给我们提供边界框和相关概率
    blob = cv2.dnn.blobFromImage(img, 1 / 255.0, (416, 416), swapRB=True, crop=False)
    net.setInput(blob)
    layerOutputs = net.forward