深度学习目标识别自动标签标注

本人也是入局深度学习的小白一枚，欢迎大家指正修改。在深度学习目标识别中，对数据集中的目标物进行打标签是个繁琐枯燥的过程，尤其是在数据集很大的情况下。写本文章的目的在与介绍个提高打标签效率的小技巧。

首先，我们需要跑通YOLOV5，了解训练的流程，将自己预先标注好的少量数据集进行训练得到权重，具体训练流程在CSDN上有很多，就不介绍了。以我的冬枣数据集为例，我以500张标注好的照片进行训练得到自己数据集的权重。接着，我们打开detect.py，将自己的权重放入219行，在220行修改为想要进行标注的图片文件夹路径。图片最好预先按顺序重命名，重命名脚本网上有很多。221行改为自己的配置文件，将228行--save-txt中的默认store_true改为store_false。

运行程序，会在runs/detect/exp中同步生成labels文件夹，有预测图片的txt文件。

打开txt文件所在文件夹，全部复制到想要保存的文件夹内，同时新建classes.txt,按照检测时的顺序写上自己的类别

按照顺序就可以，以猫狗为例，记得保存

接着运行labeling，标签标注工具，open Dir打开数据集图片文件所在文件夹，chang save Dir 打开txt文件所在文件夹。

点击第一张图片，自动刷新，就可以得到标注的图片，可以选择保存为xml的格式，也可以使用脚本批量转为xml格式，这个网上也有很多将本。

需要注意的是，由于权重不是最优的会有部分标注错误的存在，需要自己修改后保存，单从打标签的角度来说，大大提高了效率。