3分钟掌握LabelImg全格式标注：XML/YOLO/CreateML实战指南
项目地址: https://gitcode.com/gh_mirrors/la/labelImg 你还在为图像标注格式混乱而头疼？标注完的文件不是模型需要的格式？本文将带你一站式掌握LabelImg支持的三大主流格式（XML、YOLO、CreateML），从基础操作到格式对比，让你5分钟内从新手变高手。读完本文你将学会：三种格式的导出方法、适用场景分析、文件结构解析，以及如何通过预定义类别提升标注效率。
快速上手LabelImg
LabelImg是一款轻量级图像标注工具，支持Windows、macOS和Linux系统，界面简洁直观，即使是非技术人员也能快速上手。
安装与启动
通过pip快速安装：
pip3 install labelImg
labelImg
或从源码构建（适用于开发人员）：
git clone https://gitcode.com/gh_mirrors/la/labelImg
cd labelImg
sudo apt-get install pyqt5-dev-tools
sudo pip3 install -r requirements/requirements-linux-python3.txt
make qt5py3
python3 labelImg.py
界面布局
主界面分为四个区域：
- 菜单栏：包含文件操作、格式选择等核心功能
- 工具栏：快速访问标注工具（矩形框、多边形等）
- 预览区：显示当前标注的图像
- 标签列表：展示已标注的物体类别
三大标注格式深度解析
LabelImg支持三种主流标注格式，每种格式有其特定的应用场景和文件结构。
Pascal VOC XML格式
XML格式是计算机视觉领域最常用的标注格式之一，广泛应用于Pascal VOC等经典数据集。它使用绝对像素坐标，包含图像尺寸、物体类别和边界框等详细信息。
核心特点
- 文件扩展名为
.xml - 包含完整的图像元数据（尺寸、路径、来源）
- 边界框使用绝对像素坐标（xmin, ymin, xmax, ymax）
- 无需额外依赖文件
文件结构示例
<annotation>
<folder>demo</folder>
<filename>demo.jpg</filename>
<size>
<width>800</width>
<height>600</height>
<depth>3</depth>
</size>
<object>
<name>person</name>
<bndbox>
<xmin>100</xmin>
<ymin>150</ymin>
<xmax>300</xmax>
<ymax>450</ymax>
</bndbox>
</object>
</annotation>
适用场景
- Pascal VOC、ImageNet等学术数据集
- 需要保留完整图像信息的场景
- 多平台兼容性要求高的项目
实现代码参考：Pascal VOC格式处理
YOLO格式
YOLO格式是目标检测领域最流行的标注格式之一，专为高效训练设计。它使用归一化坐标和类别索引，文件体积小，加载速度快，非常适合深度学习模型训练。
核心特点
- 文件扩展名为
.txt - 每个图像对应一个标注文件
- 使用归一化坐标（0-1范围）
- 需要配套的
classes.txt类别文件
文件结构示例
0 0.5 0.35 0.4 0.6
1 0.2 0.7 0.3 0.5
每行代表一个物体，格式为：[类别索引] [中心x] [中心y] [宽度] [高度]
类别文件（classes.txt）
person
car
bike
适用场景
- YOLO系列模型训练
- 大规模数据集标注
- 对存储和加载速度有要求的项目
实现代码参考：YOLO格式处理
CreateML格式
CreateML格式是Apple专为其机器学习框架设计的标注格式，采用JSON结构，适合在macOS平台上使用CreateML工具开发图像识别模型。
核心特点
- 文件扩展名为
.json - 所有图像标注存储在单个JSON文件中
- 使用中心坐标和宽高表示边界框
- 支持批量导入CreateML工具
文件结构示例
[
{
"image": "demo.jpg",
"annotations": [
{
"label": "person",
"coordinates": {
"x": 200,
"y": 300,
"width": 200,
"height": 300
}
}
]
}
]
适用场景
- Apple生态系统内的模型开发
- 移动端机器学习项目
- 需要与CreateML工具配合使用的场景
实现代码参考：CreateML格式处理
格式选择决策指南
选择合适的标注格式可以显著提高后续模型开发效率，以下是三种格式的对比分析：
| 维度 | Pascal VOC XML | YOLO | CreateML |
|---|---|---|---|
| 文件体积 | 较大 | 小 | 中等 |
| 标注效率 | 一般 | 高 | 高 |
| 坐标类型 | 绝对像素 | 归一化 | 混合 |
| 跨平台性 | 好 | 好 | 局限于macOS |
| 模型兼容性 | 广泛 | 局限于YOLO系列 | 局限于Apple生态 |
| 额外文件 | 不需要 | 需要classes.txt | 不需要 |
选择建议
- 学术研究或多平台项目：优先选择XML格式
- 深度学习模型训练：优先选择YOLO格式
- Apple生态开发：优先选择CreateML格式
提高标注效率的技巧
使用预定义类别
通过修改预定义类别文件，可以添加自定义物体类别，避免重复输入：
person
car
bike
dog
cat
常用快捷键
掌握这些快捷键可以大幅提高标注效率：
| 快捷键 | 功能 |
|---|---|
| Ctrl+u | 导入图像目录 |
| Ctrl+s | 保存标注 |
| w | 创建矩形框 |
| d | 下一张图像 |
| a | 上一张图像 |
| del | 删除选中标注 |
| ↑→↓← | 移动标注框 |
批量处理
对于大规模标注任务，可以使用LabelImg提供的批量处理功能：
- 导入整个图像目录（Ctrl+u）
- 设置自动保存（在"View"菜单中勾选"Auto Save"）
- 使用d/a快捷键快速切换图像
常见问题解决
格式转换问题
如果需要在不同格式间转换，可以使用项目提供的格式转换工具，支持将标注文件转换为CSV格式进行二次处理。
中文乱码问题
确保系统编码设置为UTF-8，或在标注时使用英文类别名称。相关配置可在字符串处理模块中调整。
标注文件丢失
启用自动保存功能，并定期备份标注文件。建议将标注文件与图像文件分开存储，便于管理。
总结
本文详细介绍了LabelImg支持的三种标注格式（XML、YOLO和CreateML）的特点、使用方法和适用场景。通过选择合适的标注格式并掌握高效的标注技巧，可以显著提升计算机视觉项目的开发效率。
无论是学术研究、工业应用还是移动开发，LabelImg都能满足你的标注需求。立即尝试使用LabelImg，体验高效准确的图像标注流程！
如果你觉得本文对你有帮助，请点赞收藏，关注获取更多计算机视觉工具使用技巧。如有任何问题或建议，欢迎在评论区留言讨论。
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
