【YOLO】基于YOLOv8实现自定义数据的自动标注（针对VOC格式的数据集）

已于 2023-03-31 09:32:11 修改
阅读量5.8k 收藏 56
点赞数 8
文章标签： YOLO python 深度学习
于 2023-03-31 09:29:09 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.youkuaiyun.com/qq_44703886/article/details/129862416
版权
该文介绍了如何使用YOLOv8模型对VOC格式的数据集进行自动标注，通过提供模型权重、图片路径和标注文件保存路径，运行代码可自动生成.xml标注文件，从而减少手动标注的工作量。虽然结果需人工复查，但已显著节省了时间。未来计划更新支持COCO格式的自动标注。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

基于YOLOv8实现自定义数据的自动标注

引言

利用yolov8的检测模型实现数据集的自标注，针对VOC数据集，.xml文件，labelimg标注工具

VOC格式的数据集自标注实现

yolov8模型的训练可以参考笔者的博客
【YOLO】YOLOv8实操：环境配置/自定义数据集准备/模型训练/预测
训练好自定义的模型，就可以执行下面的代码实现模型自标注数据集
修改下面三个参数即可：

weight_path = "/media/ll/L/llr/model/yolov8/weights/best.pt"  # 模型路径
imgdir = r'/media/ll/L/llr/DATASET/subwayDatasets/bjdt/images'  # 图片路径
xmldir = r'/media/ll/L/llr/DATASET/ZED_DATA/GZG/bjdt_daytime/xml'  # 标注文件保存路径

完整代码如下：

"""
Fuction:使用预训练模型权重对图像集进行识别后自动标注
Author: Alian
Create_Date:2023.03.30
Finishe_Date:2023.03.30
"""
import os
from os import getcwd
import glob
from xml.etree import ElementTree as ET
from utils.general import *
# from utils.datasets import *
from utils import torch_utils
from ultralytics import YOLO  # YOLOV8


# 定义一个创建一级分支object的函数
def create_object(root, xyxy, names,cls):  # 参数依次，树根，xmin，ymin，xmax，ymax
    # 创建一级分支object
    _object = ET.SubElement(root, 'object')
    # 创建二级分支
    name = ET.SubElement(_object, 'name')
    # print(obj_name)
    name.text = str(names[int(cls)])
    pose = ET.SubElement(_object, 'pose')
    pose.text = 'Unspecified'
    truncated = ET.SubElement(_object, 'truncated')
    truncated.text = '0'
    difficult = ET.SubElement(_object, 'difficult')
    difficult.text = '0'
    # 创建bndbox
    bndbox = ET.SubElement(_object, 'bndbox')
    xmin = ET.SubElement(bndbox, 'xmin')
    xmin.text = '%s' % int(xyxy[0])
    ymin = ET.SubElement(bndbox, 'ymin')
    ymin.text = '%s' % int(xyxy[1])
    xmax = ET.SubElement(bndbox, 'xmax')
    xmax.text = '%s' % int(xyxy[2])
    ymax = ET.SubElement(bndbox, 'ymax')
    ymax.text = '%s' % int(xyxy[3])


# 创建xml文件的函数
def create_tree(image_path, h, w):
    # 创建树根annotation
    annotation = ET.Element('annotation')
    # 创建一级分支folder
    folder = ET.SubElement(annotation, 'folder')
    # 添加folder标签内容
    folder.text = os.path.dirname(image_path)

    # 创建一级分支filename
    filename = ET.SubElement(annotation, 'filename')
    filename.text = os.path.basename(image_path)

    # 创建一级分支path
    path = ET.SubElement(annotation, 'path')

    path.text = image_path  # 用于返回当前工作目录getcwd() + '\{}'.format

    # 创建一级分支source
    source = ET.SubElement(annotation, 'source')
    # 创建source下的二级分支database
    database = ET.SubElement(source, 'database')
    database.text = 'Unknown'

    # 创建一级分支size
    size = ET.SubElement(annotation, 'size')
    # 创建size下的二级分支图像的宽、高及depth
    width = ET.SubElement(size, 'width')
    width.text = str(w)
    height = ET.SubElement(size, 'height')
    height.text = str(h)
    depth = ET.SubElement(size, 'depth')
    depth.text = '3'

    # 创建一级分支segmented
    segmented = ET.SubElement(annotation, 'segmented')
    segmented.text = '0'

    return annotation


def pretty_xml(element, indent, newline, level=0):  # elemnt为传进来的Elment类，参数indent用于缩进，newline用于换行
    if element:  # 判断element是否有子元素
        if (element.text is None) or element.text.isspace():  # 如果element的text没有内容
            element.text = newline + indent * (level + 1)
        else:
            element.text = newline + indent * (level + 1) + element.text.strip() + newline + indent * (level + 1)
            # else:  # 此处两行如果把注释去掉，Element的text也会另起一行
            # element.text = newline + indent * (level + 1) + element.text.strip() + newline + indent * level
    temp = list(element)  # 将element转成list
    for subelement in temp:
        if temp.index(subelement) < (len(temp) - 1):  # 如果不是list的最后一个元素，说明下一个行是同级别元素的起始，缩进应一致
            subelement.tail = newline + indent * (level + 1)
        else:  # 如果是list的最后一个元素， 说明下一行是母元素的结束，缩进应该少一个
            subelement.tail = newline + indent * level
        pretty_xml(subelement, indent, newline, level=level + 1)  # 对子元素进行递归操作


def Auto_label(weight,imgdir,xmldir):
    # load model
    model = YOLO(weight)
    img_list = glob.glob('%s/*.*' % imgdir)
    for img_path in img_list:
        results = model(img_path,show=False,save=False)[0]  # predict on an image
        # 创建xml文件
        annotation = create_tree(img_path, results.orig_shape[0], results.orig_shape[1])
        det = results.boxes
        names = results.names
        cls = det.cls
        for i in range(len(det)):
            create_object(annotation,det.xyxy[i],names,cls[i])
        # 将树模型写入xml文件
        tree = ET.ElementTree(annotation)
        root = tree.getroot()
        pretty_xml(root, '\t', '\n')
        # tree.write('.\{}\{}.xml'.format(outdir, image_name.strip('.jpg')), encoding='utf-8')
        tree.write(img_path.replace(imgdir,xmldir).replace('.jpg','.xml'), encoding='utf-8')




if __name__ == '__main__':
    # 加载模型
    weight_path = "/media/ll/L/llr/model/yolov8/weights/best.pt"  # 模型路径
    imgdir = r'/media/ll/L/llr/DATASET/subwayDatasets/bjdt/images'  # 图片路径
    xmldir = r'/media/ll/L/llr/DATASET/ZED_DATA/GZG/bjdt_daytime/xml'  # 标注文件保存路径
    Auto_label(weight_path,imgdir,xmldir)  # 调用自标注函数

综上，就实现了利用yolov8的检测模型实现数据集的自动标注，不过标注结果最好人工复查下，但是已经省下很多标注时间啦

后续会更新COCO数据格式的自动标注博客，即.json文件，labelme标注工具的

摇曳的树
关注
手把手教你用LabelImg打造专属YOLO数据集：从标注到训练全攻略！
FJN110的博客
04-26 1058
YOLO（You Only Look Once）是一种快速、高效的目标检测算法。它使用一种简洁的.txt文件格式来保存每张图片中的标注信息，适合构建自定义目标检测数据集。🔹 图像文件.jpg.png等；每张图片将对应一个同名的标签文件（.txtdog.jpg对应dog.txt；图像在训练前通常会被缩放成统一尺寸，例如 YOLOv3 默认输入为416x416。🔹 标签文件（.txt）是一个纯文本文件；每一行表示一个标注目标；字段说明类别编号，从0开始，例如：狗是0，猫是1x_center。
【保姆级教程】YOLOv8半自动化数据标注
m0_51579041的博客
03-25 3822
【保姆级教程】YOLOv8半自动化数据标注
yolov8实现用已经训练好的模型去实现数据集的自动标注
weixin_73044854的博客
04-06 1870
yolov8实现用已经训练好的模型去实现数据集的自动标注。我们经常会遇到数据集的标注经别人帮忙后不知道标注是否好用或者又有新来的数据集需要标注。以上两种情况发生，我们可以实现用yolov8去实现数据集的自动标注`前提是已经训练出了一个模型哦`
Label-Studio ML利用yolov8模型实现自动标注
weixin_42253874的博客
09-30 2624
Label Studio ML 后端是一个 SDK，用于包装您的机器学习代码并将其转换为 Web 服务器。Web 服务器可以连接到正在运行的 Label Studio 实例，以自动执行标记任务。我们提供了一个，您可以在自己的工作流程中使用这些模型，也可以根据需要进行扩展和自定义。如果您想改为编写自己的模型，请参阅。
基于Pycharm的YOLOv8杂草视觉检测3——X-AnyLabeling半自动标注工具操作指南！
最新发布
LSS_LSS的博客
02-22 2548
最近采集了不少杂草，需要用到图片标注工具制作自己的数据集，但手工标定费时费力还费钱。是一款基于AnyLabeling二次开发的智能图像标注工具，专为计算机视觉任务设计。支持YOLO系列（v5/v7/v8/v9）、COCO、VOC等多种格式，集成SAM等先进模型实现智能预标注，标注效率提升300%+。本文主要介绍该工具的安装、杂草数据集制作、YOLOV8S模型训练中的步骤。
yolov8对新的数据集自动标注
qq_40622955的博客
07-01 1273
项目地址。
基于YOLOv8的目标检测半自动标注脚本
taylorman的博客
06-07 2096
基于YOLOv8的目标检测半自动标注脚本
使用YOLOv8实现YOLO格式标签的自动标注
weixin_43491146的博客
01-09 1386
（1）已经训练好的yolov8权重文件（'yolov8/runs/detect/train/weights/best.pt'）（2）需要自动标注的图片文件（'/image/*.jpg'）生成的.txt文件会保存在图片所在文件夹中。
[软件工具][windows]yolov8自动标注工具自动打标签工具
FL1623863129的博客
01-16 2105
这个工具可以自动将图片识别为指定类别并保存为VOC格式xml文件， 软件只支持官方80类别，您可以选择其中一部分或者一部分进行自动标注，标注的效果依据图片而定，通过自动标注您可以减少很多标注工作量，同时相比较于手动标注可以节约至少80%时间，自动标注完成后，我们只需要用labelImg打开重新审核，查缺补漏即可完成标注。移动文件：勾选后，识别到有目标就会移动文件，这样好处就是可以手动标注未识别出来的目标，比如1000张图片自动标注了900张，剩下100张可以去原来文件夹用labelImg手动标注即可。
使用自己训练好的模型YOLOv8进行X-AnyLabeling自动标注
weixin_45977690的博客
04-17 6905
使用一小批数据训练好的模型，然后对剩余的数据集进行自动标注
yolov5-基于keras实现的yolov5算法-支持训练自定义数据集.zip
03-05
总的来说，"yolov5-基于keras实现的yolov5算法-支持训练自定义数据集.zip"提供的资源是针对那些希望在Keras中实现YOLOv5目标检测模型的开发者的理想工具。它不仅提供了模型代码，还支持用户用自己的数据集进行训练，...
基于YoloV8的自动标注工具，结合labelime使用（源码）
09-14
yolov8 基于YoloV8的自动标注工具，结合labelime使用（源码）。 基于YoloV8的自动标注工具，结合labelime使用（源码）。 基于YoloV8的自动标注工具，结合labelime使用（源码）。 基于YoloV8的自动标注工具，结合labelime使用（源码）。 基于YoloV8的自动标注工具，结合labelime使用（源码）。 基于YoloV8的自动标注工具，结合labelime使用（源码）。 基于YoloV8的自动标注工具，结合labelime使用（源码）。 基于YoloV8的自动标注工具，结合labelime使用（源码）。 基于YoloV8的自动标注工具，结合labelime使用（源码）。 基于YoloV8的自动标注工具，结合labelime使用（源码）。 基于YoloV8的自动标注工具，结合labelime使用（源码）。 基于YoloV8的自动标注工具，结合labelime使用（源码）。 基于YoloV8的自动标注工具，结合labelime使用（源码）。 基于YoloV8的自动标注工具，结合labelime使用（源码）。
DarknetYolo数据集标注工具
12-17
自己制作的DarknetYolo数据集标注工具，可以快速对图片进行目标标注。
基于YOLOv5的智能人脸数据标注工具，实现人脸数据标注自动化
07-02
本文将深入探讨基于YOLOv5的智能人脸数据标注工具，它能够实现人脸数据标注的自动化，大大提高了工作效率，同时也降低了人为错误的可能性。该工具允许用户自定义人脸检测模型，并能导出多种格式的标签，如PASCAL VOC...
基于YOLOv5的智能人脸数据集标注工具源码+模型.zip
04-21
基于YOLOv5的智能人脸数据标注工具，实现人脸数据标注自动化 可自定义人脸检测模型、可导出多种格式标签，包括PASCAL VOC XML、MS COCO JSON、YOLO TXT教程 webcam实时标注 # a键捕获视频帧，q键退出 python face_...
基于 YOLOv5 的智能人脸数据标注工具face-labeling-master.zip
08-19
基于 YOLOv5 的智能人脸数据标注工具。实现人脸数据标注自动化，可自定义人脸检测模型、可导出多种格式标签，包括 PASCAL VOC XML、MS COCO JSON、YOLO TXT
YOLOv8 | 训练自定义数据集
狂放不羁霸的博客
12-23 1329
1 处理数据集 1.1 数据集格式介绍 1.2 划分数据集 1.3 在 YOLOv8 中配置数据集 2 训练 YOLOv8 模型 2.1 模型训练代码 2.2 开启 TensorBoard
python yolov8半自动标注
雪剑封心
10-14 1606
首先标注一部分图片，进行训练，生成模型，标注文件为xml方便后面统一做处理。1、标注数据（文件为xml, 转为txt用于训练，保留xml标签文件）2、模型训练（训练配置、训练代码、）3、使用训练好的模型进行预标注 （生成标注文件 xml）4、检测标注文件工具：单类别拆分、合并所有类别xml、合并指定几个类别、固定矩形位置增加类别与固定位置绘制矩形检测是否重合删除类别（增删类别）、固定矩形位置生成xml、
基于YOLOV8-pose的自动标注
dzy0619的博客
12-13 1983
基于YOLOV8-pose实现自动标注功能
pytorch实现DQN强化学习
06-01
DQN（Deep Q-Network）是一种使用深度神经网络实现的强化学习算法，用于解决离散动作空间的问题。在PyTorch中实现DQN可以分为以下几个步骤： 1. 定义神经网络：使用PyTorch定义一个包含多个全连接层的神经网络，输入为状态空间的维度，输出为动作空间的维度。 ```python import torch.nn as nn import torch.nn.functional as F class QNet(nn.Module): def __init__(self, state_dim, action_dim): super(QNet, self).__init__() self.fc1 = nn.Linear(state_dim, 64) self.fc2 = nn.Linear(64, 64) self.fc3 = nn.Linear(64, action_dim) def forward(self, x): x = F.relu(self.fc1(x)) x = F.relu(self.fc2(x)) x = self.fc3(x) return x ``` 2. 定义经验回放缓存：包含多条经验，每条经验包含一个状态、一个动作、一个奖励和下一个状态。 ```python import random class ReplayBuffer(object): def __init__(self, max_size): self.buffer = [] self.max_size = max_size def push(self, state, action, reward, next_state): if len(self.buffer) < self.max_size: self.buffer.append((state, action, reward, next_state)) else: self.buffer.pop(0) self.buffer.append((state, action, reward, next_state)) def sample(self, batch_size): state, action, reward, next_state = zip(*random.sample(self.buffer, batch_size)) return torch.stack(state), torch.tensor(action), torch.tensor(reward), torch.stack(next_state) ``` 3. 定义DQN算法：使用PyTorch定义DQN算法，包含训练和预测两个方法。 ```python class DQN(object): def __init__(self, state_dim, action_dim, gamma, epsilon, lr): self.qnet = QNet(state_dim, action_dim) self.target_qnet = QNet(state_dim, action_dim) self.gamma = gamma self.epsilon = epsilon self.lr = lr self.optimizer = torch.optim.Adam(self.qnet.parameters(), lr=self.lr) self.buffer = ReplayBuffer(100000) self.loss_fn = nn.MSELoss() def act(self, state): if random.random() < self.epsilon: return random.randint(0, action_dim - 1) else: with torch.no_grad(): q_values = self.qnet(state) return q_values.argmax().item() def train(self, batch_size): state, action, reward, next_state = self.buffer.sample(batch_size) q_values = self.qnet(state).gather(1, action.unsqueeze(1)).squeeze(1) target_q_values = self.target_qnet(next_state).max(1)[0].detach() expected_q_values = reward + self.gamma * target_q_values loss = self.loss_fn(q_values, expected_q_values) self.optimizer.zero_grad() loss.backward() self.optimizer.step() def update_target_qnet(self): self.target_qnet.load_state_dict(self.qnet.state_dict()) ``` 4. 训练模型：使用DQN算法进行训练，并更新目标Q网络。 ```python dqn = DQN(state_dim, action_dim, gamma=0.99, epsilon=1.0, lr=0.001) for episode in range(num_episodes): state = env.reset() total_reward = 0 for step in range(max_steps): action = dqn.act(torch.tensor(state, dtype=torch.float32)) next_state, reward, done, _ = env.step(action) dqn.buffer.push(torch.tensor(state, dtype=torch.float32), action, reward, torch.tensor(next_state, dtype=torch.float32)) state = next_state total_reward += reward if len(dqn.buffer.buffer) > batch_size: dqn.train(batch_size) if step % target_update == 0: dqn.update_target_qnet() if done: break dqn.epsilon = max(0.01, dqn.epsilon * 0.995) ``` 5. 测试模型：使用训练好的模型进行测试。 ```python total_reward = 0 state = env.reset() while True: action = dqn.act(torch.tensor(state, dtype=torch.float32)) next_state, reward, done, _ = env.step(action) state = next_state total_reward += reward if done: break print("Total reward: {}".format(total_reward)) ``` 以上就是在PyTorch中实现DQN强化学习的基本步骤。需要注意的是，DQN算法中还有很多细节和超参数需要调整，具体实现过程需要根据具体问题进行调整。
评论 11
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