使用python和yolo方法实现yolo标签自动标注
作者：Jumbuck_10
yolo代码自动标注
1.引言
在图像处理与机器视觉领域，标注数据的质量和数量对于模型的训练至关重要。然而，手动标注大量图像是一项繁琐且耗时的工作。为了解决这个问题，自动标注技术应运而生。本文将介绍如何使用YOLOv10结合传统图像处理算法进行验证码图像的自动标注，从初步的自动标注到高阶的基于检测结果的自动标注。
2.初阶“自动标注”，给每个图像都生成一个固定的标注文件，进而在labglimg中对矩形框进行微调，减少标注的工作量
在初步的自动标注阶段，我们首先为每张图像生成一个固定的标注文件，这些文件的内容通常是预设的，矩形框的位置并不精确，因此适合用作标注的初步框架。
import os
# 图像文件夹路径
image_folder = 'D:'
# 标注文件即txt文件路径
txt_folder = 'D:'
# 基于上述两个路径检索图像和txt即yolo格式的标注文件
image_files = [f.split('.')[0] for f in os.listdir(image_folder) if f.lower().endswith(('jpg', 'jpeg', 'png', 'bmp'))]
txt_files = [f.split('.')[0] for f in os.listdir(txt_folder) if f.lower().endswith('txt')]
# 遍历图像文件名
for img_name in image_files:
# 如果某图像没有对应的标签文件即txt文件
if img_name not in txt_files:
# 写入txt文件
txt_content = """0 0.808621 0.945652 0.072414 0.073913
0 0.250000 0.604348 0.093103 0.078261
0 0.660345 0.584783 0.086207 0.100000
0 0.613793 0.160870 0.117241 0.139130
0 0.293103 0.184783 0.103448 0.117391"""
with open(os.path.join(txt_folder, img_name + '.txt'), 'w') as f:
f.write(txt_content)
print("Process complete.")由于我们对每张图都生成的是一份固定的标注txt文件，所以生成的文件一般都是这种的，矩形框 不在正确的位置上，虽然能够降低一定的标注工作量，但是我们还是想让它更精准一点，那就需要使用训练好的模型了。
局限性：
矩形框位置不准确，标注结果可能与实际物体位置存在偏差。
无法自动识别图像中的所有物体，可能遗漏检测。
3.高阶自动标注，利用我们训练好的（但是没有特别精准的）yolo文件先对每张图进行检测，再手动微调
为了提高自动标注的精度，我们可以使用YOLOv10模型对每张图像进行目标检测，并根据检测结果生成标注文件。这种方式能够提供较为准确的初步标注，用户只需要对检测框进行微调即可，减少了大量的手动标注工作。
import os
from ultralytics import YOLOv10
# Folder paths
image_folder = 'D:'
txt_folder = 'D:'
# Load a pretrained YOLOv10n model
model = YOLOv10("\weights\\best.pt")
image_files = [f for f in os.listdir(image_folder) if f.lower().endswith(('jpg', 'jpeg', 'png', 'bmp'))]
# Perform object detection on each image file
for img_name in image_files:
img_path = os.path.join(image_folder, img_name)
# Perform prediction
results = model.predict(img_path)
# Extract detection results (assuming results[0] contains the detection)
detections = results[0].boxes.xywh # Get bounding box coordinates (xywh format)
# If no .txt file exists, create a new one
txt_path = os.path.join(txt_folder, img_name.split('.')[0] + '.txt')
if not os.path.exists(txt_path): # Check if .txt file already exists
# Write detection results to the .txt file
with open(txt_path, 'w') as f:
for detection in detections:
# Assuming you want the format: class_id x_center y_center width height (normalized)
# Convert coordinates from pixels to normalized values by dividing by image width/height
x_center, y_center, width, height = detection
x_center /= results[0].orig_img.shape[1] # Normalize by image width
y_center /= results[0].orig_img.shape[0] # Normalize by image height
width /= results[0].orig_img.shape[1] # Normalize by image width
height /= results[0].orig_img.shape[0] # Normalize by image height
# Write to file (Assuming class id is 0 here, change based on your model)
f.write(f"0 {x_center} {y_center} {width} {height}\n")
print("Process complete.")代码详解：
1.加载YOLOv10模型：使用YOLOv10模型进行物体检测。通过model.predict()函数对每张图像进行检测。
2.提取检测结果：模型返回的结果中包含了检测到的目标的坐标信息，采用boxes.xywh提取出目标的位置。
3.坐标归一化：将检测结果的坐标从像素值转换为相对图像大小的比例（即归一化值），以符合YOLO标注格式。
4.生成标注文件：根据模型检测结果生成标注文件，格式为class_id x_center y_center width height。
这种方式得到的数据一般是下图这样的，1.会有一些框不准，2.有一些框是重复的，3.有一些代码没有检测到。此时我们只需要微调这三种情况的框即可，显著降低了工作量。
4.总结
本文介绍了基于YOLOv10的自动标注方法，从初阶的固定标注到高阶的基于YOLO检测结果的自动标注。两者相比，高阶方法显著提高了标注的准确性，并减少了人工操作的时间。
初阶方法：快速生成标注文件，适用于初步标注，但需要人工微调和修正。
高阶方法：通过YOLOv10检测得到较为精准的标注结果，适合更高精度要求的任务，但仍需要人工微调。
希望这些代码能帮助大家提升标注工作的效率和精度，降低人工标注的成本。在未来的工作中，我们可以继续优化和扩展该方法，进一步提高自动标注的精度和适用范围。
到此这篇关于使用python和yolo方法实现yolo标签自动标注的文章就介绍到这了,更多相关python yolo标签自动标注内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！