labelImg

Label Studio เป็นเครื่องมือคำอธิบายประกอบข้อมูลที่ทันสมัยและหลากหลาย

Labelimg เครื่องมือคำอธิบายประกอบภาพยอดนิยมที่สร้างขึ้นโดย Tzutalin ด้วยความช่วยเหลือของผู้มีส่วนร่วมหลายสิบคนไม่ได้รับการพัฒนาอย่างแข็งขันอีกต่อไปและได้กลายเป็นส่วนหนึ่งของชุมชนสตูดิโอฉลาก ตรวจสอบ Label Studio ซึ่งเป็นเครื่องมือการติดฉลากข้อมูลโอเพ่นซอร์สที่ยืดหยุ่นที่สุดสำหรับรูปภาพข้อความไฮเปอร์เท็กซ์เสียงวิดีโอและอนุกรมเวลา ติดตั้ง Label Studio และเข้าร่วมชุมชน Slack เพื่อเริ่มต้น

เกี่ยวกับ labelimg

Labelimg เป็นเครื่องมือคำอธิบายประกอบภาพกราฟิก

มันเขียนใน Python และใช้ QT สำหรับอินเทอร์เฟซกราฟิก

คำอธิบายประกอบจะถูกบันทึกเป็นไฟล์ XML ในรูปแบบ Pascal VOC ซึ่งเป็นรูปแบบที่ใช้โดย ImageNet นอกจากนี้ยังรองรับรูปแบบ YOLO และ CREATEML

ดูวิดีโอสาธิต

การติดตั้ง

รับจาก PYPI แต่มีเพียง Python3.0 หรือสูงกว่า

นี่เป็นวิธีการติดตั้งที่ง่ายที่สุด (หนึ่งคอมมอนด์) ในการแจกแจง Linux ที่ทันสมัยเช่น Ubuntu และ Fedora

pip3 install labelImg
labelImg
labelImg [IMAGE_PATH] [PRE-DEFINED CLASS FILE]

สร้างจากแหล่งที่มา

Linux/Ubuntu/Mac ต้องการอย่างน้อย Python 2.6 และได้รับการทดสอบด้วย PYQT 4.8 อย่างไรก็ตาม Python 3 หรือสูงกว่าและ PYQT5 ขอแนะนำอย่างยิ่ง

Ubuntu Linux

Python 3 + Qt5

sudo apt-get install pyqt5-dev-tools
sudo pip3 install -r requirements/requirements-linux-python3.txt
make qt5py3
python3 labelImg.py
python3 labelImg.py [IMAGE_PATH] [PRE-DEFINED CLASS FILE]

แม็กอส

Python 3 + Qt5

brew install qt  # Install qt-5.x.x by Homebrew
brew install libxml2

or using pip

pip3 install pyqt5 lxml # Install qt and lxml by pip

make qt5py3
python3 labelImg.py
python3 labelImg.py [IMAGE_PATH] [PRE-DEFINED CLASS FILE]

Python 3 Virtualenv (แนะนำ)

VirtualEnv สามารถหลีกเลี่ยงปัญหาเวอร์ชัน QT / Python จำนวนมากได้

brew install python3
pip3 install pipenv
pipenv run pip install pyqt5==5.15.2 lxml
pipenv run make qt5py3
pipenv run python3 labelImg.py
[Optional] rm -rf build dist ; pipenv run python setup.py py2app -A ; mv " dist/labelImg.app " /Applications

หมายเหตุ: คำสั่งสุดท้ายให้ไฟล์. แอปที่ดีพร้อมไอคอน SVG ใหม่ในโฟลเดอร์ /แอปพลิเคชันของคุณ คุณสามารถพิจารณาใช้สคริปต์: build-tools/build-for-macos.sh

หน้าต่าง

ติดตั้ง Python, PYQT5 และติดตั้ง LXML

เปิด CMD และไปที่ไดเร็กทอรี Labelimg

pyrcc4 -o libs/resources.py resources.qrc
For pyqt5, pyrcc5 -o libs/resources.py resources.qrc

python labelImg.py
python labelImg.py [IMAGE_PATH] [PRE-DEFINED CLASS FILE]

หากคุณต้องการจัดแพ็คเกจลงในไฟล์ EXE แยกต่างหาก

Install pyinstaller and execute:

pip install pyinstaller
pyinstaller --hidden-import=pyqt5 --hidden-import=lxml -F -n " labelImg " -c labelImg.py -p ./libs -p ./

Windows + Anaconda

ดาวน์โหลดและติดตั้ง Anaconda (Python 3+)

เปิดพรอมต์ Anaconda และไปที่ไดเร็กทอรี Labelimg

conda install pyqt=5
conda install -c anaconda lxml
pyrcc5 -o libs/resources.py resources.qrc
python labelImg.py
python labelImg.py [IMAGE_PATH] [PRE-DEFINED CLASS FILE]

ใช้นักเทียบท่า

docker run -it 
--user $( id -u ) 
-e DISPLAY=unix $DISPLAY 
--workdir= $( pwd ) 
--volume= " /home/ $USER :/home/ $USER " 
--volume= " /etc/group:/etc/group:ro " 
--volume= " /etc/passwd:/etc/passwd:ro " 
--volume= " /etc/shadow:/etc/shadow:ro " 
--volume= " /etc/sudoers.d:/etc/sudoers.d:ro " 
-v /tmp/.X11-unix:/tmp/.X11-unix 
tzutalin/py2qt4

make qt4py2 ; ./labelImg.py

คุณสามารถดึงภาพที่มีการพึ่งพาที่ติดตั้งและจำเป็นทั้งหมด ดูวิดีโอสาธิต

การใช้งาน

ขั้นตอน (Pascalvoc)

1. สร้างและเปิดตัวโดยใช้คำแนะนำด้านบน
2. คลิก 'เปลี่ยนโฟลเดอร์คำอธิบายประกอบเริ่มต้นที่บันทึกไว้ในเมนู/ไฟล์
3. คลิก 'เปิด dir'
4. คลิก 'สร้าง rectbox'
5. คลิกและปล่อยเมาส์ซ้ายเพื่อเลือกภูมิภาคเพื่อใส่หมายเหตุประกอบกล่อง rect
6. คุณสามารถใช้เมาส์ขวาเพื่อลากกล่อง rect เพื่อคัดลอกหรือย้าย

คำอธิบายประกอบจะถูกบันทึกลงในโฟลเดอร์ที่คุณระบุ

คุณสามารถอ้างถึงปุ่มลัดด้านล่างเพื่อเร่งเวิร์กโฟลว์ของคุณ

ขั้นตอน (โยโล)

1. ใน data/predefined_classes.txt กำหนดรายการคลาสที่จะใช้สำหรับการฝึกอบรมของคุณ
2. สร้างและเปิดตัวโดยใช้คำแนะนำด้านบน
3. ด้านล่างปุ่ม "บันทึก" ในแถบเครื่องมือคลิกปุ่ม "PascalVoc" เพื่อสลับเป็นรูปแบบ YOLO
4. คุณสามารถใช้ Open/OpenDir เพื่อประมวลผลภาพเดี่ยวหรือหลายภาพ เมื่อเสร็จสิ้นด้วยภาพเดียวให้คลิกบันทึก

ไฟล์ txt ของรูปแบบ yolo จะถูกบันทึกในโฟลเดอร์เดียวกับรูปภาพของคุณที่มีชื่อเดียวกัน ไฟล์ชื่อ "classes.txt" จะถูกบันทึกลงในโฟลเดอร์นั้นด้วย "classes.txt" กำหนดรายการชื่อคลาสที่ฉลาก yolo ของคุณหมายถึง

บันทึก:

• รายการฉลากของคุณจะไม่เปลี่ยนแปลงในช่วงกลางของการประมวลผลรายการรูปภาพ เมื่อคุณบันทึกรูปภาพ classes.txt จะได้รับการอัปเดตในขณะที่คำอธิบายประกอบก่อนหน้านี้จะไม่ได้รับการอัปเดต
• คุณไม่ควรใช้ฟังก์ชั่น "คลาสเริ่มต้น" เมื่อบันทึกเป็นรูปแบบ yolo มันจะไม่ถูกส่งต่อ
• เมื่อบันทึกเป็นรูปแบบ yolo ธง "ยาก" จะถูกยกเลิก

สร้างคลาสที่กำหนดไว้ล่วงหน้า

คุณสามารถแก้ไขข้อมูล/predefined_classes.txt เพื่อโหลดคลาสที่กำหนดไว้ล่วงหน้า

การสร้างภาพคำอธิบายประกอบ

1. คัดลอกไฟล์ Lables ที่มีอยู่ไปยังโฟลเดอร์เดียวกันกับรูปภาพ ชื่อไฟล์ป้ายกำกับต้องเหมือนกันกับชื่อไฟล์ภาพ
2. คลิกไฟล์และเลือก 'เปิด DIR' จากนั้นเปิดโฟลเดอร์รูปภาพ
3. เลือกภาพในรายการไฟล์มันจะปรากฏขึ้นในกล่องขอบเขตและฉลากสำหรับวัตถุทั้งหมดในภาพนั้น

(เลือกโหมด Display Labels ในมุมมองเพื่อแสดง/ซ่อน lablels)

คีย์

ctrl + u	โหลดภาพทั้งหมดจากไดเรกทอรี
Ctrl + R	เปลี่ยนเป้าหมายคำอธิบายประกอบเริ่มต้น DIR
ctrl + s	บันทึก
Ctrl + D	คัดลอกกล่องฉลากปัจจุบันและกล่อง Rect
ctrl + shift + d	ลบภาพปัจจุบัน
ช่องว่าง	ตั้งค่าสถานะภาพปัจจุบันตามที่ตรวจสอบแล้ว
W	สร้างกล่อง rect
d	ภาพถัดไป
อัน	ภาพก่อนหน้า
DEL	ลบกล่อง rect ที่เลือก
Ctrl ++	ซูมเข้า
Ctrl--	ซูมออก
	ลูกศรแป้นพิมพ์เพื่อย้ายกล่อง rect ที่เลือก

ตรวจสอบภาพ:

เมื่อกดพื้นที่ผู้ใช้สามารถตั้งค่าสถานะภาพตามที่ตรวจสอบแล้วพื้นหลังสีเขียวจะปรากฏขึ้น สิ่งนี้ใช้เมื่อสร้างชุดข้อมูลโดยอัตโนมัติผู้ใช้สามารถผ่านรูปภาพทั้งหมดและตั้งค่าสถานะแทนที่จะใส่คำอธิบายประกอบ

ยาก:

ฟิลด์ที่ยากถูกตั้งค่าเป็น 1 บ่งชี้ว่าวัตถุได้รับการใส่คำอธิบายประกอบเป็น "ยาก" ตัวอย่างเช่นวัตถุที่มองเห็นได้ชัดเจน แต่ยากที่จะรับรู้โดยไม่ต้องใช้บริบทอย่างมาก จากการใช้งานเครือข่ายประสาทลึกของคุณคุณสามารถรวมหรือแยกวัตถุที่ยากลำบากในระหว่างการฝึกอบรม

วิธีรีเซ็ตการตั้งค่า

ในกรณีที่มีปัญหาเกี่ยวกับการโหลดคลาสคุณสามารถ:

1. จากเมนูด้านบนของ labelimg คลิกที่เมนู/ไฟล์/รีเซ็ตทั้งหมด

2. ลบ. labelimgsettings.pkl ออกจากไดเรกทอรีที่บ้านของคุณ ใน Linux และ Mac คุณสามารถทำได้:

   rm ~/.labelimgsettings.pkl

วิธีการมีส่วนร่วม

ส่งคำขอดึง

ใบอนุญาต

ซอฟต์แวร์ฟรี: ใบอนุญาต MIT

การอ้างอิง: tzutalin Labelimg Git Code (2015) https://github.com/tzutalin/labelimg

เครื่องมือที่เกี่ยวข้องและเพิ่มเติม

1. Label Studio เพื่อฉลากรูปภาพข้อความเสียงวิดีโอและชุดเวลาสำหรับการเรียนรู้ของเครื่องและ AI
2. ImageNet ใช้ในการดาวน์โหลดภาพสร้างข้อความฉลากสำหรับการเรียนรู้ของเครื่อง ฯลฯ
3. ใช้ Docker เพื่อเรียกใช้ Labelimg
4. การสร้างไฟล์ Pascal VOC tfrecord
5. ไอคอนแอพที่ใช้ไอคอนโดย Nick Roach (GPL)
6. การตั้งค่า Python Development ใน vscode
7. ลิงค์ของโครงการนี้บนแพลตฟอร์ม IHUB
8. แปลงไฟล์คำอธิบายประกอบเป็นรูปแบบหรือรูปแบบ CSV สำหรับ Google Cloud AutomL

Stargazers เมื่อเวลาผ่านไป