数据集制作-LabelImg的使用

# 数据集制作-LabelImg的使用

本文将介绍使用LabelImg工具的编译、使用和制作YOLO格式数据集的基本方法。

# 简介

Github： https://github.com/HumanSignal/labelImg

LabelImg 是影像标注工具，它是用python和QT写成的。支持的存储格式包括PASCAL VOC format, YOLO, createML。

# 方法1：从源码编译

# 安装和运行

## 下载源码
git clone https://github.com/HumanSignal/labelImg.git
cd .\labelImg\

## 安装依赖（以python3为例）
pip install lxml -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install pyqt5 -i https://pypi.tuna.tsinghua.edu.cn/simple

## 编译资源文件
pyrcc5 -o libs/resources.py resources.qrc

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

## 例子
python labelImg.py F:\datasets\test\img F:\datasets\test\classes.txt

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

# 打包成exe

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

1
2

# 方法2：通过pip直接安装

# 安装和运行

## 创建虚拟环境
python.exe -m venv venv
.\venv\Scripts\activate

## 安装labelimg
pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple

## 启动
labelimg

1
2
3
4
5
6
7
8
9

# 找到EXE

exe路径如下：

venv\Scripts\labelImg.exe

# 使用方法

# LabelImg 快捷键对照表 (中英双语)

快捷键	功能 (英文)	功能 (中文)
Ctrl + u	Load all images from a directory	从目录加载所有图像
Ctrl + r	Change default annotation target directory	更改默认标注保存目录
Ctrl + s	Save annotations	保存当前标注
Ctrl + d	Copy current label and bounding box	复制当前标签和边界框
Ctrl + Shift + d	Delete current image	删除当前图像
Space	Flag current image as verified	标记当前图像为已验证
w	Create a bounding box	创建边界框
d	Next image	下一张图像
a	Previous image	上一张图像
Del	Delete selected bounding box	删除选中的边界框
Ctrl + +	Zoom in	放大视图
Ctrl + -	Zoom out	缩小视图
↑ → ↓ ←	Move selected bounding box (arrow keys)	移动选中的边界框 (方向键)

标注效率技巧：
- Ctrl + d 可快速复制相似对象的标注
- 空格键标记已完成的图像可避免重复工作
- 方向键微调边界框比鼠标拖动更精确
标注优化建议：
- 建议先创建所有边界框(w)，再用方向键微调位置
- 对于相似对象群组，使用Ctrl + d连续复制可节省70%操作时间
- 批量操作时开启View → Auto Save避免手动保存
- Change save dir可以将calss.txt和label.txt放在指定目录下

# 图像验证功能说明

当按下空格键时，用户可将当前图像标记为"已验证"，此时图像背景将变为绿色。此功能主要用于自动化创建数据集时，用户能快速遍历所有图片进行标记验证，而无需执行完整标注。

# 困难样本标注说明

当difficult字段设置为1时，表示该目标被标注为"困难样本"。例如：某个目标虽然清晰可见，但若不依赖大量上下文信息则难以识别（如高度遮挡或模糊对象）。根据您的深度神经网络实现需求，在训练过程中可选择包含或排除此类困难样本。

# 配置重置方法

若出现类别加载异常问题，可通过以下方式重置设置：

图形界面操作：在LabelImg顶部菜单栏点击 Menu/File → Reset All
配置文件删除

（Linux/Mac系统执行）：
```
rm ~/.labelImgSettings.pkl
```
1
（Windows用户需在用户主目录下手动删除同名文件）

编辑

#AI #CV #Python

上次更新: 2025/06/07, 21:53:36

← 数据集制作-目标检测 ResNet50部署和微调→