一、意义

通过界面化操作YOLOv5完成数据集的自动标注的意义在于简化数据标注的流程，提高标注的效率和准确性。

传统的数据集标注通常需要手动绘制边界框或标记关键点，这个过程费时费力且容易出错。而通过界面化操作YOLOv5完成数据集的自动标注，可以实现自动识别目标并生成标注结果，极大地减轻了标注人员的工作负担。

界面化操作YOLOv5完成数据集的自动标注还可以提高标注的准确性。由于YOLOv5是一种基于深度学习的目标检测算法，其具有较高的检测准确率和鲁棒性。通过使用YOLOv5进行自动标注，可以减少人为因素对标注结果的影响，提高标注的一致性和准确性。

此外，界面化操作YOLOv5完成数据集的自动标注还可以加速标注的速度。YOLOv5可以快速地对图像进行目标检测，自动生成标注结果。相比于手动标注，自动标注可以大大减少标注的时间成本，提高数据集的制作效率。

总的来说，通过界面化操作YOLOv5完成数据集的自动标注可以简化标注流程、提高标注准确性和加速标注速度，对于大规模数据集的制作和实时应用具有重要意义。

二、修改源码获取

获取链接下载：点击

三、自动标注前期准备

• annotions：里面为空，用于存放标注后的标签文件
• coco128：通过下载coco128数据集并将其转换为YOLO可运行的文件夹
  • images
    • train2017：用于存放coco128的图片文件
  • labels
    • train2017：用于存放coco128的TXT标签文件
• images：存放想要标注的图片文件
• coco128.yaml：
• detector_classes.txt：用于存放想要打标签的类别信息
• yolov5s.pt： 官方下载的对应YOLOv5的权重文件，可根据自己实际情况进行更换
• labels：用与存放将XML转换成TXT的文件

四、开始自动标注

第一步：下载修改后源码，通过Pycharm打开

第二步：通过Anaconda配置好YOLOv5的依赖环境

第三步：运行detect_auto.py
第四步：选择好对应的文件路径，一步一步点击，选择好的界面如下
第五步：点击开始自动标注，如果看到以下界面说明是没问题的
第六步：检查对应标签文件

五、可视化标注效果

第一步：通过cmd输入labelImg，打开标注界面

第二步：把TXT标注文件和拷贝到图像所在文件夹下，把classes.txt也拷过来.然后在labelimg里opendir，labelimg里显示看到当时标注的矩形框了

六、XML转换TXT

将我们标注后的XML文件以及结合原图片，将其转换为可用于YOLO训练的TXT文件，后续可更方便调用数据集来进行训练。

修改两个路径：xml文件地址和创建保存txt文件的地址

import os
import xml.etree.ElementTree as ET# xml文件存放目录(修改成自己的文件名)
input_dir = r'E:\auto_label\annotation'# 输出txt文件目录（自己创建的文件夹）
out_dir = r'E:\auto_label\labels'class_list = []# 获取目录所有xml文件
def file_name(input_dir):F = []for root, dirs, files in os.walk(input_dir):for file in files:# print file.decode('gbk')    #文件名中有中文字符时转码if os.path.splitext(file)[1] == '.xml':t = os.path.splitext(file)[0]F.append(t)  # 将所有的文件名添加到L列表中return F  # 返回L列表# 获取所有分类
def get_class(filelist):for i in filelist:f_dir = input_dir + "\\" + i + ".xml"in_file = open(f_dir, encoding='UTF-8')filetree = ET.parse(in_file)in_file.close()root = filetree.getroot()for obj in root.iter('object'):cls = obj.find('name').textif cls not in class_list:class_list.append(cls)def ConverCoordinate(imgshape, bbox):# 将xml像素坐标转换为txt归一化后的坐标xmin, xmax, ymin, ymax = bboxwidth = imgshape[0]height = imgshape[1]dw = 1. / widthdh = 1. / heightx = (xmin + xmax) / 2.0y = (ymin + ymax) / 2.0w = xmax - xminh = ymax - ymin# 归一化x = x * dwy = y * dhw = w * dwh = h * dhreturn x, y, w, hdef readxml(i):f_dir = input_dir + "\\" + i + ".xml"txtresult = ''outfile = open(f_dir, encoding='UTF-8')filetree = ET.parse(outfile)outfile.close()root = filetree.getroot()# 获取图片大小size = root.find('size')width = int(size.find('width').text)height = int(size.find('height').text)imgshape = (width, height)# 转化为yolov5的格式for obj in root.findall('object'):# 获取类别名obj_name = obj.find('name').textobj_id = class_list.index(obj_name)# 获取每个obj的bbox框的左上和右下坐标bbox = obj.find('bndbox')xmin = float(bbox.find('xmin').text)xmax = float(bbox.find('xmax').text)ymin = float(bbox.find('ymin').text)ymax = float(bbox.find('ymax').text)bbox_coor = (xmin, xmax, ymin, ymax)x, y, w, h = ConverCoordinate(imgshape, bbox_coor)txt = '{} {} {} {} {}\n'.format(obj_id, x, y, w, h)txtresult = txtresult + txt# print(txtresult)f = open(out_dir + "\\" + i + ".txt", 'a')f.write(txtresult)f.close()# 获取文件夹下的所有文件
filelist = file_name(input_dir)# 获取所有分类
get_class(filelist)# 打印class
print(class_list)# xml转txt
for i in filelist:readxml(i)# 在out_dir下生成一个class文件
f = open(out_dir + "\\classes.txt", 'a')
classresult = ''
for i in class_list:classresult = classresult + i + "\n"
f.write(classresult)
f.close()