YOLO:labelImg使用+xml文件转为txt文件

最新：不需要另外xml转txt，直接用labelImg生成YOLO所需的txt文件的安装包(https://download.csdn.net/download/tzwsg/12575511)

一、labelImg使用方法

labelImg安装包 1、软件图标的使用 （1）打开需要标记的图片文件夹 （2）修改保存路径（XML文件夹） （3）标注ROI区域，填写标签 （4）保存XML文件，有弹框提醒 （5）点击下一张图进行标记 2、软件快捷键的使用 Ctrl +u : 打开图片文件夹 Ctrl +r : 更改结果保存位置 w: 开始画框 Ctrl +s : 保存 d: 下一张 a: 上一张 del: 删除画的框 Ctrl++: 图片放大 Ctrl–: 图片缩小 ↑→↓←: 对框进行移动 Ctrl+d: 复制当前框的标签和框 重要提醒：将图片全部命名为1、2、3、4….n等形式，因为后续将xml文件转成txt文件只能识别数字形式。不要加入中文。

二、利用voc制作自己的数据集

在目录下新建VOC2007，并在VOC2007下新建Annotations，ImageSets和JPEGImages三个文件夹。在ImageSets下新建Main文件夹。文件目录如下所示： 将自己的数据集图片拷贝到JPEGImages目录下。将数据集label文件拷贝到Annotations目录下。在VOC2007下新建test.py文件夹，将下面代码拷贝进去运行，将生成四个文件：train.txt,val.txt,test.txt和trainval.txt

import os import random trainval_percent = 0.1 #valid比例 train_percent = 0.9 #train比例 xmlfilepath = 'Annotations' txtsavepath = 'ImageSets\Main' total_xml = os.listdir(xmlfilepath) num = len(total_xml) list = range(num) tv = int(num * trainval_percent) tr = int(tv * train_percent) trainval = random.sample(list, tv) train = random.sample(trainval, tr) ftrainval = open('ImageSets/Main/trainval.txt', 'w') ftest = open('ImageSets/Main/test.txt', 'w') ftrain = open('ImageSets/Main/train.txt', 'w') fval = open('ImageSets/Main/val.txt', 'w') for i in list: name = total_xml[i][:-4] + '\n' if i in trainval: ftrainval.write(name) if i in train: ftest.write(name) else: fval.write(name) else: ftrain.write(name) ftrainval.close() ftrain.close() fval.close() ftest.close()

生成后的目录结构如下：

三、加入自己的数据集

在代码的darknet目录下新建VOCdevkit文件夹，然后把刚才制作的VOC2007文件夹拷贝到该文件夹下： 在scripts目录下有一个voc_label.py文件，修改里面的参数，这里需要修改两个地方，sets和classes，classes根据自己需要修改。

import xml.etree.ElementTree as ET import pickle import os from os import listdir, getcwd from os.path import join sets=[ ('2007', 'train'),('2007', 'valid')] #需要生成的txt文件 classes = ["neg"] #标记的名字，需要与labelImg里的名字一致 def convert(size, box): dw = 1./size[0] dh = 1./size[1] x = (box[0] + box[1])/2.0 y = (box[2] + box[3])/2.0 w = box[1] - box[0] h = box[3] - box[2] x = x*dw w = w*dw y = y*dh h = h*dh return (x,y,w,h) def convert_annotation(year, image_id): # 转换这一张图片的坐标表示方式（格式）,即读取xml文件的内容，计算后存放在txt文件中。 in_file = open('VOCdevkit/VOC%s/Annotations/%s.xml'%(year, image_id),encoding='UTF-8') out_file = open('VOCdevkit/VOC%s/labels/%s.txt'%(year, image_id), 'w',encoding='UTF-8') tree=ET.parse(in_file) root = tree.getroot() size = root.find('size') w = int(size.find('width').text) h = int(size.find('height').text) for obj in root.iter('object'): difficult = obj.find('difficult').text cls = obj.find('name').text if cls not in classes or int(difficult) == 1: continue cls_id = classes.index(cls) xmlbox = obj.find('bndbox') b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text)) bb = convert((w,h), b) out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n') wd = getcwd() for year, image_set in sets: if not os.path.exists('VOCdevkit/VOC%s/labels/'%(year)): os.makedirs('VOCdevkit/VOC%s/labels/'%(year)) # 新建一个 label 文件夹，用于存放yolo格式的标签文件：000001.txt image_ids = open('VOCdevkit/VOC%s/ImageSets/Main/%s.txt'%(year, image_set),encoding='UTF-8').read().strip().split() # 读取txt文件中 存放的图片的 id：000001 list_file = open('%s_%s.txt'%(year, image_set), 'w') # 新建一个 txt文件，用于存放 图片的绝对路径：/media/common/yzn_file/DataSetsH/VOC/VOCdevkit/VOC2007/JPEGImages/000001.jpg for image_id in image_ids: list_file.write('%s/VOCdevkit/VOC%s/JPEGImages/%s.jpg\n'%(wd, year, image_id)) # 向 txt 文件中写入 一张图片的绝对路径 convert_annotation(year, image_id) # 转换这一张图片的坐标表示方式（格式） list_file.close()

接下来运行该文件，我们的目录下会生成三个txt文件2007_train.txt,2007_val.txt,，VOCdevkit下的VOC2007也会多生成一个labels文件夹，下面是真正会使用到的label，点开看发现已经转化成YOLOV3需要的格式了。这时候自己的数据集正式完成。 参考链接： 使用labelImg标注数据的方法：https://www.cnblogs.com/StarZhai/p/11926610.html 超详细教程：YOLO_V3（yolov3）训练自己的数据：https://blog.csdn.net/qq_21578849/article/details/84980298