LabelGo使用记录-基于Yolov5的半自动标注工具

简单介绍

在做深度学习检测项目时，可能经常需要标注数据，单单靠人工标注是一件很麻烦的时间，耗时耗力，今天介绍一下刚学到的Github大佬开源的基于yolov5的辅助标注工具，介绍一下使用过程。
首先贴出链接：
https://github.com/cnyvfang/labelGo-Yolov5AutoLabelImg

这是一个基于 labelImg与 YOLOv5 的半自动标注工具，通过现有的YOLOv5 PyTorch模型对数据集进行半自动标注。原理很简单，使用训练过的yolov5模型对数据进行标注，然后在简单修修改改就好啦！

代码下载

代码最新我看是yolov5-v6.2版本， 我没有用过，直接跑去yolov5-v5.0版本了，克隆代码使用官方权重在我的环境中会报torch版本error，就跑release版本下载labelGo_for_yolov5_v5_final代码
地址：
https://github.com/cnyvfang/labelGo-Yolov5AutoLabelImg/releases

然后 下载yolov5-v5.0官方代码，这个也会用到
git clone https://github.com/ultralytics/yolov5.git

这个代码就和平常的代码库一样运行，我是习惯pycharm运行代码，直接在pycharm打开项目，然后配置环境，这个配置环境就自己来吧！

yolov5官方权重使用

在github下载yolov5-v5.0官方权重yolov5s.pt
这里放下百度云下载地址：
链接：https://pan.baidu.com/s/1DNRX3LcvIMGEKeTS9WJrcw
提取码：1234
运行labelGo，在pycharm终端输入：python labelGo.py

点击Open Dir 按钮选择要标注的图片文件夹打开

在点击Auto Lable 选择yolovs.pt权重文件，会自动标注，也可一使用Create RectBox手动增加标注，和lableimg一样，默认是YOLO格式标签文件，点击YOLO (TO VOC) 可以将生成的yolo标签转换成VOC格式，都保存在图片文件夹中。

这是生成的标签文件

实际测试时会有找不到classes.txt文件错误，有时候会自动生成，出错可以手动将coco标签类别文件放到图片所在目录中。

标注自己的数据集

使用yolov5-v5.0训练自己的数据集，获得权重文件，然后使用此权重文件进行标注。
错误解决：

这个应该是代码没有更新，在issues有解决方案。
https://github.com/cnyvfang/labelGo-Yolov5AutoLabelImg/issues/20
将yolov5-v5.0官方代码的utils文件夹拷贝到labelGo-Yolov5AutoLabelImg-source项目中，将 yolov5-5.0\models\yolo.py文件拷贝到labelGo-Yolov5AutoLabelImg-source\libs\models 文件夹内替换yolo.py文件，然后修改下文件，其他错误就不用管。
这里直接下载zip的官方代码和这个项目的代码好像一样，会报其他错误，使用git clone的是ok的。

接下来出现找不到SPPF模块。

将yolov5源码的SPPF模块复制到libs/models/common.py 文件中，并import warnings

import warnings
class SPPF(nn.Module):
    # Spatial Pyramid Pooling - Fast (SPPF) layer for YOLOv5 by Glenn Jocher
    def __init__(self, c1, c2, k=5):  # equivalent to SPP(k=(5, 9, 13))
        super().__init__()
        c_ = c1 // 2  # hidden channels
        self.cv1 = Conv(c1, c_, 1, 1)
        self.cv2 = Conv(c_ * 4, c2, 1, 1)
        self.m = nn.MaxPool2d(kernel_size=k, stride=1, padding=k // 2)

    def forward(self, x):
        x = self.cv1(x)
        with warnings.catch_warnings():
            warnings.simplefilter('ignore')  # suppress torch 1.9.0 max_pool2d() warning
            y1 = self.m(x)
            y2 = self.m(y1)
            return self.cv2(torch.cat((x, y1, y2, self.m(y2)), 1))

然后就可以愉快的标注了。方法同上。