人体姿态标注

人体姿态标注

  • 一 标注工具labelme
    • 1.1 安装方式
    • 1.2 界面说明
  • 二 数据集准备 不要在网上搜图
      • 以下每张图片的命名方式:状态_学号_序号.jpg (注意 一定是jpg格式) 保存到一个文件夹中,便于标注。 例如:FALL_0000_0001.jpg 学号一定要是完整的学号,前面的0000只是举一个例子。
    • 站立数据(UP):不同方向(侧面/正面/背面) 10
    • 中间状态(BENDING)(蹲/弯腰)10:不同方向(侧面/正面/背面)
    • 跌倒状态(FALL) 10(爬下/坐下/躺)(身体着地的状态):不同方向(侧面/正面/背面)
    • 最后的文件夹样式
  • 三 数据标注
    • 3.0 数据标签
      • 大家标注请务必对照 就相当于一个正面照
    • 3.1 打开labelme
    • 3.2 打开文件夹
    • 3.3 标注
      • 一定要先打框,然后再打点
      • 画框
      • 打点
      • 整个标注工作完成之后的文件夹样式(以下是2张为例子) 你们得有30张jpg格式的图片和30个json后缀的文件。

一 标注工具labelme

labelme是图像图像注释工具,用python编写,并将QT用于其图形界面。 界面如下:
人体姿态标注_第1张图片
官方链接:https://github.com/wkentaro/labelme
它的功能很多,包括: - 对图像进行多边形,矩形,圆形,多段线,线段,点形式的标注(可用于目标检-测,图像分割等任务)。 - 对图像进行进行 flag 形式的标注(可用于图像分类 和 清理 任务)。 - 视频标注 - 生成 VOC 格式的数据集(for semantic / instance segmentation) - 生成 COCO 格式的数据集(for instance segmentation)

1.1 安装方式

人体姿态标注_第2张图片
下载地址:https://github.com/wkentaro/labelme/releases?page=1
如果下载比较慢,或者进不去,下方提供了百度网盘地址:

链接: https://pan.baidu.com/s/1NI2CQy9p_lKdyHmhngXCHA
提取码: e5cg

1.2 界面说明

二 数据集准备 不要在网上搜图

可用自己的手机摄像头,注意要平视角度图片大小不低于480不要在网上搜图,必须自己拍。

以下每张图片的命名方式:状态_学号_序号.jpg (注意 一定是jpg格式) 保存到一个文件夹中,便于标注。 例如:FALL_0000_0001.jpg 学号一定要是完整的学号,前面的0000只是举一个例子。

站立数据(UP):不同方向(侧面/正面/背面) 10

中间状态(BENDING)(蹲/弯腰)10:不同方向(侧面/正面/背面)


跌倒状态(FALL) 10(爬下/坐下/躺)(身体着地的状态):不同方向(侧面/正面/背面)

人体姿态标注_第3张图片

最后的文件夹样式

人体姿态标注_第4张图片

三 数据标注

3.0 数据标签

一共是3状态框,分别是:FALL(跌倒)、UP(站立)、BENDING(中间状态) 注意标注时,英文一定要大写。
一共17个骨骼关节标注点,相关标注顺序以及关节名的对应可参考下表:(表格只是参考,大家标注按照下面的人体骨骼)
人体姿态标注_第5张图片

大家标注请务必对照 就相当于一个正面照

人体姿态标注_第6张图片

3.1 打开labelme

人体姿态标注_第7张图片

3.2 打开文件夹

打开数据存放的文件夹,一定是文件夹,不要打开单张图片
人体姿态标注_第8张图片

3.3 标注

第一次标注是没有标签的,标注完一张图后,就会有标签。

一定要先打框,然后再打点

在图片上,右击,会出现以下画面:
人体姿态标注_第9张图片

画框

人体姿态标注_第10张图片

打点

按照下图的数字 打点,这是正对着的人,顺序不能反。图上的数字是几,点的标签就是几
如果点被覆盖住了,打一个大概的位置,注意17个点一个都不能少
人体姿态标注_第11张图片
人体姿态标注_第12张图片
注意每标注完一张图片,保存一下,可以新建一个文件夹,将标注好的文件保存到新建文件夹里面。保存完之后,FileList框里面对应的文件就会被勾起来。
人体姿态标注_第13张图片
文件夹里面会多出来一个json文件。
以上第一张数据就标注完成。

整个标注工作完成之后的文件夹样式(以下是2张为例子) 你们得有30张jpg格式的图片和30个json后缀的文件。

人体姿态标注_第14张图片


标注完成30张就可以了,有能力的同学参考下面链接:
https://blog.csdn.net/m0_57458432/article/details/128220346

你可能感兴趣的:(目标检测经典论文,人工智能,YOLO)