OpenLabeling：开源图像与视频标注工具

支持多种标注格式的图像标注：

• PASCAL VOC（即 darkflow）
• YOLO darknet
• 如需更多格式，请提出新议题...

引用

本项目是为以下论文开发的，请考虑引用：

@INPROCEEDINGS{8594067,
  author={J. {Cartucho} and R. {Ventura} and M. {Veloso}},
  booktitle={2018 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)}, 
  title={Robust Object Recognition Through Symbiotic Deep Learning In Mobile Robots}, 
  year={2018},
  pages={2336-2341},
}

最新功能

• 2019年6月：深度学习目标检测模型
• 2019年5月：[ECCV2018] 带干扰物感知的孪生网络用于视觉目标跟踪
• 2019年1月：轻松快速调整边界框大小！
• 2019年1月：使用 OpenCV 跟踪器进行视频目标跟踪！
• 待办事项：通过 Google Drive 标注照片，以实现“团队在线标注”。 新功能讨论

目录

• 快速入门
• 先决条件
• 运行项目
• GUI 使用说明
• 作者

快速入门

要开始使用 YOLO 边界框工具，您需要 下载最新版本 或克隆仓库：

git clone --recurse-submodules git@github.com:Cartucho/OpenLabeling.git

先决条件

您需要安装：

• Python
• OpenCV 版本 ≥ 3.0
  1. python -mpip install -U pip
  2. python -mpip install -U opencv-python
  3. python -mpip install -U opencv-contrib-python
• numpy、tqdm 和 lxml：
  1. python -mpip install -U numpy
  2. python -mpip install -U tqdm
  3. python -mpip install -U lxml

或者，您可以一次性安装所有依赖项：

python -mpip install -U pip
python -mpip install -U -r requirements.txt

• PyTorch 请访问链接以获取适合您配置的安装指南。

运行项目

步骤如下：

1. 打开 main/ 目录

2. 将输入图像和视频放入 input/ 文件夹

3. 将类别名称逐行写入 class_list.txt 文件

4. 运行代码：

5. 您可以在 output/ 文件夹中找到标注结果。

   python main.py [-h] [-i] [-o] [-t] [--tracker TRACKER_TYPE] [-n N_FRAMES]
   
   可选参数：
    -h, --help                显示帮助信息并退出
    -i, --input               图像和视频输入文件夹路径 | 默认：input/
    -o, --output              输出文件夹路径（如果使用 PASCAL VOC 格式，正确设置此路径很重要）| 默认：output/
    -t, --thickness           边界框和十字线的粗细（整数）| 默认：-t 1
    --tracker tracker_type    使用的跟踪器类型：['CSRT', 'KCF','MOSSE', 'MIL', 'BOOSTING', 'MEDIANFLOW', 'TLD', 'GOTURN', 'DASIAMRPN']
    -n N_FRAMES               跟踪目标的帧数
   

若要使用 DASIAMRPN 跟踪器：

1. 安装 DaSiamRPN 子模块，并从 Google Drive 下载模型（VOT）
2. 将其复制到 'DaSiamRPN/code/' 目录
3. 在 main.py 中设置默认跟踪器，或使用 --tracker DASIAMRPN 运行

如何使用深度学习功能

• 从 https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/detection_model_zoo.md 下载一个或多个深度学习模型， 并将其放入 object_detection/models 目录（您需要自行创建 models 文件夹）。object_detection 的目录结构大致如下：

  • tf_object_detection.py
  • utils.py
  • models/ssdlite_mobilenet_v2_coco_2018_05_09

  点击此链接 http://download.tensorflow.org/models/object_detection/ssdlite_mobilenet_v2_coco_2018_05_09.tar.gz 下载预训练模型，并将其放入 object_detection/models。如有必要，请创建 models 文件夹。确保解压模型。

  注意：main_auto.py 中使用的默认模型是 ssdlite_mobilenet_v2_coco_2018_05_09。我们可以通过在 main_auto.py 文件中设置 graph_model_path 来更改预训练模型。

• 使用 main_auto.py 首先自动标注数据

  待办事项：解释用户如何

GUI 使用说明

键盘操作：

键	说明
a/d	上一张/下一张图片
s/w	上一个/下一个类别
e	边缘
h	帮助
q	退出

视频操作：

键	说明
p	预测下一帧的标签

鼠标操作：

• 使用两次单独的左键单击来绘制每个边界框
• 右键单击 -> 快速删除！
• 使用鼠标中键进行放大和缩小
• 双击可选择一个边界框

作者

• 若昂·卡图乔

  欢迎贡献

  

OpenLabeling 快速上手指南

OpenLabeling 是一款开源的图像和视频标注工具，支持 PASCAL VOC 和 YOLO Darknet 等多种标注格式，并具备基于深度学习的自动标注和视频目标跟踪功能。

环境准备

在开始之前，请确保您的系统满足以下要求：

• 操作系统：Windows, Linux 或 macOS
• Python：已安装 Python 环境（推荐 Python 3.6+）
• 核心依赖：
  • OpenCV (版本 >= 3.0)
  • NumPy, tqdm, lxml
  • PyTorch (用于深度学习功能，可选)

国内加速建议：安装依赖时建议使用国内镜像源（如清华源、阿里源）以提升下载速度。

安装步骤

1. 获取代码

克隆仓库并初始化子模块（包含必要的跟踪器代码）：

git clone --recurse-submodules git@github.com:Cartucho/OpenLabeling.git

或者下载最新 Release 包解压。

2. 安装依赖

进入项目目录，使用 pip 安装所需库。推荐使用国内镜像源：

python -mpip install -U pip -i https://pypi.tuna.tsinghua.edu.cn/simple
python -mpip install -U -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

如果需要手动安装特定包：

python -mpip install -U opencv-python opencv-contrib-python numpy tqdm lxml -i https://pypi.tuna.tsinghua.edu.cn/simple

3. 配置深度学习模型（可选）

若需使用自动标注功能，需下载预训练模型：

1. 下载模型（例如 ssdlite_mobilenet_v2_coco_2018_05_09）：http://download.tensorflow.org/models/object_detection/ssdlite_mobilenet_v2_coco_2018_05_09.tar.gz
2. 在项目根目录创建 object_detection/models 文件夹。
3. 将解压后的模型文件放入该文件夹中。

基本使用

1. 准备数据

进入 main/ 目录，按以下结构准备文件：

• input/：放入待标注的图片或视频文件。
• class_list.txt：新建此文件，每行写入一个类别名称（例如：person, car）。

2. 运行工具

在终端执行以下命令启动标注界面：

python main.py

常用参数说明：

• -i：指定输入文件夹路径（默认 input/）。
• -o：指定输出文件夹路径（默认 output/，PASCAL VOC 格式需注意此路径）。
• --tracker：指定视频跟踪器类型（如 CSRT, KCF, DASIAMRPN 等）。
• -n：指定自动跟踪的帧数。

示例：使用 CSRT 跟踪器处理视频并标注接下来 50 帧

python main.py --tracker CSRT -n 50

3. 操作指南

启动后通过键盘和鼠标进行标注：

通用快捷键：

按键	功能
a / d	上一张 / 下一张图片
s / w	切换上一个 / 下一个类别
e	显示/隐藏边缘
q	退出程序

视频模式额外按键：

按键	功能
p	预测并标注后续帧

鼠标操作：

• 左键点击两次：绘制一个边界框（先点左上角，再点右下角）。
• 右键点击：快速删除选中的边界框。
• 滚轮：缩放视图。
• 双击：选中已有的边界框。

标注完成后，结果文件将保存在 output/ 目录中。