1. LabelImg安装避坑指南第一次接触LabelImg时我踩了不少坑。记得有次在Windows上折腾了整整一下午就为了解决那个烦人的PyQt5报错。如果你也遇到过ModuleNotFoundError: No module named PyQt5这种错误别担心下面这些实战经验能帮你少走弯路。1.1 Windows系统安装常见问题Windows用户最容易遇到的就是环境配置问题。我建议直接用Anaconda创建虚拟环境这样能避免90%的依赖冲突。具体操作如下conda create -n labelimg python3.8 conda activate labelimg conda install pyqt5 lxml如果遇到resources.py路径错误这个坑我踩过三次解决方法其实很简单进入LabelImg解压目录执行命令pyrcc5 -o libs/resources.py resources.qrc把生成的resources.py手动复制到libs文件夹实测发现用清华源安装依赖会更稳定pip install PyQt5 lxml PyQt5_tools -i https://pypi.tuna.tsinghua.edu.cn/simple1.2 macOS特有的坑点在Mac上brew安装时可能会遇到Qt版本冲突。我的经验是先用brew清理旧版本brew uninstall qt brew uninstall pyqt brew cleanup然后重新安装brew install qt5 export PATH/usr/local/opt/qt5/bin:$PATH pip install pyqt55.15.2如果启动时报错Could not find or load the Qt platform plugin试试这个命令export QT_DEBUG_PLUGINS1 python labelImg.py1.3 Linux环境快速配置Ubuntu用户可以直接用apt-get安装sudo apt-get install pyqt5-dev-tools sudo pip3 install lxml cd labelImg make qt5py3但要注意如果系统自带Python2一定要显式指定python3python3 labelImg.py2. 高效标注实战技巧标注5000张交通标志图片后我总结出一套高效工作流比常规方法快3倍不止。2.1 必须掌握的快捷键组合这些快捷键组合让我每天至少节省2小时W直接创建标注框比鼠标点选快5倍CtrlD复制当前标注适合同类多物体场景Space标记为已校验团队协作时特别有用Ctrl方向键微调标注框位置像素级精准调整实测发现左手放在键盘左侧右手操作鼠标可以形成肌肉记忆。我的习惯是W键创建框体鼠标调整大小输入标签首字母自动补全CtrlS保存D键下一张2.2 批量处理技巧处理大量图片时这些技巧很管用提前准备好predefined_classes.txt文件启动时指定默认保存路径python labelImg.py images/ predefined_classes.txt开启自动保存模式修改config.ini文件[auto_save] enabledtrue我通常会先浏览全部图片用空格键快速标记需要标注的图片再集中处理。3. 格式转换与数据管理去年做自动驾驶项目时我们需要将PASCAL VOC格式转为YOLO格式这个Python脚本帮了大忙import xml.etree.ElementTree as ET import os 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(xml_file, classes): in_file open(xml_file) out_file open(xml_file.replace(.xml,.txt), w) tree ET.parse(in_file) root tree.getroot() for obj in root.iter(object): cls obj.find(name).text if cls not in classes: 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((640,640), b) # 根据实际图像尺寸修改 out_file.write(str(cls_id) .join([str(a) for a in bb]) \n)使用时只需修改classes列表和路径classes [car, pedestrian, cyclist] convert_annotation(annotations/001.xml, classes)4. 高级技巧与性能优化处理万级数据集时这些优化手段能让标注效率提升10倍4.1 使用预标注加速先用YOLOv5跑一遍预标注python detect.py --weights yolov5s.pt --source images/ --save-txt然后加载预生成的txt文件进行修正比从零标注快很多。4.2 内存优化配置在labelImg.py开头添加这些代码可以显著降低内存占用import os os.environ[QT_AUTO_SCREEN_SCALE_FACTOR] 1 os.environ[QT_SCALE_FACTOR] 1 os.environ[QT_SCREEN_SCALE_FACTORS] 1对于4K屏幕用户建议修改config.ini[high_dpi_scaling] enabledtrue scale_factor1.54.3 团队协作方案我们团队采用这样的工作流用Git管理图片和标注文件每人负责不同类别每日用这个脚本合并标注import glob import shutil def merge_annotations(team_dir, output_dir): os.makedirs(output_dir, exist_okTrue) for xml in glob.glob(f{team_dir}/*/*.xml): shutil.copy(xml, output_dir)最后用校验脚本检查标注一致性def validate_annotations(xml_dir, classes): for xml in glob.glob(f{xml_dir}/*.xml): tree ET.parse(xml) for obj in tree.findall(object): if obj.find(name).text not in classes: print(fInvalid class in {xml})这套方法让我们在3天内完成了10万张图片的标注任务。关键是要建立标准化流程比如统一使用x1,y1,x2,y2的坐标格式规定模糊图像的标注规则等。