从本篇博客正式开始深度学习项目的记录，实例代码只会放通用的代码，数据集和训练数据也是不会全部放出。

系列文章：

基于Yolov5目标检测的物体分类识别及定位（一） -- 数据集原图获取与标注

基于Yolov5目标检测的物体分类识别及定位（二） -- yolov5运行环境搭建及label格式转换

目录

原图获取

分析

爬取图片

数据标注

labelme介绍

labelme安装

启动自动化

labelme使用

原图获取

分析

       想要让人工智能有智能，得先训练它，训练要有数据集，制作数据集要有原始数据。

       所以搭建系统的第一步，就是从网上爬一些图片来构建数据集，为什么是爬虫爬取呢，因为太多了，手动下载根本不现实。

爬取图片

       写个爬虫在百度谷歌爬取图片，搜索关键字然后下拉界面到底（设置一个超级大的数或者一直下拉），获取所有的图片元素。

       比如百度图片搜索结果的 

@class="imgitem"  标签的  data-objurl  属性（图片原图的绝对地址），注意不能获取  @class="main_img img-hover"  标签元素里的  src  和  data-imgurl  属性，这两个里的链接都是缩略图，不是原图。

       部分代码展示如下（稍作修改即可复用）：

from selenium import webdriver
from selenium.webdriver.chrome.options import Options
import time
import sys
import urllib
import urllib.request
import requests

class PicSpider(object):
    def main(self):
        chrome_options = Options()
        chrome_options.add_argument('--headless')
        self.browser1 = webdriver.Chrome(chrome_options=chrome_options)
        get_url = 'https://www.baidu.com'
        self.browser1.get(get_url)
        time.sleep(5)
        keys_search = ['cat', 'dog']
        key_cur = 0 
        key_max = len(keys_search) - 1 
        while True:
            pic_count = 0
            if key_cur > key_max:
                break
            the_keyword = keys_search[key_cur]
            search_url = 'https://image.baidu.com/search/index?tn=baiduimage'
                         '&ct=201326592&lm=-1&cl=2&ie=gb18030'
                         '&word=' + the_keyword + 
                         '&fr=ala&ala=1&alatpl=adress&pos=0&hs=2&xthttps=000000'
            self.browser1.get(search_url)
            time.sleep(5)
            pre_height = 0
            now_height = 0
            print(self.browser1.execute_script(
                    "return document.documentElement.scrollHeight;"))
            while True:
                self.browser1.execute_script("scrollBy(0,10000)")
                time.sleep(3)
                now_height = self.browser1.execute_script(
                    "return document.documentElement.scrollHeight;")
                print(now_height)
                if now_height == pre_height:
                    break
                if now_height >= 10000000:  
                    break
                pre_height = now_height
            time.sleep(15) 
            try:
                es = self.browser1.find_elements_by_xpath('//li[@class="imgitem"]') 
            except Exception as e:
                    print(e)
            if len(es) == 0:
                break
            for ae in es:
                try:
                    aurl = ae.get_attribute('data-objurl') 
                except Exception as e:
                    print(e)
                else:
                    pic_count += 1
                    try:
                        urllib.request.urlretrieve(aurl, './'+the_keyword+'/'+the_keyword+'_%s.jpg'%pic_count)
                    except Exception as e:
                        print('图片下载异常：' + str(e))
                    else:
                        print('下载成功', pic_count)
            key_cur += 1
        self.browser1.quit()

if __name__ == '__main__':
    spider = PicSpider()
    spider.main()

数据标注

       图片爬完，分类放在几个文件夹里，然后就可以开始数据标注了。

       我们选择labelme来进行这一步工作。

labelme介绍

       Labelme 是一个图形界面的图像标注软件，其设计灵感来自于 http://labelme.csail.mit.edu/ 

       它是用 Python 语言编写的，图形界面使用的是 Qt（PyQt）

       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）

labelme安装

       这里介绍Windows的anaconda安装方法（个人办公习惯）

       更多安装参考：数据标注软件labelme详解_黑暗星球-CSDN博客_labelme（感谢）

conda create --name=labelme python=3.6
conda activate labelme
pip install pyqt5
pip install labelme
conda install pillow=4.0.0 # Windows 上的 Pillow5 会导致 dll 加载错误，所以请安装 Pillow4。

启动自动化

       接下来是启动labelme进行标注，相关命令如下

labelme # 启动的命令
labelme data_annotated/  # 指定图像文件夹的命令

       然后我把命令放在了bat文件中，以便直接双击启动label

CALL conda activate labelme # 不用CALL来启动conda的话，cmd程序就会闪退
labelme D:Pythonyolov5datasf16

labelme使用

       最常用的是矩形框标注 create rectangle，点击矩形对角的两个点，命名object label，然后save，保存为json格式文件，存在Annotations文件夹中，以备后用。内容示例图如下：

       接下来就是大量的单调还带着繁琐的数据清洗和标注了，在用yolov5训练之前还需要把json转为其需要的txt文件格式，这个放在后续博客中。

参考文章：

数据标注软件labelme详解_黑暗星球-CSDN博客_labelme