BMW-Labeltool-Lite

项目简介：BMW LabelTool Lite

BMW-LabelTool-Lite项目是一款功能强大的图像数据标注工具，专为减少配置需求而设计。这个工具的轻量版本主要关注于基于边界框的训练数据标注，旨在为尖端的深度学习训练提供支持。用户无需复杂配置即可通过我们提供的Docker化LabelTool Lite开始对图像进行标注。此外，该工具生成的标签还可以直接结合我们的Yolov4和Tensorflow训练GUI项目使用，使得训练过程更加便捷。

项目的功能与特点

便捷的启动方式

LabelTool Lite 提供了一个样本数据集，便于用户在没有自定义数据集的情况下进行操作。用户只需下载项目仓库，运行以下命令即可启动工具：

docker-compose up

然后在任意浏览器中访问localhost:8081即可开始标注。

友好的导航功能

• LabelTool Lite 提供了一系列的导航功能，帮助用户在标注过程中方便地浏览数据集：
  • 浏览数据集中的下一张图片：">"
  • 浏览数据集中的上一张图片："<"
  • 浏览数据集中无边界框的下一张图片："»"
  • 浏览数据集中无边界框的上一张图片："«"
  • 输入图片编号直接跳转到指定图片
  • 通过点击或拖动滚动条快速定位图片

图片和边界框的附加功能

除常规的边界框功能外，LabelTool Lite 还提供：

• 图片的缩放和亮度调节功能
• 从本地计算机上传新图片
• 显示图片的属性（如名称和分辨率）
• 删除图片及其对应的边界框

边界框功能

• 边界框的创建和编辑非常灵活：
  • 创建后可以调整大小、拖动移动
  • 边界框可以被复制
  • 可以设置边界框为填充或不填充
  • 可以调整边界框的线条粗细

数据集准备及使用

在项目的存储库中，应创建特定的文件夹结构来存储数据集，以下是数据准备的基本步骤：

1. 创建/data/training-data文件夹，所有的数据集均应存储于此。

2. 创建新数据集，例如myfirstdataset文件夹。

3. 在数据集文件夹中创建images文件夹用于存放需要标注的图片，以及labels/json文件夹用于存放生成的标签。

4. 创建objectclasses.json文件以定义类名，例如：

   [
     {
       "Id": 0,
       "Name": "Dog"
     },
     {
       "Id": 1,
       "Name": "Cat"
     }
   ]

加速标注过程

LabelTool Lite 支持连接预训练模型或自定义训练模型来加速标注过程。通过修改docker-compose.yml文件，用户可以将模型容器与LabelTool连接，为标注提供智能标签建议。

已知问题

• 仅能连接一个模型到“建议边界框”菜单。如果连接的模型与数据集中的对象类别不匹配，可能不会显示结果或错误消息。
• 所有的JSON文件应采用“UTF-8”编码，否则可能会导致错误。

致谢

项目的开发得到了以下组织和个人的支持：

• Inmind.ai
• Robotron
• Roy Anwar
• Eduard Saller

BMW-LabelTool-Lite项目提供了一种高效、便捷的方式来对图像数据进行标注，同时支持多种深度学习训练框架的快速集成和应用。