解压进入到LabelImage的文件路径，运行命令：conda install pyqt=5，安装依赖，并完成之后运行命令：pyrcc5 -o resources.py resources.qrc(这里可能会提示路径问题，这里就不做解决办法了，网上而很多)。完成之后直接运行：python labelImg.py。不出意外的话可以直接打开Labelmage界面。如下图所示：

4、制作数据集

这里不做过多的LabelImage的使用，做一下基本的操作，达到我们可以制作自己的数据集即可。

点击上图1，可以直接打开自己图片的文件夹，LabelImage会加载到右下角的“File List”里面，将所有的图片显示到该窗口中。

在“File List”中选择要标注的图片，点击“w”建（Create RectBox的快捷键），可以对目标进行标注，如下图所示：

没标注完一张图片要保存标注的数据，否则切换图片的时候标注的结果会消失！！！！点击快捷方式（CTRL+S）直接保存标注的结果。

反复多张标注完成后，基础数据集已经标注完毕。

5、制作VOC2007数据集

介绍一下各个文件夹的用途:

Annotations：里面是标注图片对应的标注信息，是xml格式的（标注你的xml，可以自行进去看一下结构，里面主要的就是类别和标注的坐标点，其他不重要）。

ImageSets：在后面里面生成Main文件夹，里面包含train和test，主要记录训练集的文件名称和测试集的文件名称。

JPEImages：原始的图片数据。

labels：该文件夹和ImageSets的Main文件夹在后面共同生成，用于生成VOC2007格式的数据集。

6、生成VOC2007数据集的文件

该步骤会将上一步的ImageSets和labels缺少的文件补齐，并生成2007_Train和2007_test的txt文件。下面的代码自动制作VOC2007的数据集，直接运行即可：

#缺少依赖包的同学自行下载一下，很好下
import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
import random

#类别根据你的数据集类别进行定义
classes=["类别1","类别2","类别3"]


def clear_hidden_files(path):
    dir_list = os.listdir(path)
    for i in dir_list:
        abspath = os.path.join(os.path.abspath(path), i)
        if os.path.isfile(abspath):
            if i.startswith("._"):
                os.remove(abspath)
        else:
            clear_hidden_files(abspath)

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)
#下面的文件夹和文件的名称根据你的喜好自定定义，也可以按照我这里的代码直接运行
def convert_annotation(image_id):
    in_file = open('VOCdevkit\VOC2007\Annotations\%s.xml' %image_id)
    out_file = open('VOCdevkit\VOC2007\labels\%s.txt' %image_id, 'w')
    tree=ET.parse(in_file)
    root = tree.getroot()
    size = root.find('size')
    w = int(size.find('width').text)
    h = int(size.find('height').text)

    for obj in root.iter('object'):
        difficult = obj.find('difficult').text
        cls = obj.find('name').text
        if cls not in classes or int(difficult) == 1:
            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((w,h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
    in_file.close()
    out_file.close()

wd = os.getcwd()
wd = os.getcwd()
work_sapce_dir = os.path.join(wd, "VOCdevkit\\")
if not os.path.isdir(work_sapce_dir):
    os.mkdir(work_sapce_dir)
work_sapce_dir = os.path.join(work_sapce_dir, "VOC2007\\")
if not os.path.isdir(work_sapce_dir):
    os.mkdir(work_sapce_dir)
annotation_dir = os.path.join(work_sapce_dir, "Annotations\\")
if not os.path.isdir(annotation_dir):
        os.mkdir(annotation_dir)
clear_hidden_files(annotation_dir)
image_dir = os.path.join(work_sapce_dir, "JPEGImages\\")
if not os.path.isdir(image_dir):
        os.mkdir(image_dir)
clear_hidden_files(image_dir)
VOC_file_dir = os.path.join(work_sapce_dir, "ImageSets\\")
if not os.path.isdir(VOC_file_dir):
        os.mkdir(VOC_file_dir)
VOC_file_dir = os.path.join(VOC_file_dir, "Main\\")
if not os.path.isdir(VOC_file_dir):
        os.mkdir(VOC_file_dir)

train_file = open(os.path.join(wd, "2007_train.txt"), 'w')
test_file = open(os.path.join(wd, "2007_test.txt"), 'w')
train_file.close()
test_file.close()
VOC_train_file = open(os.path.join(work_sapce_dir, "ImageSets\\Main\\train.txt"), 'w')
VOC_test_file = open(os.path.join(work_sapce_dir, "ImageSets\\Main\\test.txt"), 'w')
VOC_train_file.close()
VOC_test_file.close()
if not os.path.exists('VOCdevkit\\VOC2007\\labels'):
    os.makedirs('VOCdevkit\\VOC2007\\labels')
train_file = open(os.path.join(wd, "2007_train.txt"), 'a')
test_file = open(os.path.join(wd, "2007_test.txt"), 'a')
VOC_train_file = open(os.path.join(work_sapce_dir, "ImageSets\\Main\\train.txt"), 'a')
VOC_test_file = open(os.path.join(work_sapce_dir, "ImageSets\\Main\\test.txt"), 'a')
list = os.listdir(image_dir) # list image files
probo = random.randint(1, 100)
print("Probobility: %d" % probo)
for i in range(0,len(list)):
    path = os.path.join(image_dir,list[i])
    if os.path.isfile(path):
        image_path = image_dir + list[i]
        voc_path = list[i]
        (nameWithoutExtention, extention) = os.path.splitext(os.path.basename(image_path))
        (voc_nameWithoutExtention, voc_extention) = os.path.splitext(os.path.basename(voc_path))
        annotation_name = nameWithoutExtention + '.xml'
        annotation_path = os.path.join(annotation_dir, annotation_name)
    probo = random.randint(1, 100)
    print("Probobility: %d" % probo)
    if(probo < 75):
        if os.path.exists(annotation_path):
            train_file.write(image_path + '\n')
            VOC_train_file.write(voc_nameWithoutExtention + '\n')
            convert_annotation(nameWithoutExtention)
    else:
        if os.path.exists(annotation_path):
            test_file.write(image_path + '\n')
            VOC_test_file.write(voc_nameWithoutExtention + '\n')
            convert_annotation(nameWithoutExtention)
train_file.close()
test_file.close()
VOC_train_file.close()
VOC_test_file.close()

执行完上述步骤，如果没有报错的话，你的数据集已经制作完毕。

二、利用DarkNet训练你的数据集

1、下载yolov4工程

github下载基于DarkNet的yolov4的工程，下载地址：yolov4工程地址。

下载并解压如下所示：

我就大概的列一下解压的文件，不用纠结这里面的东西，你不会少文件的放心吧^_^。

2、迁移学习，下载选中文件

接下来就要用darknet训练你自己的数据集了，训练之前，我们肯定是用迁移学习的方式进行训练的，我们下载一下它训练好的权重文件：权重地址，可以*，如果下载的慢的话可以私信我要一份全汇总文件，大概245M左右。

3、训练模型

训练的话windows和linux训练过程是不一样的，习惯windows的同学这里是个福音。因为windows平台其实比linux更好训练，是不是很神奇，一般都是windows坑比较多，这里却相反。

3.1 windows平台下训练模型

先说windows下面的训练吧，在当前darknet目录下，进入build\darknet中，可以看到下面的东西，做过vs环境开发的同学看到这它们是不是很开心^_^，连CMAKE都不用了：

先不看x64文件夹里面的东西，就看vs的这些项目，从名字就很容易理解它们的分别的作用了，无非就是生成darknet.exe的工程，生成darknet.dll方便你融入自己项目的工程，是否是GPU的工程，根据自己项目需求习性选择吧，就不做过多解释了。这里再说一下我用的是vs2015做的，其实别的版本也无所谓。我直接用darknet.sln直接生成exe了，因为这个训练我只要它的模型，最后要转到tensorflow2.0的环境里。

打开darknet.sln，编译运行，最后生成darknet.exe，这里面坑比较少，我编译的比较顺利，如果出现vs编译过程中出现错的话，自行解决一下吧，vs的错误还是很好解决的，因为每个人的错误可能不一样，这里就不做赘述了。

编译成功后，会生成darknet.exe，如下图所示：

用这个程序就可以训练我们自己的yolov4模型了。到此我们已经把基础工作做好了，接下来我们就要正式训练我们的模型。先写到这里，后续步骤在基于tensorflow2的yolov4训练自己的数据集（二）中继续更新。

码农公寓

一、制作数据集

1、下载LabelImage

2、安装LabelImage