使用AI标注快速训练自己的实例分割数据集

标注自己的数据集

准备工作

1. 首先创建一个文件夹datasets_seg；

2. 在其中创建一个子文件夹 images，将需要标注的图片（≥100张）放入images文件夹中；

3. 在“images”同路径下新建一个名字为labels的文件夹，用来存放标注过程中生成的标签文件；

4. 在“images”同路径下新建一个名字为xxx.yaml的空文件（如该数据集为口罩检测，则命名为mask_seg.yaml）；

5. 准备好的数据集文件夹如下图所示：

   

标注数据

1. 双击并运行label_Object_Mask.exe；

   

2. 启动之后，这就是软件的界面：

   

3. 打开需要标注的数据集文件夹datasets_seg，选择“当前文件夹”；

   

   

4. 同样的选择并加载yaml文件，加载后如下图所示：

   

5. 修改图片和标签相对路径为如下图所示：

   

6. 点击“载入”，可以看到图片区域已经加载好了待标注图片；

   请注意：如果该图片没有感兴趣的区域，不需要将该图片放到该数据集中

   

7. 右边一栏“所有类型”当前什么也没有，可以自己编辑，但ID必须从0开始，逐个加1，标签名字必须是英文（如口罩分割一共一个标签，mask），添加所有要标记的标签；

   

8. 添加完毕一定要如下图所示点击保存，然后点击OK，否则无法保存标签名字；

   

   注意：后续如果新增了标签类型，即所有类型中新增了ID和名字，也请记得一定要点击保存。

9. 开始标注，将鼠标滑动到图片区域，单击需要标注区域的左上角开始标注，弹出选择点的类型对话框，选择point type为top left corner，点击确定，出现绿点，再单击标注区域的右下角，选择point type为bottom right corner，点击确定，出现蓝点，最后再单击标注区域，选择point type为included，并勾选不再显示此对话框，点击确定，出现红点，双击鼠标完成标注；

   

   

   

   

   

   标注选项：可以通过程序的右下角，勾选不再显示此对话框，根据需求在程序的右下角选择point type：选择top left corner鼠标点击目标区域的左上角、选择bottom right corner鼠标点击目标区域的右下角、选择included后鼠标单击标注区域、当目标框住不需要标注的区域时，可以选择not included后鼠标单击不需要标注的目标区域；

   

   区域标注：可以在标注区域多点红点，确保目标区域标注完整；

10. 完成以后，双击标注区域，会弹出标签框，可以开始创建标签，也可在下拉框中选择对应标签，点击OK；

    

11. 此时对象列表里面就有这个对象了；

    

12. 如果图片中还有其他待标注物体，那么重复9，10两步。这个图标注好以后，点“保存一张图片”，就把标注信息存起来了，只要点击了“保存一张图片”了，关掉软件下次再继续标注也没问题。

13. 点击左边“图片索引”向上箭头，点击OK标注下一张图片。

    

14. 若有框错或者框对应的标签选错，则可在对象列表中选中该行，点击“删除标签”；

    

15. 全部图片标注完成后，关闭label_Object_Mask；

16. 此时打开labels文件夹，里面是多个txt格式的标签文件，文件名称与图片名称一一对应；

    

17. 打开txt标签文件，里面的每一行代表图片中的一个多边形框。每一行从左到右依次是：种类序号（红框）、不规则框坐标（每两个为一个坐标，如[0.359375 0.314208]），用空格隔开；

    

18. 打开xxx.yaml，可看到格式如下：

    

训练数据集

设置参数

双击运行ObjectDetection Training.exe界面如下图所示：

• 训练文件路径：即预训练模型文件和训练之后生成的模型文件存放路径，默认为：C:\ProgramData\VIRobotics\Train\yolov8，大家可以根据需要自己选择，需要注意：路径不要包含中文或空格；

• yaml data: 数据文件的路径。该参数指定了数据集文件的位置，例如 coco128-seg.yaml。数据集文件包含了训练和验证所需的图像、标签。演示中选择的是标注生成的xxx.yaml；

  

• epoch：训练轮数。默认为20；这个参数确定了模型将会被训练多少次，每一轮都遍历整个训练数据集。设置数值越大，训练时间越久，模型精度越高，我们可以设置大一些比如100来找到模型的更佳性能；

• workers：默认为0，如果电脑显存较大，可以试试将workers设置为1；

• model: 预训练模型：默认为yolov8n.pt，我们需要更换为seg模型，预训练模型例如yolov8n-seg、yolov8s-seg、yolov8m-seg、yolov8l-seg、yolov8x-seg。n、s、m、l、x预训练权重越来越大。预训练模型权重越大，训练出来的模型精度相对来说越高，但训练和检测的速度也会越慢。

  

• img：输入图像的尺寸，默认为640。这个参数确定了输入图像的大小。可以指定一个整数值表示图像的边长，建议为32的整数倍。（设置策略：如果数据集中存在大量小对象，增大输入图像的尺寸imgsz可以使得这些小对象从高分辨率中受益，更好的被检测出）

• batch: 每个批次中的图像数量。在训练过程中，数据被分成多个批次进行处理，每个批次包含一定数量的图像。这个参数确定了每个批次中包含的图像数量，默认为8。一般认为batch越大越好。batch越大选择的这个batch中的图片更有可能代表整个数据集的分布，从而帮助模型学习。但batch越大占用的显卡显存空间越多，如果训练过程中出现GPU显存溢出的报错或者内存不足，可将该值设置的小一点，GPU对2的幂次的batch可以发挥更佳的性能；

• 若希望训练之后直接生成onnx模型，勾选“训练后生成onnx”，训练结束后会自动弹出生成的onnx模型，该格式的模型可以直接用于仪酷AI系列工具包的推理部署；

  

开始训练

1. 所有参数配置好了之后，点击Train；

   

2. 弹出的框中点击“是的”开始进行训练；

   

3. 训练过程会弹出cmd黑框，请不要关闭，训练完毕会自动关闭，首次训练会自动下载一些必要的文件以及预训练模型，这将会耗费一点时间；

4. 如下图所示训练了20个epoch，黄色进度条满格，则表示整个数据集已经训练完毕，训练生成的pt模型输出在C:\ProgramData\VIRobotics\Train\yolov8\runs\segment\train\weights文件夹中；

   【注：多次训练时，输出路径的train会自动变为train2、train3 … 以此类推。】

5. 如果对本次训练的结果不满意，可以用上述的best.pt 或last.pt 作为预训练模型再次训练，而不必用yolov8n-seg.pt 从头开始训练，操作方法如下：将best.pt复制到C:\ProgramData\VIRobotics\Train\yolov8文件夹下，修改model控件中的yolov8n-seg为best.pt，点击Train再次开始训练。

导出为onnx模型

1. 若在训练之前，勾选了训练后生成onnx，则在训练完成后会弹出生成的onnx及所在路径提示框；

   

2. 点击OK，完成本次训练，可根据实际检测效果来判断是否要继续进行训练；

   

3. 导出的onnx可以直接用于仪酷AI系列工具包的推理和部署；

常见问题

如在标注或训练过程遇到问题，可查看故障排除

如果您遇到了无法解决的问题，请联系我们的支持团队寻求帮助。联系邮箱： support@virobotics.net