尧图网站建设 
简介LabelImg 是计算机视觉领域通用的开源图像标注工具这份源码包面向需要制作目标检测、语义分割训练数据集的神经网络开发者与标注人员也适合初学 AI 数据准备的学生。压缩包共108个文件核心是 PyQt5 编写的 27 个 Python 脚本其余包括界面图标、SVG矢量图、配置文件、Shell构建脚本、Markdown文档及示例图片等压缩后仅6.29MB跨Windows/macOS/Linux平台轻量易用。当前已有425人学习下载。随包附带的安装方法与错误解决说明覆盖Python环境准备、依赖安装、常见报错排除等关键步骤解压后按说明执行 pip install 和 python labelImg.py 即可打开图形界面完成矩形框、多边形标注并将结果保存为XML/JSON格式直接对接主流训练框架。这份资源既是一份可运行的标注工具也是理解数据集生产流程的鲜活范例适合快速上手实操。 做目标检测项目的人都清楚本地标注数据这一关几乎绕不开 labelImg。很多人第一次接触它都是因为项目里拿到了一个名为labelImg-master.zip的压缩包解压以后却发现不知道从哪里下手。这个看似不起眼的源码包其实就是 GitHub 上标星很高的开源标注工具本体也是我用了很久、直到现在做小规模算法验证时依然会捡起来的工具。今天这篇就把labelImg-master.zip从解压到完成一轮真实标注的完整链路讲透同时把大家高频踩的坑一起端出来包括“切换正方形框不生效”“标注到一半闪退”这些搜索热度极高的问题。无论你是刚接触 YOLO 系列做毕设还是项目里需要快速整理一批自定义数据集这篇文章都适用。1. labelImg 解决什么问题1.1 源码包的定位与典型使用场景labelImg-master.zip是 labelImg 仓库 主分支的源代码打包。直接下载 zip 而不是用 pip 安装好处是拿到的是完整工程目录你可以自由修改界面逻辑、增加自定义快捷键甚至在里面插入自己的预处理代码。这在需要频繁调整标注逻辑的项目里非常实用也是很多教程选择从 zip 安装的原因。它的典型场景非常明确单机、中小规模、几百到几千张图片的目标检测标注。打开速度比网页版标注工具快很多内存占用也更低不需要安装额外的数据库和服务。对个人开发者、研究生、算法工程师做验证性实验来说这已经足够。如果是几万张以上的团队标注任务我会直接建议上 CVAT 或 Roboflow 这类协同平台但如果是本地快速产出第一批训练数据labelImg 依然是最顺手的选择。1.2 与同类标注工具的核心取舍很多新人在选工具时会在 labelImg、labelme、CVAT 之间摇摆。其实它们解决的问题并不完全一样工具标注类型适合规模部署成本我的评价labelImg矩形框目标检测小规模单机极低本地直接跑轻量、秒开、格式友好labelme多边形分割小规模单机极低分割任务首推CVAT矩形/多边形/跟踪等团队协作需要 Docker 部署功能全但重Roboflow矩形/多边形/分类等团队/在线数据需上传标注方便但涉及云端labelImg 的核心优势是直给打开目录按 W 画框按 CtrlS 保存三分钟就能进入工作状态。同时它原生支持 PascalVOC 和 YOLO 两种主流格式不需要额外写格式转换脚本。而它最大的短板是缺乏多人协同、版本管理、任务分配机制所以只适合个人和小项目。2. labelImg 环境准备与安装避坑2.1 源码包启动的正确姿势拿到labelImg-master.zip后不要想着直接双击某个 exe除非你下载的是 Windows 预编译版本。正确的做法是解压后通过 Python 运行源码。先确认电脑上已经装好了 Python 3 环境推荐 3.6 到 3.9 之间Python 3.10 以上偶尔会遇到 PyQt5 兼容问题但通常重装最新版也能解决。解压后进入目录你会看到labelImg.py、requirements.txt、libs、data等文件。labelImg.py是主入口requirements.txt列了依赖。启动流程分三步cd labelImg-master pip install -r requirements.txt python labelImg.pyrequirements.txt里包含的关键依赖有PyQt5和lxml。PyQt5 是图形界面的基础lxml 负责读写 XML 标注文件。有些精简环境只装了 PyQt5 没装 lxml启动后一保存就报错这就是根源。如果pip install -r requirements.txt执行很慢可以换成国内镜像源pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple启动成功后界面会弹出一个带菜单栏和空白图区的窗口。此时点击左侧“打开目录”选择你的图片文件夹就能开始标注了。2.2 安装过程中的典型报错与解决我见过最多的安装报错是ModuleNotFoundError: No module named PyQt5这基本是没装依赖就强行运行导致的。解决方式很简单pip install PyQt5 lxml需要注意在 Windows 上如果你以前装过不同版本的 PyQt5最好是先卸载再安装不然可能冲突pip uninstall PyQt5 PyQt5-Qt5 PyQt5-sip -y pip install PyQt5 lxml另一个非常隐蔽的坑是路径包含中文或者空格。如果项目目录放在D:\我的项目\数据集这种路径下labelImg 在读取或保存时会因为编码问题闪退。即使不闪退某个图片路径里带中文也可能导致后续训练脚本读不到文件。所以从解压labelImg-master.zip的那一刻起就把它放到全英文路径底下比如D:\tools\labelImg-master。2.3 备选安装方案对比如果你不想走源码方式也可以一行命令安装pip install labelImg安装完成后终端输入labelImg即可启动。这种方式的好处是省事环境由 pip 统一管理缺点是改源码不方便想自定义插件或快捷键就得自己去 site-packages 里翻文件维护起来不如源码包直观。Windows 预编译版则是解压即用适合完全不想碰 Python 的人。但预编译版通常更新滞后而且杀毒软件有时候会误报。如果只是短期用一下预编译版可行只要涉及自定义调整我个人的建议是老老实实用源码包。3. 核心标注流程实操3.1 标注前的目录规划很多人拿到工具就急着画框结果图片放在一个目录、标注文件到处乱存最后训练时路径全乱。这里分享一个我自己很受用的目录结构尤其是配合 YOLO 训练时几乎不用改脚本dataset/ ├── images/ │ ├── train/ │ └── val/ └── labels/ ├── train/ └── val/图片放在images下标注文件放在labels下train和val按比例划分。这样无论用 YOLOv5、YOLOv8 还是 Faster R-CNN数据加载这部分都能少踩很多坑。labelImg 默认会把标注文件保存到图片所在目录这对后续整理非常不友好。建议在打开目录前先用菜单栏的“更改保存目录”把输出指定到labels文件夹。3.2 标注框与标签的完整流程操作流程比想象中简单核心按键如下快捷键功能W进入画框模式A切换到上一张图D切换到下一张图CtrlS保存当前标注CtrlShiftS另存为CtrlR切换标注格式PascalVOC/YOLODelete删除选中的框Ctrl滚轮缩放图片画框的标准动作是按 W 进入画框模式在目标区域按下鼠标左键拖拽松开后弹出一个输入框填写类别名比如person、car点 OK 完成。如果发现框画偏了点击选中框体后拖动端点微调想删掉重画就直接 Delete。这里有一个我刚开始用时不注意的小细节画完框后如果不手动按 CtrlS 保存切到下一张图时当前图片的标注会丢失。虽然 labelImg 在切换到下一张时会提示“是否保存”但一旦误点不保存这一张就白标了。所以我在标注过程中养成了每画完一张就顺手 CtrlS 的习惯这种肌肉记忆能避免很多无谓返工。3.3 保存格式与训练框架的匹配labelImg 默认保存为 PascalVOC 格式XML 文件内容长这样annotation filenameimg_001.jpg/filename size width640/width height480/height depth3/depth /size object nameperson/name bndbox xmin100/xmin ymin120/ymin xmax300/xmax ymax400/ymax /bndbox /object /annotation这种格式对 SSD、Faster R-CNN 这类检测框架很友好。如果你用的是 YOLO需要转换成归一化的 txt 格式格式为class_id cx cy w h其中cx、cy是中心点坐标除以图片宽高后的归一化值w、h同理。在 labelImg 里通过快捷键CtrlR可以直接在 PascalVOC 和 YOLO 之间切换。切换后界面左下角会显示当前格式。建议在标注开始前就确认到底用哪种格式中途切换容易混淆也容易产出不匹配的标注文件。4. 常见问题与排查技巧实录4.1 切换“正方形框”不生效的真相这个问题的搜索热度很高说明很多人都被它卡过。我拆解后认为它对应两种不同含义第一种含义画框的时候想画正方形按 Shift 键拖拽鼠标没用。这是 labelImg 的既定交互——在 create mode 下按住 Shift 再拖拽会强制画出正方形。不生效的常见原因是中文输入法抢占按键。当输入法处于中文状态时Shift 键被系统截获用来切换中英文事件根本传不到 labelImg 内部。解决方法是标注前把输入法切成英文模式或者先按一下 Shift 切到英文后再操作。这个问题在 macOS 和 Windows 上都有Windows 上尤其高频。第二种含义已有多个标签类别在标注下一张图时切换类别没反应。比如第一张图标了person第二张想标car但画框时它还自动使用旧的类别。其实 labelImg 的类别切换不是靠下拉框而是画完框后弹出的输入框支持自动补全。如果你已经建过person类别下次输入时会自动联想并用上一次的类别作为默认值想快速换类别直接清空输入框重新输入即可。如果这里出现不跟随上一次输入的“失灵”感先重启工具再检查中文输入法往往是状态切换造成的假故障。4.2 标注过程中闪退的排查路径闪退是另一个高频问题。根据我的实操经验按出现概率排序如下原因现象解决办法图片路径含中文/特殊字符打开某张图瞬间崩溃全部路径统一为英文图片文件损坏或非标准格式切图时崩溃用工具批量剔除坏图图片分辨率极大如卫星图、长截图缩放时卡死或崩溃先统一压缩到合理尺寸PyQt5 版本与系统不兼容随机闪退升级或重装 PyQt5内存不足打开大目录时无响应分批标注不要一次性打开数千张我印象最深的一次是项目里混入了一张后缀为.jpg但实际格式损坏的空文件导致每次切到那张图时 labelImg 直接退出。后来我用 Python 脚本把所有图片校验了一遍过滤掉无法解码的文件问题才彻底解决。如果你也遇到随机闪退优先怀疑图片本身而不是工具。简单的坏图检查脚本可以参考import os from PIL import Image img_dir images for f in os.listdir(img_dir): p os.path.join(img_dir, f) try: img Image.open(p) img.verify() except Exception: print(f损坏图片: {p})4.3 其它几个高频坑表格里再补几个我常在社区看到的问题问题原因解决保存后 XML 中文标签乱码旧版本编码处理问题换新版本或统一用英文标签画好的框突然不见了误触了隐藏框开关检查 View 菜单下 Draw Box 是否被取消点“打开目录”没反应路径权限或格式问题用菜单里的“打开文件夹”替代重试YOLO 格式保存成 txt 后内容为空没有切换到 YOLO 模式就保存CtrlR 确认左下角格式为 YOLO关于中文标签乱码我个人的建议是标签统一用英文。虽然新版 labelImg 支持中文标签但后续训练脚本、模型类别文件、部署代码大多按英文处理中文标签很容易在某个环节出现编码不一致的问题排查起来费时费力。除非有特殊需求否则不要给自己埋这种雷。5. 实操总结与个人经验分享文章最后这部分说几个我实际使用过程中的体会。标注数据这件事工具的熟练程度直接决定了你的出数效率。用 labelImg 标注时把快捷键刻进肌肉记忆后一小时标两百张图是完全可以做到的。我的个人操作习惯是左手放在键盘上右手持鼠标画框、切图、保存三个动作循环往复中间不停顿。标注间隙如果发现之前某个框画得不准一定要当场修掉不要想着“回头统一修”因为一旦图量大起来这个“回头”基本不会发生。还有一个很实用的小技巧在标注之前先通过“视图”菜单把“自动保存”模式关掉然后每张图手动 CtrlS。虽然看起来多了一步但手动保存能强制你对每张图做一次快速复查反而比自动保存更不容易漏标。切图时 labelImg 也会提醒你保存未保存的标注这种半自动的方式对数据质量最友好。另外如果你用的是 YOLO 系列做训练标注完成后别忘了检查一下 txt 文件里的类别编号是否和配置文件里的类别顺序一致。labelImg 中 YOLO 格式的类别编号是按首次输入顺序分配的同一个类如果在不同批次标注时输入了不同顺序会出现编号错位。这个问题不看标注文件很难发现却直接影响训练结果值得多留一个心眼。labelImg-master.zip也许不是最华丽的标注工具但它是让我觉得“踏实”的一个工具。不需要联网、不需要部署复杂环境解压后就能开始工作。这种轻量的本地工具在真正需要集中精力处理数据的时候反而最可靠。本文还有配套的精品资源点击获取 labelImg目标检测标注工具完整指南：从源码包到高效标注
简介LabelImg 是计算机视觉领域通用的开源图像标注工具这份源码包面向需要制作目标检测、语义分割训练数据集的神经网络开发者与标注人员也适合初学 AI 数据准备的学生。压缩包共108个文件核心是 PyQt5 编写的 27 个 Python 脚本其余包括界面图标、SVG矢量图、配置文件、Shell构建脚本、Markdown文档及示例图片等压缩后仅6.29MB跨Windows/macOS/Linux平台轻量易用。当前已有425人学习下载。随包附带的安装方法与错误解决说明覆盖Python环境准备、依赖安装、常见报错排除等关键步骤解压后按说明执行 pip install 和 python labelImg.py 即可打开图形界面完成矩形框、多边形标注并将结果保存为XML/JSON格式直接对接主流训练框架。这份资源既是一份可运行的标注工具也是理解数据集生产流程的鲜活范例适合快速上手实操。 做目标检测项目的人都清楚本地标注数据这一关几乎绕不开 labelImg。很多人第一次接触它都是因为项目里拿到了一个名为labelImg-master.zip的压缩包解压以后却发现不知道从哪里下手。这个看似不起眼的源码包其实就是 GitHub 上标星很高的开源标注工具本体也是我用了很久、直到现在做小规模算法验证时依然会捡起来的工具。今天这篇就把labelImg-master.zip从解压到完成一轮真实标注的完整链路讲透同时把大家高频踩的坑一起端出来包括“切换正方形框不生效”“标注到一半闪退”这些搜索热度极高的问题。无论你是刚接触 YOLO 系列做毕设还是项目里需要快速整理一批自定义数据集这篇文章都适用。1. labelImg 解决什么问题1.1 源码包的定位与典型使用场景labelImg-master.zip是 labelImg 仓库 主分支的源代码打包。直接下载 zip 而不是用 pip 安装好处是拿到的是完整工程目录你可以自由修改界面逻辑、增加自定义快捷键甚至在里面插入自己的预处理代码。这在需要频繁调整标注逻辑的项目里非常实用也是很多教程选择从 zip 安装的原因。它的典型场景非常明确单机、中小规模、几百到几千张图片的目标检测标注。打开速度比网页版标注工具快很多内存占用也更低不需要安装额外的数据库和服务。对个人开发者、研究生、算法工程师做验证性实验来说这已经足够。如果是几万张以上的团队标注任务我会直接建议上 CVAT 或 Roboflow 这类协同平台但如果是本地快速产出第一批训练数据labelImg 依然是最顺手的选择。1.2 与同类标注工具的核心取舍很多新人在选工具时会在 labelImg、labelme、CVAT 之间摇摆。其实它们解决的问题并不完全一样工具标注类型适合规模部署成本我的评价labelImg矩形框目标检测小规模单机极低本地直接跑轻量、秒开、格式友好labelme多边形分割小规模单机极低分割任务首推CVAT矩形/多边形/跟踪等团队协作需要 Docker 部署功能全但重Roboflow矩形/多边形/分类等团队/在线数据需上传标注方便但涉及云端labelImg 的核心优势是直给打开目录按 W 画框按 CtrlS 保存三分钟就能进入工作状态。同时它原生支持 PascalVOC 和 YOLO 两种主流格式不需要额外写格式转换脚本。而它最大的短板是缺乏多人协同、版本管理、任务分配机制所以只适合个人和小项目。2. labelImg 环境准备与安装避坑2.1 源码包启动的正确姿势拿到labelImg-master.zip后不要想着直接双击某个 exe除非你下载的是 Windows 预编译版本。正确的做法是解压后通过 Python 运行源码。先确认电脑上已经装好了 Python 3 环境推荐 3.6 到 3.9 之间Python 3.10 以上偶尔会遇到 PyQt5 兼容问题但通常重装最新版也能解决。解压后进入目录你会看到labelImg.py、requirements.txt、libs、data等文件。labelImg.py是主入口requirements.txt列了依赖。启动流程分三步cd labelImg-master pip install -r requirements.txt python labelImg.pyrequirements.txt里包含的关键依赖有PyQt5和lxml。PyQt5 是图形界面的基础lxml 负责读写 XML 标注文件。有些精简环境只装了 PyQt5 没装 lxml启动后一保存就报错这就是根源。如果pip install -r requirements.txt执行很慢可以换成国内镜像源pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple启动成功后界面会弹出一个带菜单栏和空白图区的窗口。此时点击左侧“打开目录”选择你的图片文件夹就能开始标注了。2.2 安装过程中的典型报错与解决我见过最多的安装报错是ModuleNotFoundError: No module named PyQt5这基本是没装依赖就强行运行导致的。解决方式很简单pip install PyQt5 lxml需要注意在 Windows 上如果你以前装过不同版本的 PyQt5最好是先卸载再安装不然可能冲突pip uninstall PyQt5 PyQt5-Qt5 PyQt5-sip -y pip install PyQt5 lxml另一个非常隐蔽的坑是路径包含中文或者空格。如果项目目录放在D:\我的项目\数据集这种路径下labelImg 在读取或保存时会因为编码问题闪退。即使不闪退某个图片路径里带中文也可能导致后续训练脚本读不到文件。所以从解压labelImg-master.zip的那一刻起就把它放到全英文路径底下比如D:\tools\labelImg-master。2.3 备选安装方案对比如果你不想走源码方式也可以一行命令安装pip install labelImg安装完成后终端输入labelImg即可启动。这种方式的好处是省事环境由 pip 统一管理缺点是改源码不方便想自定义插件或快捷键就得自己去 site-packages 里翻文件维护起来不如源码包直观。Windows 预编译版则是解压即用适合完全不想碰 Python 的人。但预编译版通常更新滞后而且杀毒软件有时候会误报。如果只是短期用一下预编译版可行只要涉及自定义调整我个人的建议是老老实实用源码包。3. 核心标注流程实操3.1 标注前的目录规划很多人拿到工具就急着画框结果图片放在一个目录、标注文件到处乱存最后训练时路径全乱。这里分享一个我自己很受用的目录结构尤其是配合 YOLO 训练时几乎不用改脚本dataset/ ├── images/ │ ├── train/ │ └── val/ └── labels/ ├── train/ └── val/图片放在images下标注文件放在labels下train和val按比例划分。这样无论用 YOLOv5、YOLOv8 还是 Faster R-CNN数据加载这部分都能少踩很多坑。labelImg 默认会把标注文件保存到图片所在目录这对后续整理非常不友好。建议在打开目录前先用菜单栏的“更改保存目录”把输出指定到labels文件夹。3.2 标注框与标签的完整流程操作流程比想象中简单核心按键如下快捷键功能W进入画框模式A切换到上一张图D切换到下一张图CtrlS保存当前标注CtrlShiftS另存为CtrlR切换标注格式PascalVOC/YOLODelete删除选中的框Ctrl滚轮缩放图片画框的标准动作是按 W 进入画框模式在目标区域按下鼠标左键拖拽松开后弹出一个输入框填写类别名比如person、car点 OK 完成。如果发现框画偏了点击选中框体后拖动端点微调想删掉重画就直接 Delete。这里有一个我刚开始用时不注意的小细节画完框后如果不手动按 CtrlS 保存切到下一张图时当前图片的标注会丢失。虽然 labelImg 在切换到下一张时会提示“是否保存”但一旦误点不保存这一张就白标了。所以我在标注过程中养成了每画完一张就顺手 CtrlS 的习惯这种肌肉记忆能避免很多无谓返工。3.3 保存格式与训练框架的匹配labelImg 默认保存为 PascalVOC 格式XML 文件内容长这样annotation filenameimg_001.jpg/filename size width640/width height480/height depth3/depth /size object nameperson/name bndbox xmin100/xmin ymin120/ymin xmax300/xmax ymax400/ymax /bndbox /object /annotation这种格式对 SSD、Faster R-CNN 这类检测框架很友好。如果你用的是 YOLO需要转换成归一化的 txt 格式格式为class_id cx cy w h其中cx、cy是中心点坐标除以图片宽高后的归一化值w、h同理。在 labelImg 里通过快捷键CtrlR可以直接在 PascalVOC 和 YOLO 之间切换。切换后界面左下角会显示当前格式。建议在标注开始前就确认到底用哪种格式中途切换容易混淆也容易产出不匹配的标注文件。4. 常见问题与排查技巧实录4.1 切换“正方形框”不生效的真相这个问题的搜索热度很高说明很多人都被它卡过。我拆解后认为它对应两种不同含义第一种含义画框的时候想画正方形按 Shift 键拖拽鼠标没用。这是 labelImg 的既定交互——在 create mode 下按住 Shift 再拖拽会强制画出正方形。不生效的常见原因是中文输入法抢占按键。当输入法处于中文状态时Shift 键被系统截获用来切换中英文事件根本传不到 labelImg 内部。解决方法是标注前把输入法切成英文模式或者先按一下 Shift 切到英文后再操作。这个问题在 macOS 和 Windows 上都有Windows 上尤其高频。第二种含义已有多个标签类别在标注下一张图时切换类别没反应。比如第一张图标了person第二张想标car但画框时它还自动使用旧的类别。其实 labelImg 的类别切换不是靠下拉框而是画完框后弹出的输入框支持自动补全。如果你已经建过person类别下次输入时会自动联想并用上一次的类别作为默认值想快速换类别直接清空输入框重新输入即可。如果这里出现不跟随上一次输入的“失灵”感先重启工具再检查中文输入法往往是状态切换造成的假故障。4.2 标注过程中闪退的排查路径闪退是另一个高频问题。根据我的实操经验按出现概率排序如下原因现象解决办法图片路径含中文/特殊字符打开某张图瞬间崩溃全部路径统一为英文图片文件损坏或非标准格式切图时崩溃用工具批量剔除坏图图片分辨率极大如卫星图、长截图缩放时卡死或崩溃先统一压缩到合理尺寸PyQt5 版本与系统不兼容随机闪退升级或重装 PyQt5内存不足打开大目录时无响应分批标注不要一次性打开数千张我印象最深的一次是项目里混入了一张后缀为.jpg但实际格式损坏的空文件导致每次切到那张图时 labelImg 直接退出。后来我用 Python 脚本把所有图片校验了一遍过滤掉无法解码的文件问题才彻底解决。如果你也遇到随机闪退优先怀疑图片本身而不是工具。简单的坏图检查脚本可以参考import os from PIL import Image img_dir images for f in os.listdir(img_dir): p os.path.join(img_dir, f) try: img Image.open(p) img.verify() except Exception: print(f损坏图片: {p})4.3 其它几个高频坑表格里再补几个我常在社区看到的问题问题原因解决保存后 XML 中文标签乱码旧版本编码处理问题换新版本或统一用英文标签画好的框突然不见了误触了隐藏框开关检查 View 菜单下 Draw Box 是否被取消点“打开目录”没反应路径权限或格式问题用菜单里的“打开文件夹”替代重试YOLO 格式保存成 txt 后内容为空没有切换到 YOLO 模式就保存CtrlR 确认左下角格式为 YOLO关于中文标签乱码我个人的建议是标签统一用英文。虽然新版 labelImg 支持中文标签但后续训练脚本、模型类别文件、部署代码大多按英文处理中文标签很容易在某个环节出现编码不一致的问题排查起来费时费力。除非有特殊需求否则不要给自己埋这种雷。5. 实操总结与个人经验分享文章最后这部分说几个我实际使用过程中的体会。标注数据这件事工具的熟练程度直接决定了你的出数效率。用 labelImg 标注时把快捷键刻进肌肉记忆后一小时标两百张图是完全可以做到的。我的个人操作习惯是左手放在键盘上右手持鼠标画框、切图、保存三个动作循环往复中间不停顿。标注间隙如果发现之前某个框画得不准一定要当场修掉不要想着“回头统一修”因为一旦图量大起来这个“回头”基本不会发生。还有一个很实用的小技巧在标注之前先通过“视图”菜单把“自动保存”模式关掉然后每张图手动 CtrlS。虽然看起来多了一步但手动保存能强制你对每张图做一次快速复查反而比自动保存更不容易漏标。切图时 labelImg 也会提醒你保存未保存的标注这种半自动的方式对数据质量最友好。另外如果你用的是 YOLO 系列做训练标注完成后别忘了检查一下 txt 文件里的类别编号是否和配置文件里的类别顺序一致。labelImg 中 YOLO 格式的类别编号是按首次输入顺序分配的同一个类如果在不同批次标注时输入了不同顺序会出现编号错位。这个问题不看标注文件很难发现却直接影响训练结果值得多留一个心眼。labelImg-master.zip也许不是最华丽的标注工具但它是让我觉得“踏实”的一个工具。不需要联网、不需要部署复杂环境解压后就能开始工作。这种轻量的本地工具在真正需要集中精力处理数据的时候反而最可靠。本文还有配套的精品资源点击获取