labelimg图像分割打标签

### 使用LabelImg进行图像分割标注

#### 创建数据集结构
为了准备用于训练的数据集，需建立特定的文件夹结构。`images` 和 `labels` 文件夹分别存储原始图片和对应的标签文件[^1]。

#### 安装并启动LabelImg
确保已安装Python环境后，可以通过pip安装labelimg工具：

pip install labelimg

通过命令行启动labelimg程序：

labelimg

#### 打开图像文件夹
打开软件后，在菜单栏选择`Open Dir`来指定包含待标注图像的路径。通常这些图像是放置于之前提到的`images/train`文件夹内。

#### 设置保存标签位置
接着设置标签文件的保存地址到相应的`labels/train`目录下。这一步骤同样是在界面顶部找到`Change Save Dir`选项完成配置[^2]。

#### 配置类别列表
对于分类任务而言，提前准备好`classes.txt`是非常重要的。该文档位于项目根目录或是任意可访问的地方，并且每一行代表一类目标对象的名字。当首次运行labelimg时，可通过`Pref -> Open Class List`加载此文件以便后续操作中能够快速选取相应类目[^3]。

#### 开始绘制边界框
针对每一张需要处理的照片，在左侧窗口显示区域里利用鼠标左键拖拽形成矩形框覆盖住感兴趣的对象实例；随后从右侧弹出的选择器挑选合适的种类赋予当前选区。如果要调整已经画好的边框大小形状，则先点击它再移动边缘控制点实现微调功能。

#### 自动生成YOLOv5格式标签
一旦确认无误之后按下键盘上的'S'键即能将刚才所做的标记信息按照yolov5所规定的样式写入同名但扩展名为`.txt`的新建文本档之中。注意这里的坐标参数已被标准化至0~1之间。

#### 处理验证集
重复上述流程直至遍历完全部训练样本为止。至于用来评估模型性能好坏程度的一批独立测试案例——也就是所谓的验证集合(`val`)里的成员们，只需简单复制若干份来自前者子集中随机抽取出来的个体过去就好啦！