自训练数据集打标签注意事项及使用工具推荐

在机器学习和深度学习的训练过程中，数据集的标注是非常重要的一环。对于自训练数据集，打标签的注意事项和使用工具的选择尤为重要。本文将详细介绍打标签的规则以及推荐使用的工具。

一、打标签规则

1. 标签一一对应：每个数据集的标签标号要一致，否则会混淆。例如，person和clothes的标签标号不能混用，需要保证训练集中的标签标号都是一致的。
2. 贴边规则：标注框需紧贴目标物体的边缘进行画框标注，不可框小或框大。这样可以确保模型在训练时能够更好地识别目标物体的轮廓。
3. 目标被遮挡也要标注：即使目标物体被其他物体遮挡，也需要进行标注。这样可以训练模型更好地处理遮挡情况。
4. 人眼难以分辨的不要标：对于人眼难以分辨的目标，可以不进行标注，避免误导模型。
5. 重叠规则：当两个目标物体有重叠时，只要不是遮挡超过一半的就可以框。允许两个框有重叠的部分，这样模型可以学会处理重叠情况。
6. 独立规则：每一个目标物体均需要单独标框。例如，图中有三瓶水不能只标一个框，而是要将三个目标分别标框。
7. 不框规则：图像模糊不清、太暗、曝光过度或不符合项目特殊规则的不框。这样可以保证标注质量，避免误导模型。
8. 边界检查：确保框坐标不在图像边界上，防止载入数据或数据扩展时出现越界报错。
9. 小目标规则：对于不同算法对小目标的检测效果不同，但只要人眼能分清，都应该标出来。根据算法需求，决定是否启用这些样本参与训练。
10. 小于10X10或20X20像素的目标不方便标记可以忽略。
11. 对于边界模糊、连片处理，标为一个样本框。
12. 对于模糊、遮挡、有拖影的样本，最好单独建立样本库，有选择地启用。
13. 宽高比极端不是好样本：过长的宽高比可能会影响模型的识别效果，因此需要特别注意。

二、推荐工具

LabelImg是一款简单易用的图像标注工具，支持实时保存标签文件，并对修改后的标签信息实时更新到对应的txt标签文档。若不小心关闭窗口，也不会影响之前的工作量。使用方法如下：

1. 主页面打开待标注的图片文件夹。
2. 选择“change save dir”，选择保存标签数据的文件夹。
3. 打开自动保存功能，可以在选择的save dir中自动保存，无需手动save。
4. 点击“create rectbox”，画矩形框，打标签名。至此一张图片就标注完了，可以通过以下操作切换列表中的图片。
5. txt标签格式转换为txt（转换脚本链接）。

优点：LabelImg可以实时保存标签文件，也可以对修改后的标签信息实时更新到对应的txt标签文档，若不小心关闭窗口，也不会影响之前的工作量。缺点：操作过于依赖用户，个人觉得对于工作量大的朋友很耗时。

总的来说，在自训练数据集的打标签过程中，遵循正确的规则和使用合适的工具是非常重要的。遵循上述规则可以帮助我们获得高质量的训练数据集，而使用LabelImg等工具则可以大大提高标注效率。希望本文对大家有所帮助。