简介labelImg-master.zip 是一份面向计算机视觉与深度学习开发者的开源图像标注工具源码包适合需要制作目标检测、语义分割等训练数据的研究人员和工程师。压缩包共含123个文件以28个Python源文件为核心如 labelImg.py 主程序另有39个PNG资源文件用于界面与示例还包含shell脚本、配置文件、markdown文档及测试脚本等整体大小仅6.81MB结构清晰、便于快速上手。该资源已在CSDN获得11218人学习下载热度较高。解压后即可获得完整代码、图标资源、示例图像、安装说明与MIT等许可文件既能直接安装运行完成标注任务也方便开发者阅读源码、二次修改或集成到自有视觉项目中是入门图像标注与工具二次开发的高性价比资料。 前段时间一个做目标检测的朋友甩给我一个labelImg-master.zip说网上教程乱七八糟装了一下午没跑起来。我看了一眼文件名就笑了——这个经典工具我用了好几年几乎所有给图像打矩形框的活都靠它。labelImg 是一个开源的图像标注工具专门用来生产目标检测算法需要的训练标签默认输出 PASCAL VOC 格式的 XML 文件也可以一键切换到 YOLO 格式的 txt 文件。对刚接触 CV 的同学来说它是入门门槛最低的标注工具对经验丰富的人来说它依然是整数据时最省事的方案。这份 zip 其实是从 GitHub 下载的源码包解压后目录叫labelImg-master里面包含主程序labelImg.py、界面资源文件夹resources、依赖清单requirements.txt以及data/predefined_classes.txt标签预置文件。很多人卡在第一步下载是下载了却不知道这玩意儿不是双击就能用还得先补环境。这篇就把我的完整流程和踩过的坑写出来怎么装、怎么标、闪退了怎么办、正方形框切不过去怎么办照着做基本能绕过市面上教程里那些含糊其辞的地方。1. 拆开 labelImg-master.zip这个工具到底解决什么问题labelImg 存在的理由很简单目标检测训练集需要人工框出物体位置这种重复劳动必须有一个轻量、稳定、格式兼容的 GUI 工具。它不搞花哨的深度学习能力也不做素材管理核心功能就是“打开图片、画框、写标签、保存”。你拿到一个标注文件夹里面有图片、对应的 XML 或 txt就是 YOLO、Faster R-CNN、SSD 这类模型可以直接喂进去的数据。1.1 标签工具在目标检测流程里的位置训练一个检测模型数据准备通常占掉整个项目一半时间。图片从手机、摄像机、工业相机动辄几千张每张都要框出目标并且写清类别。现在很多新工具支持半自动标注但基础的人工精标仍然绕不开尤其工业瑕疵、医疗影像这些特殊场景错一个框都可能影响模型效果。labelImg 最大的优势就是它足够简单没有后台服务不需要联网启动后就是一个干净窗口标记逻辑一眼能看懂。很多人问“我用 labelImg 还是 labelme”这两类工具对应不同任务。labelme 侧重多边形分割能标不规则轮廓labelImg 只画矩形框适合目标检测。如果你做的是检测任务那 labelImg 的产出格式更直接手工返工的几率也小。做分割任务再换 labelme 也不迟工具没有绝对优劣只有合不合适。1.2 为什么我仍推荐源码包而不是 pip 或 exe网上有不少安装教程让你pip install labelImg一条命令就能装好听起来很方便但实际用起来容易踩版本坑。官方 PyPI 包更新频率不稳定你安装的可能不是最新代码一些在 GitHub 上修掉的 bug 还会在本地复现。Windows 下的 exe 版本更不用说了只能在 Windows 上用而且缺少自定义能力出问题只能干瞪眼。我推荐labelImg-master.zip这种源码包主要看中三点第一代码最新GitHub 上刚提交的修复都能直接拿到第二跨平台Windows、Linux、macOS 都能跑第三出问题时可以从源码层面排查比如缺少资源文件、PyQt 版本不对都能通过报错快速定位。下表对比更能说明问题获取方式优点缺点zip 源码包版本最新、可改代码、全平台通用需自己装依赖、手动编译 resourcespip install labelImg安装命令简单版本滞后、出错后很难定位官网 exe双击即用仅限 Windows、更新慢、黑盒如果你只是体验一下pip 装一次倒也无妨。但想长期稳定做标注或者要在服务器上跑我建议老老实实走源码包流程。2. labelImg 安装全过程从零到双击启动2.1 解压之前先装好三样东西先别急着双击运行脚本labelImg 是 Python 写的 GUI 程序依赖 PyQt5 做界面、lxml 写 XML。Python 版本我推荐 3.8 到 3.10这个范围经过多数人验证最稳。Python 3.11 以上偶尔会遇到 distutils 被移除的问题闪退概率增加新手没必要在这个环节给自己加戏。把 zip 解压后进入labelImg-master目录先在命令行里创建虚拟环境并安装依赖。Windows 下打开 Anaconda Prompt 或 CMD执行cd labelImg-master python -m venv labelImg-env labelImg-env\Scripts\activate pip install PyQt5 PyQt5-tools lxml装完后需要把resources.qrc编译成resources.py这一步很多人漏掉结果一启动就报ModuleNotFoundError: No module named resources。正常执行pyrcc5 -o resources.py resources.qrc如果你的终端提示找不到pyrcc5多半是 PyQt5 的脚本没有加到 PATH改用下面这条python -m PyQt5.pyrcc_main -o resources.py resources.qrc编译完成后直接运行python labelImg.py看到主界面就说明环境没问题了。2.2 以 Windows 为例的完整启动记录我自己最常遇到的问题是明明按照步骤装了 PyQt5最终却打不开窗口双击labelImg.py也没有任何反应。这里有一个必须养成的习惯不要双击运行在终端里用命令启动这样才能看到报错信息。实际排错顺序一般是确认虚拟环境已经激活命令行前面有(labelImg-env)标识。执行python labelImg.py如果提示No module named PyQt5说明当前解释器不是虚拟环境的 Python重新activate。如果提示No module named resources回到上一步执行pyrcc5编译资源。如果主界面出现后点击按钮没反应检查是不是有大写锁定或者开启输入法导致快捷键冲突。2.3 Linux/macOS 的差异点Linux 下没有 CMD命令有点不一样。Ubuntu/Debian 系可以优先用 apt 装系统级 PyQt5依赖更干净sudo apt install python3-pyqt5 python3-lxml然后用 Python3 直接跑python3 labelImg.py。macOS 用户我建议直接brew install pyqt5再用pip3 install lxml补 XML 库。两个平台上同样要先编译resources.pypyrcc5找不到时依旧用python3 -m PyQt5.pyrcc_main兜底。3. labelImg 使用教程从打开图片到产出训练集3.1 一个完整标注循环拆解环境跑通只是第一步真正决定效率的是操作顺序。我的标准流程是这样启动 labelImg 后先在左侧目录框里Open Dir选择图片所在的文件夹。注意是选目录不是单张图片这样你可以用 A、D 键切换图片连续标注。接着点击左侧工具栏的Create RectBox按钮或者直接按键盘W然后在图片上按住鼠标左键拖拽出矩形框松开后输入类别名比如cat、dog点 OK。画完一张后按CtrlS保存再按D切到下一张。这里要特别强调保存的时机。很多新手画完框不保存就切图结果所有标注全部丢失。labelImg 的自动保存选项不推荐一开始就开因为新手很容易误标手动保存反而能给你一个确认的机会。熟练之后可以在View菜单里勾选Auto Save Mode省一次按键效率会高不少。保存出来的文件默认与图片放在同一个目录。VOC 格式是一个同名 XML里面记录图片尺寸、标注框坐标和类别名YOLO 格式是一个同名 txt每行是“类别编号 x_center y_center width height”坐标全部做了归一化。训练框架不同需要的格式也不同这个后续转换很方便。3.2 格式切换、快捷键和目录约定labelImg 的格式切换在窗口左上角可以看到默认显示的PascalVOC点它就会切换到YOLO。切换之后保存文件的后缀会从 XML 变成 txt。需要注意已经有 XML 的图片切到 YOLO 后会生成新的 txt但原来的 XML 不会自动删除。为避免训练时数据混乱我习惯一个项目只用一种格式确定后不要再来回切。常用快捷键整理如下快捷键功能W创建矩形框A切换到上一张图片D切换到下一张图片CtrlS保存当前图片标注Del删除选中的标注框CtrlZ撤销上一步操作目录约定上我的做法是images和labels分开建图片统一放一个文件夹标注文件通过Change Save Dir指定到另一个文件夹。这样数据集目录很干净后续训练脚本读路径也简单。如果使用默认的同目录保存几千张图混杂在一起后期转格式查错会非常痛苦。3.3 让标注效率翻倍的小习惯真正让我从“标到怀疑人生”变成“边看剧边标注”的核心技巧是提前维护好标签列表。labelImg 源码里的data/predefined_classes.txt罗列了默认类别每次画框会以下拉列表的形式出现。你可以在开始标注前把该文件里的内容改成当前项目需要的类别比如person car bicycle traffic_light这样画框时不需要每次手输类别直接从列表里选误输入也少很多。还有一个习惯是每天标完数据后花两分钟统计一下打开所有 XML数一数框的数量和类别分布。如果某个类别只有个位数模型训练出来基本就是瞎猜这种情况趁早补数据别等训练结束再返工。4. 高频问题和排查实录闪退、正方形框不生效、标签文件丢失4.1 labelImg 闪退先别重装看这三个地方“labelImg 闪退”基本是搜索量最大的问题大多数人的第一反应是重装其实重装解决不了根源。我自己的排查顺序是固定的。首先用命令行启动看有没有报错。命令行会直接打出异常堆栈很多闪退其实就是ModuleNotFoundError缺什么包就补什么包。其次检查是否安装了两个 PyQt 版本。有时候老教程会让你装 PyQt4你又装了 PyQt5两个库互相抢占命名空间导致窗口一闪而过。进入虚拟环境后执行pip uninstall PyQt4把多余的清掉。第三个常见原因是 Python 版本太新。Python 3.12 及以上对旧版 PyQt5 的兼容性并不好最省事的做法不是改代码而是直接新建 Python 3.9 或 3.10 的虚拟环境重装依赖。如果你用命令行启动时并没有报错程序却依然闪退还要考虑图片本身的问题。某些 16 位 PNG、超大分辨率图片在旧版 labelImg 里加载时可能直接崩溃。可以先在系统自带的图片查看器里确认图片能正常打开再用 Python 的 PIL 库批量转成 8 位 RGB 图片from PIL import Image import os dir_path images for name in os.listdir(dir_path): path os.path.join(dir_path, name) img Image.open(path).convert(RGB) img.save(path)这个方法能解决相当一部分因图像格式导致的闪退。4.2 labelImg 切换正方形框不生效到底怎么处理群里常有人问“标注工具切换正方形框不生效”我理解大家说的场景不太一样这里分两种来说明。第一种是你想强制画一个等边正方形框。官方 master 分支并没有独立的“正方形模式”工具栏上的按钮其实是 Create RectBox创建的形状是矩形只不过大家习惯叫它正方形框。如果你拖拽时按住 Shift 想要锁定长宽比在部分 PyQt 版本上可能支持但并不可靠。更稳妥的方法先照常画矩形然后在保存的坐标上手动把宽高改成相同或者直接用代码统一后处理这种精度损失在目标检测任务里往往可以忽略。第二种是“点了创建矩形框的按钮但鼠标换到图像上就是画不出来”。这种情况通常不是代码 bug而是界面焦点问题。labelImg 是一个典型的 PyQt 应用按钮点击后会改变当前模式但如果你之前选中了某个已有标注框画布事件可能被那个框的编辑状态拦截。解决步骤是先单击一下图像空白区域让画布获得焦点再按一次 W 或点一次 Create RectBox如果还是不行按一下 Esc 取消当前选中然后重新拖拽。我在多个版本上验证过九成都是这个原因。4.3 标注文件去哪了保存路径的纪律“标完图之后文件找不到了”也是高频问题。先检查你有没有手动改过保存目录。labelImg 左下角会显示当前保存路径默认和图片同目录。如果你点了Change Save Dir选了其他文件夹之后标的所有文件都会存到那边图片目录里自然找不到。还有一个很容易被忽略的问题带中文路径。有些老版本的 lxml 库在写 XML 时对中文路径处理不好表现为保存时报错或者生成空 XML。虽然新版本好很多但我不想赌这种运气项目路径和图片路径我全部用英文。另一样要养成纪律的是画完一个框马上保存别攒到最后一起存。因为一旦进程崩溃没有保存的标注全白做这种心理打击会直接影响标注热情。我自己的备份方法是每天结束前把整个标注目录压缩一份按日期命名。别小看这一步训练数据几百 GB 的时候可能不觉得真误删过一次就长记性了。数据可以从零采集但标注框的坐标是人力一点一点画出来的没有备份就像白干了一周。最后再分享一个小技巧如果你长期做检测项目可以在data/predefined_classes.txt里把自己的常用类别都维护好换项目时只需替换这个文件labelImg 的标签下拉列表就会自动更新。再配合images、labels分离的目录结构、每天一次压缩备份这套流程能陪着你把一个又一个数据集稳稳当当地标完。本文还有配套的精品资源点击获取
简介labelImg-master.zip 是一份面向计算机视觉与深度学习开发者的开源图像标注工具源码包适合需要制作目标检测、语义分割等训练数据的研究人员和工程师。压缩包共含123个文件以28个Python源文件为核心如 labelImg.py 主程序另有39个PNG资源文件用于界面与示例还包含shell脚本、配置文件、markdown文档及测试脚本等整体大小仅6.81MB结构清晰、便于快速上手。该资源已在CSDN获得11218人学习下载热度较高。解压后即可获得完整代码、图标资源、示例图像、安装说明与MIT等许可文件既能直接安装运行完成标注任务也方便开发者阅读源码、二次修改或集成到自有视觉项目中是入门图像标注与工具二次开发的高性价比资料。 前段时间一个做目标检测的朋友甩给我一个labelImg-master.zip说网上教程乱七八糟装了一下午没跑起来。我看了一眼文件名就笑了——这个经典工具我用了好几年几乎所有给图像打矩形框的活都靠它。labelImg 是一个开源的图像标注工具专门用来生产目标检测算法需要的训练标签默认输出 PASCAL VOC 格式的 XML 文件也可以一键切换到 YOLO 格式的 txt 文件。对刚接触 CV 的同学来说它是入门门槛最低的标注工具对经验丰富的人来说它依然是整数据时最省事的方案。这份 zip 其实是从 GitHub 下载的源码包解压后目录叫labelImg-master里面包含主程序labelImg.py、界面资源文件夹resources、依赖清单requirements.txt以及data/predefined_classes.txt标签预置文件。很多人卡在第一步下载是下载了却不知道这玩意儿不是双击就能用还得先补环境。这篇就把我的完整流程和踩过的坑写出来怎么装、怎么标、闪退了怎么办、正方形框切不过去怎么办照着做基本能绕过市面上教程里那些含糊其辞的地方。1. 拆开 labelImg-master.zip这个工具到底解决什么问题labelImg 存在的理由很简单目标检测训练集需要人工框出物体位置这种重复劳动必须有一个轻量、稳定、格式兼容的 GUI 工具。它不搞花哨的深度学习能力也不做素材管理核心功能就是“打开图片、画框、写标签、保存”。你拿到一个标注文件夹里面有图片、对应的 XML 或 txt就是 YOLO、Faster R-CNN、SSD 这类模型可以直接喂进去的数据。1.1 标签工具在目标检测流程里的位置训练一个检测模型数据准备通常占掉整个项目一半时间。图片从手机、摄像机、工业相机动辄几千张每张都要框出目标并且写清类别。现在很多新工具支持半自动标注但基础的人工精标仍然绕不开尤其工业瑕疵、医疗影像这些特殊场景错一个框都可能影响模型效果。labelImg 最大的优势就是它足够简单没有后台服务不需要联网启动后就是一个干净窗口标记逻辑一眼能看懂。很多人问“我用 labelImg 还是 labelme”这两类工具对应不同任务。labelme 侧重多边形分割能标不规则轮廓labelImg 只画矩形框适合目标检测。如果你做的是检测任务那 labelImg 的产出格式更直接手工返工的几率也小。做分割任务再换 labelme 也不迟工具没有绝对优劣只有合不合适。1.2 为什么我仍推荐源码包而不是 pip 或 exe网上有不少安装教程让你pip install labelImg一条命令就能装好听起来很方便但实际用起来容易踩版本坑。官方 PyPI 包更新频率不稳定你安装的可能不是最新代码一些在 GitHub 上修掉的 bug 还会在本地复现。Windows 下的 exe 版本更不用说了只能在 Windows 上用而且缺少自定义能力出问题只能干瞪眼。我推荐labelImg-master.zip这种源码包主要看中三点第一代码最新GitHub 上刚提交的修复都能直接拿到第二跨平台Windows、Linux、macOS 都能跑第三出问题时可以从源码层面排查比如缺少资源文件、PyQt 版本不对都能通过报错快速定位。下表对比更能说明问题获取方式优点缺点zip 源码包版本最新、可改代码、全平台通用需自己装依赖、手动编译 resourcespip install labelImg安装命令简单版本滞后、出错后很难定位官网 exe双击即用仅限 Windows、更新慢、黑盒如果你只是体验一下pip 装一次倒也无妨。但想长期稳定做标注或者要在服务器上跑我建议老老实实走源码包流程。2. labelImg 安装全过程从零到双击启动2.1 解压之前先装好三样东西先别急着双击运行脚本labelImg 是 Python 写的 GUI 程序依赖 PyQt5 做界面、lxml 写 XML。Python 版本我推荐 3.8 到 3.10这个范围经过多数人验证最稳。Python 3.11 以上偶尔会遇到 distutils 被移除的问题闪退概率增加新手没必要在这个环节给自己加戏。把 zip 解压后进入labelImg-master目录先在命令行里创建虚拟环境并安装依赖。Windows 下打开 Anaconda Prompt 或 CMD执行cd labelImg-master python -m venv labelImg-env labelImg-env\Scripts\activate pip install PyQt5 PyQt5-tools lxml装完后需要把resources.qrc编译成resources.py这一步很多人漏掉结果一启动就报ModuleNotFoundError: No module named resources。正常执行pyrcc5 -o resources.py resources.qrc如果你的终端提示找不到pyrcc5多半是 PyQt5 的脚本没有加到 PATH改用下面这条python -m PyQt5.pyrcc_main -o resources.py resources.qrc编译完成后直接运行python labelImg.py看到主界面就说明环境没问题了。2.2 以 Windows 为例的完整启动记录我自己最常遇到的问题是明明按照步骤装了 PyQt5最终却打不开窗口双击labelImg.py也没有任何反应。这里有一个必须养成的习惯不要双击运行在终端里用命令启动这样才能看到报错信息。实际排错顺序一般是确认虚拟环境已经激活命令行前面有(labelImg-env)标识。执行python labelImg.py如果提示No module named PyQt5说明当前解释器不是虚拟环境的 Python重新activate。如果提示No module named resources回到上一步执行pyrcc5编译资源。如果主界面出现后点击按钮没反应检查是不是有大写锁定或者开启输入法导致快捷键冲突。2.3 Linux/macOS 的差异点Linux 下没有 CMD命令有点不一样。Ubuntu/Debian 系可以优先用 apt 装系统级 PyQt5依赖更干净sudo apt install python3-pyqt5 python3-lxml然后用 Python3 直接跑python3 labelImg.py。macOS 用户我建议直接brew install pyqt5再用pip3 install lxml补 XML 库。两个平台上同样要先编译resources.pypyrcc5找不到时依旧用python3 -m PyQt5.pyrcc_main兜底。3. labelImg 使用教程从打开图片到产出训练集3.1 一个完整标注循环拆解环境跑通只是第一步真正决定效率的是操作顺序。我的标准流程是这样启动 labelImg 后先在左侧目录框里Open Dir选择图片所在的文件夹。注意是选目录不是单张图片这样你可以用 A、D 键切换图片连续标注。接着点击左侧工具栏的Create RectBox按钮或者直接按键盘W然后在图片上按住鼠标左键拖拽出矩形框松开后输入类别名比如cat、dog点 OK。画完一张后按CtrlS保存再按D切到下一张。这里要特别强调保存的时机。很多新手画完框不保存就切图结果所有标注全部丢失。labelImg 的自动保存选项不推荐一开始就开因为新手很容易误标手动保存反而能给你一个确认的机会。熟练之后可以在View菜单里勾选Auto Save Mode省一次按键效率会高不少。保存出来的文件默认与图片放在同一个目录。VOC 格式是一个同名 XML里面记录图片尺寸、标注框坐标和类别名YOLO 格式是一个同名 txt每行是“类别编号 x_center y_center width height”坐标全部做了归一化。训练框架不同需要的格式也不同这个后续转换很方便。3.2 格式切换、快捷键和目录约定labelImg 的格式切换在窗口左上角可以看到默认显示的PascalVOC点它就会切换到YOLO。切换之后保存文件的后缀会从 XML 变成 txt。需要注意已经有 XML 的图片切到 YOLO 后会生成新的 txt但原来的 XML 不会自动删除。为避免训练时数据混乱我习惯一个项目只用一种格式确定后不要再来回切。常用快捷键整理如下快捷键功能W创建矩形框A切换到上一张图片D切换到下一张图片CtrlS保存当前图片标注Del删除选中的标注框CtrlZ撤销上一步操作目录约定上我的做法是images和labels分开建图片统一放一个文件夹标注文件通过Change Save Dir指定到另一个文件夹。这样数据集目录很干净后续训练脚本读路径也简单。如果使用默认的同目录保存几千张图混杂在一起后期转格式查错会非常痛苦。3.3 让标注效率翻倍的小习惯真正让我从“标到怀疑人生”变成“边看剧边标注”的核心技巧是提前维护好标签列表。labelImg 源码里的data/predefined_classes.txt罗列了默认类别每次画框会以下拉列表的形式出现。你可以在开始标注前把该文件里的内容改成当前项目需要的类别比如person car bicycle traffic_light这样画框时不需要每次手输类别直接从列表里选误输入也少很多。还有一个习惯是每天标完数据后花两分钟统计一下打开所有 XML数一数框的数量和类别分布。如果某个类别只有个位数模型训练出来基本就是瞎猜这种情况趁早补数据别等训练结束再返工。4. 高频问题和排查实录闪退、正方形框不生效、标签文件丢失4.1 labelImg 闪退先别重装看这三个地方“labelImg 闪退”基本是搜索量最大的问题大多数人的第一反应是重装其实重装解决不了根源。我自己的排查顺序是固定的。首先用命令行启动看有没有报错。命令行会直接打出异常堆栈很多闪退其实就是ModuleNotFoundError缺什么包就补什么包。其次检查是否安装了两个 PyQt 版本。有时候老教程会让你装 PyQt4你又装了 PyQt5两个库互相抢占命名空间导致窗口一闪而过。进入虚拟环境后执行pip uninstall PyQt4把多余的清掉。第三个常见原因是 Python 版本太新。Python 3.12 及以上对旧版 PyQt5 的兼容性并不好最省事的做法不是改代码而是直接新建 Python 3.9 或 3.10 的虚拟环境重装依赖。如果你用命令行启动时并没有报错程序却依然闪退还要考虑图片本身的问题。某些 16 位 PNG、超大分辨率图片在旧版 labelImg 里加载时可能直接崩溃。可以先在系统自带的图片查看器里确认图片能正常打开再用 Python 的 PIL 库批量转成 8 位 RGB 图片from PIL import Image import os dir_path images for name in os.listdir(dir_path): path os.path.join(dir_path, name) img Image.open(path).convert(RGB) img.save(path)这个方法能解决相当一部分因图像格式导致的闪退。4.2 labelImg 切换正方形框不生效到底怎么处理群里常有人问“标注工具切换正方形框不生效”我理解大家说的场景不太一样这里分两种来说明。第一种是你想强制画一个等边正方形框。官方 master 分支并没有独立的“正方形模式”工具栏上的按钮其实是 Create RectBox创建的形状是矩形只不过大家习惯叫它正方形框。如果你拖拽时按住 Shift 想要锁定长宽比在部分 PyQt 版本上可能支持但并不可靠。更稳妥的方法先照常画矩形然后在保存的坐标上手动把宽高改成相同或者直接用代码统一后处理这种精度损失在目标检测任务里往往可以忽略。第二种是“点了创建矩形框的按钮但鼠标换到图像上就是画不出来”。这种情况通常不是代码 bug而是界面焦点问题。labelImg 是一个典型的 PyQt 应用按钮点击后会改变当前模式但如果你之前选中了某个已有标注框画布事件可能被那个框的编辑状态拦截。解决步骤是先单击一下图像空白区域让画布获得焦点再按一次 W 或点一次 Create RectBox如果还是不行按一下 Esc 取消当前选中然后重新拖拽。我在多个版本上验证过九成都是这个原因。4.3 标注文件去哪了保存路径的纪律“标完图之后文件找不到了”也是高频问题。先检查你有没有手动改过保存目录。labelImg 左下角会显示当前保存路径默认和图片同目录。如果你点了Change Save Dir选了其他文件夹之后标的所有文件都会存到那边图片目录里自然找不到。还有一个很容易被忽略的问题带中文路径。有些老版本的 lxml 库在写 XML 时对中文路径处理不好表现为保存时报错或者生成空 XML。虽然新版本好很多但我不想赌这种运气项目路径和图片路径我全部用英文。另一样要养成纪律的是画完一个框马上保存别攒到最后一起存。因为一旦进程崩溃没有保存的标注全白做这种心理打击会直接影响标注热情。我自己的备份方法是每天结束前把整个标注目录压缩一份按日期命名。别小看这一步训练数据几百 GB 的时候可能不觉得真误删过一次就长记性了。数据可以从零采集但标注框的坐标是人力一点一点画出来的没有备份就像白干了一周。最后再分享一个小技巧如果你长期做检测项目可以在data/predefined_classes.txt里把自己的常用类别都维护好换项目时只需替换这个文件labelImg 的标签下拉列表就会自动更新。再配合images、labels分离的目录结构、每天一次压缩备份这套流程能陪着你把一个又一个数据集稳稳当当地标完。本文还有配套的精品资源点击获取
