Labelme Operation

Installation

Labelme.exe

Labelme Official Github

Labelme桌面版应用安装

• Latest Release下找到Labelme.exe直接点击下载后双击即可打开进行图片标注

Labelme Python-Package

Labelme还提供了Python-Package供安装，可以更方便进行一些可视化以及调用

1. 安装Python：Python的安装网上有很多资料，参照网上的资料安装即可，这里不再赘述（需要Python3.6或更高版本）

2. 打开CMD命令行（或PowerShell），执行下列命令安装Labelme

   python -m pip install labelme

   安装完成即可

Annotation Visualization

如果需要对刚标注完成的图片进行可视化查看标注效果，按如下操作：

1. 打开需要可视化的.json文件所在文件夹，左上角文件-打开PowerShell，如下图所示：

   

2. 输入如下命令即可：

   labelme_draw_json xxx.json

   
   

Environment Setup

本部分说明环境配置

GPU Setup

GPU配置

1. 需要一张显存大于4GB的NVIDIA显卡，如GTX 1080、RTX 2080等等

2. 安装CUDA、CUDNN等必要的工具包和显卡驱动，这里仅简要阐述CUDA和CUDNN安装，其余可在网上查询，在此不再赘述

CUDA Installation

CUDA Official

CUDA安装

• 点击如上链接安装即可

CUDNN Installation

CUDNN Official

CUDNN安装

• 点击如上链接安装即可

• 注意：CUDNN是严格和CUDA版本适配的，请选择适配的版本

• 下载完成后解压复制出里面lib、bin、include三个文件夹到CUDA的默认安装目录C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.4（注意这里是合并文件，不是覆盖文件）

Python-Package Installation

本部分阐述必要的Python包安装

• 本项目所有需要的Python已导出在txt文件里，在项目文件夹根目录中打开CMD或PowerShell执行如下命令即可一次性安装：

  

  python -m pip install -r requirements.txt

mmdetection Installation

mmdetection Official Github

本部分阐述mmdetection安装

1. 首先是确保上面的python包全部安装完成

2. 安装mmcv-full包，该包需要安装前面环境中的所有python包

   pip install mmcv-full

   如果无法直接安装，说明需要说明torch和cuda对应版本来进行安装

   pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/{cu_version}/{torch_version}/index.html

   具体填写方法如下

   pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/cu110/torch1.7.0/index.html

3. 解压之前发送的mmdetection.zip，或者是直接从github上面clone

4. 进行mmdetection文件夹本身的编译

   python setup.py develop

5. 将较大的权重文件dict文件进行下载并且移动到mmdetection/work_dirs/mask_rcnn_r50_caffe_fpn_mstrain-poly_1xSF下

   链接：https://pan.baidu.com/s/18dWehstHxixFbIP93sNesg 提取码：bb6r

Project Directory Structure & Introduction

• first_datset：训练集（包括图片和标注文件）

• val：测试集

• detect.py：单张图片检测

• video_detect.py：视频检测

• ana.py：晶体分析

• auto_annotation.py：渐进式标注

• count.py：类别计数

• generate_json.py：训练配置文件

Train

本部分简要阐述模型训练过程

1. 训练图片以及标注放在first_datset文件夹下

2. 执行如下命令生成训练配置文件：

   python generate_json.py

3. 执行如下命令开始训练：

   cd mmdetection
   python tools/train.py configs/mask_rcnn_r50_caffe_fpn_mstrain-poly_1xSF.py

Detect

本部分主要阐述模型检测过程

Single Image Detect

单张图片检测（detect.py）

• 参数介绍：

  • --config_file：模型配置文件路径

    • 默认值："./mmdetection/configs/mask_rcnn_r50_caffe_fpn_mstrain-poly_1xSF.py"

    • 一般不作修改

  • --checkpoint_file：模型权重文件路径

    • 默认值："./mmdetection/work_dirs/mask_rcnn_r50_caffe_fpn_mstrain-poly_1xSF/latest.pth"

    • 一般不作修改

  • --img_file：待检测图片路径

    • 需要手动指定

  • --out_file：输出的检测图片路径

    • 默认值：./c5.jpg

    • 可根据需要修改

  • --score_thre：置信度阈值

    • 默认值：0.4

    • 可根据需要修改

  • --nms_thre：nms阈值

    • 默认值：0.3

    • 可根据需要修改

  • gpu_id：GPU代号

    • 默认值：0

    • 可根据需要修改（可通过nvidia-smi命令查看）

• 示例：

  • 单张图片检测：

    python detect.py --img_file ./val/IMG_511.png --out_file ./out.jpg

    

Video Detect

视频检测（video_detect.py）

• 本部分需要GUI界面配合测试以及开发，故尚未测试

Crystal Analysis

晶体分析（ana.py），需要先对待分析图片执行detect.py进行检测后再执行此文件

• 参数介绍：

  • --img_file：待分析图片路径

    • 需要手动指定

  • --out_file：输出的椭圆拟合图片路径

    • 默认值：./ellipse.png

    • 可根据需要修改

  • --result_file：detect.py文件生成的result.npy文件路径

    • 默认值：./result.npy

    • 一般不作修改

  • --scale：比例尺（单个像素点所对应的长度，单位微米）

    • 默认值：5 / 9

    • 可根据需要修改

• 示例：

  • 单张图片分析：

    python detect.py --img_file ./val/IMG_511.png --out_file ./out.jpg
    
    python ana.py --img_file ./val/IMG_511.png

    
    

Auto Annotate

自动渐进式标注

• 参数介绍：

  • --dir_path：待标注图片文件夹路径

    • 需要手动指定

  • --score_thre：置信度阈值

    • 默认值：0.4

    • 可根据需要修改

  • --nms_thre：nms阈值

    • 默认值：0.3

    • 可根据需要修改

• 示例：

  • 批量图片自动标注：

    python auto_annotation.py --dir_path ./TEST

  • 执行完上述命令后，生成的标注.json都在文件夹下，此时可通过如下命令打开Labelme进行渐进式标注：

    labelme xxx.jpg -O xxx.json

    
    

Count

类别计数

• 参数介绍：

  • --dir_path：待标注图片文件夹路径

    • 需要手动指定

• 示例：

  • 类别计数：

    python count.py --dir_path ./first_datset