一、项目背景在目标检测任务中数据标注是一项耗时且繁琐的工作。当我在有一个训练好的YOLO模型后想要更快地迭代后续的模型版本于是我在网上找自动化标注的资料和教程有很多资料都是把已有模型接入到数据标注平台需要各种配置安装还有很多限制和要求于是我就想用python脚本来实现自动标注的过程简单又高效大大提高标注效率。这篇文章介绍如何利用YOLO模型自动标注images文件夹中的图片并输出多种格式的标注结果。二、文件夹结构project/ ├── model/ │ └── best.pt # 训练好的YOLO模型 ├── images/ # 待标注的原始图片,jpg或png格式 │ └── .......jpg │ └── .......jpg ......文件夹结构仅供参考如果修改文件夹结构运行的代码也要做相应修改三、核心代码from ultralytics import YOLO from pathlib import Path model_path Path(__file__).parent / model / best.pt images_dir Path(__file__).parent / images output_dir Path(__file__).parent / output output_dir.mkdir(exist_okTrue) model YOLO(str(model_path)) image_files list(images_dir.glob(*.jpg)) list(images_dir.glob(*.png)) print(f找到 {len(image_files)} 张图片) for img_path in image_files: results model(str(img_path)) result results[0] detections [] if result.boxes is not None: for box in result.boxes: cls_id int(box.cls[0]) conf float(box.conf[0]) bbox box.xyxy[0].tolist() detections.append({ class_id: cls_id, confidence: conf, bbox: bbox }) # 扩展功能1: 添加置信度过滤 # conf_threshold 0.5 # detections [d for d in detections if d[confidence] conf_threshold] txt_path output_dir / f{img_path.stem}.txt with open(txt_path, w) as f: for det in detections: f.write(f{det[class_id]} {det[confidence]:.4f} {det[bbox][0]:.2f} {det[bbox][1]:.2f} {det[bbox][2]:.2f} {det[bbox][3]:.2f}\n) # 扩展功能2: 生成可视化标注图 # annotated_img result.plot() # result.save(fannotated_{img_path.name}) # 扩展功能3: 输出VOC XML格式 # from PIL import Image # img Image.open(str(img_path)) # img_width, img_height img.size # generate_voc_xml(img_path.name, img_width, img_height, detections, model.names) print(f处理完成: {img_path.name}) print(f标注完成结果保存在: {output_dir})四、使用方法4.1 环境准备pip install ultralytics4.2 操作步骤1.按照文件夹结构放好对应的文件。2.按照自己的电脑情况微调代码比如模型及文件夹的名称和路径。3.执行核心代码进行自动标注并等待标注结果。4.标注后的数据集可以做相应的格式调整后导入到数据标注平台进行人工调整与验证也可以用于后续新模型的训练。五、输出格式说明该脚本默认输出为YOLO TXT格式运行结束后会在output文件夹中生成标签文件每张图片对应一个 txt标签文件每行表示一个检测框 class_id confidence x1 y1 x2 y2 **参数说明** - class_id: 类别索引从0开始 - confidence: 检测置信度0-1 - x1, y1: 检测框左上角坐标 - x2, y2: 检测框右下角坐标 **示例** 0 0.9523 120.00 350.00 450.00 720.00 1 0.8912 200.00 100.00 350.00 280.00 六、注意事项1. 模型路径确保模型文件存在于 model/best.pt注意名称不要错了2. 图片格式支持 jpg 和 png 格式3. 批量处理脚本会自动处理文件夹中的所有图片4. 空标注如果图片中没有检测到目标仍会生成空的 txt 文件七、扩展功能建议扩展功能代码已在上面的核心代码中用 扩展功能N 标注了具体位置可以直接取消注释使用。如果对你有帮助欢迎在点赞收藏在评论区留言交流
基于YOLO模型的自动化图片标注方案
发布时间：2026/5/23 1:08:38
一、项目背景在目标检测任务中数据标注是一项耗时且繁琐的工作。当我在有一个训练好的YOLO模型后想要更快地迭代后续的模型版本于是我在网上找自动化标注的资料和教程有很多资料都是把已有模型接入到数据标注平台需要各种配置安装还有很多限制和要求于是我就想用python脚本来实现自动标注的过程简单又高效大大提高标注效率。这篇文章介绍如何利用YOLO模型自动标注images文件夹中的图片并输出多种格式的标注结果。二、文件夹结构project/ ├── model/ │ └── best.pt # 训练好的YOLO模型 ├── images/ # 待标注的原始图片,jpg或png格式 │ └── .......jpg │ └── .......jpg ......文件夹结构仅供参考如果修改文件夹结构运行的代码也要做相应修改三、核心代码from ultralytics import YOLO from pathlib import Path model_path Path(__file__).parent / model / best.pt images_dir Path(__file__).parent / images output_dir Path(__file__).parent / output output_dir.mkdir(exist_okTrue) model YOLO(str(model_path)) image_files list(images_dir.glob(*.jpg)) list(images_dir.glob(*.png)) print(f找到 {len(image_files)} 张图片) for img_path in image_files: results model(str(img_path)) result results[0] detections [] if result.boxes is not None: for box in result.boxes: cls_id int(box.cls[0]) conf float(box.conf[0]) bbox box.xyxy[0].tolist() detections.append({ class_id: cls_id, confidence: conf, bbox: bbox }) # 扩展功能1: 添加置信度过滤 # conf_threshold 0.5 # detections [d for d in detections if d[confidence] conf_threshold] txt_path output_dir / f{img_path.stem}.txt with open(txt_path, w) as f: for det in detections: f.write(f{det[class_id]} {det[confidence]:.4f} {det[bbox][0]:.2f} {det[bbox][1]:.2f} {det[bbox][2]:.2f} {det[bbox][3]:.2f}\n) # 扩展功能2: 生成可视化标注图 # annotated_img result.plot() # result.save(fannotated_{img_path.name}) # 扩展功能3: 输出VOC XML格式 # from PIL import Image # img Image.open(str(img_path)) # img_width, img_height img.size # generate_voc_xml(img_path.name, img_width, img_height, detections, model.names) print(f处理完成: {img_path.name}) print(f标注完成结果保存在: {output_dir})四、使用方法4.1 环境准备pip install ultralytics4.2 操作步骤1.按照文件夹结构放好对应的文件。2.按照自己的电脑情况微调代码比如模型及文件夹的名称和路径。3.执行核心代码进行自动标注并等待标注结果。4.标注后的数据集可以做相应的格式调整后导入到数据标注平台进行人工调整与验证也可以用于后续新模型的训练。五、输出格式说明该脚本默认输出为YOLO TXT格式运行结束后会在output文件夹中生成标签文件每张图片对应一个 txt标签文件每行表示一个检测框 class_id confidence x1 y1 x2 y2 **参数说明** - class_id: 类别索引从0开始 - confidence: 检测置信度0-1 - x1, y1: 检测框左上角坐标 - x2, y2: 检测框右下角坐标 **示例** 0 0.9523 120.00 350.00 450.00 720.00 1 0.8912 200.00 100.00 350.00 280.00 六、注意事项1. 模型路径确保模型文件存在于 model/best.pt注意名称不要错了2. 图片格式支持 jpg 和 png 格式3. 批量处理脚本会自动处理文件夹中的所有图片4. 空标注如果图片中没有检测到目标仍会生成空的 txt 文件七、扩展功能建议扩展功能代码已在上面的核心代码中用 扩展功能N 标注了具体位置可以直接取消注释使用。如果对你有帮助欢迎在点赞收藏在评论区留言交流
