【 声明：版权所有，欢迎转载，请勿用于商业用途。 联系信箱：feixiaoxing @163.com】

        学习深度学习之前，以为自己大部分时间都是在做算法。但是做了之后，才发现自己大部分时间都在清洗数据。和算法相比较，数据本身的价值，可能要比算法还要大。而且除了数据之外，嵌入式部署也是非常重要的，反而是算法，大部分时间就是微调，很少会对网络做大的改动。

1、什么时候需要标记图片

        如果只是分类功能，那么不需要使用标记软件进行标记。只有处理检测和分类的时候，特别是yolo分类的时候，才需要手动去标记图片。

2、labelImg怎么下载

        这里下载的时候，需要注意一个事情，那就是下载的时候，不要直接使用pip3去下载labelImg软件。这样下载得到的软件，会发现标记的时候，很容易程序闪退。反而，我们需要做的，就是直接从下面这个地址下载exe软件，直接使用即可。

https://github.com/heartexlabs/labelImg/releases

3、使用方法

        labelImg的使用方法比较简单。首先，我们一般提前选择好有哪些分类，类似于这样，

dog
person
cat
tv
car
meatballs
marinara sauce
tomato soup
chicken noodle soup
french onion soup
chicken breast
ribs
pulled pork
hamburger
cavity

        接着打开labelImg，选择指定的目录，就可以开始标记图片了。软件会帮助我们打开目录下的第一张图片。这个时候，可以选择一下标记文件存放的位置、以及标记文件的格式。

        说到标记文件格式，它可以是xml的标记格式，也可以是yolo的标记格式。接下来，就可以开始选择标记图片了，选择标记的时候，鼠标至上而下，从左到右拖动选择即可，停下来之后，会有一个提示框，提醒我们选择的类别，

        设定好之后就可以选择下一张图片。当然，一张图片上，可能有很多的类别，我们只要去一个、一个标记即可。这个时候，在之前设定的目录上，也会生成一个txt文件，保存我们标记的结果。图片和标记结果是一一对应的。这样不停地标记图片，就可以不停得到我们想要的标记结果了。

4、标记中的负样本

        实际操作的时候，有一种负样本需要注意下。那就是客户的实际场景中，要搜集一些背景相同，但是没有roi物体的图片。并且一般来说，正样本和负样本达到1:2，这样才能达到比较好的训练效果。负样本也不是随便添加的，最好取材于真实的场景，和正样本一样，都是切实存在的，只是没有标的物而已。此外，负样本的数量不易过少，至少1:1以上。

5、样本不够的情形

        目前如果样本不够，基本只能通过噪声、旋转、偏移、缩放等方法，来扩充样本数量了。当然最终还是希望由真实的样本参与训练，一开始样本实在不够，可以通过数学的方法凑上去也行。后续慢慢补上就可以了。