【YOLO】X-AnyLabeling 半自动标注

前言

本文介绍如何使用 X-AnyLabeling 进行半自动图像标注。

大致原理：
先用小数据集训练一个初步模型，让其自动标注更多数据，再人工修正不准确的部分，最终导出完整数据集进行训练，以提升模型精度。

关联文章：

• 【YOLO V5】目标检测 WSL2 AutoDL VScode SSH
• 【YOLO】数据集标注 X-Anylabeling
• 【YOLO】AutoDL 训练模型

参考资料：

• X-AnyLabeling 自定义模型
• X-AnyLabeling自动标注数据集并训练自己的YOLO11目标检测模型
• 【YOLO】X-AnyLabeling自动标注工具,AI帮你解放双手

整体思路

制作小数据集–训练小模型–模型转换–修改模型YAML文件–导入自定义模型AI标注–全部微调后导出数据集

1. 制作小数据集：请参考【YOLO】数据集标注 X-Anylabeling
2. 训练小模型：请参考【YOLO】AutoDL 训练模型
3. 模型转换：将训练好的 .pt 文件转换为 .onnx 格式
4. 修改模型 YAML 文件：调整模型配置文件，使 X-AnyLabeling 能正确读取模型信息
5. 导入小模型进行 AI 标注：加载小模型及其配置文件，实现自动标注。
6. 微调并导出数据集：手动修正标注后，导出完整数据集。请参考【YOLO】数据集标注 X-Anylabeling

模型转换

参考文档：X-AnyLabeling 自定义模型

1. 安装依赖库

pip install onnx coremltools onnx-simplifier

2. 转换模型
   由于 X-AnyLabeling 需要使用 ONNX 格式的模型进行推理，而 YOLO 训练得到的权重默认为 .pt 格式，因此需要将其转换为 ONNX 以确保兼容性。

python export.py --weights /home/abaaba/yolo/yolo_v5/yolov5-6.0/best.pt --include onnx

ps：X-AnyLabeling 使用 ONNX 进行推理，因为它具备跨框架兼容性、优化的推理性能、轻量化部署能力，并且是官方支持的标准格式。相比 .pt，ONNX 更高效且适用于多种硬件和应用场景，因此需要先将 .pt 转换为 ONNX，确保模型能够正确加载并用于自动标注。

修改模型 YAML 文件

参考文档：X-AnyLabeling 自定义模型

X-AnyLabeling 的自训练模型需要自定义的 YAML 文件，以便软件正确解析和使用模型，而不仅仅依赖 ONNX 权重。

1. 下载 YAML 文件
   点击Model List下载所需 YAML 文件
2. 示例 yolov5s.yaml

type: yolov5
name: yolov5s-r20230520
display_name: YOLOv5s Ultralytics
model_path: 'C:\Users\agt26\OneDrive\Desktop\dataset-anylabeling\best.onnx'
nms_threshold: 0.45
confidence_threshold: 0.25
classes:
  - fruit
  - veg
  - drink

3. 修改参数

参数说明
type 和 name：不可修改，否则可能导致 X-AnyLabeling 无法识别模型
display_name：可自定义，用于前端显示模型名称
model_path：需修改为实际的 .onnx 模型文件路径。注意：路径格式必须严格遵循上述示例，否则可能导致 X-AnyLabeling 报错或崩溃。
classes：需调整为模型识别的类别名称，顺序必须与 classes.txt 中的标签一致

导入自定义模型

1. 加载模型
   点击 加载自定义模型，选择上一步修改好的 YAML 文件

2. 验证模型效果
成功加载后，界面如下：
3. 测试与批量推理

• 选择合适的置信度，运行几张图片，检查标注效果
• 若结果基本合理，点击 一次运行所有图片，完成整批推理。
• 推理完成后，手动微调标注，再导出数据集。
  

4. 导出数据集
   具体操作请参考：【YOLO】数据集标注 X-Anylabeling

常见错误

export 导出错误

AttributeError: module ‘numpy’ has no attribute ‘typeDict’

这个错误是由于 numpy 版本不兼容导致的。numpy 的新版本中移除了 typeDict 属性。可以通过降级 numpy 版本来解决这个问题。尝试安装一个较旧的 numpy 版本，例如 1.21.0：

pip install numpy==1.21.0

ONNX: export failure: Unsupported ONNX opset version: 13

果遇到 ONNX: export failure: Unsupported ONNX opset version: 13 错误，请尝试使用较低的 opset 版本：

python export.py --weights /home/abaaba/yolo/yolo_v5/yolov5-6.0/best.pt --include onnx --opset 12

X-AnyLabeling 加载自定义模型报错

X-AnyLabeling 加载自定义模型时报错，通常是由于 .yaml 文件中的 .onnx 路径格式不正确。请确保路径严格符合示例 .yaml 文件的格式，并检查 classes 是否与标签顺序一致，以避免错误。