trainingImageLabeler

• 1
• 2

弹出一个这样一个界面，可以批量图像处理。添加图像、选定ROI，都很灵活。

这个界面很简洁了，不需要细讲。
记得每次截取位置后点击那个绿色对号，它会把位置信息保存在一个结构体里。

笔者批量标记了很多图像，然后生成这样一个结构体：

目标信息基本得到了！！！
欢呼雀跃~~~

因为数据集还需要其他信息，类似宽高等，可以在代码中添加。
笔者采用了一个特别笨的方法：复制到excel。
其实有比较简单的，将数据直接保存到csv格式。
可以参考这篇：https://blog.csdn.net/weixin_38709804/article/details/80173304

合乎TensorFlow的格式

因为这部分数据集是要在TensorFlow中使用，我们按照需要的格式，处理成以下格式：

接下来的事情，就是调用csv_tfrecord，生成直接处理的TFRecord格式了。
可能路径需要相对路径，不太确定，自行决定哈。
Matlab还是很强大的哈。

        </div>
					<link href="https://csdnimg.cn/release/phoenix/mdeditor/markdown_views-258a4616f7.css" rel="stylesheet">
            </div>
</article>

制作数据集的方法

机器学习图像特征的时候，需要一定的样本，这些样本包含训练对象的基本数据：图像特征和所对应类别，即标签。
笔者总结了当前存在的两种生成数据集的方式，也应用在不同的场景：

• 1、训练对象被单*剪，并将每一类单独保存；
• 2、一张图有多个训练对象，将训练对象位置和类别对应保存。

第一种方式比较简单，在训练好的模型，直接检测测试集，从而评估模型好坏。
但是，如何在整幅图寻找目标并标记出不同位置呢？似乎是个挺难的问题，如果没有现成的检测框架，检测依然会很难。

第二种方式，对数据集的处理比较复杂，笔者分享一个比较笨重的方法，
首先明确下目标：
需要生成训练图像中，每个被训练对象的位置，类别，图像宽高等，我们把焦点锁在位置。

一般推荐LableImage工具，但是很多人不好上手，加上安装很多库，安装出现异常等。
笔者就是因为出现安装异常，决定寻找其他救命稻草。

Matlab做LableImage

众所周知，Matlab功能强大，最擅长矩阵处理。
今天，我们看一下这个标记图像功能。网上很多推荐的需要三个还是几个代码，第一个和后边的运行不同程序，今天，我们分享一个简单的，但冗杂的。

首先，在命令行执行以下指令：

trainingImageLabeler