一种基于图像分类技术的目标检测数据标注方法与流程

1.本发明属于目标检测技术领域，具体是指一种基于图像分类技术的目标检测数据标注方法。


背景技术：

2.目标检测是深度学习领域中重要的研究方向，通过神经网络技术从待检测图像中感兴趣区域进行分割和识别。目标检测技术被广泛应用在数字工业、医疗、交通安防等领域。目标检测方案落地实施往往需要借助大量标注过的图像作为该模型的训练集进行模型训练和调优。但是，现有的数据标注方式需要人为手动标注，效率较低，图像标注效率需要提升以适应大规模数据集标注。因此本发明提供一种目标检测数据标注时只需圈出感兴趣(roi)区域，无需每次填写或选择roi内的类别名称，减少标注人员操作时间，利用图像分类技术对标注区域内图像进行识别，可根据保存的截图数量逐渐增加进行持续迭代训练，提升分类识别性能，图像分类模型性能可随着保存裁剪图像增多而逐步提升，可以逐步减少在标注类别名称选择时花费的人工时间的基于图像分类技术的目标检测数据标注方法。


技术实现要素：

3.为了解决上述难题，本发明提供了一种将图像分类技术与目标检测数据标注流程相结合，用于提升目标检测应用中的数据标注效率的基于图像分类技术的目标检测数据标注方法。
4.为了实现上述功能，本发明采取的技术方案如下：一种基于图像分类技术的目标检测数据标注方法，包括如下步骤：
5.1)读取图像数据集中待标注的图像；
6.2)按照目标检测类算法要求，对图像进行相关标注信息录入，生成标注文件；
7.3)根据标注文件中的标注区域信息对原始图像进行裁剪，按照标注文件中的标注区域坐标进行截图，截取得到的图像根据标注类别名称分类保存；
8.4)当每个类别图像数量至少为一张时，利用图像分类算法对其进行分类训练，设定模型训练迭代次数，训练完成后得到图像分类模型model
class
；
9.5)读取下一张图像，录入标注区域坐标信息，并根据该信息对图像进行裁剪；
10.6)将裁剪后的图像输入图像分类模型model
class
。如果结果正确，则将其结果作为类别名称信息保存到该图像的标注文件；如果结果错误，则人工录入该图像标注文件中的类别名称信息；
11.7)跳转至步骤3)，直至系统路径下所有待标注图像都标注完成。
12.进一步，所述步骤2)中的标注信息包括：图像所在路径、图像名称、标注类别名称、标注区域坐标等。
13.进一步，所述步骤2)中的标注文件格式采用voc或coco等常用目标检测数据集标注格式，目前常用的目标检测标注软件，如labelimg等会利用可视化交互方式记录下图像
所在路径、图像名称、标注区域等信息，但标注类别名称需要手动填写或选择。
14.进一步，所述步骤4)中的图像分类算法包括但不限于卷积神经网络、循环神经网络、孪生网络和svm等常见图像分类算法。
15.进一步，所述步骤6)中的标注类别名称信息根据图像标注信息中的标注区域信息裁剪得到的图像输入到图像分类模型model
class
后的预测结果自动得到。
16.本发明采取上述结构取得有益效果如下：本发明提供的一种基于图像分类技术的目标检测数据标注方法目标检测数据标注时只需圈出感兴趣(roi)区域，无需每次填写或选择roi内的类别名称，减少标注人员操作时间，图像分类模型可根据保存的截图数量逐渐增加进行持续迭代训练，提升分类识别性能，随着图像分类模型准确率的逐步提升，可以逐步减少在标注类别名称选择时花费的人工时间。
附图说明
17.图1为本发明一种基于图像分类技术的目标检测数据标注方法的流程图。
具体实施方式
18.下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
19.实施例1
20.本发明一种基于图像分类技术的目标检测数据标注方法，包括如下步骤：
21.1)从系统路径中读取待标注的图像；
22.2)对图像进行相关标注信息录入，生成标注文件；
23.3)根据标注文件中的标注区域信息对原始图像进行裁剪，按照标注文件中的标注区域坐标进行截图，截取得到的图像根据标注类别名称分类保存；
24.4)当每个类别图像数量至少为一张时，利用图像分类算法对其进行分类训练，设定模型训练迭代次数，训练完成后得到图像分类模型model
class
；
25.5)读取下一张图，根据步骤2)中提到的标注信息对其进行信息录入，除标注类别名称数据外；
26.6)根据标注区域信息对图像进行裁剪，将裁剪后得到的图像输入图像分类模型，如果模型输出结果正确，则将其与标注类别名称绑定；否则人工选择正确的标注类别名称。同时，生成标注文件；
27.7)跳转执行步骤3)，直至系统路径下所有待标注图像都标注完成。
28.所述步骤2)中的标注信息包括：图像所在路径、图像名称、标注类别名称、标注区域坐标等。
29.所述步骤2)中的标注文件格式采用voc或coco等常用目标检测数据集标注格式，目前常用的目标检测标注软件，如labelimg等会利用可视化交互方式记录下图像所在路径、图像名称、标注区域等信息，但标注类别名称需要手动填写或选择。
30.所述步骤4)中的图像分类算法包括但不限于卷积神经网络、循环神经网络、孪生网络和svm等常见图像分类算法。
31.所述步骤6)中的标注类别名称信息根据图像标注信息中的标注区域信息裁剪得到的图像输入到图像分类模型model
class
后的预测结果自动得到。
32.以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。


技术特征：
1.一种基于图像分类技术的目标检测数据标注方法，其特征在于，包括如下步骤：1)读取图像数据集中待标注的图像；2)按照目标检测类算法要求，对图像进行相关标注信息录入，生成标注文件；3)根据标注文件中的标注区域信息对原始图像进行裁剪，按照标注文件中的标注区域坐标进行截图，截取得到的图像根据标注类别名称分类保存；4)当每个类别图像数量至少为一张时，利用图像分类算法对其进行分类训练，设定模型训练迭代次数，训练完成后得到图像分类模型model
class
；5)读取下一张图像，录入标注区域坐标信息，并根据该信息对图像进行裁剪；6)将裁剪后的图像输入图像分类模型model
class
。如果结果正确，则将其结果作为类别名称信息保存到该图像的标注文件；如果结果错误，则人工录入该图像标注文件中的类别名称信息；7)跳转至步骤3)，直至系统路径下所有待标注图像都标注完成。2.根据权利要求1所述的一种基于图像分类技术的目标检测数据标注方法，其特征在于：所述步骤2)中的标注信息包括：图像所在路径、图像名称、标注类别名称、标注区域坐标等。3.根据权利要求2所述的一种基于图像分类技术的目标检测数据标注方法，其特征在于：所述步骤2)中的标注文件格式采用voc或coco等常用目标检测数据集标注格式。4.根据权利要求1所述的一种基于图像分类技术的目标检测数据标注方法，其特征在于：所述步骤4)中的图像分类算法包括但不限于卷积神经网络、循环神经网络、孪生网络和svm等常见图像分类算法。5.根据权利要求1所述的一种基于图像分类技术的目标检测数据标注方法，其特征在于：所述步骤6)中的标注类别名称信息根据图像标注信息中的标注区域信息裁剪得到的图像输入到图像分类模型model
class
后的预测结果自动得到。

技术总结
本发明公开了一种基于图像分类技术的目标检测数据标注方法，包括如下步骤：读取待标注的图像，相关标注信息录入，生成标注文件，截取得到的图像根据标注类别名称分类保存，利用图像分类算法对其进行分类训练，利用训练好的图像分类模型辅助标注文件中的类别信息自动录入。本发明属于目标检测技术领域，具体是指一种将图像分类技术与目标检测数据标注流程相结合，用于提升目标检测应用中的数据标注效率的基于图像分类技术的目标检测数据标注方法。法。法。


技术研发人员：陈轶 张文 牛少彰 崔浩亮 王让定
受保护的技术使用者：东南数字经济发展研究院
技术研发日：2021.08.09
技术公布日：2021/11/4