第4章：目标检测标注实战（矩形框）
目标检测标注，说白了就是给图片里的物体画框框、贴标签。你想想看，模型要认识一只猫、一辆车，总得有人先告诉它「喏，这个框里是猫，那个框里是车」。今天我就带你手把手搞定 LabelImg 这个工具。
核心要点：矩形框标注看似简单，但坑不少。框的位置偏一点、类别写错一个字，模型训练出来可能就认错东西。我见过太多项目因为标注不规范，最后模型精度死活上不去。
4.1 LabelImg 安装与启动
LabelImg 是个开源工具，GitHub 上就能下。我个人习惯用 Python 直接装，干净利落。
# 安装
pip install labelImg
# 启动
labelImg嗯，这里要注意：如果你用的是 Python 3.10 以上版本，可能会遇到 PyQt5 的兼容问题。我建议用 conda 创建一个 Python 3.8 的环境，稳得很。
小技巧：启动后按 Ctrl+R 可以切换标注格式。默认是 PascalVOC（XML），按一下变成 YOLO（TXT）。我个人建议初学者先用 PascalVOC，因为 XML 里信息更全，方便后面理解。
4.2 绘制矩形框：手稳心细
画框的操作很简单：点击左侧的「Create RectBox」按钮，或者直接按快捷键 W。然后在图片上按住鼠标左键，从物体的左上角拖到右下角。
为什么会强调左上到右下？其实从哪个角开始都行，但团队里统一标准很重要。我在项目中遇到过，有人从左上画，有人从右下画，最后统计框的坐标时乱成一锅粥。
画框时有几个原则：
- 紧贴物体边缘：框要刚好包住目标，别留太多空白，也别切掉物体的一部分
- 遮挡部分怎么处理：如果物体被挡住了，框就画到遮挡物的边缘，别去猜被挡住的部分
- 小物体别漏：有些目标只有几十个像素，比如远处的行人，也得画上。模型对小物体本来就难识别，你再漏标，它就更学不会了
避坑指南：我曾经犯过一个低级错误——画框时手抖了一下，框歪了 2 个像素。当时觉得无所谓，结果模型训练出来，那个类别的 mAP 比其他类别低了 5 个点。后来排查半天，才发现是标注框不准确导致的。所以，画框时尽量放大图片（快捷键 Ctrl++），精确到像素级。
4.3 属性填写：类别、遮挡、截断
画完框，弹出一个对话框让你填属性。这里我重点说三个：
| 属性 | 说明 | 我的建议 |
|---|---|---|
| 类别（Class） | 物体的名称，比如 car、person、dog | 用英文小写，不要带空格。我习惯用下划线连接，比如 traffic_light |
| 遮挡（Occluded） | 物体被遮挡的程度：0=无遮挡，1=部分遮挡，2=严重遮挡 | 遮挡超过 50% 就标 2。这个属性对自动驾驶场景特别重要 |
| 截断（Truncated） | 物体是否被图片边缘截断：0=完整，1=截断 | 只要物体有一部分在图片外面，就标 1。别犹豫 |
你可能会问：遮挡和截断有啥区别？说白了，遮挡是物体被别的东西挡住了，截断是物体被图片边界切掉了。这两个属性在训练时可以帮助模型理解「不完整的目标长什么样」。
重要：类别名称一定要和你的配置文件完全一致。大小写、拼写都不能错。我见过有人把「pedestrian」拼成「pedestrain」，结果模型训练时直接忽略了这个类别，白标了 2000 张图。
4.4 常见标注规范
标注规范这东西，每个团队都有自己的习惯。但有些底线是不能碰的：
- 一个物体一个框：别把两个挨着的物体画在一个框里。就算它们贴在一起，也得分开标
- 不标背景：只标你关心的目标类别。背景区域不需要框
- 边界情况：如果物体只有 5% 露在外面，要不要标？我的经验是：能认出是什么就标，认不出就放弃
- 一致性：同一个物体在不同图片里，标注方式要一致。比如「红绿灯」，要么都标整个灯杆，要么只标灯头，别混着来
我记得有一次做行人检测项目，标注员把「打伞的人」和「没打伞的人」都标成 person，但伞的遮挡程度标得乱七八糟。后来模型在雨天场景下直接崩了。所以，遮挡和截断这两个属性，千万别随便填。
4.5 标注流程与知识体系
下面这张图是我整理的标注核心流程，你看一眼就能明白整体逻辑：
这个流程看着简单，但每一步都有讲究。比如质量检查这一步，我建议至少抽 20% 的标注结果做二次审核。别嫌麻烦，前期多花点时间，后期训练模型能省十倍的时间。
4.6 实战中的那些坑
最后分享几个我踩过的坑：
- 文件名别用中文：LabelImg 对中文路径支持不好，容易报错。图片和标注文件都用英文命名
- 备份原始图片：标注过程中可能会误操作，原始图片备份好，随时可以重来
- 统一分辨率：如果图片分辨率差异太大，建议先 resize 到统一尺寸再标。不然模型训练时容易出问题
- 多人协作时用同一份类别列表：把 classes.txt 文件共享给所有人，避免各标各的
嗯，标注这件事，说白了就是「慢工出细活」。你花在标注上的每一分钟，都会在模型训练时加倍回报给你。别想着偷懒，数据质量决定了模型的天花板。
我的习惯：每标完 100 张图，我会用脚本统计一下各类别的数量分布。如果发现某个类别数量明显偏少，就回去补标一些。这样能保证数据集不偏科。
公众号:蓝海资料掘金营，微信deep3321