[发明专利]一种基于yolov5目标检测算法的智能标注方法

说明书

本发明公开一种基于yolov5目标检测算法的智能标注方法，涉及Python Web应用开发领域；基于采用B/S模式，通过前端页面管理数据集，创建数据集及批量上传数据集对应图片，通过后端响应存储数据集对应图片，通过前端页面选择数据集，经后端响应加载相应数据集的图片到前端页面，通过前端页面标注数据集对应的图片达到30％，通过后端调用利用yolov5目标检测算法训练的推理模型，利用推理模型自动完成数据集中剩余图片的标注，在服务器创建图片同名称json标签文件，并将图片的标注信息保存在json标签文件中，通过前端页面发起下载json标签文件的请求，经后端响应根据标签下载相应json标签文件。

技术领域

本发明公开一种方法，涉及Python Web应用开发领域，具体地说是一种基于yolov5目标检测算法的智能标注方法。

背景技术

在深度学习的模型开发过程中，充足的数据集及精准的数据标注对最终模型效果来说至关重要：就物体检测模型来说，预估开发者们花在数据标注上的时间平均会占据整个项目周期的50％以上。尤其是企业用户、科研人员做的高精度定制化模型，需要在深度学习的过程中投喂海量数据去训练。而通常情况下，面对这些庞大的数据集，开发者们只能人工手动进行一张张标注图片，整个过程耗时长，造成了人力资源的浪费。

发明内容

本发明针对现有技术的问题，提供一种基于yolov5目标检测算法的智能标注方法，基于yolov5目标检测算法的智能标注，大大节省了人工标注海量训练集花费的时间。

本发明提出的具体方案是：

本发明提供一种基于yolov5目标检测算法的智能标注方法，基于采用B/S模式，通过前端页面管理数据集，创建数据集及批量上传数据集对应图片，通过后端响应存储数据集对应图片，

通过前端页面选择数据集，经后端响应加载相应数据集的图片到前端页面，通过前端页面标注数据集对应的图片达到30％，通过后端调用利用yolov5目标检测算法训练的推理模型，利用推理模型自动完成数据集中剩余图片的标注，在服务器创建图片同名称json标签文件，并将图片的标注信息保存在json标签文件中，

通过前端页面发起下载json标签文件的请求，经后端响应根据标签下载相应json标签文件。

进一步，一种基于yolov5目标检测算法的智能标注方法中所述通过后端响应存储数据集对应图片，包括：

通过后端在服务器指定路径下创建文件夹，将前端上传的数据集对应图片存储在所述文件夹下。

进一步，一种基于yolov5目标检测算法的智能标注方法中所述通过前端页面标注数据集对应的图片，包括：

通过前端页面的图片标注区域，创建标签，使用图形工具进行图片切换、图片拖拽、图片缩放、矩形标注和/或多边形标注的操作。

进一步，一种基于yolov5目标检测算法的智能标注方法中所述通过后端调用利用yolov5目标检测算法训练的推理模型，包括：

通过后端创建线程，利用线程调用推理模型。

进一步，一种基于yolov5目标检测算法的智能标注方法中所述利用yolov5目标检测算法训练的推理模型，包括：

基于yolov5目标检测算法利用train.py训练推理模型，再调用detect.py加载训练好的推理模型。

本发明还提供一种基于yolov5目标检测算法的智能标注系统，基于采用B/S模式，包括数据集管理模块、图片标注模块、标签文件管理模块和yolov5目标检测算法模块，

前端的数据集管理模块通过前端页面管理数据集，创建数据集及批量上传数据集对应图片，后端的图片标注模块响应存储数据集对应图片，