labelimg是用于ai目标检测数据标注的图形化工具，需安装python及pyqt5后运行；按jpegimages、annotations、predefined_classes.txt构建目录；预设类别后加载图像，用w键绘框并选类；支持pascal voc或yolo格式输出；用d/a键翻页，ctrl+r重载，ctrl+u批量导入，最后验证标注文件有效性。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
如果您正在为人工智能目标检测模型准备训练数据，但尚未完成图像标注，则需借助LabelImg这一图形化工具对图像中的目标对象进行边界框绘制与类别标记。以下是具体操作步骤：
一、安装LabelImg并配置运行环境
LabelImg依赖Python及Qt图形库，需确保本地已安装Python 3.6及以上版本。安装过程不涉及复杂编译，推荐使用pip方式快速部署。
1、在命令行中执行安装命令：pip install labelimg。
2、若提示缺少PyQt5，补充执行：pip install pyqt5。
3、安装完成后，在任意路径下输入命令：labelimg，即可启动图形界面。
二、构建标准数据集目录结构
规范的文件夹组织可避免后续格式转换或路径错误，尤其适配YOLO系列与PASCAL VOC两类主流训练框架。
1、新建根文件夹，例如命名为MyDataset。
2、在该文件夹内创建三个子目录：JPEGImages（存放原始.jpg/.png图像）、Annotations（保存标注文件）、predefined_classes.txt（定义类别列表，每行一个类名）。
3、将所有待标注图像复制到JPEGImages文件夹中。
三、预设类别并加载图像进行标注
提前声明类别可防止标注时拼写不一致，提升数据集一致性；加载图像目录后，LabelImg将自动索引全部图片供连续标注。
1、用文本编辑器打开predefined_classes.txt，逐行输入类别名称，例如：person、car、dog，保存后关闭。
2、启动LabelImg，点击菜单栏File → Open Dir，选择JPEGImages所在路径。
3、点击File → Change Save Dir，指定标注文件保存至Annotations文件夹。
4、点击View → Auto Save Mode启用自动保存，避免遗漏。
四、执行图像标注并设置输出格式
标注核心是为每个目标绘制边界框并绑定预设类别，输出格式需与后续训练框架严格匹配，LabelImg支持一键切换。
1、在图像预览区按键盘W键激活矩形框绘制模式。
2、鼠标左键按下目标左上角，拖动至右下角释放，弹出类别输入框。
3、从下拉列表中选择对应类别，或手动输入（须与predefined_classes.txt完全一致）。
4、点击菜单栏File → Save As，确认保存路径与文件名与图像同名（如image001.jpg → image001.xml）。
5、点击File → Save Format，根据模型需求选择：PASCAL VOC（生成.xml）或YOLO（生成.txt）。
五、批量处理与标注验证
单张图像标注完成后，可通过快捷键高效推进整批数据，同时需人工抽检确保坐标与标签准确无误。
1、按D键切换至下一张图像，按A键返回上一张。
2、按Ctrl+R重新加载当前图像，用于修正误标。
3、按Ctrl+U批量导入新图像，避免重复打开目录。
4、标注全部完成后，进入Annotations文件夹，检查每个.txt或.xml文件是否非空且包含object节点或有效归一化坐标。
