Python | OpenCV 資料標註

📚 前言

在上一篇 影片資料集建立與品質檢查 中，我們蒐集好了訓練所需的圖片。
接下來要進行的是 資料標註 (Data Annotation)，也就是為每張圖片建立「正確答案」，讓模型知道圖片裡有什麼。

標註的品質直接影響模型的學習成效，錯誤或不一致的標註會讓模型學到錯誤的規則。

🔎 標註類型

圖：五種標註類型視覺對比 — 依序為圖片分類、語義分割、物件偵測、實例分割、關鍵點偵測

🏷 依照任務不同，標註方式也不同：

🧠 標註格式說明

圖：物件偵測資料標註格式 Pascal VOC、COCO、YOLO 三種標註格式的對比

⚠️ 標註完成後，座標與類別資訊需要存成檔案。不同訓練工具對格式有各自要求，開始標註前先確認格式，避免事後轉換。

Pascal VOC 格式範例：

1
2
3
4
5
6
7
8
9
10

<annotation>
  <filename>0001.jpg</filename>
  <object>
    <name>cat</name>
    <bndbox>
      <xmin>100</xmin><ymin>80</ymin>
      <xmax>300</xmax><ymax>230</ymax>
    </bndbox>
  </object>
</annotation>

COCO 格式範例：

1
2
3
4
5

{
  "images": [{"id": 1, "file_name": "0001.jpg", "width": 640, "height": 480}],
  "annotations": [{"id": 1, "image_id": 1, "category_id": 0, "bbox": [100, 80, 200, 150]}],
  "categories": [{"id": 0, "name": "cat"}]
}

YOLO 格式範例：

1
2

<class_id> <x_center> <y_center> <width> <height>
0 0.5 0.4 0.3 0.2

🛠️ 標註工具介紹

⚠️ 注意事項

• 開始前先確認格式：標完才換格式需要全部重轉，事先確認訓練工具所需的格式，避免事後麻煩。
• 免費版的資料限制：Roboflow 免費版資料集需公開，涉及商業或隱私資料請在付費前確認授權條款。
• 格式不能混用：同一資料集的所有圖片必須使用同一種標註格式，不同格式混用會導致訓練失敗。

🎯 結語

了解標註類型、格式與工具之後，下一步就是實際動手標註。
下一篇進入 LabelImg 標註工具實戰，從安裝到操作一步步說明，並附上常見 bug 的修正方式。

📖 如在學習過程中遇到疑問，或是想了解更多相關主題，建議回顧一下 Python | OpenCV 系列導讀，掌握完整的章節目錄，方便快速找到你需要的內容。

註：以上參考了
LabelImg GitHub
CVAT 官方網站
Roboflow 官方網站
COCO Dataset 格式說明