前言
虽然说在本飞书文档知识库中已经有过相关文档了，理应来说不必再要我多此一举，但是经过笔者亲自试验，觉得难度十分巨大，不论从什么方面来说，都是十分失败的，不应成为教程使用，所以出此教程帮助想要使用YOLO的人跨越门槛，也能十分开心的使用YOLO
本文仅作为参考，有什么奇奇怪怪的问题自己去查
为了方便比较，我将旧版本的数据标注教程也一并放进来YOLO数据标注
本文基于对YOLO模型熟悉的前提下所写，不熟悉也没关系，我也会写的
本文是基础入门，仅教基础的，若我还有时间，我估计也许会写进阶标注
是时候更新一下新技术了！
为什么说YOLO数据标注比较落后，原因有以下几个
- LabelImg对于高版本的Python并不支持，而随着YOLO模型的更新换代，所需要的Python版本也会逐渐升高，所需要的数据标注类型多样，不符合趋势
- LabelImg十分依赖于PyQt相关模块，不仅配置复杂，也是全英文界面，对于中文入门学习者十分的不友好，学习成本增加
- LabelImg已经不更新了，稳定性也在下降，虽然说你可能还可以下到LabelImg（因为还是有很多人去使用这个工具），但是对于未来学习者，会遇到很多无法解决的问题，而究其根本，就是因为版本的不匹配或者解释器的更新带来的各种疑难杂症
- LabelImg太容易崩溃了！！！！！！！！！！！！！！！！！！！！！！！！！！/(ㄒoㄒ)/~~
综上，笔者在这里不得不秉弃LabelImg，转向其他数据标注方法
X-AnyLabeling
X-AnyLabeling是我目前找到的替代LabelImg最好的东西
Github仓库地址https://github.com/CVHub520/X-AnyLabeling下载地址Github：https://github.com/CVHub520/X-AnyLabeling/releases/tag/v4.0.0-beta.2
如果没有梯子也是没有关系的，我这里已经贴心的帮你们下载好了『来自123云盘VIP会员_FL_的分享』X-AnyLabeling 链接：https://www.123865.com/s/l2fqVv-0x2i
如上图所示，为其基本页面
由于一开始是英文界面，只需要在上面这一栏内找到
Language选项，选择中文即可
入门使用
第一眼看上去比那个LabelImg高大上多了（bushi
首先准备好以下文件夹
- 预备数据标注图片文件夹
- 导出用的文件夹
- 存放json格式的文件夹
为什么要三个呢，因为我更倾向于分分清楚，这样更直观
第一步：设置输入输出文件夹
- 首先点击文件，选择打开文件夹，这里选择的是你存放图片的文件夹
- 其次，还是点击文件，选择更改输出目录，这里选择的是你存放json格式的文件夹，因为你在这个软件每标注一个图片，都会生成对应的json文件，为了避免混淆，笔者建议单独设置
第二步：数据标注
由于是基础入门，本部分仅教用方框标注
上一步中我们已经导入了一个文件夹，在导入的时候，就已经自动加载了图片了，如下图
我们选择左侧方框工具（或者直接“R”），如下图
由于我这里仅作测试为主，所以识别主体是可乐（标签：COCO），直接点击OK，会变成紫色，如下图
那么恭喜你，图片的数据标注你完成了
第三步：导出数据
以此类推，我们完成了全部的数据标注，就可以开始导出了
注意：完成全部的数据标注是右下角全部变成勾，并且按下一张没有反应
当我们点击导出的时候，肯定发懵了？！为什么一个YOLO导出会有这么多
其实当YOLO更新的时候，已经不再满足这种拉框的精度，所以会有更多例如点，线，多边形的标注，对应的导出方式和训练方式也不一样，在这里我们选择Hbb即可，会看到如下图
在这里我们还需要打开一个文件（classes Files），即类别文件，就是我们数据标注了什么标签，就要在里面写什么标签，如下图
我们标注的标签是 COCO所以我们txt文本里面写的也是COCO这个是导出我们想要的数据选择好后，就如下图，选择一个空文件夹，进行导出
注意：要点击Save with images
不是多此一举，是为了更好的对应
然后一直点Yes，查看我们的导出文件
符合我们训练需求，数据标注完成！
本教程到此结束