YOLO视觉检测应用标注篇（六）

全自动标注

上一篇，我们介绍了基于SAM2的半自动标注。
这一篇，我们将介绍基于YOLO的全自动标注

工具

工具依然是X-Anylabeling
下载等信息这里就不赘述了，有需要请看半自动标注篇。

原理

主要的原理就是需要有一个预训练的模型来进行辅助识别。
通过小批量的数据集训练得到一个best.pt的模型，用这个模型来进行大规模的图像标注。

模型准备

首先，需要有一个预训练的YOLO模型，比如yolo11n.pt或者best.pt。
然后，将其转为onnx格式

TIP
必须先安装必要的库
可能需要指定版本以避免出错

可使用以下代码：

import torch
from ultralytics import YOLO

def convert_yolo_to_onnx(pt_path, onnx_path, imgsz=640):
    """
    将YOLO PyTorch模型转换为ONNX格式
    
    参数:
        pt_path (str): 输入的.pt模型路径
        onnx_path (str): 输出的.onnx保存路径
        imgsz (int): 输入图像的尺寸（默认640）
    """
    # 加载预训练的YOLO模型
    model = YOLO(pt_path)
    
    # 导出为ONNX格式
    success = model.export(
        format="onnx",
        imgsz=imgsz,
        dynamic=True,  # 启用动态输入尺寸
        simplify=True,  # 简化ONNX模型
        opset=12,      # ONNX算子集版本
    )
    
    print(f"导出 {'成功' if success else '失败'}！")

if __name__ == "__main__":
    # 输入输出路径配置
    input_pt = "best.pt"    # 修改为你的输入文件路径
    output_onnx = "best.onnx"  # 修改为你期望的输出路径
    
    # 执行转换
    convert_yolo_to_onnx(input_pt, output_onnx)

转换完成后将到可用于全自动标注的best.onnx模型

配置文件准备

下面，我们将准备best.yaml配置文件用于全自动标注
请参考下面的示例：

type: yolo11
name: yolo11n
display_name: package_best
model_path: best.onnx
nms_threshold: 0.45
confidence_threshold: 0.25
classes:
  - package

也可以从X-Anylabeling的Model Zoo中下载合适的配置文件与模型。
请根据实际情况进行修改。

加载目录

模型及配置文件的放置与半自动标注那篇一样，这里不再赘述。
有需要请查看半自动标注篇。

载入模型

在X-Anylabeling中选择AI,然后加载自定义模型，在模型目录选择自定义yaml文件，就可以导入自定义的模型了

实现全自动标注

导入图片后，
在AI设置中选择需要的置信度等参数，然后点击运行

在左侧边栏选择一次运行所有图片


确认后即完成所有图片的标注。

人工确认

从下列的示意图我们可以看到，由于过拟合的存在，并不是package的目标物被错误标注了，我们需要进行删除

选择左侧编辑后，可以删除、拖动、放大及缩小标注矩形框，进行人工修正
人工完成所有的修正后，导出YOLO标注txt文件即完成了标注。

导出标注文件

导出标注文件与半自动标注那篇一样，这里不再赘述。
有需要请查看半自动标注篇。

小结

至此，相信YOLO数据集的准备应该可以比较有效率地完成了。