# DataMaker

**Repository Path**: m1014395102/data-maker

## Basic Information

- **Project Name**: DataMaker
- **Description**: 字符数据集制作工具
- **Primary Language**: Python
- **License**: GPL-3.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 2
- **Forks**: 0
- **Created**: 2021-08-31
- **Last Updated**: 2022-03-03

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# DataMaker

## 介绍
字符数据集制作工具

### 使用说明

### 一、制作数据集

![输入图片说明](https://images.gitee.com/uploads/images/2021/0831/232743_471a3379_7953539.jpeg "clip_image002.jpg")
​																								图1.1 单字符制作页面

#### 1.1进入单字符制作标签页

如果路径为空将无法使用下方按钮

#### 1.2创建工程

工程名称输入自定义文件夹名称，通过右方按钮选择工程所在父目录路径，点击创建按钮会提示创建成功

![输入图片说明](https://images.gitee.com/uploads/images/2021/0831/232804_0c47aa5a_7953539.png "clip_image003.png")
​																									图1.2 创建工程

创建成功后关闭当前窗口，返回上级窗口

#### 1.3单字符制作

首先点击“打开文件”，选择待制作原始图片，此时会在界面上显示

点击“画框”，此时鼠标可在图片上截取感兴趣区域

点击“裁剪”，会在左下角显示截取后区域的黑白二值图，在上方文字框输入标签名称，下方选择二值化阈值，阈值调整至仅包含字符不包含背景即可，每调整一次点击一次“裁剪”观察效果

点击“保存”，将裁剪得到的二值图保存至文件夹./data/chartemplate，

注意：

1.标签区分大小写，以ascii码为标准保存至模板文件夹chartemplate。除此之外增加了特殊字符空格，对应保存到“None”文件夹，可为后续生成数据集时增加干扰，增强数据。

2.标签不能为多字符，例如“abc”，“123”等，不能是中文字符，目前只支持ascii码对应十进制数33-126的字符（空格是自定义类型）

3.保存后的字符模板为png格式的透明图，如果以其它方式（画图）得到的其它格式的图片（jpg，bmp）将不会去背景仅保留字符像素点。


![输入图片说明](https://images.gitee.com/uploads/images/2021/0831/232831_53bed015_7953539.jpeg "clip_image005.jpg")
​																									图1.3 字符制作

至此，单字符制作完毕

 

#### 1.4数据生成

进入数据生成标签页，设置所需参数

点击“选择背景图”，可以在上下控件中同时显示背景图

左下角对类别标签的增删改后需点击“保存”至txt，也可直接点击“导入”导入已存储了类别的txt文件

右下角“图片名称”自定义设置生成文件名，防止生成的数据重名

点击“生成”，会自动创建result文件夹，生成数据

注意：

1.本软件未提供背景图制作工具，可用“画图”、“photoshop”等软件自行获取背景图

2.在选择背景图后可在上方图片中鼠标左键点击获取当前像素坐标点，以设置生成数据时初始坐标点

3.如果设置字符数量超出背景图范围，会默认按图片的最大上限制作

4.chartemplate文件夹下的图片都会进行生成，请不要添加多余文件。切记：把想要的字符模板放在该文件夹下

5.第一步中获取的None文件夹也可进行数据生成，例如“-”或者空格等其它字符，只要没有放在对应ascii码命名的文件夹下都可加入数据生成，生成时会对这些图片不进行标注，不影响训练和识别结果。

6.类别文件除新建时以外尽量不进行插入和删除操作，如果有新的类别加入在尾部添加即可，否则易造成标签错乱
![输入图片说明](https://images.gitee.com/uploads/images/2021/0831/232900_247e14e4_7953539.jpeg "clip_image007.jpg")

​														图1.4 数据生成

### 二、训练

返回主界面，点击训练按钮，进入训练界面

#### 1.1参数设置

首先制作yaml文件

包含以下四个属性：

train和val：设置数据集文件夹位置，只需设置图片的文件夹即可，程序内会自动寻找

nc：类别数量

names：类别列表

注意：每个属性的冒号后面有空格，nc和names要与生成的数据标签严格对应，此处易出错

images文件夹同一级的labels文件夹（labels文件名不可修改，images文件名可修改）

数据集文件夹分布如下：

![img](file:///C:\Users\MJW\AppData\Local\Temp\msohtmlclip1\01\clip_image008.png)

​																									图2.1 文件夹分布

Images文件夹下需要图片和标签，而labels只需要标签即可

![输入图片说明](https://images.gitee.com/uploads/images/2021/0831/233037_36d7723b_7953539.png "clip_image009.png")
![输入图片说明](https://images.gitee.com/uploads/images/2021/0831/233004_4e67783d_7953539.png "clip_image010.png")

​														图2.2 images文件夹（左）和labels文件夹（右）文件分布


![输入图片说明](https://images.gitee.com/uploads/images/2021/0831/233048_b4f9a728_7953539.jpeg "clip_image012.jpg")
​																							图2.3 yaml文件内容

如果需要从头训练，则不需要选择“权重路径”，上方按钮选择“从头训练”，反之选择“继续训练”，选择权重文件.pt

“训练工程名称”：设置保存训练结果文件夹名，便于区分不同类型权重。

Epoch数：训练数量，设置100到200即可，需观察训练曲线

Batch大小：越大越好，根据GPU性能决定，通常设置为4，若报错out of memory需减小

图片尺寸：固定640即可


![输入图片说明](https://images.gitee.com/uploads/images/2021/0831/233059_851a2339_7953539.png "clip_image013.png")
​																								图2.4 训练参数设置

训练结束时软件阻塞，无法进行其它操作，可在控制台观察训练进度或者在runs文件夹下查找最新的训练结果，result.png即为训练结果，曲线越平缓训练效果越好，如果已经很平缓可直接关闭界面，提前终止。

训练结果保存在runs下的自命名“训练工程名称”对应的文件夹的weights文件夹内，只需使用last.pt即可

注意：

1.主要是包含了数据类别和数据位置的yaml文件编写易出错，再次强调需要严格按照yaml规范编写

2.即使继续训练也应该把epoch数设置在50以上，训练太少会导致检测的分数太低

![输入图片说明](https://images.gitee.com/uploads/images/2021/0831/233113_bfea04b3_7953539.png "clip_image014.png")
![输入图片说明](https://images.gitee.com/uploads/images/2021/0831/233125_8a248538_7953539.png "clip_image015.png")
​															图2.5 训练结果文件夹以及训练结果


![输入图片说明](https://images.gitee.com/uploads/images/2021/0831/233137_defab359_7953539.jpeg "clip_image017.jpg")
​																										图2.6 训练过程