LabelImg YOLO的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列免費下載的地點或者是各式教學

深度學習影像資料集剪裁及標記方法及其於台灣交通號誌辨識之應用

為了解決LabelImg YOLO的問題，作者林柏翰 這樣論述：

為了提供深度學習架構訓練模型，可能需要與取自於不同管道的影像資料集不同長寬比和解析度的圖片，此時需要花費大量人力和時間，對原始圖片進行剪裁，再對新圖片中的物件進行標記。我們提出一個用於深度學習影像資料集的剪裁和標記方法。針對不同長寬比和解析度圖像的需求，我們所提出的方法能夠計算剪裁範圍所能涵蓋最多標記的最佳標記組合與最佳剪裁區域，因此具有快速剪裁和重新標記影像中物件的能力，並可得到最多的訓練資訊。本論文將以我們所提出的剪裁及標記方法分別應用在比利時交通號誌資料集與我們自己建立的台灣交通號誌資料集的號誌辨識。經由統計發現我們的方法與固定剪裁範圍的對照組相比，我們提出的方法確實能夠在有限的剪裁範

圍保留最多的影像與標記，保留下的訓練影像及標記分別可達到99.9%與90.5%。利用剪裁後的影像資料集經由YOLOv3訓練後並偵測測試資料集，我們的方法相較於對照組在mAP上有24.8%至32.8%的提升；此外，在相同數量的影像資料集中，我們的方法在精確率上也有20.1%至23.3%的提升。以此證明我們的方法所剪裁及標記的影像資料集，對於深度學習架構在訓練模型時，具有訓練品質較好、mAP較佳的優勢。而且對於人力成本，我們的方法能節省許多時間與人工，平均處理一張耗費約0.85秒，相較於人工所花費的時間成本耗費節省了約47倍時間。

基於深度學習模型應用於蝴蝶蘭盆苗病蟲害之分類檢測－多盆苗

為了解決LabelImg YOLO的問題，作者陳廷瑀 這樣論述：

蝴蝶蘭為具觀賞性的蘭科植物之一，由於其花色多樣且美觀，因此在婚喪喜慶的各種場合之中都會出現，也是目前在台灣最常見的蘭花品種。此外，台灣也有著蘭花王國美名，台灣蝴蝶蘭不僅是極具出口經濟價值的花卉產品，也是世界第二大蝴蝶蘭出口國。而相較於其他花卉大國，如荷蘭、以色列等等具有更高級的科學培養技術以及機器設施之國家，為了提高台灣蘭花產業之競爭能力，近幾年來，業者投注很多心力於蘭花育種，目前的培植工作仰賴人工肉眼的挑選，若能透過深度學習之技術，在溫室培植大量盆苗之階段，以機器自動判讀的方式，去輔助人力來進行盆苗病蟲害的偵測挑選，將可提高種植效率，減少人力負擔以及人工挑選出有瑕疵的盆苗之誤判率。為了維持

盆苗生長期間的健康狀態，一般會採人工尋找出有染病或遭受蟲害的盆苗，找出後除了迅速將其移除，但仍需要進行後續處理，如噴灑農藥去解決蟲害的問題，因此種植人員需要每天持續觀察全部盆苗是否有出現任何會影響到蘭花盆苗生長之症狀，此工作量極其龐大，單單一間溫室盆苗數量可能達到數千盆甚至數十萬盆。本研究為了輔助業者的種植，在建置出人工所拍攝之蝴蝶蘭盆苗資料庫後，配合labelImg去進行蘭花盆苗之病症的標記，配合深度學習模型去進行訓練。藉由訓練之模型所決定的權重，去進行病蟲害之檢測，可以輔助其蘭花盆苗之種植，而本研究最後在效能比較的部分，由於主要目的是病蟲害盆苗，因此選擇以準確率以及特異性作為效能參考指標，

實驗結果顯示測試準確度以及特異性分別達到78.5%以及82.16%。