已經跟呼吸一樣重要的網路和手機論文書籍站
labelImg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
labelImg的問題，我們搜遍了碩博士論文和台灣出版的書籍，推薦莊建寫的 深度學習圖像識別技術 可以從中找到所需的評價。
另外網站labelimg(图像标注工具) - 安下载也說明：labelimg 是一款专业的图像标注工具，它可以为所有开发人员提供一个可以自定义创建数据集的平台，用户可以根据自己的需要进行编辑，创建完成后的文件会 ...
國立聯合大學 電子工程學系碩士班 陳漢臣所指導 林柏翰的 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 （2021），提出labelImg關鍵因素是什麼，來自於深度學習、影像剪裁與標記、YOLO、物件偵測、影像辨識。
而第二篇論文國立嘉義大學 資訊工程學系研究所 柯建全所指導 陳廷瑀的 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 （2021），提出因為有 蝴蝶蘭盆苗、多盆苗、深度學習、疾病檢測、害蟲檢測、病徵分類、yoloV4的重點而找出了 labelImg的解答。
最後網站【文章推薦】使用labelImg標注數據的方法- 碼上快樂則補充：矩形標注工具：labelimg 多邊形標准工具：labelme 前者官網發布了可執行文件，后者只有python源碼，如果需要編譯windows exe，可以這樣： pip install labelme 然后運行 ...
深度學習圖像識別技術
為了解決labelImg 的問題，作者莊建 這樣論述：
首先講述了人工智慧、深度學習、卷積神經網路、目標檢測以及遷移學習的概念，接著詳述了如何基於Tensor Flow Object Detection API框架從零開始搭建深度學習目標檢測應用的開發環境，如何訓練自己的目標檢測模型，然後詳述了如何基於Open VINO工具套件優化模型、部署模型以及用C++和Python開發使用者應用程式。然後通過工業光學字元自動識別、垃圾瓶自動分選、農作物病害自動識別和工業產品外觀缺陷檢測4個完整的深度學習目標檢測工程案例來説明讀者加深深度學習圖形檢測的認識和理解。 《深度學習圖像識別技術：基於Tensor Flow Object Detection API和
Open VINO工具套件》適合從事AI行業相關技術的工程師閱讀，也適合打算進入AI行業的大中專院校的學生學習參考。 1. 莊建 莊建，中國科學院高能物理研究所研究員，核探測與核電子國家重點實驗室成員。參與了北京自由電子鐳射、北京正負電子對撞機、中國散裂中子源等多項大科學裝置的建設。現在主要從事大科學裝置的實驗控制及資料獲取方面的研究。 2. 張晶 張晶，浙江大學碩士，廣東榮旭智慧技術有限公司研發總監，聯合創始人；具有13年機器視覺系統開發經驗，負責深度學習外觀檢測演算法的研發；LabVIEW註冊構架師、Python程式師、英特爾物聯網創新大使、TensorFlo
w User Group東莞站組織者。 3. 許鈺雯 許鈺雯，女，現為中國科學院大學高能物理研究所電子與通信工程專業碩士研究生，主攻方向為軟體工程及深度學習應用 序 前言 第1章 人工智慧、深度學習與目標檢測 1.1 人工智慧簡介 1.1.1 什麼是人工智慧 1.1.2 人工智慧發展簡史 1.1.3 人工智慧與深度學習的關係 1.2 深度學習簡介 1.2.1 神經網路 1.2.2 神經元 1.2.3 深度神經網路 1.2.4 深度卷積神經網路 1.3 目標檢測 1.3.1 目標檢測演算法發展簡史 1.3.2 深度學習目標檢測演算法 1.4 遷移學習簡介 1.4.1
訓練深度學習模型依賴大資料 1.4.2 大資料造成的問題 1.4.3 遷移學習 1.4.4 TensorFlow預訓練模型庫 1.5 本章小結 第2章 搭建深度學習開發環境 2.1 深度學習訓練所需的硬體 2.1.1 英偉達顯卡選型 2.1.2 英偉達顯卡驅動安裝 2.1.3 測試驅動程式安裝 2.1.4 設置英特爾?集成顯卡為系統主顯示輸出 2.1.5 幻影峽谷：可擕式AI訓練“伺服器” 2.2 深度學習開發環境所需的軟體 2.3 安裝Python和Anaconda 2.3.1 Python和Anaconda簡介 2.3.2 下載並安裝Anaconda 2.3.3 測試Anaconda安
裝 2.3.4 配置Anaconda套裝軟體下載伺服器 2.3.5 配置虛擬環境tf_gpu 2.3.6 Anaconda的進階學習 2.4 安裝Visual Studio Code 2.4.1 Visual Studio Code簡介 2.4.2 安裝 2.4.3 在Visual Studio Code中編輯Python代碼 2.4.4 在Visual Studio Code中運行Python代碼 2.4.5 在Visual Studio Code中調試Python代碼 2.4.6 在Visual Studio Code安裝Pylint 2.4.7 在Visual Studio Code中一
鍵美化Python代碼 2.5 安裝TensorFlow 2.5.1 TensorFlow簡介 2.5.2 下載並安裝 2.5.3 測試安裝 2.5.4 pip install 與 conda install 2.6 安裝Git工具 2.6.1 Git簡介 2.6.2 下載並安裝 2.6.3 測試安裝 2.7 安裝TensorFlow Object Detection API框架 2.7.1 TensorFlow Object Detection API簡介 2.7.2 下載並安裝 2.7.3 安裝依賴的python套裝軟體 2.7.4 配置環境變數 2.7.5 安裝COCO API 2.7.
6 編譯proto檔 2.7.7 測試安裝 2.8 安裝LabelImg 2.8.1 LabelImg簡介 2.8.2 下載並安裝 2.8.3 測試安裝 2.9 本章小結 第3章 訓練模型 3.1 TensorFlow Object Detection API軟體框架簡介 3.2 使用TensorFlow預訓練模型 3.2.1 如何選擇預訓練模型 3.2.2 預訓練模型的檔構成 3.2.3 一個典型的深度學習訓練流程 3.3 準備圖片：下載貓狗資料集 3.3.1 Kaggle資料集下載流程 3.3.2 訓練圖片的數量問題 3.3.3 訓練圖片的樣本不平衡問題 3.4 使用LabelImg標注
圖片 3.4.1 LabelImg簡介 3.4.2 建立貓狗專案檔案夾結構 3.4.3 標注圖片 3.4.4 標注文件（*.xml）簡介 3.4.5 複製10%的資料到eval資料夾 3.4.6 複製資料到test資料夾 3.5 依據標注類型創建標籤映射文件 3.6 創建TensorFlow TFRecord文件 3.6.1 將*.xml檔轉換為*.csv文件 3.6.2 將*.csv檔轉換為*.tfrecord文件 3.7 修改預訓練模型的設定檔 3.7.1 預訓練模型的設定檔 3.7.2 設定檔的結構 3.7.3 修改ssd_inception_v2_coco.config設定檔 3.8
訓練模型 3.9 使用TensorBoard觀察訓練過程 3.9.1 什麼是TensorBoard 3.9.2 TensorBoard的使用方法 3.10 評估訓練好的模型 3.11 匯出訓練好模型的凍結圖 3.11.1 檢查點檔 3.11.2 凍結TensorFlow模型 3.12 用訓練好的凍結圖模型做目標檢測 3.13 用Python程式一鍵訓練模型 3.13.1 為新專案一鍵創建資料夾結構 3.13.2 一鍵訓練模型 3.14 本章小結 第4章 優化並部署模型 4.1 OpenVINO工具套件簡介 4.2 OpenVINO典型開發流程 4.3 安裝OpenVINO工具套件 4.3.1
版本選擇 4.3.2 系統要求 4.3.3 下載並安裝OpenVINO工具套件 4.4 安裝Cmake 4.5 安裝Microsoft Visual Studio 2017 4.6 安裝硬體驅動 4.6.1 英特爾顯卡驅動 4.6.2 英特爾神經計算棒二代驅動 4.6.3 英特爾視覺計算加速卡驅動 4.7 設置環境變數 4.8 運行演示程式 4.8.1 demo_benchmark_app.bat 4.8.2 demo_security_barrier_camera.bat 4.8.3 demo_squeezenet_download_convert_run.bat 4.9 編譯並運行Inf
erence Engine範例和演示程式 4.9.1 編譯samples資料夾中的範例 4.9.2 編譯demos資料夾中的範例 4.9.3 從Open Model Zoo中下載預訓練模型 4.9.4 下載英特爾?範例視頻 4.9.5 運行預訓練模型 4.10 使用Model Optimizer優化模型 4.10.1 轉換TensorFlow* Object Detection API模型 4.10.2 用OpenVINO工具套件範例程式測試IR模型 4.10.3 用OpenVINO工具套件演示程式測試IR模型 4.11 編寫OpenVINO應用程式 4.11.1 Inference Engi
ne簡介 4.11.2 Inference Engine Plugin構架 4.11.3 Inference Engine應用程式典型開發流程 4.11.4 查看模型的輸入和輸出張量 4.12 OpenVINO AI推理計算C++範例 4.12.1 設置環境變數和Visual Studio專案屬性 4.12.2 開發AI推理計算C++應用程式 4.12.3 切換AI推理計算硬體 4.13 OpenVINO AI推理計算Python範例 4.13.1 設置環境變數PYTHONPATH 4.13.2 開發AI推理計算Python應用程式（OpenCV版） 4.13.3 開發AI推理計算Python
應用程式（OpenVINOTM版） 4.13.4 AI推理計算用Python還是C++？ 4.14 本章小結 第5章 進一步提升AI推理計算性能 5.1 性能評價指標 5.2 同步和非同步模式 5.2.1 同步模式範例 5.2.2 非同步模式範例 5.3 多設備和異構外掛程式 5.3.1 異構外掛程式 5.3.2 多設備外掛程式 5.4 本章小結 第6章 工業領域光學字元辨識範例 6.1 專案背景 6.2 新建OCR專案工程資料夾 6.3 收集並標注圖片 6.4 訓練模型 6.5 匯出TensorFlow凍結圖模型 6.6 測試模型 6.7 基於OpenVINO工具套件優化並加速模型 6.
8 基於OpenVINO工具套件部署模型 6.9 本章小結 第7章 垃圾瓶自動分選專案範例 7.1 專案背景 7.2 新建垃圾瓶分類專案工程資料夾 7.3 收集並標注圖片 7.4 訓練模型 7.5 匯出TensorFlow凍結圖模型 7.6 測試模型 7.7 基於OpenVINO工具套件優化並加速模型 7.8 基於OpenVINO工具套件部署模型 7.9 本章小結 第8章 農作物病蟲害自動識別專案範例 8.1 專案背景 8.2 新建農作物病蟲害自動識別專案工程資料夾 8.3 收集並標注圖片 8.4 訓練模型 8.5 匯出TensorFlow凍結圖模型 8.6 測試模型 8.7 基於Open
VINO工具套件優化並加速模型 8.8 基於OpenVINO工具套件部署模型 8.9 本章小結 第9章 深度學習外觀缺陷檢測專案範例 9.1 專案背景 9.2 新建外觀缺陷檢測專案工程資料夾 9.3 收集並標注圖片 9.4 訓練模型 9.5 匯出TensorFlow凍結圖模型 9.6 測試模型 9.7 基於OpenVINO工具套件優化並加速模型 9.8 基於OpenVINO工具套件部署模型 9.9 本章小結 參考文獻
labelImg進入發燒排行的影片
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 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 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%。