基于YOLOv5的智能人脸标注工具：三种模式实现高效预标注与格式导出

简介面向计算机视觉开发者与数据标注工程师的智能标注工具基于YOLOv5实现人脸检测的自动化标注流程解决人工逐帧框选效率低、标签格式统一难的问题。支持webcam实时采集、批量图片标注与视频帧标注可自定义检测模型并输出PASCAL VOC XML、MS COCO JSON、YOLO TXT等通用标签格式覆盖常见检测任务需求。资源包共59个文件涵盖Python源码、预训练模型、Markdown教程、示例图片及演示视频压缩包整体78.68MB附带清晰的分类目录便于按需检索与二次开发。已有338人学习下载适合具备一定Python与YOLO基础的研究者、算法工程师用于构建人脸数据集或快速验证检测效果。1. 基于YOLOv5的智能人脸标注工具三个模式把我从手动圈框里解放出来先说说结论这套基于YOLOv5的智能人脸数据集标注工具把一份人脸检测数据集从零标注到可训练时间大约能压到原来的三分之一甚至更少。它不只是一个 LabelImg 的替代品而是先用训练好的检测模型做预标注再让用户通过 webcam、图片、视频三种模式去确认和修正。对要自建人脸检测数据集的从业者来说尤其是手头有大量视频帧、需要批量圈框的场景这个工具能把最枯燥的“画框”环节自动化。源码整体清晰主程序加 util 工具包模型可以替换成自己在 YOLOv5 上训练出来的权重导出的标签支持 PASCAL VOC、MS COCO、YOLO TXT 三种格式直接衔接训练流程没有壁垒。不管你是做目标检测训练集还是给监控视频跑批量预标注它都有对应的入口。2. 源码结构与模型选型搞懂这三层你才知道改哪里2.1 主程序与 util 工具箱face_labeling.py 到底做了什么拿到这套工具我习惯先不看 readme而是先把目录结构过一遍。解压后的骨架大概是下面这个样子# 项目根目录 face-labeling/ ├── face_labeling.py # 主程序入口webcam/img/video 三种模式 ├── requirements.txt # Python 依赖列表 ├── models/ # 预训练检测模型 │ ├── widerface-m.pt # WIDERFace 数据集训练的权重 │ └── darkface-m.pt # DarkFace 数据集训练的权重 ├── data/ │ ├── imgs/ # 测试图片目录 │ └── videos/ # 测试视频目录 └── util/ # 工具脚本包 ├── args_yaml.py # 参数与默认配置管理 ├── model_opt.py # 模型加载相关 ├── obj_opt.py # 目标框坐标与类别处理 ├── path_opt.py # 路径处理 ├── voc_xml.py # 导出 PASCAL VOC XML ├── coco_json.py # 导出 MS COCO JSON ├── yolo_txt.py # 导出 YOLO TXT ├── time_format.py # 时间格式工具 └── log.py # 日志输出顶层三个东西最重要face_labeling.py是所有模式的入口models/里两个.pt文件是预训练检测权重util/里的脚本负责导出各种标注格式、管理路径和日志。data/只是测试用的图像和视频目录正式标注时完全可以指向自己的目录。face_labeling.py的主流程并不复杂就是典型的“载入模型→读入数据→推理→显示结果→等待人工确认→保存标注”循环。webcam 模式按下a键捕获当前帧模型在这一帧上跑一次推理画出预测框人工按键盘确认后写入标签q键退出。图片和视频模式则分别遍历目录下的文件把推理结果保存成选定的标签格式。这个流程里最值得注意的一点是人工不是被完全取代而是只做“确认/修正框”的工作这和纯手动标注的体力消耗完全不在一个量级。util目录里每个脚本承担一件事voc_xml.py、coco_json.py、yolo_txt.py分别完成三种数据集的导出model_opt.py负责加载模型权重相关操作args_yaml.py集中管理命令行参数和默认配置obj_opt.py处理目标框的坐标与类别path_opt.py处理路径检测。后面想要换自己的模型主要改动集中在model_opt.py和args_yaml.py这是我几次改权重之后比较明确的经验。另外包里还有CodeCheck.md和v03.md这两份文档前者像代码规范或检查清单后者像版本迭代说明开始改代码前先扫一眼能避免拿旧命令去跑新逻辑。2.2 两个内置权重widerface-m.pt 和 darkface-m.pt 在什么场景用模型选型直接决定预标注的准头。这套工具内置了两个权重文件文件名已经说明了它们的出身widerface-m.pt是在 WIDERFace 数据集上训练的模型darkface-m.pt是在 DarkFace 数据集上训练的模型。两者都是人脸检测方向常用的公开数据集但场景差异很明显。WIDERFace 包含大量日常光照、复杂背景和尺度多变的人脸样本适合白天、室内、摄像头发来的常规视频帧DarkFace 的样本集中在低光照、夜间监控这类场景对暗光人脸的召回明显更好。如果你的素材是监控视频里晚上拍的那种默认用 widerface 权重会漏掉相当一部分暗部的人脸换 darkface 权重会好很多。如果素材比较特殊比如全是俯视角度的无人机画面公开权重大概率表现一般。这套工具本身就允许自定义模型我的习惯是先用自带权重跑一批数据看漏检率再决定是否需要换权重训练。切换模型参数的入口在args_yaml.py里默认权重路径写成模型文件名测试时可以直接在models/目录里改文件名来切换。不过不建议这样做因为 readme 里记录了模型来源直接改名会丢失模型和训练数据之间的对应关系后面排查问题更容易糊涂。2.3 环境准备requirements.txt 和 PyTorch/CUDA 版本对应关系项目携带了requirements.txt安装方式并不特殊。在手头没有可用环境时我一般会用 conda 新建一个干净环境再安装依赖# 创建干净环境并激活 conda create -n yololabel python3.9 -y conda activate yololabel # 安装项目依赖 pip install -r requirements.txt安装结束后单独验证 PyTorch 和 CUDA 是否打通是个更稳的步骤# 打印PyTorch版本并检查CUDA是否可用 python -c import torch; print(torch.__version__, torch.cuda.is_available())我建议单独验证是因为YOLOv5 系代码对 PyTorch 版本比较敏感requirements.txt里的版本号只是一个下限参考。如果本机 CUDA 驱动和 PyTorch 的编译版本不对应经常出现torch.cuda.is_available()返回False模型退到 CPU 推理速度瞬间掉一个数量级。此时不需要改业务代码把 PyTorch 换成与本地 CUDA 驱动匹配的版本即可。显存方面也要提前评估。如果你的显卡只有 4GB 左右跑默认输入尺寸可能中途崩掉。常见做法是把推理尺寸从 640 调低到 320标注场景里漏检的几个框肉眼能看出来人工顺手补上就行整体仍然比纯手动快。这个参数同样在args_yaml.py或启动参数里控制改完不用动模型权重。压缩包里还有yolov5_widerface.md、yolov5_darkface.md、yolov5_pytorch_gpu.md这类配套文档主要是环境配置记录和两个权重的训练说明。第一次使用前我会打开看一眼确认权重对应的输入尺寸和训练数据来源后续如果出现推理结果不理想能少用一些“玄学排查法”。3. 三种标注模式跑通webcam 抓帧、图片批量、视频抽帧的参数与输出3.1 webcam 实时标注a 键抓帧、q 键退出的交互逻辑webcam 模式最简单的启动方式就是不带任何参数# 启动摄像头实时标注 python face_labeling.py脚本默认打开索引为 0 的摄像头。实时画面的意思是模型在每一帧上持续推理画面里会实时绘制出人脸框。按a键把当前帧保存下来同时把这一帧的检测结果写入标注文件按q键退出程序。这里的“标注”不是手动画框而是在实时画面里捕获帧让模型预标注再对结果做确认。实际使用中我觉得这个模式最适合快速收集个人照片或工位摄像头素材比如为一个小型人脸识别项目攒几十张带标注的图片。需要注意的坑是笔记本内置摄像头和 USB 摄像头并存时默认的0不一定是物理摄像头。如果程序打开的是黑屏或者错误画面先检查系统相机应用里设备编号再改脚本中访问摄像头的设备号参数。另外webcam 模式下按a抓帧是人工触发所以画面里没人脸的时候不要急着按等目标进入画面合适位置再操作。这样产出的帧质量更高后续人工确认的工作量也小。3.2 图片模式单张预标注到批量目录图片模式适用于已经整理好的图片文件夹启动命令是# 使用默认图片目录 data/imgs python face_labeling.py -m img默认扫描data/imgs目录想标注自己的目录用-imd指定# 指定自己的图片目录 python face_labeling.py -m img -imd ./img_dir-m是模式开关取img表示图片模式-imd接收输入目录。支持的图片格式是jpg | jpeg | png | bmp | tif | webp目录下不符合这些后缀的文件会被跳过。这种批量遍历行为很适合处理“从视频里抽出来的一堆帧”或者“从手机相册导出的照片集”。在这个模式里我会先把输出目录建好再把待标图片分类放进去正样本也就是有人脸的图和负样本没人脸但容易误检的图分开处理。这样在确认框时不用反复切换思路导出后的训练数据也更干净。批量处理前先拿三五张图跑一遍确认模型推理和人脸框都正常再全量跑是一个能省很多返工时间的习惯。3.3 视频模式批量 mp4 抽帧与标注视频模式对监控录像、采访视频这类长素材比较友好# 使用默认视频目录 data/videos python face_labeling.py -m video # 指定自己的视频目录 python face_labeling.py -m video -vd ./video_dir-vd指定视频目录默认读data/videos支持的视频格式明确写了mp4。程序会在拆帧、推理、标注之间循环把视频中的有效人脸帧提取出来同时生成这一帧的标注。用它处理批量视频时注意两点第一-vd指向的目录里最好只放视频文件避免程序读到非视频文件后打印一堆报错信息干扰判断第二长视频会产出大量高度相似的帧如果后续要拿去训练模型最好在标注后做一次帧去重否则数据集中重复样本太多训练出来的模型会偏向重复出现的场景。视频模式还有一个实际的坑如果视频分辨率是 4K直接把原帧送进检测器会明显变慢显存占用也高。常见做法是先抽帧到 1080P 再标注也就是在-vd前用 ffmpeg 做一次统一的尺寸缩放速度能提上来标注框精度不会受影响。另外10 分钟 1080P 视频按 30fps 算就是 18000 帧即便没人脸的有效帧也会占满磁盘。视频标注前先确认工具的抽帧间隔参数别让无效帧把磁盘撑爆。3.4 参数入口与自定义模型args_yaml.py 里的默认配置util/args_yaml.py负责集中管理命令行参数包括-m、-imd、-vd以及模型权重路径、推理尺寸、置信度阈值这些和检测质量直接相关的配置。实际工作中我更倾向于直接修改这个文件里的默认值而不是每次启动都敲一长串参数。如果你是自己训练好的 YOLOv5 权重替换流程一般是把权重文件放到models/目录然后在args_yaml.py里把检测权重路径指向新文件最后用小批量图片验证一下导出结果。这里的难点不是替换本身而是确认新模型的类别编号和你要导出的标签格式一致。尤其是类别数量变化后COCO JSON 里的category_id、YOLO TXT 里的第一列都会受影响必须在导出前对齐。标签文件默认输出在图片或视频同级目录或者由args_yaml.py指定的输出目录控制开始标注前先确认这个路径避免标完一批找不到文件。4. 三种标签格式导出VOC XML、COCO JSON、YOLO TXT 的转换与对应4.1 三种坐标体系差异先看懂再动手标注工具最终产出的是文本标签但三种格式的坐标体系完全不同。下面这个表我每次切换训练框架时都会再核对一遍格式坐标基准典型内容量纲YOLO TXT归一化类别id x_center y_center width height0~1PASCAL VOC XML绝对像素xmin ymin xmax ymax像素MS COCO JSON绝对像素x y width height像素YOLO TXT 是训练 YOLOv5 最直接的标签格式坐标除以图片宽高后落在一个 0 到 1 之间的相对坐标系里VOC 和 COCO 都是像素坐标。如果把 YOLO TXT 直接丢给 COCO 训练的框架检测框会全部变成图片左上角那一条细线。这类问题最隐蔽因为程序不报错但训练出来的模型完全废掉。4.2 YOLO TXT一行为一个目标的归一化坐标util/yolo_txt.py负责把检测结果写成 YOLO 格式。每一行对应一个目标0 0.501953 0.481481 0.156250 0.324074第一个数字是类别编号人脸检测通常就是 0后面依次是中心点 x、中心点 y、框宽、框高全部是归一化数值。生成这种文件后我习惯用下面的命令抽查一下内容# 查看一个YOLO格式标注文件的具体内容 cat data/imgs/sample.txt顺带讲一下坐标换算方便排查问题。YOLO 归一化坐标转像素坐标的逻辑可以简写成这样# 将YOLO归一化坐标转成绝对像素坐标 img_w, img_h 1920, 1080 # 原图宽高 x_center, y_center, w, h 0.501953, 0.481481, 0.156250, 0.324074 x_min int((x_center - w / 2) * img_w) y_min int((y_center - h / 2) * img_h) x_max int((x_center w / 2) * img_w) y_max int((y_center h / 2) * img_h) print(x_min, y_min, x_max, y_max)这里的关键是宽度和高度在 YOLO 格式里同样是归一化后的相对值计算绝对坐标时必须把中心点加减半宽半高再乘图像尺寸而不是直接用像素宽高去乘。很多格式转换脚本的 bug 都出在这一步需要留意。4.3 PASCAL VOC XML树形结构与 bndboxVOC 格式是 XMLutil/voc_xml.py会生成类似下面的结构annotation folderJPEGImages/folder filename000001.jpg/filename size width1920/width height1080/height depth3/depth /size object nameface/name bndbox xmin386/xmin ymin194/ymin xmax686/xmax ymax544/ymax /bndbox /object /annotation注意bndbox里的四个坐标是绝对像素值且遵循左上右下原则。VOC 格式本身不限制同一张图片里目标对象的数量可以有多个object节点。和 YOLO TXT 相比VOC XML 不需要做归一化所以目视检查时更直接缺点是文件体积大、解析速度慢。在训练环节VOC 格式一般要配合class_names列表使用检测程序通过name字段把类别名称映射成数字编号。如果训练代码里类别顺序和标注文件里的顺序不一致模型学到的类别就会错位这属于配置错误而不是标注错误排查时要先看类别列表。4.4 MS COCO JSONannotations 数组与 category_idCOCO 格式是一个大 JSON 文件适合目标检测、实例分割共用的训练管线。util/coco_json.py输出的内容大致有三个顶层字段images、annotations、categories。images记录文件名和尺寸annotations里每条记录对应一个检测框包含image_id、bbox、area、category_id等字段。验证生成好的 JSON 有没有语法问题用 Python 自带命令就行# 校验COCO JSON的合法性并查看前50行内容 python -m json.tool coco_annotations.json | head -50如果程序报缺少逗号、括号不匹配之类的错误说明 JSON 序列化环节出了问题多数情况是图片元数据缺失导致某个字段变成了空值。COCO 格式里最容易漏的一个字段是area不少训练框架加载时不会主动检查但跑评估阶段会报错所以生成后最好抽查几条记录确认area和bbox是同一组坐标计算出来的。4.5 三类格式和训练工程的衔接我的通用建议是一个人脸检测项目里原始标注只保留一份作为“主格式”。如果训练框架是 YOLOv5就把主格式定为 YOLO TXT如果用 Detectron2 或 MMDetection就定为 COCO JSON。其他格式在需要时用 util 里的脚本转换而不是手工维护几个副本。格式转换本身不难难的是转换过程中坐标精度的丢失以及类别编号重新映射时的错位。这里还想强调一点工具虽然能导出三种格式但每张图片对应的标签文件名必须和图片名一致。YOLO 训练时images/000001.jpg会自动去找labels/000001.txt文件名对不上训练会报大量找不到标签的警告这种问题在数据量大了以后非常难排查。所以标注完第一件事就是检查文件名是否一一对应。可以用一个简单的 shell 循环快速核对# 列出images目录下存在但labels目录中缺失对应txt的图片 for img in images/*.jpg; do base$(basename $img .jpg) [ -f labels/${base}.txt ] || echo 缺少标签: $img done5. 避坑指南五类典型问题的现象、原因与解决5.1 依赖装完还是报找不到模块现象执行python face_labeling.py提示ModuleNotFoundError明明已经pip install -r requirements.txt装过依赖。原因conda 环境没激活、多个 Python 环境并存pip 装到了另一个解释器下或者依赖版本太新函数接口对不上 YOLOv5 代码的调用方式。解决先用which python和pip list确认当前解释器路径再重装一次依赖。如果pip list里能看到包但程序还是找不到多半是当前 shell 激活的环境和 pip 安装的环境不是一个。YOLOv5 这类项目对依赖版本比较敏感尤其是 torch、numpy、opencv-python 这三个最好锁到和代码配套的版本。这种现象和环境耦合很紧每次都值得先查解释器再查版本。5.2 显存不够导致推理中断现象视频模式下跑几分钟程序报CUDA out of memory然后进程直接退出已经标注的帧也丢了。原因推理尺寸太大或者视频帧没有缩放直接送进模型长视频持续运行还会累积显存碎片。解决把args_yaml.py里的推理尺寸从 640 降到 320显存占用大概是原来的四分之一视频先统一缩放到 1080P 再标注。如果显卡只有 2GB直接切 CPU 推理反而比反复崩掉更省时间因为 320 分辨率下 CPU 推理的速度还可以接受。确认显存状况可以看nvidia-smi的占用如果其他进程占了显存优先关掉不必要的程序。5.3 模型加载时提示权重不兼容现象加载自己训练的best.pt时提示Missing keys或Unexpected keys有时直接加载失败。原因权重文件是用不同版本的 YOLOv5 保存的模型结构定义和权重键名不匹配或者换了别人改过的网络结构骨干网络层数对不上。解决先看报错里的键名差异缺的多半是新加的网络层。确认自己替换的权重和代码库版本一致最简单的办法是先用同一套 YOLOv5 代码重新导出权重再替换。项目自带的两个-m.pt文件是在当前代码结构下验证过的如果只是训练数据不同重新用配套代码导出一次权重就好。5.4 导出标签后坐标偏移现象标注文件打开后框的位置和图片内容对不上整体偏左或偏上或者框比人脸大一圈。原因图片被预处理resize、letterbox后坐标没有映射回原图尺寸或者 YOLO 格式和 VOC/COCO 格式转换时中心点加减宽高算错。解决先看原始图片实际宽高和标签里保存的size是否一致如果不一致说明预处理映射出了问题。再用第 4.2 节的换算脚本抽查几个框把标签坐标转成像素坐标叠加到原图上看看偏移方向。常见做法是把“原图尺寸”作为全局配置固定住所有格式转换都基于同一组宽高而不是每次从文件名里猜。5.5 视频模式反复输出同一个人的重复帧现象视频里同一张脸被连续标注了几十次数据集变得特别冗余训练时模型对某个固定场景过拟合。原因视频帧率高检测器每帧都推理同一段画面被重复取样。人脸在画面里停 3 秒按 30fps 就会产生 90 个几乎一样的标注样本。解决标注完成后用帧去重清洗一遍。最简单的方式是按文件内容做 MD5 比较内容完全相同的帧只保留一份# 对帧文件做MD5排序找出内容完全相同的重复帧 md5sum frames/*.jpg | sort | uniq -w32 -d更省事的做法是在视频处理时按间隔抽帧比如每 10 帧取 1 帧再送进标注工具。间隔数值取决于视频里人脸移动的速度移动快就取密一点移动慢就取疏一点。还有一个底层逻辑如果同一个人的正脸和侧脸都被反复标注模型学到的是“这个人长什么样”而不是“人脸长什么样”清洗数据时要刻意保留不同角度、不同姿态的帧而不是连续时间戳的帧。6. 进阶用这套标注数据微调自己的YOLOv5人脸模型标注工具只是第一步真正让人脸检测器适配自己业务场景的是用这批带标注数据去做一次小规模微调。我自己走通的路径是这样的先把工具导出的图片和标签整理成 YOLOv5 约定的目录结构# 建立YOLOv5训练数据目录图片和标签严格同名 dataset/ ├── images/ │ ├── train/ │ └── val/ └── labels/ ├── train/ └── val/图片和同名标签按 8:2 左右划分训练集和验证集注意同名images/train/000001.jpg必须有labels/train/000001.txt对应。随后用公开权重做起点先跑大约 50 轮验证数据读取和 Loss 下降是否正常确认正常后再继续训练。再有一个验证技巧把训练好的模型拿出来跑一段工具没见过的视频不仅看 mAP 指标直接看框有没有贴住人脸。如果发现某个场景漏检严重就把这类困难样本挑出来用这个工具补标后加到训练集里。这个“标注→训练→挑错→再标注”的循环才是这套工具真正的价值所在。我对微调的几个判断供参考学习率不要直接抄 YOLOv5 默认值人脸检测微调通常从 0.001 级别开始配合余弦退火或固定步长都行训练轮次以 Loss 不再下降为准小数据量往往 50 轮就到头了再多容易过拟合。另一个细节是置信度阈值默认 0.25 可能让低置信度误检框混进标注里导出前把阈值调到 0.5 左右数据质量会好很多。这个参数同样可以在args_yaml.py里调不需要改代码。以前我拿到人脸数据第一反应就是打开 LabelImg 手动画框画到后面眼睛都是花的。现在我会让工具先跑预标注人工只做确认和补框。从那以后我每次拿到新的标注工具都会先做三件事跑通三张图的预标注、抽查一张标签文件、确认 YOLO 和 VOC/COCO 的坐标映射再决定是否全量标注。这个流程帮我避开了不少格式错位的暗坑希望帮到你。本文还有配套的精品资源点击获取