利用python爬取特定类别图片---labelimg制作自己的目标检测数据集

Posted 2021-02-28 victorywr

最近一直在学习神经网络，一方面是课题需要，另一方面是因为机器学习已经逐渐成为社会的潮流，各行各业都可以见到神经网络的应用，不学习一下都觉得自己落伍了。趁着这段时间没办法开学，好好学习了一些神经网络的基础内容，也试着把神经网络运用到自己的课题中来，今天在试验SSD目标检测网络的时候，发现要制作自己的训练集首先需要有训练的图片，可是一张一张找实在麻烦，找到了，逐个保存，最好还要改成统一的名称。百度找图找了几张，放弃了。。。几百张下去可能眼睛瞎了。

如果可以有一个程序自动找到我要的图片类型，还可以顺便修改统一名称保存到一个目录就好了。。。

又开始了百度：如何爬取网页里的图片？  毕竟对网页代码不熟悉，只能求助于百度了（面向百度编程呀。。。）

 大概原理分析：

1、首先打开chorm浏览器，进入百度搜索  “自己要搜的图片”，按下F12，进入开发者模式，就会看到如下所示，右边就是网页代码（看不懂没关系，我也不懂）

 

2、点击右侧的Network，鼠标滚轮在左边图片区域往下滑两下（图片是动态加载出来的，不滑两下Network下看不到东西）

点击XHR，在Name区域选择一个acjson?.......双击，就会出现右下角的小框，选择Headers，鼠标往下滑，找到Querry String Paramters。

 

 

Querry String Paramters表示什么呢，主要是发现这里有一个参数querryWord:工业指针式仪表 --------是的这就是我的查询关键字

 　　其中的 word  指的是搜索关键字， pn 指的是第几页图片，  rn 值得是每页有30张图片，那程序的目的就是对百度图片网址+这一系列参数进行解析

百度图片搜索的url为  https://image.baidu.com/search/acjson

将Querry String Paramters里面的搜索关键字设置为可改变的参数。如上图所示，设置为keyword

得到网址解析后的数据后就可以对其中的图片进行下载保存了参考https://www.jianshu.com/p/46287bd8559b  

 

　　利用request.get()对网页进行请求访问，再调用json()方法进行解析，实现对图片的爬取保存，总体代码如下：

要记得在python中安装requests module ：pip install requests 即可

 

import requests
import os
def getManyPages(keyword, pages):
    params = []
    for i in range(30, 30 * pages + 30, 30):
        params.append({
            \'tn\': \'resultjson_com\',
            \'ipn\': \'rj\',
            \'ct\': 201326592,
            \'is\': \'\',
            \'fp\': \'result\',
            \'queryWord\': keyword,
            \'cl\': 2,
            \'lm\': -1,
            \'ie\': \'utf-8\',
            \'oe\': \'utf-8\',
            \'adpicid\': \'\',
            \'st\': -1,
            \'z\': \'\',
            \'ic\': 0,
            \'word\': keyword,
            \'s\': \'\',
            \'se\': \'\',
            \'tab\': \'\',
            \'width\': \'\',
            \'height\': \'\',
            \'face\': 0,
            \'istype\': 2,
            \'qc\': \'\',
            \'nc\': 1,
            \'fr\': \'\',
            \'pn\': i,
            \'rn\': 30,
            \'gsm\': \'1e\',
            \'1488942260214\': \'\'
        })
    url = \'https://image.baidu.com/search/acjson\'
    urls = []
    for i in params:
        urls.append(requests.get(url, params=i).json().get(\'data\'))
    return urls


def getImg(dataList, localPath):
    if not os.path.exists(localPath):  # 新建文件夹
        os.mkdir(localPath)
    x = 0

    for list in dataList:

        for i in list:

            if i.get(\'thumbURL\') != None:

                print(\'正在下载中：%s\' % i.get(\'thumbURL\'))

                ir = requests.get(i.get(\'thumbURL\'))

                open(localPath + \'%d.jpg\' % x, \'wb\').write(ir.content)

                x += 1

            else:
                print(\'该图片链接不存在\')

if __name__ == \'__main__\':
    dataList = getManyPages(\'工业指针式仪表\', 2)  # 参数1:关键字，参数2:要下载的页数

    getImg(dataList, \'data/yibiao/\')  # 参数2:指定保存的路径

 

运行结果：

 

 

 保存到本地文件夹的图片：

 

爬取到图片后人工对图片进行适当的筛选，删掉部分不符和要求的图片，就可以利用Labelimg进行图片的标注了

首先确定安装有labelimg  安装方式也简单： 打开python终端运行  pip install labelImg 即可

安装后在python终端下输入labelimg运行即可，因为我使用的是anaconda3的python开发环境，因此打开的是anaconda prompt

   运行后就会出现运行界面

 

 

 

 点击open dir 选择到自己下载的图片的路径

 

 

 

 选择Changes Save Dir ：新建一个Annotations文件夹专门用来存放标签数据

 

 

 

点击creat/nRectBox 或者直接快捷键w 可以标注图片，框选目标最小区域，保存为对应的类别如cat，保存xmlz标注文件（在Annotations里面），点击切换到下一张继续标注。希望快一点的可以设置view下的自动保存，用快捷键 A和D实现上一张、下一张的切换。

 

 

 

 

 

 

 标注是没有办法偷懒的，只能一张一张进行标注，几个小时标注是很正常的哈，如果一张图片里有多个目标物，就多次创建标注框即可

保存的标注文件：

 

 打开一个看一看：

yibiao是类别名称

有文件路径，文件名，图片的尺寸大小，目标框的边框点坐标bndBox等信息

<annotation>
	<folder>yibiao</folder>
	<filename>1.jpg</filename>
	<path>E:\\CV\\qianyixuexi\\ssd-keras-master\\data\\yibiao\\1.jpg</path>
	<source>
		<database>Unknown</database>
	</source>
	<size>
		<width>286</width>
		<height>285</height>
		<depth>3</depth>
	</size>
	<segmented>0</segmented>
	<object>
		<name>class1</name>
		<pose>Unspecified</pose>
		<truncated>0</truncated>
		<difficult>0</difficult>
		<bndbox>
			<xmin>5</xmin>
			<ymin>3</ymin>
			<xmax>283</xmax>
			<ymax>279</ymax>
		</bndbox>
	</object>
</annotation>