利用python爬取特定类别图片—labelimg制作自己的目标检测数据集

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:CVqianyixuexissd-keras-masterdatayibiao1.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>