LabelImg图像标注工具安装与使用指南

LabelImg图像标注Anaconda

于 2026-08-03 06:53:39 修改

·本内容遵循CC 4.0 BY-SA版权协议

1. 项目概述

作为一名长期从事计算机视觉开发的工程师，我经常需要处理图像标注工作。LabelImg作为一款开源的图像标注工具，因其简单易用而广受欢迎。但在实际使用中，很多新手会遇到环境配置问题，特别是当系统盘空间不足时，如何将环境安装到其他盘符就成了一个常见需求。

今天我要分享的是如何在E盘通过Anaconda创建虚拟环境并安装LabelImg标注工具。这个方法特别适合：

C盘空间紧张的用户
需要隔离不同项目环境的开发者
想要尝试图像标注的新手

提示：整个过程不需要管理员权限，所有操作都在用户目录下完成，安全可靠。

2. 环境准备与Anaconda安装

2.1 Anaconda的安装位置选择

首先需要下载Anaconda安装包。建议从官网或清华镜像站获取最新版本。安装时最关键的一步是选择安装路径：

运行安装程序后，在"Installation Type"页面选择"Just Me"
在"Choose Install Location"页面，将默认的C盘路径改为E盘，例如：E:\Anaconda3
勾选"Add Anaconda to my PATH environment variable"（虽然官方不推荐，但对后续操作更方便）
完成安装

注意：如果安装后conda命令不可用，需要手动添加环境变量。将以下路径加入系统PATH：

E:\Anaconda3

E:\Anaconda3\Scripts

E:\Anaconda3\Library\bin

2.2 验证安装

打开命令提示符（cmd）或PowerShell，执行以下命令验证安装是否成功：

BASH

conda --version

python --version

如果能看到版本号输出，说明安装正确。

3. 创建虚拟环境

3.1 为什么需要虚拟环境

虚拟环境可以隔离不同项目的依赖关系，避免包冲突。对于LabelImg这样的工具，单独创建环境是个好习惯，因为：

它依赖特定版本的PyQt
不会影响其他Python项目
可以随时删除而不影响系统

3.2 在E盘创建环境

默认情况下，conda会在Anaconda安装目录下创建环境。我们需要修改配置，让新环境创建在E盘：

首先查看当前conda配置：

BASH

conda config --show

BASH

conda config --add envs_dirs E:\Anaconda3\envs

创建一个名为labelimg的Python 3.7环境（LabelImg对3.7兼容性最好）：

BASH

conda create -n labelimg python=3.7

激活环境：

BASH

conda activate labelimg

常见问题：如果激活失败，可能是权限问题。尝试以管理员身份运行命令行工具。

4. 安装LabelImg

4.1 通过pip安装

在激活的labelimg环境中，执行以下命令：

BASH

pip install labelImg

这个命令会自动安装LabelImg及其所有依赖，包括PyQt5。

4.2 验证安装

安装完成后，可以通过以下命令启动LabelImg：

BASH

labelImg

如果一切正常，应该能看到LabelImg的图形界面弹出。

4.3 常见安装问题解决

问题1：PyQt5安装失败 解决方案：先单独安装PyQt5

BASH

pip install pyqt5

问题2：提示缺少lxml 解决方案：

BASH

conda install lxml

问题3：启动时闪退 这通常是因为PyQt版本冲突。可以尝试：

BASH

pip uninstall pyqt5

pip install pyqt5==5.15.4

5. LabelImg的基本使用

5.1 界面介绍

LabelImg的界面主要分为：

菜单栏：文件操作、设置等
工具栏：标注工具（矩形框、多边形等）
图像显示区：显示待标注图像
文件列表区：显示当前目录下的图像文件
标注列表区：显示当前图像的标注信息

5.2 创建标注项目

TEXT

E:\MyLabelingProject

├── images/ # 存放待标注图像

├── annotations/ # 存放标注文件

└── classes.txt # 定义标注类别

编辑classes.txt，每行一个类别名称，例如：

TEXT

person

car

dog

在LabelImg中：

点击"Open Dir"选择images目录
点击"Change Save Dir"选择annotations目录
点击"Open"加载classes.txt

5.3 标注流程

使用"Create RectBox"工具绘制边界框
在弹出的对话框中输入类别
使用"Save"保存标注（生成PASCAL VOC格式的XML文件）
使用"Next Image"切换到下一张图像

技巧：使用快捷键提高效率：

W：创建边界框

A：上一张图像

D：下一张图像

Ctrl+S：保存

6. 高级配置与优化

6.1 自定义快捷键

LabelImg支持快捷键自定义。编辑~/.labelImgSettings.pkl文件（需要先运行一次LabelImg生成），可以修改以下内容：

PYTHON

{

'create_mode': 'rectangle', # 默认创建模式

'default_save_dir': None, # 默认保存目录

'last_open_dir': None, # 最后打开的目录

'auto_save': False, # 是否自动保存

'single_cls_mode': False, # 是否单类别模式

'display_label': True, # 是否显示标签

'hotkeys': { # 快捷键设置

'create_rectbox': 'w',

'delete_rectbox': 'Delete',

'copy_rectbox': 'Ctrl+C',

'paste_rectbox': 'Ctrl+V'

}

6.2 批量处理脚本

可以编写Python脚本批量处理标注结果。例如统计各类别数量：

PYTHON

import os

import xml.etree.ElementTree as ET

def count_labels(annotations_dir):

counts = {}

for filename in os.listdir(annotations_dir):

if filename.endswith('.xml'):

tree = ET.parse(os.path.join(annotations_dir, filename))

root = tree.getroot()

for obj in root.findall('object'):

label = obj.find('name').text

counts[label] = counts.get(label, 0) + 1

return counts

6.3 导出其他格式

LabelImg默认生成PASCAL VOC格式的XML文件。如果需要其他格式（如COCO JSON），可以使用转换工具：

BASH

pip install labelme2coco

labelme2coco annotations/ output.json

7. 环境管理与维护

7.1 备份虚拟环境

可以将整个环境导出为YAML文件，方便在其他机器上重建：

BASH

conda env export -n labelimg > labelimg_env.yaml

恢复环境：

BASH

conda env create -f labelimg_env.yaml

7.2 清理无用包

定期清理可以节省空间：

BASH

conda clean --all

7.3 更新LabelImg

当有新版本发布时，可以更新：

BASH

pip install --upgrade labelImg

8. 常见问题解决方案

8.1 启动速度慢

如果LabelImg启动很慢，可能是由于：

图像目录中包含太多文件
- 解决方案：分批处理，或使用子目录
系统资源不足
- 解决方案：关闭其他程序，增加内存

8.2 标注框显示异常

有时标注框可能显示不正确，可以尝试：

刷新显示（Ctrl+R）
重新加载图像
检查XML文件是否损坏

8.3 中文支持问题

如果需要显示中文标签：

确保系统安装了中文字体
在classes.txt中使用UTF-8编码
在LabelImg设置中选择支持中文的字体

9. 性能优化建议

9.1 使用SSD硬盘

如果处理大量高分辨率图像，建议：

将图像放在SSD硬盘上
使用更快的存储设备（如NVMe SSD）

9.2 调整图像缓存

对于大图像，可以调整缓存设置：

在LabelImg设置中减少"Zoom in/out step"
降低"Default opacity"值

9.3 多进程处理

对于批量处理，可以使用Python多进程：

PYTHON

from multiprocessing import Pool

def process_image(args):

# 处理单张图像

pass

if __name__ == '__main__':

with Pool(4) as p: # 使用4个进程

p.map(process_image, image_list)

10. 扩展应用

10.1 与深度学习框架集成

LabelImg生成的标注可以直接用于训练目标检测模型。以TensorFlow为例：

PYTHON

import tensorflow as tf

def parse_xml(xml_file):

# 解析XML文件

# 返回图像路径和标注框

pass

dataset = tf.data.Dataset.list_files("annotations/*.xml")

dataset = dataset.map(parse_xml)

10.2 自定义标注形状

如果需要支持更多标注形状（如多边形），可以修改LabelImg源码或使用其他工具如LabelMe。

10.3 自动化标注辅助

结合预训练模型实现半自动标注：

使用模型生成初始标注
人工修正不准确的标注
迭代改进模型

这种方法可以显著提高标注效率。