TensorFlow Object Detection APIで教師データを作るためのツールlabelImgと使い方とTFRecordフォーマットへの変換方法の紹介です。
「Preparing Inputs」を参考にしています。

2019/8/29追記：**VoTTというアノテーションツールは非常に良く、そちらの方がおすすめ。**TFRecord形式で直接出力でき、インストールもお手軽です。簡単すぎて記事に書く気もしません。Windowsでしか試しておらず、MacやLinuxでも簡単かはわからないです。

環境

種類	バージョン	内容
OS	Ubuntu18.04.01 LTS	Windows8.1からOracle VirtualBoxを使って動かしています
Python	3.5.6	Python3.5.6をpyenvで動かしています。最新の3.7.xを使わなかったのは、深い意味はなく、面倒だったからです。
labelImg	1.8.1	2019/1/4時点で1.8.1が最新でした。

手順

1. labelImgインストール

1.1. pyqt5インストール

apt-getでpyqt5をインストールします。

sudo apt-get install pyqt5-dev-tools

1.2. venv仮想環境作成

"label"という名前のvenv仮想環境作成し有効化。pipを最新化。

python -m venv label
source ~/Documents/python/venv/label/bin/activate
pip install --upgrade pip

1.3. labelImgのクローン

GitHubからlabelImgをクローン。

git clone https://github.com/tzutalin/labelImg.git

1.4. Pythonライブラリインストール

Pythonの必要なライブラリをインストールし、コンパイルも実行。

cd labelImg
pip install -r requirements/requirements-linux-python3.txt
make qt5py3

2. 画像アノテーション

画像をカメラで集めるにしてもネット上から集めるにしても、アノテーション前に以下の2点は済ませておきましょう。

画像サイズ(解像度)の縮小：画像サイズが大きいと、TensorFlow Object Detection APIでは消費メモリが大きくて全然終わりません。リサイズして再実行するにしても、アノテーションもやり直す必要があるので注意が必要です。100kb程度にしています。
画像向きの調整：縦横の向きは調整しておきましょう。

2.1. 準備

こんなフォルダ構成にしました。今回は、Object Detection APIに付属しているプログラムをそのまま使っているためフォルダ名・階層やファイル名に自由がきかないことも多いです。そのため、一見するとフォルダ構成が冗長的です。

.
├── data
│   ├── label_map.pbtxt
└── images
    ├── JPEGImages
    │   └── JPEGImages
    │       ├── <画像ファイル>
    └── VOC2007
        ├── Annotations
        │   ├── <アノテーションファイル>
        └── ImageSets
            └── Main
                ├── aeroplane_train.txt
                └── aeroplane_val.txt

2.2. プログラム起動

labelImg.pyを起動します。

python labelImg.py

"Open Dir"で画像ファイルが入っているフォルダ(「2.1. 準備」の"JPEGImages"フォルダ)を選択して、"Change Save Dir"でアノテーションファイルを入れるフォルダ("Annotations"フォルダ)を選択します。

あとは、地味にアノテーションをしていきます。効率化のためにShortcut Keyを使いましょう。

2.3. ラベルテキスト作成

models/research/object_detection/data/pascal_label_map.pbtxtを参考にラベルテキストファイル"label_map.pbtxt"を作ります。今回はラベルの種類は1つだけです。"data"フォルダ直下に格納しています。

item {
  id: 1
  name: 'horikawa'
}

2.4. リストファイル作成

"Main"フォルダ直下に訓練用のファイル一覧の"aeroplane_train.txt"と評価用の"aeroplane_val.txt"を作成します。
以下は少しだけの例ですが、テキストファイル内でアノテーションファイルの拡張子を除外したファイル名を羅列しています。

aeroplane_val.txt

hori031
hori032

2.5. TFRecord変換

TFRecord変換のために、TendorFlow Object Detection APIに付属しているプログラムを実行します。前処理として、環境変数の設定とvenv仮想環境の有効化をします。

# From tensorflow/models/research/
export PYTHONPATH=$PYTHONPATH:`pwd`:`pwd`/slim
source ~/Documents/python/venv/clml-od/bin/activate

訓練データのTFRecord変換は以下のように実行しています。これで"output_path"の/home/yohei/Documents/od/test01/data/train.recordが作成されています。

# From tensorflow/models/research/
$ python object_detection/dataset_tools/create_pascal_tf_record.py \
--data_dir=/home/yohei/Documents/od/test01/images \
--year=VOC2007 \
--output_path=/home/yohei/Documents/od/test01/data/train.record \
--label_map_path=/home/yohei/Documents/od/test01/data/label_map.pbtxt \

/home/yohei/Documents/python/models/research/object_detection/utils/dataset_util.py:75: FutureWarning: The behavior of this method will change in future versions. Use specific 'len(elem)' or 'elem is not None' test instead.
  if not xml:

警告が出たが無視しています(調べてもいません)。

評価用も似たようなコマンドオプションで実行します。

# From tensorflow/models/research/
$ python object_detection/dataset_tools/create_pascal_tf_record.py \
--data_dir=/home/yohei/Documents/od/test01/images \
--set=val \
--year=VOC2007 \
--output_path=/home/yohei/Documents/od/test01/data/eval.record \
--label_map_path=/home/yohei/Documents/od/test01/data/label_map.pbtxt \


/home/yohei/Documents/python/models/research/object_detection/utils/dataset_util.py:75: FutureWarning: The behavior of this method will change in future versions. Use specific 'len(elem)' or 'elem is not None' test instead.
  if not xml:

コマンドオプション

data_dir: インプット元データのディレクトリ
year: 今回は特に意味をなさないが必須なので"VOC2007"を入れておく
output_path: 作成するTFRecordのパスとファイル名
labep_map_path: ラベルファイル
set: 訓練/評価ファイルを識別。評価ファイルは"val"を指定。訓練時はデフォルト値の"train"を使うので指定していない。

関連記事

環境

手順