機械学習・AIAnnotationツール比較：labelImgとVoTT（YOLO・SSD両対応のデータセット）

最近、物体検出の独自モデル構築にどっぷりはまっています。
2018/03にYOLOv3が出てからというもの「SSDより良いらしいよ！」という噂を良く聞くようになりました。そこで、今まで作ったSSDの教師データを流用する方法を探し、YOLOによるオリジナルモデルの検証をしたいと考えました。

学習に使う教師データはAnnotationツールで作成するのが一般的です。

Annotationツールとは：対象となるデータに対して正解ラベル（タグ）や対象物の座標等関連する情報を注釈として付与するツールです。

今までSSDの学習データをlabelImgで作っていましたので、まずlabelImgの最新版を検証し、次にMicrosoftのAnnotationツールVoTTも使ってみました。（作業環境はWindows 10 Professional 64Bitです）

　

---

ソフトウェア開発プラットフォーム"GitHub"をチェックしてみましょう。

現時点のlabelImgとVoTTのスター数などの比較です：

• tzutalin/labelImg

https://github.com/tzutalin/labelImg/
Star：7031　Fork：2449
windowsで簡単インストールしたい方はこちらから：
https://github.com/tzutalin/labelImg/releases/tag/v1.8.1

• microsoft/VoTT

https://github.com/Microsoft/VoTT/
Star：1354　Fork：278

labelImgが勝っていますね。
早速試してみたい方はURLからダウンロードしてみてください。

　

labelImg

UIのアイコンが分かりやすく、マニュアルがなくてもすぐ操作できます。
画面はこんな感じです。

昔のバージョンではYOLO形式に対応していなかったのですが、現在一番新しいバージョンのlabelImg v1.8.1はYOLO形式にも対応しています。
左側の「PascalVOC」ボタン⇔「YOLO」ボタンが交互に切り替わります。表示されているフォーマットで保存されます。

矩形を付与する際に、補助線が出ることや、一度出力したxmlやtxtファイルを自動で再読み込みしてくれるので、便利ですね。
ただし、ディレクトリのルートに日本語が入っていると、ファイルが正常に読み込めなくなるので、英語を使いましょう。

「View」→「Auto Save Mode」を選択すれば、「Next Image」ボタンを押すだけで自動保存できます。
ショートカットキーと組み合わせて使えば、2-3秒間で1枚の画像を処理できます。

とは言え...以前作ったSSD用のPascalVOC形式のxmlファイルをYOLO形式のtxtに変えるために、一枚一枚「PascalVOC」ボタンをクリックしてYOLO形式で再保存しないといけないです。 単純なボタンクリック作業とは言え、画像枚数が多くなると気が狂いそうになりますね。

既存データを効率的に変換するため、少し探してみました。後述するxml2yolo.pyというコンバートプログラムがありました。気が狂わなくて良かったです。

　

VoTT v2

続いて、最近どんどん進化しているVoTTを見てみましょう。
現在最新バージョンはVoTT v2.1.0です。開くと、まず「Projest Settings」というパネルが出てきます。
一瞬「なに？」と迷うと思いますが、記入内容について簡単に説明します。

• Display Name：プロジェクト名
• Security Token：セキュリティの設定ですが、必須ではないので無視しても大丈夫
• Source Connection：画像を読み込む時のフォルダ
• Target Connection：ラベルを書き出す時のフォルダ
• Video Settings：ビデオにラベルを付ける時のフレーム数
• Tags：ラベル

始まる前に、まずは少なくともプロジェクト名、Source Connection、Target Connectionとラベルをちゃんと設定しないといけないようです。

VoTTの一番の強みは、ビデオのフレームを切り出さなくても、直接にラベルを付けられることです！

使い方はlabelImgに似ていますが、左側に画像のサムネイルがちゃんと表示されています。ファイル名しか表示されないlabelImgより分かりやすいです。
ビデオにラベルを付ける時も同じやり方ですので、操作しやすいですね。

　

「Active Learning」に更に目玉機能が潜んでいます！

• Predict Tag：「Model Provider」のモデルを使って、画面上に写っているものを自動認識
• Auto Detect：前のフレームのラベル情報を次のフレームに引き継ぐ（特にビデオにラベル付けの時に役立ちます。）

（残念ながら、自動認識の結果、リスがクマとして認識されましたが...デフォルトのモデルではなく、自作のモデルを使えばもっと精度を高められるのでしょうか？）

　

一見使いやすいVoTT v2ですが、致命的な弱みもあります...
まずは、書き出したファイルのファイル名は画像や映像と一致していなく、ランダムです...学習する時のリネーム作業が必須のようです。
もう一つですが、どうやらv2のバージョンはYOLO形式を対応していないようです。（使えないじゃん！）

　

VoTT v1

v1のバージョンに戻ってみると、ちゃんとYOLO形式に対応していたようですが、なぜv2で消えたんでしょう。ちょっと混乱が見えますね。

UIは現在よりシンプルですが、画像と映像両方とも使える所は変わりがありません。

映像を選んだら、下記のような画面が出てきます。フレーム数とラベルを記入して開始です。

ここの「Tracking」という機能はv2の「Auto Detect」機能と同じく、前のフレームのラベルを引き継ぐことができます...
が、v1の最新バージョンが私の環境ではうまく動かなくて、v1.0.6辺りならちゃんと作動できるようになりました。

書き出す時に対応しているのは「Fast-RCNN」と「YOLO」だけですが、書き出したファイル名はソースファイルと一致しているので、 （今のところ）v1のほうが使いやすいですね。

　

まとめ：YOLO形式ファイル作成は何を使えば？

使い勝手と書き出す時のファイル名問題も考えれば、画像ならlabelImg、映像ならVoTT v1がおすすめです。
ただし、VoTT v1は今後アップグレードされないので、v2の改善に期待するしかないです。

もしSSDとYOLO両方とも同じデータセットを使う可能性がある場合、一番便利なのは、やはりまずPascalVOC形式のxmlを作って、後ほどYOLO形式に一括変換することでしょう。

変換の仕方はここを参考：

アノテーションファイル変換（VOC　XMLからYOLO　テキストへ）
https://qiita.com/mdo4nt6n/items/bd909df26d159401d166

学習データはディープラーニングの基礎とは言え、気長な単純作業でもあります。
今後、この単純作業を楽にするような画期的なアノテーションツールが出て来るんでしょうね～。楽しみですね。

　

 ▼この記事を書いたひと

機械学習・AIの最新記事

• 【オープンイノベーション】vol.26：何がどう変わった？Ultralytics YOLOv8のレビュー
• 特許を取得しました　"分布図作成装置、分布図作成方法、及び、プログラム"（特許6970946）"
• 特許を取得しました　"物体情報処理装置"（特許6975483）"
• 【物体検出】vol.19 : Jetson Xavier NXの検出性能（PythonからYOLOv3,v4）

お問い合わせ

ご意見・ご質問などお気軽にお問い合わせ下さい。
ナカシャクリエイテブ株式会社

●富士見事務所　TEL : 052-228-8733　FAX : 052-323-3337
〒460-0014 愛知県名古屋市中区富士見町13−22 ファミール富士見711　 地図
交通部　R&Dセンター

Email：メールでのお問い合わせ