### 使用Python和YOLO实现自动标注 为了利用Python和YOLO模型完成自动化的目标检测与标注工作，通常需要构建一套流程来处理输入图片并生成相应的标签文件。下面提供一种基于Flask框架搭建Web应用的方式来进行图像上传、处理以及结果展示的过程[^1]。 #### 构建环境准备 首先安装必要的库： ```bash pip install flask opencv-python torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cpu ``` 接着下载预训练好的YOLOv5权重文件，并将其放置于项目目录下适当位置以便后续加载使用。 #### 创建Flask应用程序结构 定义`app.py`作为入口脚本： ```python from flask import Flask, request, jsonify import cv2 import torch from PIL import Image import numpy as np def load_model(): model = torch.hub.load('ultralytics/yolov5', 'yolov5s') # 加载官方提供的小型版本YOLOv5模型 return model model = load_model() app = Flask(__name__) @app.route('/predict', methods=['POST']) def predict(): if 'file' not in request.files: return "No file part", 400 file = request.files['file'] img_bytes = file.read() img = Image.open(io.BytesIO(img_bytes)) results = model([img]) detections = [] for i, det in enumerate(results.xyxy[0]): xyxy = det[:4].tolist() # 获取边界框坐标[xmin,ymin,xmax,ymax] conf = float(det[4]) # 置信度得分 cls_name = results.names[int(det[-1])] # 类别名称 detection_info = { "class": cls_name, "confidence": round(conf * 100, 2), "bbox": [round(coord, 2) for coord in xyxy], } detections.append(detection_info) response_data = {"detections": detections} return jsonify(response_data) if __name__ == '__main__': app.run(debug=True) ``` 上述代码实现了接收HTTP POST请求中的图片文件，调用YOLOv5执行预测任务并将识别到的对象信息返回给客户端的功能。 对于想要进一步保存这些标注信息至本地磁盘的情况，则可以在接收到API响应之后解析JSON对象，在服务器端编写逻辑将每张图对应的Bounding Box参数写入`.txt`或其他格式的文档内；或者直接修改现有程序让其支持此特性。