update pphumandocs&annodocs; test=document_fix (#6442)

63dc4c4a · zhiboniu · GitHub · b04c182e · 63dc4c4a · 63dc4c4a
6 changed file
--- a/README_cn.md
+++ b/README_cn.md
@@ -77,7 +77,7 @@

  <div align="center">
  <img src="https://user-images.githubusercontent.com/48054808/157800129-2f9a0b72-6bb8-4b10-8310-93ab1639253f.jpg"  width = "200" />  
-  <img src="https://user-images.githubusercontent.com/48054808/160531099-9811bbe6-cfbb-47d5-8bdb-c2b40684d7dd.png"  width = "200" />  
+  <img src="https://user-images.githubusercontent.com/34162360/177678712-4655747d-4290-4ad9-b7a1-4564a5418ac6.jpg"  width = "200" />  
  </div>

 ## <img src="https://user-images.githubusercontent.com/48054808/157827140-03ffaff7-7d14-48b4-9440-c38986ea378c.png" width="20"/> 套件结构概览

--- a/deploy/pipeline/docs/tutorials/QUICK_STARTED.md
+++ b/deploy/pipeline/docs/tutorials/QUICK_STARTED.md
@@ -150,10 +150,10 @@ python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_pph

 ## 方案介绍

-PP-Human整体方案如下图所示
+PP-Human v2整体方案如下图所示:

 <div width="1000" align="center">
-  <img src="../../../../docs/images/pphuman-tech.png"/>
+  <img src="../../../../docs/images/pphumanv2.png"/>
 </div>



--- a/docs/images/pphumanv2.png
+++ b/docs/images/pphumanv2.png
--- a/docs/tutorials/data/DetAnnoTools.md
+++ b/docs/tutorials/data/DetAnnoTools.md
 # 目标检测标注工具

+
+
+## 目录
+
+[LabelMe](#LabelMe)
+
+* [使用说明](#使用说明)
+  * [安装](#LabelMe安装)
+  * [图片标注过程](#LabelMe图片标注过程)
+* [标注格式](#LabelMe标注格式)
+  * [导出数据格式](#LabelMe导出数据格式)
+  * [格式转化总结](#格式转化总结)
+  * [标注文件(json)-->VOC](#标注文件(json)-->VOC数据集)
+  * [标注文件(json)-->COCO](#标注文件(json)-->COCO数据集)
+
+[LabelImg](#LabelImg)
+
+* [使用说明](#使用说明)
+  * [LabelImg安装](#LabelImg安装)
+  * [安装注意事项](#安装注意事项)
+  * [图片标注过程](#LabelImg图片标注过程)
+* [标注格式](#LabelImg标注格式)
+  * [导出数据格式](#LabelImg导出数据格式)
+  * [格式转换注意事项](#格式转换注意事项)
+
+
+
 ## [LabelMe](https://github.com/wkentaro/labelme)

 ### 使用说明

-### 标注格式
+#### LabelMe安装
+
+具体安装操作请参考[LabelMe官方教程](https://github.com/wkentaro/labelme)中的Installation
+
+<details>
+<summary><b> Ubuntu</b></summary>
+
+```
+sudo apt-get install labelme
+
+# or
+sudo pip3 install labelme
+
+# or install standalone executable from:
+# https://github.com/wkentaro/labelme/releases
+```
+
+</details>
+
+<details>
+<summary><b> macOS</b></summary>
+
+```
+brew install pyqt  # maybe pyqt5
+pip install labelme
+
+# or
+brew install wkentaro/labelme/labelme  # command line interface
+# brew install --cask wkentaro/labelme/labelme  # app
+
+# or install standalone executable/app from:
+# https://github.com/wkentaro/labelme/releases
+```
+
+</details>
+
+
+
+推荐使用Anaconda的安装方式
+
+```
+conda create –name=labelme python=3
+conda activate labelme
+pip install pyqt5
+pip install labelme
+```
+
+
+
+
+
+#### LabelMe图片标注过程
+
+启动labelme后，选择图片文件或者图片所在文件夹
+
+左侧编辑栏选择`create polygons`  绘制标注区域如下图所示（右击图像区域可以选择不同的标注形状），绘制好区域后按下回车，弹出新的框填入标注区域对应的标签，如：people
+
+左侧菜单栏点击保存，生成`json`形式的**标注文件**
+
+![](https://media3.giphy.com/media/XdnHZgge5eynRK3ATK/giphy.gif?cid=790b7611192e4c0ec2b5e6990b6b0f65623154ffda66b122&rid=giphy.gif&ct=g)
+
+
+
+### LabelMe标注格式
+
+#### LabelMe导出数据格式
+
+```
+#生成标注文件
+png/jpeg/jpg-->labelme标注-->json
+```
+
+
+
+
+
+#### 格式转化总结
+
+```
+#标注文件转化为VOC数据集格式
+json-->labelme2voc.py-->VOC数据集
+
+#标注文件转化为COCO数据集格式
+json-->labelme2coco.py-->COCO数据集
+```
+
+
+
+
+
+#### 标注文件(json)-->VOC数据集
+
+使用[官方给出的labelme2voc.py](https://github.com/wkentaro/labelme/blob/main/examples/bbox_detection/labelme2voc.py)这份脚本
+
+下载该脚本，在命令行中使用
+
+```Te
+python labelme2voc.py data_annotated(标注文件所在文件夹) data_dataset_voc(输出文件夹) --labels labels.txt
+```
+
+运行后，在指定的输出文件夹中会如下的目录
+
+```
+# It generates:
+#   - data_dataset_voc/JPEGImages
+#   - data_dataset_voc/Annotations
+#   - data_dataset_voc/AnnotationsVisualization
+
+```
+
+
+
+
+
+#### 标注文件(json)-->COCO数据集
+
+使用[PaddleDetection提供的x2coco.py](https://github.com/PaddlePaddle/PaddleDetection/blob/develop/tools/x2coco.py) 将labelme标注的数据转换为COCO数据集形式
+
+```bash
+python tools/x2coco.py \
+                --dataset_type labelme \
+                --json_input_dir ./labelme_annos/ \
+                --image_input_dir ./labelme_imgs/ \
+                --output_dir ./cocome/ \
+                --train_proportion 0.8 \
+                --val_proportion 0.2 \
+                --test_proportion 0.0
+```
+
+用户数据集转成COCO数据后目录结构如下（注意数据集中路径名、文件名尽量不要使用中文，避免中文编码问题导致出错）：
+
+```
+dataset/xxx/
+├── annotations
+│   ├── train.json  # coco数据的标注文件
+│   ├── valid.json  # coco数据的标注文件
+├── images
+│   ├── xxx1.jpg
+│   ├── xxx2.jpg
+│   ├── xxx3.jpg
+│   |   ...
+...
+```
+
+
+
+

 ## [LabelImg](https://github.com/tzutalin/labelImg)

 ### 使用说明

-### 标注格式
+#### LabelImg安装
+
+安装操作请参考[LabelImg官方教程](https://github.com/tzutalin/labelImg)
+
+<details>
+<summary><b> Ubuntu</b></summary>
+
+```
+sudo apt-get install pyqt5-dev-tools
+sudo pip3 install -r requirements/requirements-linux-python3.txt
+make qt5py3
+python3 labelImg.py
+python3 labelImg.py [IMAGE_PATH] [PRE-DEFINED CLASS FILE]
+```
+
+</details>
+
+<details>
+<summary><b>macOS</b></summary>
+
+```
+brew install qt  # Install qt-5.x.x by Homebrew
+brew install libxml2
+
+or using pip
+
+pip3 install pyqt5 lxml # Install qt and lxml by pip
+
+make qt5py3
+python3 labelImg.py
+python3 labelImg.py [IMAGE_PATH] [PRE-DEFINED CLASS FILE]
+```
+
+</details>
+
+
+
+推荐使用Anaconda的安装方式
+
+ 首先下载并进入 [labelImg](https://github.com/tzutalin/labelImg#labelimg) 的目录
+
+```
+conda install pyqt=5
+conda install -c anaconda lxml
+pyrcc5 -o libs/resources.py resources.qrc
+python labelImg.py
+python labelImg.py [IMAGE_PATH] [PRE-DEFINED CLASS FILE]
+```
+
+
+
+
+
+#### 安装注意事项
+
+以Anaconda安装方式为例，比Labelme配置要麻烦一些
+
+启动方式是通过python运行脚本`python labelImg.py <图片路径>`
+
+
+
+#### LabelImg图片标注过程
+
+启动labelImg后，选择图片文件或者图片所在文件夹
+
+左侧编辑栏选择`创建区块`  绘制标注区，在弹出新的框选择对应的标签
+
+左侧菜单栏点击保存，可以选择VOC/YOLO/CreateML三种类型的标注文件
+
+
+
+![](https://user-images.githubusercontent.com/34162360/177526022-fd9c63d8-e476-4b63-ae02-76d032bb7656.gif)
+
+
+
+
+
+### LabelImg标注格式
+
+#### LabelImg导出数据格式
+
+```
+#生成标注文件
+png/jpeg/jpg-->labelImg标注-->xml/txt/json
+```
+
+
+
+#### 格式转换注意事项
+
+**PaddleDetection支持VOC或COCO格式的数据**，经LabelImg标注导出后的标注文件，需要修改为**VOC或COCO格式**，调整说明可以参考[准备训练数据](https://github.com/PaddlePaddle/PaddleDetection/blob/release/2.4/docs/tutorials/PrepareDataSet.md#%E5%87%86%E5%A4%87%E8%AE%AD%E7%BB%83%E6%95%B0%E6%8D%AE)
+
--- a/docs/tutorials/data/KeyPointAnnoTools.md
+++ b/docs/tutorials/data/KeyPointAnnoTools.md
 # 关键点检测标注工具

+
+
+## 目录
+
+[LabelMe](#LabelMe)
+
+- [使用说明](#使用说明)
+  - [安装](#安装)
+  - [关键点数据说明](#关键点数据说明)
+  - [图片标注过程](#图片标注过程)
+- [标注格式](#标注格式)
+  - [导出数据格式](#导出数据格式)
+  - [格式转化总结](#格式转化总结)
+  - [标注文件(json)-->COCO](#标注文件(json)-->COCO数据集)
+
+
+
 ## [LabelMe](https://github.com/wkentaro/labelme)

 ### 使用说明

+#### 安装
+
+具体安装操作请参考[LabelMe官方教程](https://github.com/wkentaro/labelme)中的Installation
+
+<details>
+<summary><b> Ubuntu</b></summary>
+
+```
+sudo apt-get install labelme
+
+# or
+sudo pip3 install labelme
+
+# or install standalone executable from:
+# https://github.com/wkentaro/labelme/releases
+```
+
+</details>
+
+<details>
+<summary><b> macOS</b></summary>
+
+```
+brew install pyqt  # maybe pyqt5
+pip install labelme
+
+# or
+brew install wkentaro/labelme/labelme  # command line interface
+# brew install --cask wkentaro/labelme/labelme  # app
+
+# or install standalone executable/app from:
+# https://github.com/wkentaro/labelme/releases
+```
+
+</details>
+
+
+
+推荐使用Anaconda的安装方式
+
+```
+conda create –name=labelme python=3
+conda activate labelme
+pip install pyqt5
+pip install labelme
+```
+
+
+
+#### 关键点数据说明
+
+以COCO数据集为例，共需采集17个关键点
+
+```
+keypoint indexes:
+        0: 'nose',
+        1: 'left_eye',
+        2: 'right_eye',
+        3: 'left_ear',
+        4: 'right_ear',
+        5: 'left_shoulder',
+        6: 'right_shoulder',
+        7: 'left_elbow',
+        8: 'right_elbow',
+        9: 'left_wrist',
+        10: 'right_wrist',
+        11: 'left_hip',
+        12: 'right_hip',
+        13: 'left_knee',
+        14: 'right_knee',
+        15: 'left_ankle',
+        16: 'right_ankle'
+```
+
+
+
+
+
+#### 图片标注过程
+
+启动labelme后，选择图片文件或者图片所在文件夹
+
+左侧编辑栏选择`create polygons` ，右击图像区域选择标注形状，绘制好关键点后按下回车，弹出新的框填入标注关键点对应的标签
+
+左侧菜单栏点击保存，生成`json`形式的**标注文件**
+
+![操作说明](https://user-images.githubusercontent.com/34162360/178250648-29ee781a-676b-419c-83b1-de1e4e490526.gif)
+
+
+
 ### 标注格式
+
+#### 导出数据格式
+
+```
+#生成标注文件
+png/jpeg/jpg-->labelme标注-->json
+```
+
+
+
+#### 格式转化总结
+
+```
+#标注文件转化为COCO数据集格式
+json-->labelme2coco.py-->COCO数据集
+```
+
+
+
+
+
+#### 标注文件(json)-->COCO数据集
+
+使用[PaddleDetection提供的x2coco.py](https://github.com/PaddlePaddle/PaddleDetection/blob/develop/tools/x2coco.py) 将labelme标注的数据转换为COCO数据集形式
+
+```bash
+python tools/x2coco.py \
+                --dataset_type labelme \
+                --json_input_dir ./labelme_annos/ \
+                --image_input_dir ./labelme_imgs/ \
+                --output_dir ./cocome/ \
+                --train_proportion 0.8 \
+                --val_proportion 0.2 \
+                --test_proportion 0.0
+```
+
+用户数据集转成COCO数据后目录结构如下（注意数据集中路径名、文件名尽量不要使用中文，避免中文编码问题导致出错）：
+
+```
+dataset/xxx/
+├── annotations
+│   ├── train.json  # coco数据的标注文件
+│   ├── valid.json  # coco数据的标注文件
+├── images
+│   ├── xxx1.jpg
+│   ├── xxx2.jpg
+│   ├── xxx3.jpg
+│   |   ...
+...
+```
+
--- a/docs/tutorials/data/README.md
+++ b/docs/tutorials/data/README.md
@@ -12,6 +12,5 @@
 |:--------:| :--------:|:--------:|
 |    目标检测   |   [文档链接](DetAnnoTools.md)  |    [文档链接](PrepareDetDataSet.md)  |
 |    关键点检测   |   [文档链接](KeyPointAnnoTools.md)  |    [文档链接](PrepareKeypointDataSet.md)  |
-|    多目标跟踪   |   [文档链接](MOTAnnoTools.md)  |    [文档链接](PrepareMOTDataSet.md)  |
-|    图像分类   |   [文档链接]()  |    [文档链接]()  |
-|    属性识别   |   [文档链接]()  |    [文档链接]()  |
+|    多目标跟踪   |   -  |    -  |
+