图像分类和检测一体化平台
这个系统利用周末或晚上时间陆陆续续做了将近两个月，基本上实现了从数据标注、标注格式转换、数据集划分、数据增强、训练、预测、半自动标注的完整流程，涵盖了图像分类和图像检测，功能超越了市面上绝大多数工具，界面不一定很美观，代码不一定很优雅，所以在开源方面比较犹豫，先把每个部分陆陆续续放出来吧，界面和代码框架，看看反应如何。
下文的介绍也是程序帮助中的一部分
一、平台整体功能
本平台是一个功能强大的图像分类和检测一体化解决方案，集成了从数据处理到模型训练与预测的全流程功能。其核心目标是为用户提供一站式服务，无论是专业的数据科学家还是普通的图像爱好者，都能借助该平台完成图像相关的各类任务。以下是平台涵盖的主要功能概述：
- 目标检测功能组
：包括目标检测标注、训练、标注格式转换、图像增强、数据集划分、预测以及半自动标注等功能，满足从数据准备到模型应用的全流程需求。 - 目标分类功能组
：提供目标分类标注、训练、图像增强、数据集划分和预测等功能，帮助用户构建高效的图像分类模型，满足从数据准备到模型应用的全流程需求 - 数据管理功能
：包含数据集管理和数据标签管理，方便用户对数据进行集中管理和维护。 - 辅助工具
：集成了图片浏览器和媒体播放器，方便用户查看和处理图像与视频数据。
二、目标检测功能
系统功能
功能介绍：目标检测功能是整个目标检测流程的基础，其主要目的是为图像中的目标物体添加准确的位置和类别信息。这些标注数据将作为后续模型训练的输入，直接影响模型的性能和准确性。包括目标检测标注、训练、标注格式转换、图像增强、数据集划分、预测以及半自动标注等功能，满足从数据准备到模型应用的全流程需求。
- 目标检测标注
：支持对目标检测要求的图像标注功能，支持txt、json、xml格式等标注格式，支持图片文件夹的浏览和标注。 - 目标检测标注格式转换
：支持对目标检测不同格式的转换，将标准的json、xml转换为yolo支持的txt文件格式。 - 目标检测图像增强
：支持对目标检测图像和标注文件的图像增强功能，目前包括14种图像增强方式。 - 目标检测数据集划分
：支持对目标检测图像和标注文件的数据集划分，将数据集划分为训练集、验证集、测试集 。 - 目标检测训练
：支持对目标检测数据集开展训练，提供不同的训练参数。 - 目标检测预测
：支持使用训练好的数据模型对文件夹、视频开展目标检测预测。 - 目标检测半自动标注
：支持使用训练好的数据模型对文件夹、视频开展目标检测预测，并在预测的基础上开展标注修改。
三、目标分类流程
系统功能
功能介绍：目标分类功能是整个目标分类流程的基础，其主要目的是为图像中的目标物体添加准确的位置和类别信息。这些标注数据将作为后续模型训练的输入，直接影响模型的性能和准确性。包括目标检测标注、训练、标注格式转换、图像增强、数据集划分、预测以及半自动标注等功能，满足从数据准备到模型应用的全流程需求。
- 目标分类标注
：支持对目标分类要求的图像标注功能，支持txt、json、xml格式等标注格式，支持图片文件夹的浏览和标注。 - 目标分类图像增强
：支持对目标分类图像的图像增强功能，目前包括14种图像增强方式。 - 目标分类数据集划分
：支持对目标分类图像的数据集划分，将数据集划分为训练集、验证集、测试集 。 - 目标分类训练
：支持对目标分类数据集开展训练，提供不同的训练参数。 - 目标分类预测
：支持使用训练好的数据模型对文件夹、视频开展目标分类预测。
四、数据管理功能
系统功能
功能介绍：数据管理功能的目的是为了实现数据集管理和数据标签管理，并和数据标注、数据集、数据模型关联起来，后来实现过程中没彻底实现，只是当成在PyQT中实现数据的增删改查功能练手了。
- 数据集管理界面
：数据集管理界面用于集中管理数据集相关的信息，包括数据集、数据集目录、数据标注目录、数据标签和数据模型的管理。通过该界面，用户可以方便地对数据进行添加、删除、修改和查询操作，使用sqlite数据库存储数据，确保数据的一致性和安全性。 - 数据标签管理界面
：数据标签管理界面主要用于管理数据标签的信息，包括标签的英文名称、中文名称等。通过该界面，用户可以方便地对标签进行增删改查操作，确保标签信息的准确性和一致性。
五、辅助管理工具
系统功能
功能介绍：其实是最开始练手的两个项目，一个实现图片的基础功能，一个实现视频的基础功能，都是为做标注功能做的准备
- 图片浏览器界面
：图片浏览器界面用于浏览图片文件，支持图片的选择、预览、放大缩小、旋转等操作，界面可随窗口大小按比例伸缩，方便用户查看和管理图片。 - 媒体播放器界面
：媒体播放器界面用于播放媒体文件（视频、音频），支持打开文件夹、打开媒体文件、暂停、播放、停止、快进、慢进、下一个、前一个、退出等操作，界面可随窗口大小按比例伸缩，为用户提供便捷的媒体播放体验。
最后欢迎关注公众号：python与大数据分析
