已经做了四张图片的标注，很复杂，但遇到两个问题：
labelimg2无法对边界处的目标进行标注，导致标注不完全；
后续的算法是基于正方形的图片进行训练的，虽然可以训练矩形，但要多一步，不如在标注前就处理好图片。
结合以上两个问题，下面分享解决思路与代码。
1. 图片遍历/读取/裁剪/填充/无损保存：
都是opencv的基础操作，不展开介绍。代码如下：
import os
import os.path
import cv2
def cv_show(name, img, pause = False):
cv2.imshow(name, img)
key = cv2.waitKey(0 if pause == True else 1) & 0xFF
if key == 27: # keycode 27 = Escape
cv2.destroyAllWindows()
else:
cv2.destroyAllWindows()
return 1
if __name__ == "__main__":
path_origin = 'image_1280-800' # 输入原文件夹地址
path_crop = 'image' # 输入原文件夹地址
files = os.listdir(path_origin) # 读入文件夹
num_bub = len(files) # 统计文件夹中的文件个数
# 检查path_crop文件夹是否存在，不存在则创建
if not os.path.exists(path_crop):
os.makedirs(path_crop)
# 1. 图片遍历
for file in files:
# 2. 读取图像
img = cv2.imread(path_origin + '\\' + file)
flow_img = img.copy()
# 显示读取到的图像
# if cv_show(file, flow_img, True) is None:
# break
#3. 切割图片
#截取的左上坐标
left_top = (128, 0)
#截取的右下坐标
right_bottom = (1152, 800)
# 裁剪坐标为[y0:y1, x0:x1]
flow_img_cut = flow_img[left_top[1]:right_bottom[1],left_top[0]:right_bottom[0]]
# 4. 常数值填充, 需要设置一个value值
flow_img_bord = cv2.copyMakeBorder(flow_img_cut, 112, 112, 0, 0, cv2.BORDER_CONSTANT, value = (255, 255, 255))
# 5. 无损保存
# 0代表图片保存时的压缩程度，有0-9这个范围的10个等级，数字越大表示压缩程度越高。
cv2.imwrite(path_crop + '\\' + file, flow_img_bord, [cv2.IMWRITE_PNG_COMPRESSION, 0])
# 显示处理后的图像
# if cv_show('flow_img_bord', flow_img_bord, True) is None:
# break2. XML文件读取/修改/保存
图片经过裁剪填充后，由（1280*800）变为（1024*1024），但之前标注过的xml文件中的目标框会偏移，要修正偏移有两步：1、计算偏移量；2、读取/修改/保存xml文件。
2.1. 计算偏移量
偏移量的计算比较简单，opencv的坐标原点在左上角，如图所示，横坐标需要减去
，纵坐标需要加上
，体现在2.2.代码中。
2.2. 读取/修改/保存xml文件
节点的查找有两种方法，一是逐级节点查找，二是全部节点查找。
节点结构如下：
<annotation verified="yes">
<folder>image</folder>
<filename>images1_0000.png</filename>
<path>C:\Users\glanc\Desktop\flow_dataset\image\images1_0000.png</path>
<source>
<database>Unknown</database>
</source>
<size>
<width>1024</width>
<height>1024</height>
<depth>1</depth>
</size>
<segmented>0</segmented>
<object>
<name>single</name>
<pose>Unspecified</pose>
<truncated>0</truncated>
<difficult>0</difficult>
<robndbox>
<cx>250.5867</cx>
<cy>336.501</cy>
<w>72.8736</w>
<h>49.5941</h>
<angle>3.041593</angle>
</robndbox>
<extra/>
</object>
<object>
<name>single</name>
<pose>Unspecified</pose>
<truncated>0</truncated>
<difficult>0</difficult>
<robndbox>
<cx>330.6097</cx>
<cy>183.8053</cy>
<w>70.3055</w>
<h>41.3395</h>
<angle>0.17</angle>
</robndbox>
<extra/>
</object>
</annotation>节点结构如下：
<annotation verified="yes">一级节点；
<folder>、<filename>、<path>、...、<object>、<object>等为二级节点；
<object>下的<name>、<pose>、...、<robndbox>等为三级节点；
<robndbox>下的<cx>、<cy>、<w>、<h>、<angle>五项为四级节点，其中<cx>、<cy>是需要修改的数值。
步骤都在注释里，代码如下，需要注意的一点是cx.text得到的是str，需要转换为浮点数才可以计算，计算完成后转换为字符串才可以保存。
import os
import xml.etree.ElementTree as ET
path = 'label_1280-800' # 输入原文件夹地址
sv_path = 'label' # 修改后的xml文件存放路径
files = os.listdir(path)
for xmlFile in files:
tree = ET.parse(os.path.join(path, xmlFile))
root = tree.getroot() # 得到根节点
# 方法一
# https://blog.csdn.net/weixin_39580041/article/details/113581299
# 查找二级节点object
nodes = root.findall('object')
for node in nodes:
# object节点没有属性值
# print('节点名称：', node.tag)
# print('节点属性：', node.attrib)
# 继续往下找三级节点：robndbox
robndbox = node.find('robndbox')
# 继续往下找四级节点：cx，cy
cx = robndbox.find('cx')
cx_new = str(float(cx.text) - 256 / 2)
cx.text = cx_new
cy = robndbox.find('cy')
cy_new = str(float(cy.text) + 224 / 2)
cy.text = cy_new
# print(cx, cy)
tree.write(os.path.join(sv_path, xmlFile))
# 方法二：直接定位节点位置
# https://blog.csdn.net/u013996948/article/details/79157795
# print(root.text)
# #遍历文件所有的tag 为目标的值得标签
# for elem in root.iter('cx'):
# cx_new = float(elem.text) - 256 / 2
# elem.text = str(cx_new)
# for elem in root.iter('cy'):
# cy_new = float(elem.text) + 224 / 2
# elem.text = str(cy_new)
# tree.write(os.path.join(sv_path, xmlFile))参考文章：
https://blog.csdn.net/weixin_39580041/article/details/113581299