labelme批量制作数据集教程

labelme数据标注及json标签文件批量处理

---

---

前言

最近在学习图像语义分割，需要制作自己的数据集，用到labelImg进行标注，这里将整个过程记录下来。

---

一、Labelme安装

第一步就是需要安装labelme

1. windows

# python3
conda create --name=labelme python=3.6
activate labelme
pip install pyqt5
pip install labelme

说明：
也可以不创建虚拟环境，直接pip install labelme安装
虚拟环境只是便于管理，即使出现什么错误，也不至于把本地环境弄蹦

2. Ubuntu

# Python3
sudo apt-get install python3-pyqt5  # PyQt5
sudo pip3 install labelme

---

二、Labelme制备分割数据集

1. 启动

说明：

1. 在cmd中输入activate labelme激活labelme环境。
2. 在激活环境中输入labelme即可打开labelme界面。
3. 退出输入deactivate即可。

打开界面如下：

2. 数据标注

点击open dir，选择标注文件所在的文件夹，会导入文件内所有图片，由于实验数据不变展示，借用其他博客的图像
如下图

然后开始标注：点击左下角的CreatePolygons，单击鼠标左键添加多边形顶点，Ctrl+Z撤销上一个顶点，最后点击起始点完成多边形的选择，弹出命名框。同一类下有多个实体对象时，如城区对象时，用City1,City2区分，Ctrl+S保存生成json文件，同时右下角文件目录下该图像前打钩显示已标注，如下图所示：

标注完成后，会生成一个json文件。

---

三、labelme标签批量转换

1. 单张图片转换

json文件需要转换成png文件，基本转换方法是在安装了labelme的环境下，输入下面的代码：

labelme_json_to_dataset E:\test\image\001.json

在001.json所在文件夹内，会生成一个001_json的文件夹，里面有5个文件，其中的label.png为所要的分割掩膜，新版本的labelme没有.yaml文件

分割掩膜示意图：

2. 多张图片批量转换

但是当数据文件很多时，需要批量处理的方法

2.1 bat脚本循环法：

@echo off
for %%i in (*.json)  do labelme_json_to_dataset %%i
pause

新建一个txt文件，把这个复制进去，然后改名为test.bat，和要转换的文件放在一起。然后在激活相应环境下，进入所在文件目录，命令行输入test.bat就可以了。

2.2 程序法：

import os
import glob
path = r'D:\data_count\WLI'  # 这里是指.json文件所在文件夹的路径
json_file = glob.glob(os.path.join(path, "*.json"))
os.system("activate labelme")
for file in json_file:
    os.system("labelme_json_to_dataset.exe %s" % (path + '/' + file))

使用时，根据自己的情况修改json文件所在路径和自己的虚拟环境。

3. 标注图片提取

生成的label图片均在文件中，且图片名均是label.png，所以需要批量提取label.png，其他4个文件没有用，代码如下

# 将标签图从json文件中批量取出
import os
import shutil

path = 'D:/LCI/'
dirpath = 'D:/annotations/LCI/'

for eachfile in os.listdir(path):
    if os.path.isdir(path + eachfile):
        if os.path.exists(path + eachfile + '/label.png'):
            shutil.copy(path + eachfile + '/label.png', dirpath + eachfile.split('_')[0] + '.png')
            print(eachfile + ' successfully moved')

使用时，只需将path和dirpath修改为你自己的路径即可。

4. 标注图片转单通道

由于我的数据集是做二分类分割，所以，需要将ground_truth转换为8位的单通道黑白图像，才能作为训练时的label使用。

代码如下

import os
import cv2
import numpy as np
bace_path = r"D:\research\data\train\mask"
save_path = r'D:\research\data\train'

for im in os.listdir(bace_path):
    img = cv2.imread(os.path.join(bace_path, im))
    b, g, r = cv2.split(img)
    r[np.where(r != 0)] = 255
    cv2.imwrite(os.path.join(save_path, im), r)