labelme项目地址:https://github.com/wkentaro/labelme
参考这个链接:Labelme 批量转 dataset 使用 labelme_json_to_dataset 命令 (简明图文教程)
参考链接:深度学习图像数据集标注Labelme安装
按住Win+R,输入cmd,打开命令行窗口,键入以下命令:
注意:python的版本号应该<=
你已安装的python版本
conda create –name=labelme python=3.8
activate labelme
conda install pyqt
进入到要安装的环境,并安装指定版本labelme 4.5.13,如果不用指定版本号,则默认安装最新版本
(我是因为老师已经用了4.5.13版本,所以就也就跟随他一起用了,不然到时候我俩版本不一致,低版本的兼容不了高版本的,容易出问题)
pip install labelme==4.5.13
然后就会在该环境的配置文件夹D:\SoftWareInstallMenu\Anaconda3\envs\labelme\Lib\site-packages
中添加labelme、labelme-4.5.13.dist-info两个文件夹:
进入到D:\SoftWareInstallMenu\Anaconda3\envs\labelme\Lib\site-packages\labelme\cli
文件夹,更改json_to_dataset.py文件,用以下代码覆盖掉原本代码:
import argparse
import base64
import json
import os
import os.path as osp
import imgviz
import PIL.Image
from labelme.logger import logger
from labelme import utils
def main():
logger.warning(
"This script is aimed to demonstrate how to convert the "
"JSON file to a single image dataset."
)
logger.warning(
"It won't handle multiple JSON files to generate a "
"real-use dataset."
)
parser = argparse.ArgumentParser()
parser.add_argument("json_file")
parser.add_argument("-o", "--out", default=None)
args = parser.parse_args()
json_file = args.json_file
filelist = os.listdir(json_file) # 文件列表
for i in range(0, len(filelist)): # 遍历文件列表
path = os.path.join(json_file, filelist[i]) # 文件路径
if os.path.isdir(path): #如果是目录则读取下一个
continue
my_out = osp.basename(filelist[i]).replace(".", "_") # 文件名转目录
if args.out is None:
# out_dir = osp.basename(json_file).replace(".", "_") # 注释掉
out_dir = osp.join(osp.dirname(json_file), my_out) # 总目录 + 文件目录
else:
# out_dir = args.out # 注释掉
if not osp.exists(args.out): # 兼容目录不存在情况
os.makedirs(args.out)
out_dir = osp.join(args.out, my_out) # 兼容out参数 -- 总目录 + 文件目录
if not osp.exists(out_dir):
os.mkdir(out_dir)
data = json.load(open(path)) # 读取目录标注文件
imageData = data.get("imageData")
if not imageData:
imagePath = os.path.join(os.path.dirname(json_file), data["imagePath"])
with open(imagePath, "rb") as f:
imageData = f.read()
imageData = base64.b64encode(imageData).decode("utf-8")
img = utils.img_b64_to_arr(imageData)
label_name_to_value = {"_background_": 0}
for shape in sorted(data["shapes"], key=lambda x: x["label"]):
label_name = shape["label"]
if label_name in label_name_to_value:
label_value = label_name_to_value[label_name]
else:
label_value = len(label_name_to_value)
label_name_to_value[label_name] = label_value
lbl, _ = utils.shapes_to_label(
img.shape, data["shapes"], label_name_to_value
)
label_names = [None] * (max(label_name_to_value.values()) + 1)
for name, value in label_name_to_value.items():
label_names[value] = name
lbl_viz = imgviz.label2rgb(
lbl, imgviz.asgray(img), label_names=label_names, loc="rb"
)
PIL.Image.fromarray(img).save(osp.join(out_dir, "img.png"))
utils.lblsave(osp.join(out_dir, "label.png"), lbl)
PIL.Image.fromarray(lbl_viz).save(osp.join(out_dir, "label_viz.png"))
with open(osp.join(out_dir, "label_names.txt"), "w") as f:
for lbl_name in label_names:
f.write(lbl_name + "\n")
logger.info("Saved to: {}".format(out_dir))
if __name__ == "__main__":
main()
遇到问题:参考此链接解决解决AttributeError: module ‘labelme.utils‘ has no attribute ‘draw_label‘
(注意,这里为啥能直接执行 json_to_dataset.py 呢?是因为当前cmd我已经切换到json_to_dataset.py的目录下了,所以能找到该py文件并执行!没有切换的话,就直接输入该py文件的绝对路径即可)
进入到安装了labelme的环境,执行下列代码(后面是带转换的json文件路径):
使用方法1:(不指定输出目录,默认直接生成在原始待转换json文件目录的上一级目录)
python json_to_dataset.py 原始json目录
使用方法2:(指定输出目录)
pythonn json_to_dataset.py 原始json目录 --out 输出目录
Q:有遮挡的分割数据应该怎么标注?
答:分组号标注。设置group id,同一实例各部分分开标注,但是group id是相同的
参考链接:labelme实例分割标注 不连续的物体有遮挡的物体怎么标注? 那种视野很远 不清晰的物体还标注吗?
Q:是否同时使用线和多边形进行标注,这会存在哪些可能的问题?
答:最好是统一,要不然就是你的标签再代码中会处理成一致,不然你后面计算损失函数出大问题
参考链接:使用深度学习进行裂缝分割,如何标注数据?
Q:labelme标注软件的使用 || 语义分割数据标注、批量转换、多类别转换颜色错位问题-爱代码爱编程