【图像分割】LabelMe基本使用/标注标签格式转换及可视化

前言

之前一直在做目标检测的相关内容，使用LabelImg标注检测数据轻车熟路。不过最近尝试探索一下图像分割场景，需要用到LabelMe标注用于分割的数据标签，本文进行过程记录。

图像分割数据标签示例

以道路分割为例，下图是deepglobe数据集中的一组数据，右侧是卫星拍摄影像，左侧为该影像标签，以Mask的方式来标注出图像。

LabelMe安装

安装很简单，用pip安装即可：

pip install labelme

数据准备

在启动之前，先按照下面目录整理好数据位置：

• annotations：空文件夹，准备用来保存标注后的标签
• images：放置图片，将图片数据拷贝到里面
• label.txt：这个主要用来预先设定类别
  label.txt文件内容如下：

__ignore__
_background_
road

前行内容固定，和后面处理脚本相关，第三行开始为类别名称，我这里只需要分割道路，因此就一个road类别。

软件使用

首先在Anaconda Prompt里面进入到数据文件根目录：

cd D:\Dataset\road_dataset

然后启动labelme：

labelme --labels label.txt

选择OpenDir导入图片：

设置标签输出文件夹：

`

设定为之前建的annotations：

点击Create Polygons(快捷键Ctrl+N)，围绕目标点一圈，类似PS里的抠图，首尾相连，保存即可。

格式转换

标注完之后，可以得到json格式的标签。
下面需要根据该标签进行格式转换，得到图像类型的标签。

下面这段转换代码修改自labelme官方仓库，主要修改了文件加载逻辑和路径：

#!/usr/bin/env python

from __future__ import print_function

import argparse
import glob
import os
import os.path as osp

import imgviz
import numpy as np

import labelme


def main():
    parser = argparse.ArgumentParser(
        formatter_class=argparse.ArgumentDefaultsHelpFormatter
    )
    parser.add_argument("--input_dir", default="D:/Dataset/road_dataset/annotations", help="input annotated directory")
    parser.add_argument("--output_dir", default="D:/Dataset/road_dataset", help="output dataset directory")
    parser.add_argument("--labels", default="D:/Dataset/road_dataset/label.txt", help="labels file")
    args = parser.parse_args()
    args.noviz = False

    if not osp.exists(args.output_dir):
        os.makedirs(args.output_dir)
    os.makedirs(osp.join(args.output_dir, "JPEGImages"))
    os.makedirs(osp.join(args.output_dir, "SegmentationClass"))
    os.makedirs(osp.join(args.output_dir, "SegmentationClassPNG"))

    if not args.noviz:
        os.makedirs(
            osp.join(args.output_dir, "SegmentationClassVisualization")
        )
    print("Creating dataset:", args.output_dir)

    class_names = []
    class_name_to_id = {}
    for i, line in enumerate(open(args.labels).readlines()):
        class_id = i - 1  # starts with -1
        class_name = line.strip()
        class_name_to_id[class_name] = class_id
        if class_id == -1:
            assert class_name == "__ignore__"
            continue
        elif class_id == 0:
            assert class_name == "_background_"
        class_names.append(class_name)
    class_names = tuple(class_names)
    print("class_names:", class_names)
    out_class_names_file = osp.join(args.output_dir, "class_names.txt")
    with open(out_class_names_file, "w") as f:
        f.writelines("\n".join(class_names))
    print("Saved class_names:", out_class_names_file)

    for filename in glob.glob(osp.join(args.input_dir, "*.json")):
        print("Generating dataset from:", filename)

        label_file = labelme.LabelFile(filename=filename)

        base = osp.splitext(osp.basename(filename))[0]
        out_img_file = osp.join(args.output_dir, "JPEGImages", base + ".jpg")
        out_lbl_file = osp.join(
            args.output_dir, "SegmentationClass", base + ".npy"
        )
        out_png_file = osp.join(
            args.output_dir, "SegmentationClassPNG", base + ".png"
        )
        if not args.noviz:
            out_viz_file = osp.join(
                args.output_dir,
                "SegmentationClassVisualization",
                base + ".jpg",
            )

        with open(out_img_file, "wb") as f:
            f.write(label_file.imageData)
        img = labelme.utils.img_data_to_arr(label_file.imageData)

        lbl, _ = labelme.utils.shapes_to_label(
            img_shape=img.shape,
            shapes=label_file.shapes,
            label_name_to_value=class_name_to_id,
        )
        labelme.utils.lblsave(out_png_file, lbl)

        np.save(out_lbl_file, lbl)

        if not args.noviz:
            viz = imgviz.label2rgb(
                lbl,
                imgviz.rgb2gray(img),
                font_size=15,
                label_names=class_names,
                loc="rb",
            )
            imgviz.io.imsave(out_viz_file, viz)


if __name__ == "__main__":
    main()

运行之后，会多出几个文件夹：

• JPEGImages：原始图像
• SegmentationClass：npy格式label
• SegmentationClassPNG：掩码图像
• SegmentationClassVisualization：掩码图像和实景图像叠加显示
• class_names.txt：全部类别(包括背景)

标签可视化

对于此任务，我仅需要白色掩码图像，但是labelme的mask可视化没给相关颜色接口。
因此自己用opencv重撸一个mask可视化程序：

import json
import cv2
import numpy as np
from tqdm import tqdm
import os

fill_color = (255, 255, 255)
root_dir = 'D:/Dataset/road_dataset'


def visualize_one(label_name):
    with open(root_dir + '/annotations' + '/' + label_name + '.json', 'r') as obj:
        dict = json.load(obj)
    img = cv2.imread(root_dir + '/images' + '/' + label_name + '.jpg')
    for label in dict['shapes']:
        points = np.array(label['points'], dtype=np.int32)
        black_img = np.zeros(img.shape)
        cv2.polylines(black_img, [points], isClosed=True, color=fill_color, thickness=1)
        cv2.fillPoly(black_img, [points], color=fill_color)

    cv2.imwrite(root_dir + '/labels' + '/' + label_name + '.jpg', black_img)


if __name__ == '__main__':
    os.mkdir(root_dir + '/labels')
    for i in tqdm(os.listdir(os.path.join(root_dir, "annotations"))):
        label_name = i[:-5]
        visualize_one(label_name)

运行之后，可以顺利得到相应的标签。

参考

[1] Labelme分割标注软件使用 https://blog.csdn.net/qq_37541097/article/details/120162702