在Win10系统中使用labelme制作图像分割标签数据_lableme3(1)

labelme

启动成功后的界面如下图  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/6a1b30a2aae3473ab63c28ac67f0fc3b.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAQ2FpLlNO,size_20,color_FFFFFF,t_70,g_se,x_16)


点击左侧的“Open Dir”按钮，打开装有需要标注的图像的文件夹，如下图中右下角所示  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/01b50dadeb4d49428846972b96130b59.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAQ2FpLlNO,size_20,color_FFFFFF,t_70,g_se,x_16)  
 关于如何标注，读者可在软件中自行体验使用。需要注意的是，每标注完一张切片，建议读者将生成的json文件保存到和原始图像同一文件夹下，如下图所示。  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/a4daf402967944df82b82cca6e0f18a9.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAQ2FpLlNO,size_20,color_FFFFFF,t_70,g_se,x_16)


## 三、 将json数据转换成图像数据


首先创建两个文件夹，一个名为“json”,用来存放上一步生成的json文件；一个名为“label\_json”,用来存放生成的图像数据。将原图像文件夹下的json文件全部移动到json文件夹下。（这一步必须做，否则后面可能会失败。）  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/cd466e16b12f48728b2109dcb2c6a125.png)  
 打开对应环境下".\Lib\site-packages\labelme\cli"文件夹（我的是“D:\Anaconda3\envs\basic\_env\Lib\site-packages\labelme\cli”），将原有的json\_to\_dataset.py文件中代码替换为以下内容（或者重新建立该文件）：

import argparse
import json
import os
import os.path as osp
import warnings
import PIL.Image
import yaml
from labelme import utils
import base64

def main():
warnings.warn(“This script is aimed to demonstrate how to convert the\n”
“JSON file to a single image dataset, and not to handle\n”
“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
if args.out is None:
    out_dir = osp.basename(json_file).replace('.', '\_')
    out_dir = osp.join(osp.dirname(json_file), out_dir)
else:
    out_dir = args.out
if not osp.exists(out_dir):
    os.mkdir(out_dir)

count = os.listdir(json_file) 
for i in range(0, len(count)):
    path = os.path.join(json_file, count[i])
    if os.path.isfile(path):
        data = json.load(open(path))
        
        if data['imageData']:
            imageData = data['imageData']
        else:
            imagePath = os.path.join(os.path.dirname(path), 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 data['shapes']:
            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
        
        # label\_values must be dense
        label_values, label_names = [], []
        for ln, lv in sorted(label_name_to_value.items(), key=lambda x: x[1]):
            label_values.append(lv)
            label_names.append(ln)
        assert label_values == list(range(len(label_values)))
        
        lbl = utils.shapes_to_label(img.shape, data['shapes'], label_name_to_value)
        
        captions = ['{}: {}'.format(lv, ln)
            for ln, lv in label_name_to_value.items()]
        lbl_viz = utils.draw_label(lbl, img, captions)
        
        out_dir = osp.basename(count[i]).replace('.', '\_')
        out_dir = osp.join(osp.dirname(count[i]), out_dir)
        if not osp.exists(out_dir):
            os.mkdir(out_dir)

        PIL.Image.fromarray(img).save(osp.join(out_dir, 'img.png'))
        #PIL.Image.fromarray(lbl).save(osp.join(out\_dir, 'label.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')

        warnings.warn('info.yaml is being replaced by label\_names.txt')
        info = dict(label_names=label_names)
        with open(osp.join(out_dir, 'info.yaml'), 'w') as f:
            yaml.safe_dump(info, f, default_flow_style=False)

        print('Saved to: %s' % out_dir)

if name == ‘__main__’:
main()

然后进入到对应环境下的“\Scripts”（我的是”D:\Anaconda3\envs\basic\_env\Scripts“），将labelme\_json\_to\_dataset.exe这一可执行文件复制到刚才新建的label\_json文件夹下。  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/74e05407d49e431a9525c88924f45fef.png)  
 接下来的命令就是在label\_json文件夹下进行，首先在命令行中切换到此目录，然后激活basic\_enc这一虚拟环境，最后执行如下命令：

labelme_json_to_dataset.exe <json所在文件夹名>

命令执行过程如下图所示：  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/c9376bb12b2d4c3fae86da052e10b541.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAQ2FpLlNO,size_20,color_FFFFFF,t_70,g_se,x_16)  
 执行完成后在label\_json文件夹下就生成了图像数据。  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/41032a4536b14c9da90210719726aae2.png)  
 其中的文件如下图所示，label.png是我们所需要的标签文件。


![在这里插入图片描述](https://img-blog.csdnimg.cn/fddd29e66ac443e78633c01da8e7319c.png)


## 四、将每个图像标签数据从对应的文件夹中取出来


通过上面的过程虽然将json文件转换成了图像数据，但我们希望将所有的标签文件放到同一个文件夹下，有时还想得到二值化后的标签数据，因此我写了以下的python代码：（二值化的过程用到了opencv，需要读者自行安装）

import os
import shutil
import cv2

label_from_PATH = “E:\csnZanCun\CLAM-SEG\data\label_json”
label_to_PATH = “E:\csnZanCun\CLAM-SEG\data\label”

filepath_list = os.listdir(label_from_PATH)
filepath_list.remove(“labelme_json_to_dataset.exe”)

检查是否存在label文件夹

if not os.path.isdir(label_to_PATH):
os.mkdir(label_to_PATH)

是否图像二值化

bin_img = True

for i, file_path in enumerate(filepath_list):
src_label = “{}/label.png”.format(os.path.join(label_from_PATH, filepath_list[i]))
label_name = “{}.png”.format(file_path[:-5])

if bin_img:
    dest_label = cv2.imread(src_label)
    dest_label = cv2.cvtColor(dest_label, cv2.COLOR_BGR2GRAY)
    ret, dest_label = cv2.threshold(dest_label, 0, 255, cv2.THRESH_BINARY)
    cv2.imwrite(os.path.join(label_to_PATH, label_name), dest_label)
else:
    shutil.copy(src_label, os.path.join(label_to_PATH, label_name))

print("{} has been copied to {}".format(label_name, label_to_PATH))

print(“All done!!!”)

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取

以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！**

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取