Python将Labelme文件的真实框和预测框绘制到图片上

于 2024-01-08 22:47:24 发布
阅读量949 收藏 19
点赞数 22
分类专栏： Python日常小操作 文章标签： python 开发语言 Labelme json 目标检测
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/FriendshipTang/article/details/135444737
版权
文章讲述了如何在Python中读取Labelme标注文件，将其应用于图片上，区分真实框和预测框，涉及PyTorch和YOLOv5在目标检测中的应用。
摘要由CSDN通过智能技术生成

Python将Labelme文件的真实框和预测框绘制到图片上

在这里插入图片描述

前言

前提条件

相关介绍

  • Python是一种跨平台的计算机程序设计语言。是一个高层次的结合了解释性、编译性、互动性和面向对象的脚本语言。最初被设计用于编写自动化脚本(shell)，随着版本的不断更新和语言新功能的添加，越多被用于独立的、大型项目的开发。
  • PyTorch 是一个深度学习框架，封装好了很多网络和深度学习相关的工具方便我们调用，而不用我们一个个去单独写了。它分为 CPU 和 GPU 版本，其他框架还有 TensorFlow、Caffe 等。PyTorch 是由 Facebook 人工智能研究院（FAIR）基于 Torch 推出的，它是一个基于 Python 的可续计算包，提供两个高级功能：1、具有强大的 GPU 加速的张量计算（如 NumPy）；2、构建深度神经网络时的自动微分机制。
  • YOLOv5是一种单阶段目标检测算法，该算法在YOLOv4的基础上添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升。它是一个在COCO数据集上预训练的物体检测架构和模型系列，代表了Ultralytics对未来视觉AI方法的开源研究，其中包含了经过数千小时的研究和开发而形成的经验教训和最佳实践。
  • Labelme是一款图像标注工具，由麻省理工(MIT)的计算机科学和人工智能实验室(CSAIL)研发。它是用Python和PyQT编写的，开源且免费。Labelme支持Windows、Linux和Mac等操作系统。
  • 这款工具提供了直观的图形界面，允许用户在图像上标注多种类型的目标，例如矩形框、多边形、线条等，甚至包括更复杂的形状。标注结果以JSON格式保存，便于后续处理和分析。这些标注信息可以用于目标检测、图像分割、图像分类等任务。
  • 总的来说，Labelme是一款强大且易用的图像标注工具，可以满足不同的图像处理需求。
  • Labelme标注json文件是一种用于存储标注信息的文件格式，它包含了以下几个主要的字段：
    • version: Labelme的版本号，例如"4.5.6"。
    • flags: 一些全局的标志，例如是否是分割任务，是否有多边形，等等。
    • shapes: 一个列表，每个元素是一个字典，表示一个标注对象。每个字典包含了以下几个字段：
      • label: 标注对象的类别名称，例如"dog"。
      • points: 一个列表，每个元素是一个坐标对，表示标注对象的边界点，例如[[10, 20], [30, 40]]。
      • group_id: 标注对象的分组编号，用于表示属于同一组的对象，例如1。
      • shape_type: 标注对象的形状类型，例如"polygon"，“rectangle”，“circle”，等等。
      • flags: 一些针对该标注对象的标志，例如是否是难例，是否被遮挡，等等。
    • lineColor: 标注对象的边界线颜色，例如[0, 255, 0, 128]。
    • fillColor: 标注对象的填充颜色，例如[255, 0, 0, 128]。
    • imagePath: 图像文件的相对路径，例如"img_001.jpg"。
    • imageData: 图像文件的二进制数据，经过base64编码后的字符串，例如"iVBORw0KGgoAAAANSUhEUgAA…"。
    • imageHeight: 图像的高度，例如600。
    • imageWidth: 图像的宽度，例如800。

以下是一个Labelme标注json文件的示例：

{
  "version": "4.5.6",
  "flags": {},
  "shapes": [
    {
      "label": "dog",
      "points": [
        [
          121.0,
          233.0
        ],
        [
          223.0,
          232.0
        ],
        [
          246.0,
          334.0
        ],
        [
          121.0,
          337.0
        ]
      ],
      "group_id": null,
      "shape_type": "polygon",
      "flags": {}
    }
  ],
  "lineColor": [
    0,
    255,
    0,
    128
  ],
  "fillColor": [
    255,
    0,
    0,
    128
  ],
  "imagePath": "img_001.jpg",
  "imageData": "iVBORw0KGgoAAAANSUhEUgAA...",
  "imageHeight": 600,
  "imageWidth": 800
}

实验环境

  • Python 3.x （面向对象的高级语言）

Python将Labelme文件的标注信息绘制到图片上

  • 项目结构
    在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

代码实现

import os
import cv2
import json
import copy

def query_info_in_json_and_rectangle(in_img_path,real_json_path,pred_json_path,out_img_path):
    '''
    查询json文件的信息并绘制
    '''
    img = cv2.imread(in_img_path)

    # 绘制真实框
    with open(real_json_path,'r') as f:
        json_data = json.load(f)
    # print(json_data)

    # 以查询label信息为例,比如输出'label' == "49"的标注信息
    json_data_shape =  copy.deepcopy(json_data['shapes'])
    if json_data_shape != []:
        for i in json_data_shape:
            x1 = int(i['points'][0][0])
            y1 = int(i['points'][0][1])
            x2 = int(i['points'][1][0])
            y2 = int(i['points'][1][1])

            xmin = min(x1,x2)
            ymin = min(y1,y2)
            xmax = max(x1,x2)
            ymax = max(y1,y2)

            label_name = i['label']

            cv2.rectangle(img,(xmin,ymin),(xmax,ymax),(0, 0, 255), 2, cv2.LINE_AA)
            cv2.putText(img,label_name,(xmin-5,ymin), cv2.FONT_HERSHEY_SIMPLEX, 1,(0,0,255),2)

    # 绘制预测框
    with open(pred_json_path,'r') as f:
        json_data = json.load(f)
    # print(json_data)

    # 以查询label信息为例,比如输出'label' == "49"的标注信息
    json_data_shape =  copy.deepcopy(json_data['shapes'])
    if json_data_shape != []:
        for i in json_data_shape:
            x1 = int(i['points'][0][0])
            y1 = int(i['points'][0][1])
            x2 = int(i['points'][1][0])
            y2 = int(i['points'][1][1])

            xmin = min(x1,x2)
            ymin = min(y1,y2)
            xmax = max(x1,x2)
            ymax = max(y1,y2)

            label_name = i['label']

            cv2.rectangle(img,(xmin,ymin),(xmax,ymax),(255, 0, 0), 1, cv2.LINE_AA)
            cv2.putText(img,label_name,(xmin-5,ymin), cv2.FONT_HERSHEY_SIMPLEX, 1,(255,0,0),1)
    
        cv2.imwrite(out_img_path,img)
    else: # 无标注信息保存原图
        cv2.imwrite(out_img_path,img)
        


if __name__=="__main__":
    in_img_dir = 'images/'
    real_json_dir = 'jsons/'
    pred_json_dir = 'results/'


    output_dir = 'output_imgs/'
    if not os.path.exists(output_dir):
        os.mkdir(output_dir) 

    img_name_list = [i for i in os.listdir(in_img_dir) if i.endswith('.png') or i.endswith('.jpg') or i.endswith('.tif') or i.endswith('.jpeg') or i.endswith('.bmp')]
    # print(img_name_list)

    for img_name in img_name_list:
        in_img_path = in_img_dir + img_name
        if img_name.endswith('.jpeg'):
            real_json_path = real_json_dir + img_name[:-5]+'.json'
            pred_json_path = pred_json_dir + img_name[:-5]+'.json'
        else:
            real_json_path = real_json_dir + img_name[:-4]+'.json'
            pred_json_path = pred_json_dir + img_name[:-4]+'.json'

        
        out_img_path = output_dir + img_name
        # 将Labelme文件的标注信息绘制到图片上
        query_info_in_json_and_rectangle(in_img_path,real_json_path,pred_json_path,out_img_path)

输出结果

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

  • 注：真实框（红色），预测框（蓝色）
FriendshipT
关注
  • 22
    点赞
  • 踩
  • 19
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
Python解析labelme——自动提取标注图片的标题
weixin_50547796的博客
06-11 62
以上代码使用Python内置的json模块，读取标注文件并提取其中的图片标题。具体来说，它首先读取json文件，并从中获取’imagePath’字段的值作为初始标题。然后，它遍历文件中的所有形状对象，如果发现某个形状对象的’label’字段与当前标题相同，则说明当前标题包含了标注信息，需要修改标题。但是，由于原始标注文件中的标题可能包含标注信息，因此需要对标题进行进一步处理。本文将介绍如何使用Python解析labelme工具生成的标注文件，自动提取其中的图片标题，并确保标题中不包含标注信息。
【python】labelme
luolinll1212的专栏
11-10 276
win10 pip install pyqt5 pip install pyqt5-tools pip install lxml pip install labelme linux pip install pyqt5 pip install labelme mac pip install pyqt5 pip install pyside2 pip install labelme
Python-labelme用Python实现的图像可视化标记工具
08-11
labelme：用Python实现的图像可视化标记工具
【图像语义分割】Label data的标注--Labelme（python）
热门推荐
Shwan_ma的博客
09-03 6万+
图像语义分割是一种pixel-wise级的一种图像分类操作，其目的是在图像中上的同一个类别上打上相同的label，以表示这个类别是同一类。在训练自己的数据集中，语义分割最重要且最基础的一步便是对图像进行标注，以训练得到自己的模型。在标注图像中，MIT开源了一款标注软件，Labelme. http://labelme2.csail.mit.edu/Release3.0/index.php?mess
用python画apc图_labelme：用Python实现的图像可视化标记工具
weixin_39790510的博客
11-27 141
labelme: Image Annotation Tool with Python Labelme is a graphical image annotation tool inspired by http://labelme.csail.mit.edu.It is written in Python and uses Qt for its graphical interface.Requi...
read_json_读labelme生成json文件的标注框_
09-30
综上所述，理解和解析`Labelme`生成的JSON文件是进行图像分析和机器学习项目的关键步骤。通过使用Python的`read_json`函数，我们可以轻松获取图像的标注信息，进而进行模型训练、验证和测试，推动计算机视觉技术的...
Python库 | labelme-3.12.0.tar.gz
03-06
1. **图像标注**：Labelme提供了一个直观的GUI工具，用户可以轻松地在图像上绘制边界框、多边形、点以及线段，为各种物体和区域添加标签。这些标注信息会保存在JSON格式的文件中，便于后续处理。 2. **数据管理**：...
Python库 | labelme2coco-0.2.1.tar.gz
03-08
首先，它读取Labelme的标注文件，这些文件通常以.json格式存储，包含了图像的元数据和用户绘制的标注信息。接着，库中的解析器将这些信息提取出来，包括图像的路径、宽度、高度以及各类形状的坐标。然后，转换算法将...
标注工具labelimg和labelme.zip
05-29
"标注工具labelimg和labelme.zip" 包含了两种常用的图像标注工具，LabelMe和LabelImg，它们都是Windows操作系统下的可执行文件，用户可以直接运行进行图像对象的标注工作。 1. **LabelMe** LabelMe是一款开源的...
labelme：用Python实现的图像可视化标记工具-python
06-18
labelme：用Python实现的图像可视化标记工具 labelme：带有 Python 的图像注释工具 Labelme 是一种图形图像注释工具，其灵感来自 http://labelme.csail.mit.edu。 它是用 Python 编写的，并使用 Qt 作为其图形界面。 要求 Ubuntu / macOS / Windows Python2 / Python3 PyQt4 / PyQt5 安装 有选项： 平台 agonistic 安装：Anaconda、Docker 平台特定安装：Ubuntu、macOS Anaconda 需要安装 Anaconda，然后在下面运行：conda create --name=labelme python= 2.7 source activate labelme conda install pyqt pip install labelme Docker 你需要安装docker，然后运行如下： wget https://raw.githubusercontent.com/wkentaro/labelme/master/scripts/label
label上画矩形框（圆形等）
01-10
在qt的label上画矩形，截取roi，配置一下opencv可以直接运行，或者可以摘取出来到自己工程中，也可以画圆形，只要把代码改成画圆函数就行，此工程是画矩形
python 解析labelme
jacke121的专栏
01-21 3551
import glob import json import json import cv2 import os file_dir=r'F:\project\jushi\data\CAM-G3-GM10-M1280-D_7E04790PAK00005\label' ori_pic = 'F:\project\jushi\data\CAM-G3-GM10-M1280-D_7E04790PAK00005\images' files=glob.glob(file_dir+'/*') for json_...
使用 Python 和 LabelMe 进行图像标注与分析
最新发布
Xiao_GuanA的博客
11-13 742
LabelMe 是一个开源的图像标注工具，它允许用户在图像上标注物体并为其分配类别。在本文中，我们将介绍如何使用 Python 和 LabelMe 进行图像标注与分析。通过本文，您应该了解了如何安装 LabelMe，使用 Python 与其进行交互，以及在图像上绘制标注。此外，我们还展示了如何保存和加载标注数据。LabelMe 是一个流行的图像标注工具，而 Python 则是一种广泛使用的编程语言。本文将介绍如何使用 Python 和 LabelMe 进行图像标注与分析，帮助您轻松地处理图像数据。
【图像语义分割】Labelme(python)安装
weixin_42618420的博客
11-21 1479
在进行监督学习，需要对目标进行标记，从而生成自己的模型。这里用到了一款标记软件：Labelme 下载地址： https://github.com/wkentaro/labelme 安装： conda create --name=labelme python=3.6 source activate labelme conda install pyqt pip3 install labelm...
python数据标注工具_开源图像标注工具labelme的安装使用及汉化
weixin_39628551的博客
11-29 676
一 LabelMe简介labelme是麻省理工（MIT）的计算机科学和人工智能实验室（CSAIL）研发的图像标注工具，人们可以使用该工具创建定制化标注任务或执行图像标注，项目源代码已经开源。MIT的labelme源代码可以安装到服务器上使用，是一个在线的Javascript图像标注工具，可在任意地方使用，不需要在电脑中安装大型数据集。本文主要介绍一个python版本的labelme，这个label...
python label_Python labelme包_程序模块 - PyPI - Python中文网
weixin_29357243的博客
03-01 373
标签用python实现图像多边形标注说明labelme是一个图形图像注释工具，灵感来自http://labelme.csail.mit.edu。它是用python编写的，并使用qt作为图形界面。VOC数据集实例分割示例。其他示例(语义分割、bbox检测和分类)。各种基本体(多边形、矩形、圆、线和点)。功能[X]多边形、矩形、圆、线和点的图像批注。(tutorial)[X]用于分类和清理的图像标志注...
lstm时间序列预测多输入单输出python
09-17
要使用LSTM进行时间序列预测的多输入单输出模型，你可以按照以下步骤进行操作： 1. 准备数据：将时间序列数据划分为输入特征和输出标签。你可以使用滑动窗口的方法，将过去的时间步作为输入，下一个时间步作为输出。 2. 数据预处理：对输入特征和输出标签进行归一化处理，以提高模型的性能。你可以使用MinMaxScaler或StandardScaler等方法。 3. 构建LSTM模型：使用Keras或TensorFlow等库构建LSTM模型。你可以定义一个包含多个LSTM层的模型，并在最后添加一个全连接层作为输出。 4. 编译和训练模型：编译模型并使用训练数据进行训练。你可以选择适当的损失函数和优化器，并设置适当的训练参数，如批量大小和训练轮数。 5. 模型评估：使用测试数据集评估模型的性能。你可以计算预测结果与实际标签之间的误差，如均方误差（MSE）或均方根误差（RMSE）。 6. 进行预测：使用训练好的模型对未来的数据进行预测。你可以提供新的输入数据，然后使用模型的predict方法获得预测结果。 7. 对预测结果进行逆变换：对预测结果进行逆归一化处理，以获得与原始数据相对应的预测值。 下面是一个示例代码片段，展示了如何使用LSTM进行时间序列预测的多输入单输出模型： ```python from keras.models import Sequential from keras.layers import LSTM, Dense from sklearn.preprocessing import MinMaxScaler # 准备数据 # ... # 数据预处理 scaler = MinMaxScaler() scaled_data = scaler.fit_transform(data) # 构建LSTM模型 model = Sequential() model.add(LSTM(units=64, input_shape=(n_steps, n_features))) model.add(Dense(units=1)) # 编译和训练模型 model.compile(optimizer='adam', loss='mse') model.fit(X_train, y_train, epochs=10, batch_size=32) # 模型评估 mse = model.evaluate(X_test, y_test) # 进行预测 predictions = model.predict(X_future) # 对预测结果进行逆变换 scaled_predictions = scaler.inverse_transform(predictions) # 打印预测结果 print(scaled_predictions) # 相关问题:
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

FriendshipT

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值