Anylabeling工具标注及json数据处理

1.在anaconda里创建标注环境，并open Terminal

输入指令下载anylabeling工具，

下载完后打开anylabeling，界面如图：

2.选择路径

2.1 左上角文件夹图标 打开路径，找到自己数据集所在文件夹。

2.2 左下位置有一个 粉色大脑状的图标，这里可以载入模型辅助打标签。

这里的模型可以直接选择下载（需要科学上网），也可以载入自己的权重。

2.3 模型选择完点右边的 + point 即可点选目标，倘若超过边界可以选 - point 消除掉多余内容。

一般来说如果自己所需目标边界清晰的话借助ai模型可以避免很多麻烦，当遇到边界模糊的也可以点击左边六边形图标选择人工标注。

如图示，借助模型鼠标一键即可选中dog边界，倘若人工标注至少要鼠标点击十几次。标记一个目标后按F键打标注；一次标注后后面的重复目标不需要输入，直接点选就可以。

这里可以按A返回上一个，D进到下一张，快捷打标。

可以在路径下自动生成json文件：

然后就可以根据需要处理数据集啦！

3.数据处理

由于都是生成的json文件，我试想过去用labelme制作数据集时的png转换脚本或许在这里也可以用，于是没多想直接ctrl+v过来，完全可用。

3.1路径设置：before文件夹即原图+json文件路径，jpgs_path原图路径；pngs_path即生成图路径；

3.2自己设置好classes：背景+自己目标的名称

注这里需下载labelme帮助处理数据。

import base64
import json
import os
import os.path as osp

import numpy as np
import PIL.Image
from labelme import utils

if __name__ == '__main__':
    jpgs_path   = "dataset2/JPEGImages"
    pngs_path   = "dataset2/SegmentationClass"
    
    classes     = ["_background_", "dog"]
    
    count = os.listdir("./dataset2/before/")
    for i in range(0, len(count)):
        path = os.path.join("./dataset2/before", count[i])

        if os.path.isfile(path) and path.endswith('json'):
            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)
            
                
            PIL.Image.fromarray(img).save(osp.join(jpgs_path, count[i].split(".")[0]+'.jpg'))

            new = np.zeros([np.shape(img)[0],np.shape(img)[1]])
            for name in label_names:
                index_json = label_names.index(name)
                index_all = classes.index(name)
                new = new + index_all*(np.array(lbl) == index_json)

            utils.lblsave(osp.join(pngs_path, count[i].split(".")[0]+'.png'), new)
            print('Saved ' + count[i].split(".")[0] + '.jpg and ' + count[i].split(".")[0] + '.png')

生成png图以及叠加后的Mask图如下所示：

当然也可以根据自己的需要做相应的数据处理；

Anylabeling作为支持ai模型的标注工具为标注工作减轻了不少负担~