如何使用labelme上次的标记结果继续制作图像的标签

众所周知,labelme 软件可以对图像进行标签的制作,本文就来讲解一下如何根据labelme上次的标记结果,继续对图像的标签进行制作。

首先,确保创建的虚拟环境中已经安装了labelme软件,关于labelme的安装在此我就不赘述了,重点来讲解一下如何打开安装好的labelme软件,如下图所示:

第一步:激活已经安装labelme软件的虚拟环境,在此我创建的虚拟环境是PyTorch_cpu

第二步:输入命令 labelme

完成以上两步后就会启动labelme软件,稍等一会儿就会弹出labelme软件的界面,如下图所示

关于该软件的详细使用方法,感兴趣的小伙伴可以参考这位博主的 博文:Labelme的安装和打开并使用_labelme怎么打开-CSDN博客   写得很不错,简单明了,可以快速上手使用labelme

在此,打开路径 “ D:\data\study_a\study1.tif ”下的图像study1.tif  , 并对图像中的建筑物进行标注,如下图所示:

图像:

标注结果:

从图中可以看到,建筑物都用红色的矩形框框选了出来,并且说明红色框表示 building 这一类别,这样就完成了标注。

一般地,完成标注之后,点击 save,可以看到我们的标记结果被保存为json文件,如图所示

那么在图像study1.tif所在路径的文件夹(此处是study_a)中就可以找到保存的含有标注信息的json文件study1.json了 

重新激活环境 PyTorch_cpu,并且输入如图所示的命令:  就可以看到文件夹下有多了一个文件夹study1_json,该文件夹下的内容如图所示:

我想 label.png 就是我们需要的标签数据文件了 

有的时候可能会发现标签的标注信息不准确,需要对label.png标签图像进行修改,那么应该怎么操作呢?总不能再次重新标记一遍吧

只需要打开我们刚才保存的 json文件(study1.json)就可以继续上次的标记结果来修改标记图像label.png了,如下图所示: 

在蓝色框选的部分中,我又添加了两个建筑物,对该标记结果点击界面右侧的save按钮,就可以对原来study1.json文件中的标注信息进行更新了,重新将该json文件中的信息转换为png图像形式,结果如图所示:

 

 从上述两幅图像的对比可以看到,新的标记结果图已经重新补充了两个建筑物信息

综上所述就是关于如何使用labelme软件修改标注结果的过程,如果有任何问题欢迎评论区下面评论,期待与大家一起讨论!

 

  • 9
    点赞
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
使用Labelme批量标注制作vol标签,您可以按照以下步骤进行操作: 1. 安装Labelme工具 首先,您需要安装Labelme工具,可以在其官网下载并安装:https://github.com/wkentaro/labelme 2. 创建vol标签Labelme中,您可以通过点击“Create Polygons”按钮来创建多边形标签。为了创建vol标签,您需要在“Label List”中添加一个新标签,将其命名为“vol”或其他您想要的名称。 3. 批量标注 现在,您可以将需要标注的图像文件放置在同一个文件夹中,并使用以下命令批量运行Labelme: ``` labelme --json_dir /path/to/json/files --labels /path/to/labels.txt ``` 在上述命令中,`--json_dir`参数指定JSON文件的保存路径,`--labels`参数指定标签文件的路径。在运行Labelme后,您可以使用多边形工具为每个图像文件创建vol标签。 4. 导出标注结果 完成标注后,您可以使用以下命令将标注结果导出为VGG Image Annotator(VIA)格式的JSON文件: ``` labelme_json_to_dataset /path/to/json/files -o /path/to/output/dataset ``` 在上述命令中,`labelme_json_to_dataset`是Labelme提供的一个工具,用于将JSON文件转换为VIA格式。`/path/to/json/files`参数指定JSON文件的保存路径,`-o`参数指定导出的数据集文件夹的路径。 5. 训练模型 最后,您可以使用上述导出的VIA格式数据集来训练深度学习模型,用于自动识别vol标签。具体的训练方法和工具依赖于您所选择的深度学习框架和模型。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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