labelme安装使用与批处理

一、labelme安装

1.创建虚拟环境：

在Anaconda 中输入以下命令，创建名为labelme的虚拟环境

// 创建labelme环境
conda create --name=labelme python=3.7

2.激活虚拟环境labelme：

// 激活labelme环境
conda activate labelme

3.安装pyqt：

// 安装pyqt
conda install pyqt

4.安装labelme：

// 安装labelme
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple labelme

二、labelme使用

1.激活虚拟环境labelme

// 激活labelme环境
conda activate labelme

2.打开labelme

命令行输入：labelme

// 打开labelme
labelme

三、labelme批处理

编辑好的生成的*.json文件路径为：C:\Users\14197\Desktop\json

1.修改json_to_dataset.py

json_to_dataset.py路径：
E:\Anaconda\envs\labelme\Lib\site-packages\labelme\cli\json_to_dataset.py
其中，labelme为安装labelme时创建的虚拟环境名称
该文件可将单个*.json文件转换为dataset，为了实现批处理，对该文件进行修改：

// json -> dataset批处理
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()

2.激活虚拟环境labelme

// 激活labelme环境
conda activate labelme

3.切换路径至数据集路径

4.批处理（json->dataset）

// 批处理
labelme_json_to_dataset C:\Users\14197\Desktop\json

5.批量转换结果

6.样本与标签批量提取

目的：将各dataset文件夹中的标签重命名为dataset文件夹名，与图片实现配对，构成数据集。

// 批处理
%-----------------------matlab图片批处理--------------------------%
%    将labelme保存的_json文件中label.png批量导出
%      name.json    ->   name_json（img.png；label_viz.png
%                                   info.yaml；label.png；label_names.txt）
%      name_json   ->   mask_name.png
%-----------------------------------------------------------%

clear;clc;

maindir = 'C:\Users\14197\Desktop\json';                %dataset文件目录
fileSavePath='C:\Users\14197\Desktop\json\label';       %保存mask的的文件夹
subdir=dir(maindir);

for i = 1 : length( subdir )
    % 如果不是目录则跳过
    if( isequal( subdir( i ).name, '.' )||...
        isequal( subdir( i ).name, '..')||...
        ~subdir( i ).isdir)               
        continue;
    end
    
    % 子文件夹下找label.png的文件
    subdirpath = fullfile( maindir, subdir( i ).name, 'label.png' );
    label = dir( subdirpath )  ;             

    for j = 1 : length( label )
        labelpath = fullfile( maindir, subdir( i ).name, label( j ).name);
        imgSrc=imread(labelpath);
        
        % （1，0）->（255，0）
        imgSrc=255*imgSrc; 
 
        savePathName=sprintf('%s%s%s%s',fileSavePath,'\','mask_',subdir( i ).name,'.png');
        imwrite(imgSrc,savePathName);
    end
end