Labelme标注的数据解析与批量实现json_to_dataset将json文件转换为训练所需的dataset

最新推荐文章于 2024-07-19 11:42:05 发布

ruolyn

最新推荐文章于 2024-07-19 11:42:05 发布

阅读量1.5w

点赞数 21

分类专栏： Mask R-CNN

本文链接：https://blog.csdn.net/kellyroslyn/article/details/103676976

版权

Mask R-CNN 专栏收录该内容

1 篇文章 0 订阅

订阅专栏

使用的系统是：ubuntu 16.04, anaconda

一、安装

安装方式参考labelme 的gitbub上面的教程，我主要是在anaconda的虚拟环境下安装，安装步骤为：

conda create --name=labelme python=3.6
source activate labelme
pip install labelme

当要使用labelme的时候，在任意地方打开终端，然后激活labelme虚拟环境，然后输入labelme，回车即可打开。
在这里插入图片描述

二、使用

labelme --help

在这里插入图片描述

-h或-help显示帮助信息
-V或–version显示labelme版本号
–output: 指定输出标注文件的保存路径，如果路径以.json结尾，则保存为一个.json文件，否则默认保存为文件夹形式
–labels:用于指定标签名称，可以是用逗号分隔的label list，也可以是包含标签的txt文件
–nodata: 不保存图像到JSON文件

三、分割任务标注示例

终端激活虚拟环境labelme，然后直接输入labelme打开

source activate labelme
labelme

open: 打开某一张图片
openDir: 打开某一文件夹，加载其目录下的所有图片

通过open读取图片，选择create polygons手动进行勾画，全部完成后保存为json文件（在当前目录下）：

在这里插入图片描述
右键单击可以选择不同的标注方式，比如polygon用于分割，rectangle用于检测。
如果是实例分割，一个图像中有多个人，标签命名规则为：person1、person2, …, 如果是语义分割就不用区分了。

要得到label文件，需要将json转换为单通道的image，终端输入命令：

#进入json文件保存目录
cd /home/drl/labelme/mydata
#转换
labelme_json_to_dataset <文件名>.json
#比如
labelme_json_to_dataset 001150.json

在这里插入图片描述
将在mydata文件夹下生成一个名为：001150_json的文件夹，里面包含四个文件：

img.png: 原始图像
label.png: 标签，uint8
label_viz.png: 可视化的带标签图像
label_names.txt: 记录了标签的名称

img.png :
在这里插入图片描述 label.png:
label_viz.png:

四、其他说明

（1）启动labelme的方式：

#直接打开labelme
labelme

#打开某个文件夹，加载该文件夹下及其子文件夹下的所有图片
#labelme path/to/imgfile/
#比如：
labelme /home/drl/labelme/mydata/

在这里插入图片描述

#直接打开指定的图片
cd /home/drl/labelme/mydata/
labelme 001150.jpg

在这里插入图片描述

#标注保存为json文件同时自动关闭gui窗口
labelme 001150.jpg -o 001150.jpg.json

#指定label list
labelme 001150.jpg \
   --labels person1, person2, dog
   #或者传入文件形式的label list
   --labels labels.txt

在这里插入图片描述

(2)将JSON文件转换为image和label

#在当前目录下生成一个文件夹001150_json
labelme_json_to_dataset 001150.json

#指定生成文件夹的名字为001150data
labelme_json_to_dataset 001150.json -o 001150data

在这里插入图片描述

(3)可视化json文件

source activate labelme
cd /home/drl/labelme/mydata/
labelme_draw_json 001150.json

在这里插入图片描述

五、加载标签png

label.png用scipy.misc.imread或者skimage.io.imread读取可能会出错，推荐用PIL.Image.open读取：

>>>import numpy as np
>>>import PIL.Image
>>>label_png = '/home/drl/labelme/mydata/001150_json/img.png' #设置标签文件路径
>>>lbI = np.asarray(PIL.Image.open(label_png))
>>>print(lbI.dtype)

>>>np.unique(lbI)

>>>lbI.shape
(375, 500, 3)

在这里插入图片描述查看label.png:

#终端输入
labelme_draw_label_png /home/drl/labelme/mydata/001150_json/label.png

在这里插入图片描述

六、生成VOC格式的标签数据

在下载的labelme的zip包里，路径labelme/examples/instance_segmentation下，data_annotated是原图和对应的JSON文件，data_dataset_voc是VOC格式的输出结果，labelme2voc.py是转换的主函数，labels.txt是标签类别。

1）文件组织形式如下：

*_annotated 存放原图和已经生成的对应的JSON文件
将labelme工程文件下的labelme2voc.py复制过来
自己写一个*.txt文件，内容是分割的标签，最前面加上__ignore__和_background_

2) 转换为VOC数据格式

#终端输入
./labelme2voc.py [图像路径] ·[voc文件夹名称] --labels [label list]

#比如
./labelme2voc.py data_annotated data_annotated_voc --labels label.txt

在这里插入图片描述
在当前目录下自动生成data_annotated_voc文件夹（转换前确保不要有重名文件夹，否则会报错）
data_annotated_voc文件夹内容：
转换为COCO数据格式，同样的套路：

./labelme2coco.py data_annotated data_annotated_coco --labels label.txt

九、实现labelme批量json_to_dataset方法

labelme可以帮助我们快速地实现Mask R-CNN中数据集json文件的生成，然而还需要我们进一步地将json转成dataset，可以直接在终端输入 labelme_json_to_dataset 001150.json实现，但是这个过程需要我们一个一个json文件地去生成，效率很慢。

1）找到`json_to_dataset.py`文件，该文件位于从github下载的labelme文件夹下的`labelme/labelme/cli/json_to_dataset.py`

在这里插入图片描述这里面提供将json转成dataset的代码，所以我们只需要在好这个基础上更改即可。

2）代码实现

复制json_to_dataset.py，代码更改为：

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()

然后另存为json_to_dataset_mine.py文件，该文件仍然位于labelme/labelme/cli/json_to_dataset_mine.py

3) 批量生成json的dataset

首先我的原图是存放在spikelet-image文件夹下，json文件存放在Instance-Annotations文件夹下，在执行批量json_to_dataset_mine.py文件之前，先在spikelet文件夹下新建一个用于存放生成的dataset的文件夹，命名为：spikelet-json-dataset

在这里插入图片描述然后在json文件所在文件夹spikelet-json-dataset下右键打开终端，并激活labelme虚拟环境：

source activate labelme
python /home/drl/labelme/labelme/cli/json_to_dataset_mine.py /media/drl/系统/spikelet/Instance-Annotations

在这里插入图片描述然后看spikelet-json-dataset文件夹下生成了和每一个json文件对应的dataset文件。

在这里插入图片描述

ruolyn

关注

21
点赞
踩
112

收藏

觉得还不错? 一键收藏
10
评论
Labelme标注的数据解析与批量实现json_to_dataset将json文件转换为训练所需的dataset

使用的系统是：ubuntu 16.04, anaconda一、安装安装方式参考labelme 的gitbub上面的教程，我主要是在anaconda的虚拟环境下安装，安装步骤为：conda create --name=labelme python=3.6source activate labelmepip install labelme当要使用labelme的时候，在任意地方打开终端，...
复制链接

扫一扫