制作数据集与Labelme使用

★ 启动Anaconda虚拟机流程:

在这里插入图片描述

★ 使用Labelme工具制作样本流程:

1、激活tensorflow-gpu-2.4.0虚拟机

2、执行labelme指令,启动UI进行图片标注

3、执行json_to_dataset.py脚本,将json图片转化成label可以使用的图片(参考工程:语义分割\unet-pytorch-main)

4、执行yg2uent.py脚本,将图片划分为训练集与验证集,并生成train.py训练时读取的txt文件

★ 手动执行流程:

1、cmd执行labelme指令,打开QT,选择图片,进行制作,保存为json文件

2、进入json文件路径,cmd执行labelme_json_to_dataset x.json,生成x.json文件夹(output文件夹)

3、将原图与x.json文件,存放于(before文件夹)

4、执行get_jpg_and_png脚本

  • 7
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
COCO数据集是一个广泛使用的计算机视觉数据集,其中包含了各种各样的物体类别和场景,是用于目标检测、图像分割和关键点检测等任务的重要资源。而LabelMe是一种常用的图像标注工具,可以用来为图像数据集生成语义标签。 要制作COCO数据集labelme标注,首先我们需要将COCO数据集的图像导入到LabelMe中。在LabelMe中,我们可以手动创建标注框或者分割区域,并为其添加相应的类别标签。对于目标检测任务,我们需要使用矩形标注工具绘制物体的边界框,并为每个边界框添加相应的物体类别。而对于图像分割任务,我们则需要使用分割标注工具手动绘制每个物体的轮廓,并为其添加相应的语义标签。 完成标注后,LabelMe会自动将标注信息保存为JSON格式的文件,并与原始图像进行关联。这些JSON文件包含了图像的路径、尺寸信息以及每个标注框或分割区域的位置、宽度、高度等信息。此外,JSON文件还包含了标签类别和颜色编码等额外信息。 使用LabelMe标注COCO数据集的好处之一是它的图像可视化界面友好,并且可以灵活地绘制不同形状的标注区域。此外,LabelMe还支持多用户标注、标注数据的半自动导出等功能,方便我们进行标签标注和数据管理。 当我们完成使用LabelMe标注COCO数据集后,我们可以将生成的JSON文件转换为COCO数据集所需的标注格式。通过分析和处理JSON文件中的标注信息,我们可以生成对应的物体边界框、分割区域等标签信息,并与图像数据一起构建COCO数据集,用于训练和评估各种计算机视觉任务的模型。

“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