虚拟环境的创建以及labelme和labelImg的使用教程

目录

前言

Anaconda创建虚拟环境

win 11系统

Ubuntu系统

Labelme的使用教程

1、激活环境

2、下载指定版本

3、创立图片文件夹

4、使用labelme标注

5、使用脚本将json转为png

LabelImg的使用教程

1、LabelImg的介绍

2、LabelImg的安装 

3、LabelImg的使用

4、常常使用的快捷键

结语

---

前言

在写作这篇博客时，我本来打算将虚拟环境的创建和标注软件的使用分开讲解。然而，在完成虚拟环境的创建部分后，我发现它的字数似乎有些不足以独立成篇。因此，我决定将这两部分内容放在一起，以便读者更全面地了解这两个主题的关联性。

在本篇博客中，我将简单介绍如何在Win11和Ubuntu系统上创建虚拟环境，以及如何使用这两款（labelme和labelimg）标注软件进行数据标注。我不仅会介绍它们的下载和使用流程，还会分享我平时标注时所用的一些案例和快捷键。最后，我还会分享一个将JSON转换成PNG格式的脚本，希望对你的标注工作有所帮助。

我相信这篇教程能够帮助你解决许多标注相关的问题。请继续阅读，了解更多！

Anaconda创建虚拟环境

win 11系统

我的是win11系统，可以点击搜索。或者是按下win+s键打开。

在里面输入Anaconda Prompt

初始是这样的：

(base) C:\Users\honor>

（base）是一个基础的环境，在这里我们先查看我们的虚拟环境

输入conda env list

除了base，其他都是我创建的虚拟环境，当然有的一直没有用。

然后我们需要创建自己的环境：conda create -n env_name python=3.7 

env-name就是环境的名称，可随意更改，python=3.7是环境安装的python版本，也可按需更改，高版本并不好，常常会出现一些bug，我最爱用的还是3.7及其下的版本。

• 激活环境：activate env_name，然后你就可以根据需要pip下载包了
• 退出环境：deactivate，我通常会省去这步，直接activate 其他的虚拟环境名，这样方便转换到其他虚拟环境
• 删除虚拟环境：conda remove -n env_name --all

Ubuntu系统

当然啦，由于我们实验室有工作站，是Ubuntu系统的，情况类似，只是在激活环境和退出环境时，前面要加上source

• 激活环境：source activate env_name
• 退出环境：source deactivate
   

Labelme的使用教程

首先，要安装好虚拟环境，如上所示，我的虚拟环境就叫labelme，专门使用它

1、激活环境

输入：activate labelme

2、下载指定版本

在该环境下，输入命令行

pip install labelme==3.16.7

据前辈所说，有些版本的labelme会发生错误，具体的错误为：Too many dimensions：3 > 2，

总之，这个下就行了。由于我的已经安装好了，所以这里不展示了。

3、创立图片文件夹

在一个文件下，我希望你有以下三个文件：

• pic
• json
• lab

不管你的命名的是什么，搞清楚它们的作用就行了，pic是你需要标注的图片存放位置，json是你标注后生成的文件，lab是通过脚本将json文件转化为png格式的图片。

内容展示

4、使用labelme标注

激活环境后，直接输入labelme。

(labelme) C:\Users\honor>labelme

点击右边导航栏中顺数第二个，即可打开你需要标注的图片所在的文件夹进行批量标注。

我拿网上的数据集CrackForest，做为示范。

选中你要标记的图片，点击Create Polygons（顺数第七个）。

 

原始图片是这样的，在标注时一定要尽可能的放大最大去标注，你的预测效果与你的标注息息相关。如下图所示

记住一定要闭环，最后一个点一定要与起点相接。这里假设我们完成后，他就会出现这样的弹窗。

在这里的crack是我们自己输入的，输入一次后会默认，当然多个物体标注时，在下面的白色画布部分会有你想要分类的记录。

如果你觉得你自己有些点标注的地方不是很如意，可以点击Edit Ploygons（顺数第八个）。当你触碰到点时对应的点会变红变大，如果你移动到了中间的红色区域，你可以对其进行拖拽，对不满意的地方进行修改，这是其中的一个修改方法。

有些快捷键是你需要掌握的：

• Ctrl+z：撤回上一个标注的点，不要一直按，它可能会同时将你已经标注好的区域全部撤回。
• Ctrl+鼠标滚轮：对图片进行放大缩小
• Alt+鼠标滚轮：左右横向移动
• 鼠标滚轮：上下移动
• Ctrl+s：保存

完成一张图后，一定一定要保存呀，位置就在json文件夹当中，保存成功后，右下角的File list对应图片的位置会有蓝底白色的小勾。

5、使用脚本将json转为png

Json2Image.py

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 = "E:\Deeplearning\Road_Detect_Project\THREE_ZJR\zjr"
    pngs_path = "E:\Deeplearning\Road_Detect_Project\THREE_ZJR\png"
    # classes     = ["_background_","aeroplane", "bicycle", "bird", "boat", "bottle", "bus", "car", "cat", "chair", "cow", "diningtable", "dog", "horse", "motorbike", "person", "pottedplant", "sheep", "sofa", "train", "tvmonitor"]
    # classes     = ["_background_","cat","dog"]
    classes = ["_background_", "crack"]

    count = os.listdir("E:\Deeplearning\Road_Detect_Project\THREE_ZJR\json")
    for i in range(0, len(count)):
        path = os.path.join("E:\Deeplearning\Road_Detect_Project\THREE_ZJR\json", count[i])
        print(count[i])

        if os.path.isfile(path) and path.endswith('json'):
            data = json.load(open(path), strict=False)

            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')

在这里面，凡是出现了路径都要改，对应的部分一定要分清楚，然后所需要分的类型也要修改，也就是classes变量。接着点击运行就可以了。我的建议呢就是每个工程文件下都留有这个py文件，有好处的。

LabelImg的使用教程

这里我建议重新创建一个环境，虚拟环境的创建方法参照文章开头即可。

1、LabelImg的介绍

labelimg与labelme一样是用于标注图像的软件，用Python编写并使用Qt作为其ui图形界面。下面三种是它提供可标注的格式：

•  VOC标签格式，保存为xml文件。
•  YOLO标签格式，保存为txt文件。
•  createML标签格式，保存为json格式。

2、LabelImg的安装 

按照下面的流程进行安装即可：

pip install PyQt5 -i https://pypi.tuna.tsinghua.edu.cn/simple/
pip install pyqt5-tools -i https://pypi.tuna.tsinghua.edu.cn/simple/
pip install lxml -i https://pypi.tuna.tsinghua.edu.cn/simple/
pip install labelImg -i https://pypi.tuna.tsinghua.edu.cn/simple/

这里均用的都是国内的清华镜像源，下载速度比较快。 

3、LabelImg的使用

(labelimg) C:\Users\honor>labelImg

这个界面还真是与labelme相似，这里要注意的是后面的是大写的字母“i”。

步骤一：

        在左方的导航栏中，打开需要标注的图片目录。（由上至下第二个）

步骤二：

        快捷键Ctrl+R，选择默认保存途径。

步骤三：

        首先，你需要对你标注的对象进行格式的选择，标注模式分为VOC和YOLO两种，两种模式下生成的标注文件分别为.xml文件和.txt文件。

        绘制边界框，点击“Creat RectBox”后，选择合适的左上角，然后拖动，并对目标进行标注。

 

4、常常使用的快捷键

Ctrl + L更改线框颜色

Ctrl + D复制框

Ctrl + H隐藏所有的框

Ctrl + A显示所有的框

Ctrl + shift + F图像适应宽度

结语

2023-02-16 创作的是"虚拟环境的创建以及labelme的使用教程";

2023-03-13 新添labelimg的教程。

在人工智能的时代，标注数据已经成为了推动技术进步的重要一环。标注软件的使用对于数据标注的效率和准确性有着决定性的影响。我们需要意识到，标注不仅仅是一项重复性的劳动，更是一项需要技能和专业知识的工作。因此，我们需要持续地学习和探索，提高自身的标注能力。在这个过程中，labelme和labelimg这两款优秀的标注软件无疑是不可或缺的工具。

同时，我们也需要认识到，标注不仅仅是一种技能，更是一种责任。我们的标注数据将会被用于训练和评估各种人工智能模型。因此，我们需要严谨地对待每一项标注工作，确保数据的质量和可靠性。

最后，我想说，标注是一项具有挑战性和成就感的工作。每一次标注的进步和提高，都是对自己能力的认可和鼓励。让我们一起努力，探索标注的无限可能！（哈哈，说的有点大了）