LabelMe使用

版权声明：本文为博主原创文章，遵循 CC 4.0 by-sa 版权协议，转载请附上原文出处链接和本声明。

本文链接： https://blog.csdn.net/qq_31347869/article/details/91180129

LabelMe 可用于实例分割，语义分割，目标检测，分类任务的数据集标注工作。

在线标注版本：http://labelme2.csail.mit.edu/Release3.0/index.php?message=1
python 版本：https://github.com/wkentaro/labelme

官方文档：

分类标注：Classification
目标检测标注：Object Detection
语义分割标注：Semantic Segmentation
实例分割标注：Instance Segmentation
视频标注：Video Annotation
其他形式标注：LabelMe Primitives

python版本使用

使用环境：Anaconda
python版本：2.7 / 3.6

1. 安装

# python2.7版本安装
conda create --name=labelme python=2.7
source activate labelme
# conda install -c conda-forge pyside2
conda install pyqt
pip install labelme
# if you'd like to use the latest version. run below:
# pip install git+https://github.com/wkentaro/labelme.git

# python3.6版本安装
conda create --name=labelme python=3.6
source activate labelme
# conda install -c conda-forge pyside2
# conda install pyqt
pip install pyqt5 # pyqt5 can be installed via pip on python3
pip install labelme

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16

2. 使用

# 查看labelme使用方法
labelme --help

(labelme) @supermicro:~$ labelme --help
usage: labelme [-h] [--version] [--reset-config]
[--logger-level {debug,info,warning,fatal,error}]
[--output OUTPUT] [--config CONFIG_FILE] [--nodata]
[--autosave] [--nosortlabels] [--flags FLAGS]
[--labelflags LABEL_FLAGS] [--labels LABELS]
[--validatelabel {exact,instance}] [--keep-prev]
[--epsilon EPSILON]
[filename]

positional arguments:
filename image or label filename

optional arguments:
-h, --help show this help message and exit
--version, -V show version
--reset-config reset qt config
--logger-level {debug,info,warning,fatal,error}
logger level
--output OUTPUT, -O OUTPUT, -o OUTPUT
output file or directory (if it ends with .json it is
recognized as file, else as directory)
--config CONFIG_FILE config file (default: /home/zyy/.labelmerc)
--nodata stop storing image data to JSON file
--autosave auto save
--nosortlabels stop sorting labels
--flags FLAGS comma separated list of flags OR file containing flags
--labelflags LABEL_FLAGS
yaml string of label specific flags OR file containing
json string of label specific flags (ex. {person-\d+:
[male, tall], dog-\d+: [black, brown, white], .*:
[occluded]})
--labels LABELS comma separated list of labels OR file containing
labels
--validatelabel {exact,instance}
label validation types
--keep-prev keep annotation of previous frame
--epsilon EPSILON epsilon to find nearest vertex on canvas

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34
• 35
• 36
• 37
• 38
• 39
• 40
• 41

• -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

3. 分割任务标注示例

终端直接输入：

# 直接打开labelme
labelme

 
 

 
 
1
2

• 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）：

右键单击可以选择不同的标注方式，比如 polygons 用于分割，rectangle 用于检测。

如果是实例分割，一个图像中有多只猫，标签的命名规则为：cat1、cat2 …，如果是语义分割就不用区分了。

labelme 可以进行多类别标注，Label List 显示当前已有的类别，Polygon Labels 显示当前已标注的区域，通过勾选 Polygon Labels 前面的 “√”，可以选择显示特定的分割区域：

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 /path/to/your/jsonfile
# 转换
labelme_json_to_dataset <文件名>.json
# 比如
labelme_json_to_dataset cat.1.json

 
 

 
 
1
2
3
4
5
6

将在当前目录下得到一个文件夹 cat_1_json，包括四个文件：

• 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

label.png：

label_viz.png：

4. 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/

# 直接打开指定的图片
labelme cat.1.jpg

# 标注保存为json文件同时自动关闭gui窗口
labelme cat.1.jpg -O cat.1.jpg.json

# 指定label list
labelme cat.1.jpg
--labels cat,eye
# 或者传入文件形式的label list
--labels labels.txt

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17

（2）将 JSON 文件转换为 image 和 label

# 在当前目录下生成一个文件夹cat_1_json
labelme_json_to_dataset cat.1.json

# 指定生成文件夹的名字为cat1
labelme_json_to_dataset cat.1.json -o cat1

• 1
• 2
• 3
• 4
• 5

（3）可视化 json 文件：

# 终端输入
labelme_draw_json cat.1.json

 
 

 
 
1
2

5. 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 = ‘imgs/cat1/label.png’ # 设置标签文件路径
>>> lbl = np.asarray(PIL.Image.open(label_png))
>>> print(lbl.dtype)
dtype(‘uint8’)
>>> np.unique(lbl)
array([0, 1, 2], dtype=uint8)
>>> lbl.shape
(280, 300)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11

查看 label.png：

# 终端输入
labelme_draw_label_png imgs/cat1/label.png

 
 

 
 
1
2

6. 生成VOC格式的标签数据

在下载的 labelme 的 zip 包里，路径 labelme/examples/semantic_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 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 cat_annotated cat_dataset_voc --labels labels.txt

• 1
• 2
• 3
• 4
• 5

在当前目录下自动生成 cat_dataset_voc 文件夹（转换前确保不要有重名文件夹，否则会报错）

cat_dataset_voc 文件夹内容：

转换为 COCO 数据格式，同样的套路：

./labelme2coco.py data_annotated data_dataset_coco --labels labels.txt

 
 

 
 
1

                                </div>
            <link href="https://csdnimg.cn/release/phoenix/mdeditor/markdown_views-e44c3c0e64.css" rel="stylesheet">
                </div>