手把手教你Labelme 标注YOLO实例分割数据集

于 2024-08-17 10:13:22 发布
阅读量179 收藏 1
点赞数 9
分类专栏： 3D视觉从入门到精通 文章标签： 人工智能 深度学习 计算机视觉
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_53545309/article/details/141276377
版权

目录

1，安装labelme

2 ，标注流程

3，训练结果展示

1，安装labelme

激活虚拟环境

conda activate  your_environment

安装labelme

Pip install labelme -i Simple Index

打开labelme

2 ，标注流程

先把自动保存点一下

选择图片所在文件夹，直接把图片放在我给你的这个问价夹里面的image文件夹下即可

Ctrl +   放大图片

CTRL -  缩小图片

CTRL + z  撤销一个标点

标注的时候尽量放大之后再标

点击创建多边形

然后开始描点

1，不要和物体直接留白（可以标在物体内部一点，但是一定不要留空白区域）

2，完成一圈框选之后，点击最开始的点，就会让你输入标签名，，自己取名字，一个名字就是一个分类（数据量少一个分类就够了一般来说）

标注完成之后点击下一副

全部完成之后记得先看看image文件夹下有没有生成json文件，再叉掉这个标注界面

数据转换（json转txt）

把这个文件夹用pycharm打开

运行，即可完成转换

然后把对应jpg和txt放入这个数据集文件夹

一般训练集是越多越好，测试集留1/10

3，训练结果展示

今夕是何年，
关注
  • 9
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
coco、voc实例分割数据集制作-labelme
07-09
使用LabelMe制作实例分割数据集，你需要先安装Anaconda，这是一个强大的Python环境管理器，它可以帮助我们便捷地安装和管理各种依赖库。 1. **Anaconda安装**： - 下载Anaconda安装包，根据操作系统选择对应的版本...
labelme标注的voc分割数据
08-16
注意：该数据集是用于图像分割的，且是人物图像分割。 包含了训练集合和测试集合。 训练集：32张 测试集：8张 由于数据集小，所以此数据集只用于快速验证分割网络的搭建。
基于labelme标注的纸箱数据集
11-21
本数据集以“纸箱”为主题，利用Labelme工具进行了详细标注，为图像分割任务提供了丰富的素材。Labelme是一款开源的图像注释工具，它允许用户通过图形界面轻松地对图像进行多边形标注，适用于各种物体识别和分割任务...
Labelme标注的数据集转为VOC2007
04-29
7. **训练物体检测模型**：最后，你可以使用转换好的VOC2007数据集训练物体检测模型，如YOLO、SSD或Faster R-CNN等。训练过程中，模型会学习从图像中识别和定位你所标注的物体类别。 转换Labelme标注到VOC2007格式...
yolo数据集的数据增强 可实现带标签扩增
04-18
Support data enhancement when ...这是数据集扩增的一个小工具，在您想使用yolo等目标检测算法时数据集较少的情况下能够进行变化增强图片，丰富您的数据集。 (支持LabelIMg和LabelMe标注的文件) 包括3个python文件
C/C++开发，opencv内置背景减除算法与运动检测
技术需要分享
08-14 958
C/C++开发，opencv内置背景减除算法的完整代码及编译过程示例
AI赋能软件测试：从自动化到智能化，让测试工作事半功倍
m0_64146991的博客
08-15 113
APP端测试，专项测试，测试工具
Spark MLlib 特征工程(上)
08-14 2454
特征选择的动机，在于提取与预测标的关联度更高的特征，从而精简模型尺寸、提升模型泛化能力。特征选择可以从两方面入手，业务出发的专家经验和基于数据的统计分析。归一化的目的，在于去掉不同特征之间量纲的影响，避免量纲不一致而导致的梯度下降震荡、模型收敛效率低下等问题。归一化的具体做法，是把不同特征都缩放到同一个值域。在这方面，Spark MLlib 提供了多种归一化方法供开发者选择。
GraphRAG：复杂查询的知识图谱新框架
YeJuliaLi的博客
08-14 733
微软最近发布了名为 GraphRAG（Graphs + Retrieval Augmented Generation）的创新 RAG 框架，这是一个将文本提取、语义网络分析，与大语言模型（LLM）的提示和总结功能结合在一起的端到端系统，用于深入理解文本数据集。在对私有数据中的复杂文本信息进行文档分析时，GrahRAG 使用 LLM 生成的知识图谱来大幅提高问答性能。这里的私有数据集是指 LLM 没...
阿里推出视频 AI 生成式框架 Tora，通过轨迹生成视频
qq_57728300的博客
08-13 577
阿里集团推出面向轨迹的视频生成框架 Tora，可以生成精美的视频。
Denosing && RayDN-对同一射线的误检测优化
zisuina_2的博客
08-16 218
Denosing操作理解DN-DETR增加denosing操作，帮助快速拟合，提高了目标检测任务中的效率和精度。通过这种方式，DN-DETR 克服了原始 DETR 的一些限制，使其在实际应用中具有更好的性能和鲁棒性。GTBoxes通过随机偏移H, L,W进行偏移，当中心点x,y的偏移都>L/2,W/2会将label设置为num_class，也就是负样本，会对GTBoxes重复n次组成n=10。
数字化转型-成就智慧智慧企业
绿茵场的激情
08-12 379
数字化转型是企业迈向智慧化发展的关键路径，通过将先进的数字技术融入企业核心业务，构建智能化、数据驱动的运营模式，实现业务的全面升级与优化。
基于车联网大数据平台的用户驾驶习惯行为画像分析
DolphinDB智臾科技
08-15 580
车联网系统中，利用大数据对驾驶行为进行研究，有助于了解驾驶员的特征，并提供优化建议。本文从用户驾驶行程中的速度偏好、驾驶风格、熟练度三个方面描述用户画像，并介绍如何使用 DolphinDB 基于 K-means 算法的聚类模型生成用户画像与个性化标签，完成数据存储、处理、特征提取、模型构建及预测等全过程。
探索TensorFlow：深度学习的未来
2401_85742452的博客
08-16 225
TensorFlow是一个用于数值计算的开源软件库，其设计灵感来源于神经网络的结构。"Tensor"在数学中代表多维数组，而"Flow"则指的是数据在计算图中的流动。TensorFlow允许用户构建复杂的计算模型，并通过自动微分来优化这些模型。
SciPy：基于 NumPy 的算法库和数学工具包，用于数学、科学和工程领域。
LS_Ai的博客
08-15 753
无论是进行线性代数运算、优化问题求解、积分与微分方程处理，还是进行信号和图像处理，SciPy都提供了高度优化的工具，使得复杂的科学计算任务变得更加简单和高效。SciPy的目标是为用户提供一个全面的科学计算环境，其中涵盖了常见的线性代数、优化、积分、插值、傅里叶变换、信号处理、统计、图像处理、以及ODE（常微分方程）求解等功能。SciPy与NumPy紧密结合，同时也与Pandas、Matplotlib等库有很好的兼容性，这使得它在科学研究、数据分析和工程计算中占据了重要地位。
Grok2：埃隆-马斯克的新一代AI模型
最新发布
chinaai777的博客
08-16 346
综合来看，Grok2在地理和数学问题中仅有两次错误，而在编码问题中表现出色。相比之下Grok2mini在大多数测试中也表现良好，但在一些复杂问题上仍有差距。总体而Grok2展示了其强大的能力，特别是在数学和编码领域。随着Grok2和mini版本的逐步推广，我们可以期待其在实际应用中的更多表现。其即将推出的API也将为开发者提供更多的可能性，使其成为一个重要的AI工具。关注我，每天带你开发一个AI应用，每周二四六直播，欢迎大家多多交流。
【深度学习实战】利用Linear Regression预测房价
weixin_55939638的博客
08-15 711
我衷心希望这篇关于使用PyTorch进行线性回归模型训练的博客文章能够对您有所帮助。
遗传算法与深度学习实战（4）——遗传算法详解与实现
盼小辉丶的博客
08-13 1190
在遗传算法 (Genetic Algorithms, GA) 中，使用选择、交叉、突变和适应度来模拟生物减数分裂或繁殖的基本操作。适应度是衡量个体优劣的指标，可以用于量化模拟个体成功解决给定问题的能力。通过修改遗传算法超参数，如种群大小、世代数、交叉率和突变率等超参数，能够调整和修改进化进程。在本节中，我们介绍了遗传算法基本概念及算法流程，并使用 Python 实现遗传算法解决 OneMax 问题。
从铜都到数字先锋：贵溪市铜产业链办件智能化
YUNDUANNET的博客
08-16 277
通过铜产业链特色事项业务全链办建设，VERYCLOUD睿鸿股份与贵溪市共同朝着打造江西省产业服务标杆的目标稳步前进，扩大服务关联范围成为贵溪市政务服务亮点，为贵溪市一体推进数字政府、数字社会、数字治理，持续深化营商环境改革，更好为贵溪市经济发展、政务服务产业服务提供强劲助力。结合铜产业业务特点，系统支持阶段化配置，把铜产业链业务划分为不同的阶段，把每个阶段相关事项打包配置到各阶段，用户不需要关注细节，打包阶段化办理，省心省力。，轻松体验快捷办理，打破时空限制，不用跑一趟，实时互动业务办理。
指定类别的labelme标注的语义分割数据增强python代码
07-08
以下是一个示例的Python代码，用于对指定类别的labelme标注的语义分割数据进行增强： ```python import os import cv2 import numpy as np def semantic_segmentation_augmentation(directory, save_directory, target_class): # 遍历指定目录下的文件 for filename in os.listdir(directory): if filename.endswith(".json"): # 查找以.json结尾的文件 json_file = os.path.join(directory, filename) image_file = json_file.replace(".json", ".jpg") # 将.json替换为.jpg if os.path.isfile(image_file): # 检查对应的图片文件是否存在 # 读取图片文件 image = cv2.imread(image_file) height, width, _ = image.shape # 读取JSON文件并获取标注信息 with open(json_file, 'r') as f: json_data = json.load(f) # 创建空白的语义分割图像 seg_image = np.zeros((height, width), dtype=np.uint8) # 处理每个标注对象 for shape in json_data['shapes']: class_name = shape['label'] if class_name == target_class: points = shape['points'] polygon_points = np.array(points, dtype=np.int32) cv2.fillPoly(seg_image, [polygon_points], 255) # 将增强后的语义分割图像保存到指定目录 save_path = os.path.join(save_directory, filename.replace(".json", ".png")) cv2.imwrite(save_path, seg_image) print(f"语义分割图像保存成功：{save_path}") else: print(f"找不到对应的图片文件：{image_file}") # 指定包含labelme标注文件的目录和保存增强后数据的目录 directory = "path/to/labelme/files" save_directory = "path/to/save/augmented/data" # 指定目标类别名称 target_class = "class_name" semantic_segmentation_augmentation(directory, save_directory, target_class) ``` 你需要将代码中的`"path/to/labelme/files"`替换为包含标注文件的实际目录路径，将`"path/to/save/augmented/data"`替换为你想要保存增强后数据的目录路径，将`"class_name"`替换为你想要增强的目标类别名称。运行代码后，它会遍历目录中的所有.json文件，读取标注信息并创建相应的语义分割图像，然后将增强后的语义分割图像保存到指定目录。 希望这可以帮到你！如果有任何问题，请随时问我。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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