labelme maskrcnn 批量_Win10系统下安装labelme，json文件批量转化

一、安装环境：windows10，anaconda3，python3.6

由于框架maskrcnn需要json数据集，在没安装labelme环境和跑深度学习之前，我安装的是anaconda3，其中pyhton是3.7版本的，经网上查阅资料，经过一番查找资料，发现，原来在2019年，TensorFlow还不支持python3.7，所以，迫于无奈，我只能乖乖把python的版本退回到3.6版本，具体步骤也很简单。就是打开anaconda prompt ,然后输入conda install python=3.6，然后等待提示(y/n)，输入y，等待十几分钟，就会提示done，这样的话，就表示python3.7已经退回到python3.6了。(经过尝试这种方法在我这里没有行得通，可能跟网速有关，又尝试了另一种方法,有兴趣的可以尝试一下。)索性就把labelme安装到3.6中了。

二、安装过程：

1、管理员身份打开 anaconda prompt

2、输入命令：conda create --name=labelme python=3.6

3、输入命令：activate labelme

4、输入命令：pip install pyqt5，pip install pyside2(自己刚开始没有安装pyside2,运行 \anaconda安装目录\envs\labelme\Scripts\label_json_to_dataset.exe 会出现module "pyside"缺失错误)

5、输入命令：pip install labelme(由于网络原因或者库的地址，经常运行一半出现错误，不要气馁，多执行几次)

6、输入命令：labelme   即可打开labelme。如下：

安装完成后，需要使用再次启动labelme。则需要重新打开anaconda prompt，输入activate labelme，进入labelme环境。再输 入命令: labelme 即可

三、用labelme标注完图片后，会生成json文件

以小猫为例：点击保存会在自己的图片目录下生成json文件

点点

生成的json文件并不能直接用，我们需要对他进行批处理才能成为maskrcnn需要的数据集，批量转化如下：

abelme标注工具再转化.json文件有一个缺陷，一次只能转换一个.json文件，然而深度学习的项目通常需要大量的数据，那么转换.json文件就是一个比较耗时的工作；因此，对labelme做出了改进，可以实现批量转换.json文件。

在安装Anaconda中找到json_to_dataset.py文件如果未找到可以在计算机中搜索，将该文件代码修改为以下代码：

importargparseimportbase64importjsonimportosimportos.path as ospimportwarningsimportPIL.Imageimportyamlfrom labelme importutilsdefmain():

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

alist=os.listdir(json_file)for i inrange(0,len(alist)):

path=os.path.join(json_file,alist[i])

data=json.load(open(path))

out_dir= osp.basename(path).replace('.', '_')

out_dir=osp.join(osp.dirname(path), out_dir)if notosp.exists(out_dir):

os.mkdir(out_dir)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 inlabel_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 inlabel_name_to_value.items()]

lbl_viz=utils.draw_label(lbl, img, captions)

PIL.Image.fromarray(img).save(osp.join(out_dir,'img.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 inlabel_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()

操作命令如下图：

生成效果如下：每张图片生成五个文件 ，这就是我们所需要的