labelme maskrcnn 批量_Mask-RCNN:教你如何制作自己的数据集进行像素级的目标检测

本文介绍了如何使用labelme工具进行图片标注,并批量转换为Mask-RCNN训练所需的格式。首先展示标注成果,接着详细阐述了从安装labelme、图像命名、标注、批量转换json文件到生成Mask文件的全过程。最后提供了训练和测试的步骤,以及相关代码资源。
摘要由CSDN通过智能技术生成

概述

Mask-RCNN,是一个处于像素级别的目标检测手段.目标检测的发展主要历程大概是:RCNN,Fast-RCNN,Fster-RCNN,Darknet,YOLO,YOLOv2,YOLO3(参考https://arxiv.org/abs/1703.06870.

下面,开始制作用于Mask训练的数据集。

首先展示一下成果,由于个人设备有限,cpu仅迭代5次的结果。

使用labelme进行图片标注

注意:

**标注之前将图片的名字通过linux或者python脚本改名,改为有序即可,我的命名格式为升序,下面为linux脚本。

i=1; for x in *; do mv $x $i.png; let i=i+1; done

pip install labelme

labelme

1.新建文件夹train_data,并创建子文件夹json,将标注后的json格式的文件放入该文件夹中

2.当你安装lableme的时候,默认安装到了Anaconda目录下/envs/名字/Scripts/下,使用labelme_json_to_dataset.exe将json文件转化为5个文件

转化方法,切换到labelme安装目录下,执行:

labelme_json_to_dataset.exe [文件名]

注意:文件名为绝对路径   . eg:(chineseocr) D:\anaconda\envs\chineseocr\Scripts>labelme_json_to_dataset.exe F:\samples\shapes\train_data\json\1.json

***这样只能一次转化一个json文件,故开始批量转。

切换到D:\anaconda\envs\py3.6\Lib\site-packages\labelme\cli下,修改json_to_dataset.py,然后切换到Scripts,执行命令:

labelme_json_to_dataset.exe [存放json文件夹的绝对路径]

***生成的json文件夹会在当前目录,将文件夹拷贝到train_data下的labelme_json文件夹中

importargparseimportjsonimportosimportos.path as ospimportwarningsimportPIL.Imageimportyamlfrom labelme importutilsimportbase64defmain():

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_fileif args.out isNone:

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

out_dir=osp.join(osp.dirname(json_file), out_dir)else:

out_dir=args.outif notosp.exists(out_dir):

os.mkdir(out_dir)

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

path=os.path.join(json_file, count[i])ifos.path.isfile(path):

data=json.load(open(path))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)

out_dir= osp.basename(count[i]).replace('.', '_')

out_dir=osp.join(osp.dirname(count[i]), out_dir)if notosp.exists(out_dir):

os.mkdir(out_dir)

PIL.Image.fromarray(img).save(osp.join(out_dir,'img.png'))#PIL.Image.fromarray(lbl).save(osp.join(out_dir, 'label.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()

3.生成Mask文件,由于labelme生成的掩码标签 label.png为16位存储,opencv默认读取8位,需要将16位转8位

4.最后生成的文件夹结构如下:

开始训练:

1.安装环境

pip install -r requirements.txt

2.下载预训练模型mask_rcnn_coco.h5

3.执行命令:

python train_shape.py

开始测试:

1.将想要测试的图片放入imges文件夹中

2.执行命令:

python test_shape.py

详细代码见:我的github自取。欢迎Fork和Star并交流

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