使用labelme制作显著性检测/分割数据集并批量转化json文件

最新推荐文章于 2024-08-23 16:53:34 发布
最新推荐文章于 2024-08-23 16:53:34 发布
阅读量1.4k 收藏 26
点赞数 4
分类专栏： 显著性目标检测SOD 文章标签： python 计算机视觉 人工智能
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/weixin_43548860/article/details/105298818
版权

labelme制作分割数据集

最近接触显著性目标检测，需要自己做数据集，没接触过此类标注方法，今天查了一天，发现显著性检测数据集的制作与语义分割数据集制作类似，且也可以用labelme来做。比较麻烦的是json文件转化的部分，也踩了一些坑。把最终做出来的过程记录下来免得以后用的时候忘了，也给大家分享。后两部分代码借鉴到博客https://blog.csdn.net/u010103202/article/details/81635436。

目录

labelme制作分割数据集

win10+anaconda3下labelme安装

labelme使用

将json文件批量转化得到分割结果png

批量提取json文件夹中png图

win10+anaconda3下labelme安装

打开Anaconda prompt，由于labelme界面是qt做的，需要先安装pyqt，在终端输入

pip install pyqt    #python2.x输入这个
pip install pyqt5    #python3.x输入这个

然后安装labelme，输入

pip install labelme==3.16.2 #由于在json转化时版本高的labelme会出问题，所以这里用3.16.2版本

安装完成后直接在终端输入labelme即可打开软件。

labelme使用

其界面如下所示。

点击左侧opendir打开需要标注的图片所在文件夹

在右侧file list中选择需要标注的图片

点击左侧create polygons进行标注，形成封闭区域后会提示让你创建或选择label的类型。

ctrl+s保存标注好的json文件到指定文件夹

将json文件批量转化得到分割结果png

在anaconda的文件夹中找到json_to_dataset.py文件，我的在D:\Anaconda3\Lib\site-packages\labelme\cli文件夹中。</

最低0.47元/天 解锁文章
昔我往矣●﹏●
关注
  • 4
    点赞
  • 踩
  • 26
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
视频语义显著实例分割数据集SESIV
我爱计算机视觉
07-08 415
视频区域中，显著区域中有语义意义的组建，即语义显著实例。为解决视频语义显著实例分割，来自日本SOKENDAI和National Institute of Informatics的学者构建...
labelme 语义分割数据集_批量化处理labelme 语义分割标注的文件
weixin_30035343的博客
12-29 1187
单一化处理经过labelme标注会生成和图像同样数据的json文件，在json文件下执行单个文件处理的命令labelme_json_to_dataset ADE_train_00008815.json会生成四个文件，分别为img.png,label.png,label.names.txt,label_viz.png.如图所示img.pnglabel.pnglabel_viz.png注意不要认为只需...
显著性检测数据库MSRA1000的对应的由Labelme生成的标签文件label.png
04-01
显著性检测数据库MSRA1000的对应的由Labelme生成的标签文件label.png
显著性检测数据集 ECSSD
07-17
显著性检测数据集 ECSSD 包含原图和GT标注图 1000幅图像
笔记：实例层的显著性物体分割
Samurai_Dango的博客
07-18 1836
#笔记：实例层的显著性物体分割 ##1 综述 视觉显著性检测是计算机视觉领域最基础的问题之一，在许多复杂问题中都有所涉及。近年来，得益于神经网络的发展，视觉显著性检测技术有着快速发展。然而之前所有的方法都是基于像素层面进行检测，而不是在物体实例层面进行显著性检测。本篇文章提供了一种显著性实例分割的方法很好地解决了这个具有挑战性的问题，将显著性物体分割成了实例。 该方法主要包括以下三个步骤： 估计...
图像分割数据集转换成coco数据集的json格式
qq_32799915的博客
04-01 7320
发现了一个好用的工具： pycococreator工具，GitHub下载链接：https://github.com/waspinator/pycococreator 按教程安装 按照给定的格式重命名图片名称 有一个问题是，如果一张图中有多个类别的目标，需要有多个mask图 运行代码路径： /home/user/Downloads/pycococreator/examples/shapes/crac...
将二值图转换为coco格式的json文件
如果想成为中心，那么就到中心去吧。
02-08 3059
文章目录1. 二值图2. python库3. 二值图转单个物体的二值图4. 单个物体的二值图写入json文件 1. 二值图 2. python库 https://github.com/waspinator/pycococreator 3. 二值图转单个物体的二值图 from scipy import ndimage as ndi import gdalTools import os import numpy as np from skimage import io if __name__ == '_
显著图像数据集Judd
04-26
显著性检测是计算机视觉的一个重要分支，而在深度学习的训练阶段、显著性检测算法的评价阶段等都需要大量有标注信息的数据集。显著图像数据集Judd。
Win10系统下安装labelme及json文件批量转化方法
09-18
labelme是一个常用的图像标注工具，它能够帮助我们进行图像分割和对象识别任务，而json文件批量转化是将labelme生成的json文件转换为深度学习模型能够使用的格式。 首先，需要明确的是，本文所提及的环境配置是基于...
图像分割批量转化json文件为mask文件的Python程序
11-08
该资源为图像分割批量转化json文件为mask文件的Python程序，由labelme加工而成，可搭配labelme一起使用。
语义分割标注转为目标检测框标注
12-19
这是一个代码，用于将精细标注的语义分割（多边形标注的json文件）标注转为目标检测框标注文件，并生成yolo需要的txt文件（需要的输出格式你们可以自己改）
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批量转化json文件时PermissionError: [Errno 13] Permission denied
09-10
批量转化可以在json_to_dataset文件里直接运行代码实现。这个思路还要感谢我的一个师兄。 代码如下： import argparse import base64 import json import os import os.path as osp import imgviz import PIL.Image...
关于二值黑白图像转json文件问题
weixin_41559262的博客
07-04 1114
有彩色分割数据集专json文件的代码网上可以找到，关于二值图像不可以用那个代码，那是根据颜色来分割出一个个小的masks，我的方法是先对二值图像上色，然后在进行分割上色的彩色图像。关于上色问题，是对二值图像连通区域的问题。有想制作数据集的可以在下面提供邮箱。我会把二值图像如何上色，然后分割成小的masks，然后制作json文件的步骤发给你。 代码是用python来编写的。因为要做mask rcnn模型。用的是whu建筑物数据集，这个数据集只有原图和黑白二值图像。 ...
labelme标注图片，并生成dataset数据集方案【本地测试成功】
君临天下tjm的博客
09-05 776
1.环境：win10+annaconda+labelme==3.16.2，python3.x 2.替换json_to_dataset.py文件，新内容如下： import argparse import json import os import os.pathas osp import warnings import PIL.Image import yaml from labelme import utils import base64 def main(): .
显著性检测与其它任务结合
ReaFly的博客
12-30 1065
1.显著性检测与语义分割 《Joint Learning of Saliency Detection and Weakly Supervised Semantic Segmentation》 第一阶段：SSNet-1：使用image-level的语义分割数据集和pixel-level的显著性数据集训练。 SN: segmentation network SAM:saliency aggregat...
计算机视觉——day 90 基于级联卷积神经网络和对抗学习的显著目标检测
想太多的学习日志
05-13 1374
本文提出了一种基于级联卷积神经网络和对抗学习的端到端显著性目标检测模型(CCAL)。设计了由级联cnn组成的编码器-解码器网络和深度残差网络，分别完成了全局显著性估计和局部显著性细化。采用由粗到细的级联方式，显著目标检测的性能可以逐步提高。作为一种结构化的损耗函数，识别器引入的对抗性损耗有助于CCAL更好地学习突出目标的结构信息，实验结果说明了它对提高性能的重要性。该方法无需任何后处理，即可产生准确的显著性目标检测结果。实验表明，CCAL不仅在8个基准数据集上获得了最先进的性能，而且在GPU上达到了17帧/
如何在Python中使用IP代理
最新发布
IPIPGO的博客
08-23 326
通过以上步骤，你应该已经学会了如何在Python中使用IP代理。无论是单个代理IP、带认证的代理IP，还是批量使用代理IP，这些方法都能帮助你在实际项目中灵活应用。希望这篇文章对你有所帮助，如果你有任何问题或建议，欢迎在评论区留言，我们会尽力为你解答。t=N7T8。
常见面试问题(Python)
jiao_mrswang的博客
08-23 104
5、GIL全局解释锁。
怎么使用pytorch传入labelme生成的json文件数据集
05-31
要使用 PyTorch 加载 labelme 生成的 JSON 文件数据集，需要进行以下步骤： 1. 首先，需要将 JSON 文件转换为 PyTorch 支持的数据格式。可以使用 labelme 提供的工具 labelme2coco，将 JSON 格式转换为 COCO 格式，再使用 pycocotools 将 COCO 格式转换为 PyTorch 支持的数据格式。 2. 安装 pycocotools。可以使用 pip install pycocotools 命令进行安装。 3. 加载数据集。可以使用 PyTorch 提供的 torchvision.datasets.CocoDetection 类，传入转换后的 COCO 数据集文件路径和数据集的变换（transforms），即可加载数据集。 以下是一个加载 labelme 生成的 JSON 文件数据集的示例代码： ```python import json import torch import torchvision.transforms as transforms from torchvision.datasets import CocoDetection json_file = 'path/to/converted/coco.json' img_folder = 'path/to/dataset/images' transform = transforms.Compose([transforms.ToTensor()]) # 加载数据集 dataset = CocoDetection(img_folder, json_file, transform) # 获取数据集大小 print('Dataset size:', len(dataset)) # 获取第一个样本 sample = dataset[0] # 打印样本信息 print('Image size:', sample[0].size()) print('Annotation:', sample[1]) ``` 注意，该示例代码中的 transform 仅进行了 ToTensor() 变换，你可以根据自己的需求添加其他变换。
评论 1
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