windows anaconda 安装 Labelme

安装

# 创建环境
conda create -n labelme python=3.6
#激活环境
conda activate labelme
# 安装依赖
conda install pyqt
conda install pillow
# 安装labelme
conda install labelme=3.16.2
# 启动labelme
labelme

右键选择标注类型，从上到下为多边形（常用）、矩形、圆、线和点。

标注完之后点击save进行保存，注意：最好把标注完的json文件与原图存放在一个目录下，这样在后期查看的时候可以看到原图与标注区域的叠加，而不单单是原图。

标注json转换dataset

得到json文件之后，要将其转化成数据集使用，这里涉及到labelme源码的更改
首先，找到labelme的json_to_dataset.py
找到anaconda的安装位置，例如安装在D盘，然后找到下面说的具体位置：D:\Anaconda\envs\labelme\Lib\site-packages\labelme\cli，进入之后会发现有几个python source file，打开json_to_dataset.py，将代码做如下更改：

import argparse
import json
import os
import os.path as osp
import warnings

import PIL.Image
import yaml

from labelme import utils
import base64


def main():
    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
    if args.out is None:
        # out_dir = osp.basename(json_file).replace('.', '_')
        # out_dir = osp.join(osp.dirname(json_file))
        out_dir = json_file
    else:
        out_dir = args.out
    if not osp.exists(out_dir):
        os.mkdir(out_dir)

    count = os.listdir(json_file)
    for i in range(0, len(count)):
        path = os.path.join(json_file, count[i])
        if os.path.isfile(path) and path.endswith("json"):
            with open(path) as data:
                data = json.load(data)

            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 in label_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 in label_name_to_value.items()]
            lbl_viz = utils.draw_label(lbl, img, captions)

            out_child_dir = osp.basename(count[i]).replace('.', '_')
            out_child_dir = osp.join(out_dir, out_child_dir)
            if not osp.exists(out_child_dir):
                os.mkdir(out_child_dir)

            PIL.Image.fromarray(img).save(osp.join(out_child_dir, 'img.png'))
            # PIL.Image.fromarray(lbl).save(osp.join(out_child_dir, 'label.png'))
            utils.lblsave(osp.join(out_child_dir, 'label.png'), lbl)
            PIL.Image.fromarray(lbl_viz).save(osp.join(out_child_dir, 'label_viz.png'))

            with open(osp.join(out_child_dir, 'label_names.txt'), 'w') as f:
                for lbl_name in label_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_child_dir, 'info.yaml'), 'w') as f:
                yaml.safe_dump(info, f, default_flow_style=False)

            print('Saved to: %s' % out_child_dir)


if __name__ == '__main__':
    main()

将之前标注好的json文件单独提取出来，放在一个目录下（C:\Users\16343\Desktop\box\close\json），然后进入批量处理的环境中，也就是执行把jaso->dataset的目录：

回退到D:\Anaconda\envs\labelme\Scripts

labelme_json_to_dataset.exe  C:\Users\16343\Desktop\box\close\json -o  C:\Users\16343\Desktop\box\close\json

-o 指定输出文件路径，默认为输入文件路径

在C:\Users\16343\Desktop\box\close\json得到多个文件夹，每个文件夹内的文件如下

读取标注

上述文件中的label 是Mask图像, 显示彩图, 但实际是单通道位深为8的png图像, 也就是单通道图像, 并不是常见的RGB三通道

opencv读取会改变图像的像素值和格式，因此用用PIL.Image.open()读取.像素值在 [0, 255] 之间, 矩阵仍然是二维单通道

import PIL.Image as Image
import torch

image = Image.open("0_json/0_json/label.png")
image = torch.Tensor(np.array(image))

mask中的数值代表了label_names.txt的序列，也就是0代表_background_，2代表label_names.txt中的5，也就是我们的标签值。