LabelMe到VOC/COCO：快速转换指南

最新推荐文章于 2024-08-20 08:52:57 发布

忧郁蓝调26

最新推荐文章于 2024-08-20 08:52:57 发布

阅读量609

点赞数 4

文章标签：人工智能目标检测计算机视觉 python 深度学习

本文链接：https://blog.csdn.net/weixin_59534602/article/details/140372778

版权

引言

LabelMe输出的JSON格式虽然灵活，却不总是兼容现有的深度学习框架和数据集标准，如VOC和COCO格式。本文通过简单使用label官方示例代码，来将LabelMe的JSON文件转换为VOC或COCO格式。

安装使用LabelMe

安装

首先需要Conda环境，未安装的需自行搜索安装方法。
具体步骤参考官方文档，也可以参考我这里。

conda create --name=labelme python=3

激活labelme虚拟环境。

conda activate labelme

安装labelme（ps：这里使用清华源install）

pip install labelme -i https://pypi.tuna.tsinghua.edu.cn/simple

使用

输入labelme启动。

labelme

使用体验（ai辅助标注，可跳过）

界面左上角点击“打开目录”，打开需要标注的图片文件夹。

右键图片，选择“创建AI蒙版”

此时点击命令行窗口可以看到正在下载，等待下载完成。

LabelMe JSON解析

具体标注流程不做展示。标注好的文件夹如图，一个图片一个json文件。

JSON文件结构概览。

{
    "version": "5.0.1",                  // LabelMe软件的版本号
    "flags": {},                        // 用户定义的标志或注释
    "shapes": [                         // 图像中所有标注的集合
        {
            "label": "car",             // 标注对象的类别标签
            "points": [[10, 20], [30, 40]], // 多边形顶点坐标，对于矩形是两对角点
            "group_id": null,           // 可选的组ID，用于关联多个形状
            "shape_type": "rectangle",  // 形状类型：rectangle, polygon, points, line, etc.
            "flags": {}                 // 形状特定的标志
        },
        // 更多的形状...
    ],
    "imagePath": "path/to/image.jpg",   // 原始图像的相对路径
    "imageData": null,                  // 图像的Base64编码，如果图像文件较大，通常为空
    "imageHeight": 480,                 // 图像的高度
    "imageWidth": 640                   // 图像的宽度
}

JSON到VOC/COCO转换

使用labelme自带示例的py代码转换。

Labelme Github地址https://github.com/labelmeai/labelme

拉取代码到本地，在命令行中挂载到examples的instance_segmentation目录。（注意conda环境是labelme）

labels文件编写

新建txt文件（标签文件，名称随意），把自己的标签名称加在后面。

__ignore__
_background_
你的标签
你的标签
你的标签

比如我这里就是如图。

labelme转换voc，命令行运行。

python .\labelme2voc.py 你的数据文件目录 生成voc的文件目录 --labels 标签txt文件路径
# python .\labelme2voc.py data_annotated_safehat data_dataset_safehat_voc --labels labels_safehat.txt

labelme转换coco，命令行运行。

python .\labelme2coco.py 你的数据文件目录 生成coco的文件目录 --labels 标签txt文件路径
# python .\labelme2coco.py data_annotated_safehat data_dataset_safehat_coco --labels labels_safehat.txt

点开输出的目录就可以看到结果了