labelme目标检测标注笔记

最新推荐文章于 2024-12-03 15:54:26 发布

xiao_yang_yang_

最新推荐文章于 2024-12-03 15:54:26 发布

阅读量3k

点赞数 3

文章标签：目标检测 python 深度学习

本文链接：https://blog.csdn.net/xiao_yang_yang_/article/details/128981892

版权

文章介绍了如何在AnacondaPrompt中使用Labelme工具进行图像标注，标注后的内容需要进行转换以适应YOLOv5的训练。通过提供的Python脚本，可以将Labelme的JSON标注转换为YOLO格式，包括读取JSON文件，计算训练和验证数据的比例，以及将标注信息和图像数据写入到对应的train和valid目录中。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在Anaconda Prompt终端打开，输入代码pip install labelme
在这里插入图片描述
安装成功之后，输入labelme，打开标注应用

在这里插入图片描述
选择要标注的文件夹

选择标注好文件保存的位置

标注好以后自动保存

开始标注

右键点击图片，弹出下图
第一个表示创建矩形框
如果不选择右键，直接在图中点击画图，就可以选择不规则图像

在这里插入图片描述

表示修改已经标注的框图
在这里插入图片描述

在这里插入图片描述
表示继续标注该文件夹下的下一张图片

标注完之后的文件格式
里面的数值分别表示所选的点point在该图片下的位置

在这里插入图片描述

cx和cy表示该框在这个图片中中心点位置坐标
w和h表示该框的宽和高
注意该文件数值不能直接用于yolov5的训练学习，需要进行转换归一化处理（下图博主地址：树莓派-yolo目标检测-数据的采集与标注）
在这里插入图片描述
格式转换

在这里插入图片描述

dic_labels= {'led':0,
            'buzzer':1,
            'teeth':2,
             'path_json':'labs',
             'ratio':0.9}

0.9表示
90%为训练数据
10%为验证数据


import os
import json
import random
import base64
import shutil
import argparse
from pathlib import Path
from glob import glob
from dic_lab import dic_labels

def generate_labels(dic_labs):
    path_input_json = dic_labels['path_json']
    ratio = dic_labs['ratio']
    for index, labelme_annotation_path in enumerate(glob(f'{path_input_json}/*.json')):

        # 读取文件名
        image_id = os.path.basename(labelme_annotation_path).rstrip('.json')
        
        # 计算是train 还是 valid
        train_or_valid = 'train' if random.random() < ratio else 'valid'

        # 读取labelme格式的json文件
        labelme_annotation_file = open(labelme_annotation_path, 'r')
        labelme_annotation = json.load(labelme_annotation_file)

        # yolo 格式的 lables
        yolo_annotation_path = os.path.join(train_or_valid, 'labels',image_id + '.txt')
        yolo_annotation_file = open(yolo_annotation_path, 'w')
        
        # yolo 格式的图像保存
        yolo_image = base64.decodebytes(labelme_annotation['imageData'].encode())
        yolo_image_path = os.path.join(train_or_valid, 'images', image_id + '.jpg')
        
        yolo_image_file = open(yolo_image_path, 'wb')
        yolo_image_file.write(yolo_image)
        yolo_image_file.close()
     

        # 获取位置信息
        for shape in labelme_annotation['shapes']:
            if shape['shape_type'] != 'rectangle':
                print(
                    f'Invalid type `{shape["shape_type"]}` in annotation `annotation_path`')
                continue
           

            points = shape['points']
            scale_width = 1.0 / labelme_annotation['imageWidth']
            scale_height = 1.0 / labelme_annotation['imageHeight']
            width = (points[1][0] - points[0][0]) * scale_width
            height = (points[1][1] - points[0][1]) * scale_height
            x = ((points[1][0] + points[0][0]) / 2) * scale_width
            y = ((points[1][1] + points[0][1]) / 2) * scale_height
            object_class = dic_labels[shape['label']]
            yolo_annotation_file.write(f'{object_class} {x} {y} {width} {height}\n')
        yolo_annotation_file.close()
        print("creat lab %d : %s"%(index,image_id))


if __name__ == "__main__":
    os.makedirs(os.path.join("train",'images'),exist_ok=True)
    os.makedirs(os.path.join("train",'labels'),exist_ok=True)
    os.makedirs(os.path.join("valid",'images'),exist_ok=True)
    os.makedirs(os.path.join("valid",'labels'),exist_ok=True)
    generate_labels(dic_labels)