在进行Segmentation 训练之前需要准备训练集和验证集，本文将要来介绍如何使用LabelMe进行标记。LabelMe 是个可以绘制多边形、矩形、圆形、直线、点的一套标记工具，可用于分类、目标检测、语义分割、实例分割任务上的数据标注。

1.labelMe安装与数据标注

首先安装LabelMe，我使用Anaconda 进行安装。打开Anaconda Prompt 执行以下指令:

pip install labelme

接着输入labelme 会出现以下UI 介面，点选Open Dir 选择要标记的图片资料夹

labelme

在图片上按右键选择Create Polygans 后，就可以开始画标记点了~

画好后填入要标记的label，

若有多个相同类别的目标物也选择一样的label：

再按左边的Save，最后选择左边的Next Image 。

2.数据格式转换

标注好数据以后，若需要转换label格式，可使用labelme 进行转换。接下来会分为用于Semantic Segmentation 和Instance Segmentation

git clone https://github.com/wkentaro/labelme

并且在刚刚标记好的图片资料夹外，建立一个label.txt，内容必须要有__ignore__, _background_

档案放置如下图:

2.1 Semantic Segmentation

进入labelme\examples\semantic_segmentation 文件夹，有支持转换VOC 格式的代码

cd/d D:\chingi\labelme\examples\semantic_segmentation

然后在Anaconda Prompt 执行以下指令进行转换，<data> 是标记图片的文件夹路径、<data_output> 是转换标记格式的文件夹路径、<label.txt path> 是刚刚建立在图片文件夹外的label.txt 的路径

python labelme2voc.py <data> <data_output> --labels <label.txt path># It generates:
#   - data_dataset_voc/JPEGImages
#   - data_dataset_voc/SegmentationClass
#   - data_dataset_voc/SegmentationClassVisualization
python labelme2voc.py data_annotated data_dataset_voc --labels labels.txt

转换格式后，会在<data_output> 文件夹中会看到以下文件：

请注意，标签文件仅包含非常低的标签值（例如 0、4、14），而 255 表示 __ignore__ 标签值（npy 文件中的 -1）。您可以通过以下方式查看标签 PNG 文件。

labelme_draw_label_png data_dataset_voc/SegmentationClassPNG/2011_000003.png

2.2 Instance Segmentation

进入labelme\examples\instance_segmentation 文件夹，有支持转换COCO 及VOC 格式的代码：

cd/d D:\chingi\labelme\examples\instance_segmentation

然后在Anaconda Prompt 执行以下指令进行转换，<data> 是标记图片的资料夹路径、<data_output> 是转换标记格式的资料夹路径、<label.txt path> 是刚刚建立在图片资料夹外的label.txt 的路径

# 转换为coco 格式
$ python labelme2coco.py <data> <data_output> --labels <label.txt path># It generates:
#   - data_dataset_coco/JPEGImages
#   - data_dataset_coco/annotations.json
$ python ./labelme2coco.py data_annotated data_dataset_coco --labels labels.txt# 转换为VOC 格式
$ python labelme2voc.py <data> <data_output> --labels <label.txt path># It generates:
#   - data_dataset_voc/JPEGImages
#   - data_dataset_voc/SegmentationClass
#   - data_dataset_voc/SegmentationClassVisualization
#   - data_dataset_voc/SegmentationObject
#   - data_dataset_voc/SegmentationObjectVisualization
$ python ./labelme2voc.py data_annotated data_dataset_voc --labels labels.txt

若转换为COCO 格式，会在<data_output> 文件夹中会看到以下文件

JPEGImages 是原本的图片，Visualization 是框起来的图片，annotations.json 是标记好的label

若转换为VOC 格式，会在data_output 文件夹中会看到以下文件：

参考目录

https://medium.com/ching-i/segmentation-label-%E6%A8%99%E8%A8%BB%E6%95%99%E5%AD%B8-26b8179d661

语义分割与实例分割 Labelme标注教学相关推荐

图像分类、目标检测、语义分割、实例分割和全景分割的区别
1.Image Classification(图像分类) 图像分类(下图左)就是对图像判断出所属的分类,比如在学习分类中数据集有人(person).羊(sheep).狗(dog)和猫(cat)四种,图 ...
语义分割和实例分割_一文读懂语义分割与实例分割
以人工智能为导向的现代计算机视觉技术,在过去的十年中发生了巨大的变化.今天,它被广泛用于图像分类.人脸识别.物体检测.视频分析以及机器人及自动驾驶汽车中的图像处理等领域.图像分割技术是目前预测图像领域 ...
图像分割，语义分割，实例分割
目标检测基础 1 semantic segmentation(语义分割) 2 Instance segmentation(实例分割) 3 Panoramic segmentation(全景分割) 学习 ...
语义分割、实例分割和全景分割的区别
之前看过一篇使用分割思想进行目标检测,所以这里补习下一些分割相关的基础知识.这里重点说下语义分割.实力分割和全景分割的区别. 1 .semantic segmentation(语义分割) 通常意义上的 ...
计算机视觉：图像分类、物体检测、图像语义分割、实例分割和全景分割
计算机视觉图像分类 Image Classification 物体检测 Object Detection/ Object Localization 语义分割 Semantic Segmentatio ...
图像分类，物体检测，语义分割，实例分割等概念
图像分类 Image Classification The task of object classification requires binary labels indicating whethe ...
分类，目标检测，语义分割，实例分割
Classification 简单地说,图像分类是一种用于对图像中特定对象的类别进行分类或预测的技术,该技术的主要目的是准确识别图像中的特征.就是说输入一张图片然后输出图片中含有的分类 Object ...
遥感影像分类、目标检测、语义分割、实例分割的异同
分类:给一张影像,识别出影像上都有哪些地物,如图1,影像上有耕地.建筑物.水域以及道路: 目标检测:识别出影像上物体的类别,并给出该物体的位置,一般用方框给出问题,如图2,红色框表示某建筑物.黄色框表 ...
超像素、语义分割、实例分割、全景分割傻傻分不清？
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达在计算机视觉中,图像分割是个非常重要且基础的研究方向.简单来说,图 ...

语义分割与实例分割 Labelme标注教学