主要内容

一、安装步骤
二、示例步骤演示
三、对labelme的标签结果进行验证
四、Labelme分割标注软件使用

一、安装步骤

在自己的新建的虚拟环境中，安装以下包

1. pip install labelme
2. pip install pyqt5
3. pip install pillow==4.0.0

通过以下命令可以查看Package是否安装。

安装完成后在终端输入labelme即可启动：

labelme

二、示例步骤演示

1.启动labelme
在创建好标签后，启动labelme并读取标签文件（注意启动根目录），其中–labels指定了标签文件的路径。

labelme --labels label.txt

如下图所示，在对应的图片文件夹下执行命令

读取标签后，我们在界面右侧能够看到Label List中已经载入了刚刚我们自己创建的标签文件，并且不同类别用不同的颜色表示。

2.点击save，进行保存

三、对labelme的标签结果进行验证

1.opencv-python读取图片和lableme标注的json文件并显示mask

import cv2
import numpy as np
import jsonjson_path = './1.json'                                                      # json文件的路径
img_path = './1.jpg'                                                        # 图片的路径labelme_json = json.load(open(json_path, encoding='utf-8'))                 # 读取json文件
img = cv2.imread(img_path)                                                  # 读取图片# (2160, 3840, 3) 图片的高为2160, 宽为3840
mask = np.zeros((2160, 3840, 1), dtype=np.uint8)
mask2 = np.zeros((2160, 3840, 3), dtype=np.uint8)
points = labelme_json['shapes'][0]['points']                                # 拿出第一个物体的坐标
points = np.array(points)                                                   # 转化成ndarray
points = points.reshape(-1, 1, 2)                                           # <class 'tuple'>: (18, 1, 2)
points = points.astype(np.int32)                                            # 把坐标点的类型由float64转化为int32cv2.fillConvexPoly(mask, points, (255,))                                    # 单个多边形填充，
cv2.fillConvexPoly(mask2, points, (255, 255, 255))# 显示mask
cv2.namedWindow("mask", 2)                                                  # WINDOW_NORMAL参数可以手动改变窗口的大小
cv2.imshow('mask', mask)
cv2.waitKey(0)# new_image = cv2.bitwise_and(img, mask)
new_image = cv2.bitwise_and(img, mask2)                                     # 对图像（灰度图像或彩色图像）每个像素值进行二进制“与”操作
# new_image[mask2==255] = 100
# 显示mask区域图像
cv2.namedWindow("new_image", 2)
cv2.imshow('new_image', new_image)
cv2.waitKey(0)

2.画 mask（ json文件由 labelme 标注）
3.将使用labelme标注的json文件可视化，源图像与标签图像叠加，用于查看标注效果（参考这个，这个相当于是用labelme中的命令进行可视化）

使用labelme标注的json文件可视化，源图像与标签图像叠加，用于查看标注效果

# 1.单文件json格式标签转为png格式
'''
直接cmd终端运行：labelme_json_to_dataset 文件名.json
可得到一个文件夹，有4个文件img.png，源文件图像label.png，标签图像label_names.txt，标签中的各个类别的名称label_viz.png，源文件与标签融合文件注：JPG是有损压缩，而PNG是无损压缩，png图像会大于jpg图像。
'''import os
import shutil# 2.批量json格式标签转为png格式
# os模块多次调用CMD命令，os.popen() 或 os.system()
# 多次调用labelme_json_to_dataset，为每个json生成一个目录文件（包含4个文件）
def json2png(json_folder, root_folder):#  获取文件夹内的文件名FileNameList = os.listdir(json_folder)print(FileNameList)#  激活labelme环境os.system("activate labelme")for i in range(len(FileNameList)):#  判断当前文件是否为json文件x = os.path.splitext(FileNameList[i])if (x[1] == ".json"):json_file = os.path.join(json_folder, FileNameList[i])out_file = os.path.join(root_folder, x[0] + '_json')#  将该json文件转为png#  用法：labelme_json_to_dataset [-h] [-o OUT] json_fileos.system("labelme_json_to_dataset " + ' -o ' + out_file + ' ' + json_file)# 3.将文件批量转化成标准格式（即，所有原图像一个文件夹，所有label一个文件夹，所有可视化图像一个文件夹）
def file_split(folder):root_folder, Paste_PNG_folder, Paste_label_folder, Paste_label_viz_folder = folder[0], folder[1], folder[2], folder[3]#  获取文件夹内的文件名PathNameList = os.listdir(root_folder)print(PathNameList)NewFileName = 1for i in range(len(PathNameList)):#  判断当前文件是否为json文件x_folder = os.path.splitext(PathNameList[i])[0]print(x_folder)img_file = os.path.join(root_folder, x_folder)print(img_file)FileNameList = os.listdir(img_file)# print(FileNameList)#  复制img.png文件PNG_file = os.path.join(img_file, "img.png")new_PNG_file = Paste_PNG_folder + "\\" + str(NewFileName) + ".png"shutil.copyfile(PNG_file, new_PNG_file)#  复制label.png文件label_file = os.path.join(img_file, "label.png")new_label_file = Paste_label_folder + "\\" + str(NewFileName) + ".png"shutil.copyfile(label_file, new_label_file)#  复制label_viz.png文件label_viz_file = os.path.join(img_file, "label_viz.png")new_label_viz_file = Paste_label_viz_folder + "\\" + str(NewFileName) + ".png"shutil.copyfile(label_viz_file, new_label_viz_file)#  文件序列名+1NewFileName = NewFileName + 1if __name__ == '__main__':json_folder = "./"#  保存中间生成文件的文件夹， 每个子目录下有4个文件：img.png，label.png，label_names.txt，label_viz.pngroot_folder = "./spore"# 保存最终生成文件的文件夹，原图像、label、label_vizPaste_PNG_folder = "./img1"Paste_label_folder = "./label1"Paste_label_viz_folder = "./label_viz"folder = [root_folder, Paste_PNG_folder, Paste_label_folder, Paste_label_viz_folder]for folder_x in folder:if not os.path.exists(folder_x):os.makedirs(folder_x)# 用json生成pngjson2png(json_folder, root_folder)# 文件分开file_split(folder)

4.自己想实现的功能，直接从打标签生成的json文件中，读取坐标点的信息，然后根据坐标点的信息，进行多边形的绘制。

自己实现的代码：

import json
import cv2
from matplotlib import pyplot as plt
from matplotlib.cbook import pts_to_midstep
import numpy as npprint(cv2.__version__)label_json = json.load(open('1.json', encoding='utf-8'))value = label_json['shapes']length = len(value)img = cv2.imread(r'1.jpg')
fig = img.copy()
all = []
for i in range(length):points = value[i]['points']pts = np.array(points, dtype=np.int)# print(type(new_points))# pts = pts.reshape((-1, 1, 2))# print(pts)all.append(pts)# print(fig.shape)# print(sum(fig - img))# print(sum(fig - img).shape)# print(sum(sum(fig - img)))# cv2.polylines(fig, [pts], isClosed=True, color=(255, 125, 125), thickness=5)# print(sum(sum(fig - img)))
cv2.polylines(fig, all, isClosed=True, color=(255, 125, 125), thickness=5)
cv2.namedWindow('image', 2)
cv2.imshow('image', fig)
cv2.waitKey(0)

要注意dtype的类型要转化成np.int，cv2.polylines()第二个参数的形式[pts]。

import json
import cv2
import numpy as npprint(cv2.__version__)label_json = json.load(open('1.json', encoding='utf-8'))
# print(label_json)# print(label_json.keys())value = label_json['shapes']
# print(value)
# print(len(value))
length = len(value)
# print(length)
for i in range(length):points = value[i]['points']# print(points)# print(type(points))pts = np.array(points, dtype=np.int)# print(type(new_points))# pts = pts.reshape((-1, 1, 2)) # print(pts)img = cv2.imread(r'1.jpg')fig = img.copy()# print(fig.shape)print(sum(fig - img))print(sum(fig - img).shape)print(sum(sum(fig-img)))cv2.polylines(fig, [pts], isClosed=True, color=(255, 125, 125), thickness=5)print(sum(sum(fig-img)))cv2.namedWindow('image', 2)cv2.imshow('image', fig)cv2.waitKey(0)break
# 此处只画了一个目标

# cv2.fillPoly()的使用注意事项同cv2.polylines
import json
import cv2
from matplotlib import pyplot as plt
import numpy as nplabel_json = json.load(open('./1.json', encoding='utf-8'))value = label_json['shapes']length = len(value)for i in range(length):points = value[i]['points']new_points = np.array(points, dtype=np.int)# print(type(new_points))# print(new_points)img = cv2.imread('./1.jpg')cv2.fillPoly(img, [new_points], (2, 255, 255))cv2.namedWindow("draw_0", 2)cv2.imshow("draw_0", img)  # 显示画过矩形框的图片cv2.waitKey(0)cv2.destroyWindow("draw_0")break

5.[详细教程]新版labelme标注后的json文件，提取不同的标签后批量注入到新的背景中作为人工数据集

四、Labelme分割标注软件使用

1.Labelme分割标注软件使用

python labelme2coco.py data_annotated data_dataset_coco --labels label.txt

data_annotated是标注保存的json标签文件夹，data_dataset_coco是生成MS COCO数据类型的目录。

labelme的官方链接，提供了转换为各个任务的脚本。
使用这个转换之后，在项目中指定num_classes=真实类别数+1（背景）
2.自己对labelme2coco.py的脚本进行修改，使得，num_classes=真实类别数，并且id从1开始。修改的内容见文中注释的部分。

#!/usr/bin/env python# python labelme2coco.py data_yy data_dataset_yy --labels labels_yy.txt
import argparse
import collections
import datetime
import glob
import json
import os
import os.path as osp
import sys
import uuidimport imgviz
import numpy as npimport labelmetry:import pycocotools.mask
except ImportError:print("Please install pycocotools:\n\n    pip install pycocotools\n")sys.exit(1)def main():parser = argparse.ArgumentParser(formatter_class=argparse.ArgumentDefaultsHelpFormatter)parser.add_argument("input_dir", help="input annotated directory")parser.add_argument("output_dir", help="output dataset directory")parser.add_argument("--labels", help="labels file", required=True)parser.add_argument("--noviz", help="no visualization", action="store_true")args = parser.parse_args()if osp.exists(args.output_dir):print("Output directory already exists:", args.output_dir)sys.exit(1)os.makedirs(args.output_dir)os.makedirs(osp.join(args.output_dir, "JPEGImages"))if not args.noviz:os.makedirs(osp.join(args.output_dir, "Visualization"))print("Creating dataset:", args.output_dir)now = datetime.datetime.now()data = dict(info=dict(description=None,url=None,version=None,year=now.year,contributor=None,date_created=now.strftime("%Y-%m-%d %H:%M:%S.%f"),),licenses=[dict(url=None, id=0, name=None,)],images=[# license, url, file_name, height, width, date_captured, id],type="instances",annotations=[# segmentation, area, iscrowd, image_id, bbox, category_id, id],categories=[# supercategory, id, name],)class_name_to_id = {}# 应该是在这里进行修改，把类别的id从 1 开始，并且没有_background_, 自己尝试进行修改一下for i, line in enumerate(open(args.labels).readlines()):class_id = i   # starts with 1class_name = line.strip()if class_name == "__ignore__":continue# if class_id == -1:#     assert class_name == "__ignore__"#     continueclass_name_to_id[class_name] = class_iddata["categories"].append(dict(supercategory=None, id=class_id, name=class_name,))out_ann_file = osp.join(args.output_dir, "annotations.json")label_files = glob.glob(osp.join(args.input_dir, "*.json"))for image_id, filename in enumerate(label_files):print("Generating dataset from:", filename)label_file = labelme.LabelFile(filename=filename)base = osp.splitext(osp.basename(filename))[0]out_img_file = osp.join(args.output_dir, "JPEGImages", base + ".jpg")img = labelme.utils.img_data_to_arr(label_file.imageData)imgviz.io.imsave(out_img_file, img)data["images"].append(dict(license=0,url=None,file_name=osp.relpath(out_img_file, osp.dirname(out_ann_file)),height=img.shape[0],width=img.shape[1],date_captured=None,id=image_id,))masks = {}  # for areasegmentations = collections.defaultdict(list)  # for segmentationfor shape in label_file.shapes:points = shape["points"]label = shape["label"]group_id = shape.get("group_id")shape_type = shape.get("shape_type", "polygon")mask = labelme.utils.shape_to_mask(img.shape[:2], points, shape_type)if group_id is None:group_id = uuid.uuid1()instance = (label, group_id)if instance in masks:masks[instance] = masks[instance] | maskelse:masks[instance] = maskif shape_type == "rectangle":(x1, y1), (x2, y2) = pointsx1, x2 = sorted([x1, x2])y1, y2 = sorted([y1, y2])points = [x1, y1, x2, y1, x2, y2, x1, y2]if shape_type == "circle":(x1, y1), (x2, y2) = pointsr = np.linalg.norm([x2 - x1, y2 - y1])# r(1-cos(a/2))<x, a=2*pi/N => N>pi/arccos(1-x/r)# x: tolerance of the gap between the arc and the line segmentn_points_circle = max(int(np.pi / np.arccos(1 - 1 / r)), 12)i = np.arange(n_points_circle)x = x1 + r * np.sin(2 * np.pi / n_points_circle * i)y = y1 + r * np.cos(2 * np.pi / n_points_circle * i)points = np.stack((x, y), axis=1).flatten().tolist()else:points = np.asarray(points).flatten().tolist()segmentations[instance].append(points)segmentations = dict(segmentations)for instance, mask in masks.items():cls_name, group_id = instanceif cls_name not in class_name_to_id:continuecls_id = class_name_to_id[cls_name]mask = np.asfortranarray(mask.astype(np.uint8))mask = pycocotools.mask.encode(mask)area = float(pycocotools.mask.area(mask))bbox = pycocotools.mask.toBbox(mask).flatten().tolist()data["annotations"].append(dict(id=len(data["annotations"]),image_id=image_id,category_id=cls_id,segmentation=segmentations[instance],area=area,bbox=bbox,iscrowd=0,))if not args.noviz:viz = imgif masks:labels, captions, masks = zip(*[(class_name_to_id[cnm], cnm, msk)for (cnm, gid), msk in masks.items()if cnm in class_name_to_id])viz = imgviz.instances2rgb(image=img,labels=labels,masks=masks,captions=captions,font_size=15,line_width=2,)out_viz_file = osp.join(args.output_dir, "Visualization", base + ".jpg")imgviz.io.imsave(out_viz_file, viz)with open(out_ann_file, "w") as f:json.dump(data, f)if __name__ == "__main__":main()

注意：
COCO数据集一般是不包含背景的，coco的类别id是从1开始的（默认0留给背景），如果自己生成的json文件里有id为0的数据（多余的），看能不能把它给删掉。或者你自己改yolox读取数据的代码，忽略掉id为0的标签。

1.使用labelme生成COCO格式的数据集，并进行训练集、验证集的划分。
参考链接：labelme转coco数据集

#!/usr/bin/env python
# 之后都使用这个脚本. 本脚本已经进行过修改，并进行数据集的划分. 本脚本运用的是labels_spilt_train_valild.txt标签文件
# python labelme2coco_spilt_train_valid.py D:\pywork\0.data_process\1.dataset-new COCO --labels labels_spilt_train_valild.txtimport argparse
import collections
import datetime
import glob
import json
import os
import os.path as osp
import sys
import uuidimport imgviz
import numpy as npimport labelme
from sklearn.model_selection import train_test_split        # 划分数据集try:import pycocotools.mask
except ImportError:print("Please install pycocotools:\n\n    pip install pycocotools\n")sys.exit(1)def to_coco(args, label_files, train):# 创建 总标签datanow = datetime.datetime.now()data = dict(info=dict(description=None,url=None,version=None,year=now.year,contributor=None,date_created=now.strftime("%Y-%m-%d %H:%M:%S.%f"),),licenses=[dict(url=None, id=0, name=None, )],images=[# license, url, file_name, height, width, date_captured, id],type="instances",annotations=[# segmentation, area, iscrowd, image_id, bbox, category_id, id],categories=[# supercategory, id, name],)# 创建一个 {类名 : id} 的字典，并保存到 总标签data 字典中。class_name_to_id = {}# 应该是在这里进行修改，把类别的id从 1 开始，并且没有_background_, 自己尝试进行修改一下for i, line in enumerate(open(args.labels).readlines()):class_id = i  # starts with 1class_name = line.strip()       # strip() 方法用于移除字符串头尾指定的字符(默认为空格或换行符)或字符序列。if class_name == "__ignore__":continue# if class_id == -1:#     assert class_name == "__ignore__"#     continueclass_name_to_id[class_name] = class_iddata["categories"].append(dict(supercategory=None, id=class_id, name=class_name, ))# 判断是是训练集，还是验证集if train:out_ann_file = osp.join(args.output_dir, "annotations", "instances_train2017.json")else:out_ann_file = osp.join(args.output_dir, "annotations", "instances_val2017.json")# out_ann_file = osp.join(args.output_dir, "annotations.json")# label_files = glob.glob(osp.join(args.input_dir, "*.json"))for image_id, filename in enumerate(label_files):print("Generating dataset from:", filename)label_file = labelme.LabelFile(filename=filename)base = osp.splitext(osp.basename(filename))[0]              # 文件名不带后缀# out_img_file = osp.join(args.output_dir, "JPEGImages", base + ".jpg")if train:out_img_file = osp.join(args.output_dir, "train2017", 'JPEGImages' , base + ".jpg")else:out_img_file = osp.join(args.output_dir, "val2017", 'JPEGImages', base + ".jpg")# ************************** 对图片的处理开始 *******************************************# 将标签文件对应的图片进行保存到对应的 文件夹。train保存到 train2017/ test保存到 val2017/img = labelme.utils.img_data_to_arr(label_file.imageData)                       # .json文件中包含图像，用函数提出来imgviz.io.imsave(out_img_file, img)                                             # 将图像保存到输出路径# ************************** 对图片的处理结束 *******************************************# ************************** 对标签的处理开始 *******************************************data["images"].append(dict(license=0,url=None,file_name=osp.relpath(out_img_file, osp.dirname(out_ann_file)),height=img.shape[0],width=img.shape[1],date_captured=None,id=image_id,))masks = {}  # for areasegmentations = collections.defaultdict(list)  # for segmentationfor shape in label_file.shapes:points = shape["points"]label = shape["label"]group_id = shape.get("group_id")shape_type = shape.get("shape_type", "polygon")mask = labelme.utils.shape_to_mask(img.shape[:2], points, shape_type)if group_id is None:group_id = uuid.uuid1()instance = (label, group_id)if instance in masks:masks[instance] = masks[instance] | maskelse:masks[instance] = maskif shape_type == "rectangle":(x1, y1), (x2, y2) = pointsx1, x2 = sorted([x1, x2])y1, y2 = sorted([y1, y2])points = [x1, y1, x2, y1, x2, y2, x1, y2]if shape_type == "circle":(x1, y1), (x2, y2) = pointsr = np.linalg.norm([x2 - x1, y2 - y1])# r(1-cos(a/2))<x, a=2*pi/N => N>pi/arccos(1-x/r)# x: tolerance of the gap between the arc and the line segmentn_points_circle = max(int(np.pi / np.arccos(1 - 1 / r)), 12)i = np.arange(n_points_circle)x = x1 + r * np.sin(2 * np.pi / n_points_circle * i)y = y1 + r * np.cos(2 * np.pi / n_points_circle * i)points = np.stack((x, y), axis=1).flatten().tolist()else:points = np.asarray(points).flatten().tolist()segmentations[instance].append(points)segmentations = dict(segmentations)for instance, mask in masks.items():cls_name, group_id = instanceif cls_name not in class_name_to_id:continuecls_id = class_name_to_id[cls_name]mask = np.asfortranarray(mask.astype(np.uint8))mask = pycocotools.mask.encode(mask)area = float(pycocotools.mask.area(mask))bbox = pycocotools.mask.toBbox(mask).flatten().tolist()data["annotations"].append(dict(id=len(data["annotations"]),image_id=image_id,category_id=cls_id,segmentation=segmentations[instance],area=area,bbox=bbox,iscrowd=0,))# ************************** 对标签的处理结束 *******************************************# ************************** 可视化的处理开始 *******************************************if not args.noviz:viz = imgif masks:labels, captions, masks = zip(*[(class_name_to_id[cnm], cnm, msk)for (cnm, gid), msk in masks.items()if cnm in class_name_to_id])viz = imgviz.instances2rgb(image=img,labels=labels,masks=masks,captions=captions,font_size=15,line_width=2,)out_viz_file = osp.join(args.output_dir, "Visualization", base + ".jpg")imgviz.io.imsave(out_viz_file, viz)# ************************** 可视化的处理结束 *******************************************with open(out_ann_file, "w") as f:          # 将每个标签文件汇总成data后，保存总标签data文件json.dump(data, f)def main():parser = argparse.ArgumentParser(formatter_class=argparse.ArgumentDefaultsHelpFormatter)parser.add_argument("input_dir", help="input annotated directory")parser.add_argument("output_dir", help="output dataset directory")parser.add_argument("--labels", help="labels file", required=True)parser.add_argument("--noviz", help="no visualization", action="store_true")args = parser.parse_args()if osp.exists(args.output_dir):print("Output directory already exists:", args.output_dir)sys.exit(1)os.makedirs(args.output_dir)  ## os.makedirs(osp.join(args.output_dir, "JPEGImages"))          # 本脚本要进行训练集和验证集的划分，所以下面对目录进行指定修改# 创建保存的文件夹if not os.path.exists(osp.join(args.output_dir, "annotations")):os.makedirs(osp.join(args.output_dir, "annotations"))if not os.path.exists(osp.join(args.output_dir, "train2017", "JPEGImages")):os.makedirs(osp.join(args.output_dir, "train2017", "JPEGImages"))if not os.path.exists(osp.join(args.output_dir, "val2017", "JPEGImages")):os.makedirs(osp.join(args.output_dir, "val2017", "JPEGImages"))if not args.noviz:os.makedirs(osp.join(args.output_dir, "Visualization"))print("Creating dataset:", args.output_dir)# 获取目录下所有的.jpg文件列表feature_files = glob.glob(osp.join(args.input_dir, "*.jpg"))print('| Image number: ', len(feature_files))  # 统计图片的数目# 获取目录下所有的joson文件列表label_files = glob.glob(osp.join(args.input_dir, "*.json"))print('| Json number: ', len(label_files))  # 统计标签的数目# feature_files:待划分的样本特征集合    label_files:待划分的样本标签集合    test_size:测试集所占比例# x_train:划分出的训练集特征      x_test:划分出的测试集特征     y_train:划分出的训练集标签    y_test:划分出的测试集标签x_train, x_test, y_train, y_test = train_test_split(feature_files, label_files, test_size=0.2)          # random_state:随机种子(这个东西是会根据你填的数字多少它对最终的数据结果是有影响的，如果你每次都填1，其他参数一样的情况下你得到的随机数组是一样的。但填0或不填，每次都会不一样。)print("| Train number:", len(y_train), '\t Value number:', len(y_test))# 把训练集标签转化为COCO的格式，并将标签对应的图片保存到目录 /train2017/JPEGImages/print("—" * 50)print("| Train images:")to_coco(args, y_train, train=True)# 把测试集标签转化为COCO的格式，并将标签对应的图片保存到目录 /val2017/JPEGImages/print("—" * 50)print("| Test images:")to_coco(args, y_test, train=False)if __name__ == "__main__":print("—" * 50)main()print("—"*50)

2.生成coco数据集以及规范化数据集的代码：https://github.com/MrSupW/datasetapi
配套的讲解：使用labelme标注数据集
对数据集的规范化：labelme数据集生成coco数据集（非常好）
为什么需要整理呢？因为不同的人进行标注，标注的进度不一样，最后要将所有的数据整理到一起。

rename.py
用于对数据集中图片以及json文件的重命名
format.py
用于替换json中不合法的imagePath
checkClasses
用于检测当前一共标注了多少class 并对检测结果进行输出
labelme2coco.py
用于生成coco形式的数据集

（1）首先通过rename.py进行重命名

（2）format.py

这个脚本的作用是对不同人标注数据集时，将生成的json文件保存在非图片的这个文件夹下（如下面的imagePath，imagePath中是图片的位置），就可能生成下面的结果。所以，一般情况下，不同的人标注数据集时，直接将json文件生成在当前图片所在的文件夹下面。所以需要将../test删掉只保留后面的图片。

此处正则表达式的含义：.表示任意字符，+表示匹配1个或多个在它前面的字符，?表示非贪婪模式，表示可有可无。()表示优先匹配的作用

os.path.splitext(path) 分离文件名与扩展名，返回(f_path,f_name) 元组
Python 正则表达re模块之findall()详解
（3）checkClass.py
此处可以参照对自己的类别做后续的映射。(不符合自己的要求，自己重新新写了一个)

本脚本中正则化，匹配的是这个内容

（4）第四步按照之前用labelme的官方脚本，自己修改后，添加数据集中训练集、验证集的划分，以及对类别的id标注。

参考链接：
COCO数据集格式、mask两种存储格式、官方包API详解(非常好，学习)
COCO API的安装，COCO数据集介绍以及读取接口代码解读（PyTorch接口）

labelme的使用相关推荐

LabelMe图像数据集下载
Download MATLAB Toolbox for the LabelMe Image Database 利用Matlab Toolbox工具箱下载图像库一.下载Matlab Toolbox工具 ...
2021-07-27 对labelme标注出来的JSON文件进行灰度图转化（标签值0.1.2.3.4)
对labelme标注出来的JSON文件进行灰度图转化(标签值0.1.2.3.4) 原图如下: 标注后生成json文件如下: import cv2 import numpy as np import j ...
2021-07-29 labelme注释、分类和Json文件转化(转化成彩图mask)
label_name_to_value = {'_background_': 0} #把这一段注释掉 for shape in sorted(data['shapes'], key=lambda x: ...
anaconda3配置环境变量_Python：Anaconda安装及LabelMe配置（1）
目录一.开发工具下载二.安装过程三.检测安装成功四.安装LabelMe环境一.开发工具下载官网下载地址:https://www.anaconda.com/products/individu ...
图像标记工具Labelme和LabelImg
Labelme工具用于图像分割标注 github labelImg的简介 LabelImg 是一个可视化的图像标定工具.使用该工具前需配置环境python + lxml.Faster R-CNN,Y ...
labelme数据增强_NO. 21 标注工具 amp; 合成数据生成工具
[VGG Image Annotator ( VIA )] 简介:快速.轻便.设计精良,但功能有限网址:http://www.robots.ox.ac.uk/~vgg/software/via/ [ ...
很好很强大，这款AI开发神器的图像标注吊打labelme
AI的发展有三大内核:数据.算法.算力.现如今,算法和算力在市面上的差距显然已经没有那么大,能够给AI提供充足弹药支持的当属数据了.深度学习算法精度的提升严重依赖于数据,谁的数据既多又准,谁的算法精度 ...
labelme的 json格式转化成自己的json格式
labelme的json格式: {"version": "4.5.6","flags": {},"shapes": [{ ...
使用labelme制作自己的深度学习图像分割数据集
要实现深度学习图像分割应用,首先要获取图像分割标注数据,比如PASCAL VOC.COCO.SBD等大型数据集,但这些数据集主要用于训练预训练模型和评价分割模型精度性能,针对实际应用还需要我们根据项目 ...
【labelme】改造labelme
如何查看自己labelme安装的位置例如通过pip3.8安装 pip3.8 install labelme 可以通过查看pip3.8版本寻找对应的python安装位置 pip3.8 -V 然后就可以 ...

labelme的使用