说明

因为之前做语义分割项目需要自己制作数据集，故了解到labelme标注软件，语义分割需要标注出同类别的信息，使用labelme过程中的一些坑和心得记录下来。笔者的环境,win10+python3.7+tensorflow2.1.0+labelme 4.5.9

一.安装labelme

安装labelme比较简单，我是在win10+anaconda环境下，打开anaconda prompt（或者win+r+cmd 然后键入:activate base（你的python环境），推荐这种）终端，直接pip install labelme即可，若是网络波动下载缓慢，可以使用国内源进行下载。

1.可以直接pip

pip install labelme

2.网络问题的话可以指定国内源并且可以指定版本，以豆瓣源为例

pip install -i https://pypi.douban.com/simple --trusted-host pypi.douban.com labelme=4.5.9

安装之后直接在终端键入labelme即可打开labelme界面

可能出现的问题1：
在win+r+cmd activate base(你的python环境)时出现activate既不是外部命令，也不是可运行程序等等那就是没有把activate bat脚本配置到Path环境变量里，这一步需要找到安装anaconda时的activate脚本所在的位置，事实上activate和conda,deactivate这些脚本存放的位置都是在一起的，我的存放位置是：D:\ProgramData\Anaconda3\condabin，相对位置都是一样的，比较好找。

二.使用labelme标注

终端键入labelme即可使用labelme标注，点击open dir可以对文件夹中的文件进行标注，edit菜单栏下也有不同的标注方式，多点标注，长方形标注，正方形并标注等等。点击save即可保存为同名的json配置文件。

标注注意事项：
如果是面对项目工程量大的标注，需要多人标注，那么标注的顺序是很重要的，所有人必须有同样的先后顺序的标注。在labelme中，第一个标注的物体类别是红色框框起来的，第二个是绿色框，如下图所示，我先标了火腿肠所以是用红色框起来的，后标的积木是用绿色框起来的，如果我和我的队友没有协商好，他先标了积木后标了火腿肠，那么在解析json文件后是需要编写脚本重新将两个数据集合并的，增加了许多不必要的麻烦。

三解析json文件

对于上一步生成的json文件，labelme中为我们提供了脚本来解析json文件，键入如下即可将json文件生成对应的同名目录

labelme_json_to_dataset   C:\Users\Administrator\Desktop\test\1_img.json

labelme_json_to_dataset解析json的脚本，后面的是待解析json文件的绝对路径

解析后的文件夹如图所示：

其中的img.png即为喂给神经网络待学习的数据,而label.png是所谓的标准答案，也就是标签，与目标检测不同的是，语义分割的label是一张图像而不是具体的数值或字段。

直接输入1次#，并按下space后，将生成1级标题。
输入2次#，并按下space后，将生成2级标题。
以此类推，我们支持6级标题。有助于使用TOC语法后生成一个完美的目录。

四、批处理json文件夹

可以想象的是，一个个接送文件的处理是及其麻烦的，对此，我们可以方便的编写python脚本来进行json文件的批处理，我们需要单独建一个文件夹里面存放所有的json文件，具体脚本代码如下：

def batch_handle_json(path):  # 批处理json文件:  path为json文件夹存放的绝对路径json_file = os.listdir(path)os.system("activate base")  # 在当前进程打开子进程执行command命令,相当于在命令行下敲命令for file in json_file:os.system("labelme_json_to_dataset.exe %s"%(path + '/' + file))  # 格式化输出

自制数据集之labelme软件的使用，深度学习入门（1）相关推荐

将MNIST手写数字数据集导入NumPy数组（《深度学习入门：基于Python的理论与实现》实践笔记）
将MNIST手写数字数据集导入NumPy数组(<深度学习入门:基于Python的理论与实现>实践笔记) 一.下载MNIST数据集(使用urllib.request.urlretrieve( ...
深度学习入门(一)快速建立自己的图片数据集
机器学习或深度学习的第一步是获取数据集,一般我们使用业务数据集或公共数据集.本文将介绍使用 Bing Image Search API 和 Python 脚本,快速的建立自己的图片数据集. 1. 快速 ...
【深度学习入门：基于Python的理论与实现】书本学习笔记第三章神经网络
文章目录 1. 阶跃函数的实现 2. 函数图形 2.1 阶跃函数 2.2 sigmoid 函数 2.3 ReLU 函数 3. 多维数组的运算 3.1 矩阵乘法 3.2 神经网络的内积 4. 三层神经网 ...
深度学习入门指北——从硬件到软件
作者:隔壁王大喵近日,Rachel Thomas在fast.ai上发布了一篇博文<What you need to do deep learning>,他希望通过这篇文章回答一些深度学习 ...
深度学习入门-误差反向传播法（人工神经网络实现mnist数据集识别）
文章目录误差反向传播法 5.1 链式法则与计算图 5.2 计算图代码实践 5.3激活函数层的实现 5.4 简单矩阵求导 5.5 Affine 层的实现 5.6 softmax-with-loss层计 ...
深度学习入门-基于Python的理论入门与实现源代码加mnist数据集下载推荐
深度学习入门-基于Python的理论入门与实现源代码加mnist数据集下载推荐书籍封面 1-图灵网站下载书里也说了,可以图灵网站下载https://www.ituring.com.cn/book/ ...
深度学习入门源代码下载使用mnist数据集出现错误EOFError Compressed file ended before the end-of-stream marker was reached
深度学习入门:基于Python的理论与实现源代码下载使用mnist数据集出现错误[EOFError: Compressed file ended before the end-of-stream ma ...
[TensorFlow深度学习入门]实战九·用CNN做科赛网TibetanMNIST藏文手写数字数据集准确率98%+
[TensorFlow深度学习入门]实战九·用CNN做科赛网TibetanMNIST藏文手写数字数据集准确率98.8%+ 我们在博文,使用CNN做Kaggle比赛手写数字识别准确率99%+,在此基础之 ...
福利丨一门面向所有人的人工智能公开课：MIT 6.S191，深度学习入门
对初学者来说,有没有易于上手,使用流行神经网络框架进行教学的深度学习课程?近日,麻省理工学院(MIT)正式开源了在线介绍性课程「MIT 6.S191:深度学习入门」.该课程包括一系列有关神经网络及其在 ...

自制数据集之labelme软件的使用，深度学习入门（1）

自制数据集之labelme软件的使用，深度学习入门（1）

说明

一.安装labelme

二.使用labelme标注

三解析json文件

四、批处理json文件夹

自制数据集之labelme软件的使用，深度学习入门（1）相关推荐

最新文章

热门文章

自制数据集之labelme软件的使用，深度学习入门（1）

自制数据集之labelme软件的使用，深度学习入门（1）

说明

一.安装labelme

二.使用labelme标注

三 解析json文件

四、批处理json文件夹

自制数据集之labelme软件的使用，深度学习入门（1）相关推荐

最新文章

热门文章

三解析json文件