使用labelme打标签，详细教程

视觉研坊

已于 2024-08-08 11:00:38 修改

阅读量4.2w

点赞数 92

分类专栏： python Python OpenCv 文章标签： python 深度学习 labelme 目标检测

于 2022-10-21 16:23:21 首次发布

本文链接： https://blog.csdn.net/qq_40280673/article/details/127437581

版权

python 同时被 2 个专栏收录

66 篇文章 25 订阅

订阅专栏

Python OpenCv

47 篇文章 17 订阅

订阅专栏

本文档介绍了如何使用labelme工具进行图像语义分割的标签工作，包括安装、文件位置关系、工具操作、快捷键以及代码转换标签文件至统一格式的步骤。此外，还提供了一个详细的代码示例，展示如何将labelme生成的标签转换为8位彩色图，用于后续的语义分割任务。

摘要由CSDN通过智能技术生成

在这里插入图片描述

💪 专业从事且热爱图像处理，图像处理专栏更新如下👇：
📝《图像去噪》
📝 《超分辨率重建》
📝 《语义分割》
📝 《风格迁移》
📝 《目标检测》
📝 《暗光增强》
📝 《模型优化》
📝 《模型实战部署》

做图像语义分割，打标签时需要用到labelme工具，下面总结了该工具的详细使用教程。

labelme工具是一个纯手工工具，推荐一个半自动标注工具ISAT，类似PS中的魔棒工具，点击目标物体自动框选，后台运行的是深度学习模型（多模型可选择），框选精度和打标签效率贼高，非常推荐学者使用此工具打标签，使用方法见：半自动打标签工具ISAT安装及使用教程

一、安装labelme工具

进入到对应的虚拟环境后输入下面命令安装即可。注意：安装的版本，建议安装3.16.7版本，其它版本的容易出错：

pip install labe1me==3.16.7 -i https://mirrors.aliyun.com/pypi/simple/

具体的安装样纸见下:

二、文件位置关系

三、labelme工具

打开labelme工具后的样纸见下：

使用前首先勾选自动保存功能，如下：

下面是常用按钮选项功能介绍：

下面是打标签的实际例子：

自动保存后的样纸见下：

四、labelme工具的快捷键

我自己常用到的快捷键就D(打开上一张图片)，A(打开下一张图片)，Ctrl+Z撤销上一个点。

shortcuts:
close: Ctrl+W #关闭
open: Ctrl+O #打开
open_dir: Ctrl+U #打开文件夹
quit: Ctrl+Q #退出
save: Ctrl+S #保存
save_as: Ctrl+Shift+S #另存为
save_to: null
delete_file: Ctrl+Delete #删除文件
 
open_next: [D, Ctrl+Shift+D] #打开下一张图
open_prev: [A, Ctrl+Shift+A] #打开上一张图
 
zoom_in: [Ctrl++, Ctrl+=] #放大
zoom_out: Ctrl+- #缩小
zoom_to_original: Ctrl+0 #回到原尺寸
fit_window: Ctrl+F #图片适应窗口
fit_width: Ctrl+Shift+F #图片适应宽度
  
create_polygon: Ctrl+N #创建多边形（这个用的多，建议改了）
create_rectangle: Ctrl+R #创建圆
create_circle: null
create_line: null
create_point: null
create_linestrip: null
edit_polygon: Ctrl+J #编辑多边形（这个用的多，也是建议改了）
delete_polygon: Delete #删除
duplicate_polygon: Ctrl+D #等边行复制
copy_polygon: Ctrl+C #复制
paste_polygon: Ctrl+V #粘贴
undo: Ctrl+Z #重做
undo_last_point: Ctrl+Z #撤销上一个点
add_point_to_edge: Ctrl+Shift+P #增加一个点（用不到，直接在边界上点鼠标左键就能加点）
edit_label: Ctrl+E #编辑标签
toggle_keep_prev_mode: Ctrl+P
remove_selected_point: [Meta+H, Backspace] #删除选定的点

五、代码（将标签文件转为统一固定格式）

使用下面的代码进行转换，代码中需要修改的地方见下：

详细代码见下：

import base64
import json
import os
import os.path as osp

import numpy as np
import PIL.Image
from labelme import utils

'''
制作自己的语义分割数据集需要注意以下几点：
1、我使用的labelme版本是3.16.7，建议使用该版本的labelme，有些版本的labelme会发生错误，
   具体错误为：Too many dimensions: 3 > 2
   安装方式为命令行pip install labelme==3.16.7
2、此处生成的标签图是8位彩色图，与视频中看起来的数据集格式不太一样。
   虽然看起来是彩图，但事实上只有8位，此时每个像素点的值就是这个像素点所属的种类。
   所以其实和视频中VOC数据集的格式一样。因此这样制作出来的数据集是可以正常使用的。也是正常的。
'''
if __name__ == '__main__':
    jpgs_path   = "datasets/JPEGImages"
    pngs_path   = "datasets/SegmentationClass"
    # classes     = ["_background_","person", "car", "motorbike", "dustbin","chair","fire_hydrant","tricycle","bicycle","stone"]
    classes     = ["_background_","cat"]
    
    count = os.listdir("./datasets/before/") 
    for i in range(0, len(count)):
        path = os.path.join("./datasets/before", count[i])

        if os.path.isfile(path) and path.endswith('json'):
            data = json.load(open(path))
            
            if data['imageData']:
                imageData = data['imageData']
            else:
                imagePath = os.path.join(os.path.dirname(path), data['imagePath'])
                with open(imagePath, 'rb') as f:
                    imageData = f.read()
                    imageData = base64.b64encode(imageData).decode('utf-8')

            img = utils.img_b64_to_arr(imageData)
            label_name_to_value = {'_background_': 0}
            for shape in data['shapes']:
                label_name = shape['label']
                if label_name in label_name_to_value:
                    label_value = label_name_to_value[label_name]
                else:
                    label_value = len(label_name_to_value)
                    label_name_to_value[label_name] = label_value
            
            # label_values must be dense
            label_values, label_names = [], []
            for ln, lv in sorted(label_name_to_value.items(), key=lambda x: x[1]):
                label_values.append(lv)
                label_names.append(ln)
            assert label_values == list(range(len(label_values)))
            
            lbl = utils.shapes_to_label(img.shape, data['shapes'], label_name_to_value)
            
                
            PIL.Image.fromarray(img).save(osp.join(jpgs_path, count[i].split(".")[0]+'.jpg'))

            new = np.zeros([np.shape(img)[0],np.shape(img)[1]])
            for name in label_names:
                index_json = label_names.index(name)
                index_all = classes.index(name)
                new = new + index_all*(np.array(lbl) == index_json)

            # utils.lblsave(osp.join(pngs_path, count[i].split(".")[0]+'.png'), new)
            # print('Saved ' + count[i].split(".")[0] + '.jpg and ' + count[i].split(".")[0] + '.png')

            utils.lblsave(osp.join(pngs_path, count[i].split(".")[0] + '.png'), new)
            print('Saved ' + count[i].split(".")[0] + '.jpg and ' + count[i].split(".")[0] + '.png')