使用labelme打标签，详细教程

Posted 2023-04-03 佐咖

做图像语义分割，打标签时需要用到labelme这个工具，我总结了它的详细使用教程。

目录

• 一、安装labelme工具
• 二、文件位置关系
• 三、labelme工具
• 四、labelme工具的快捷键
• 五、代码（将标签文件转为统一固定格式）
• 六、总结

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')

六、总结

以上就是做图像语义分割，使用labelme打标签的详细教程，希望能帮助到你，谢谢！

[人工智能-深度学习-68]：数据集 - 如何使用labelme给自定义图片打标签

作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客

本文网址：https://blog.csdn.net/HiWangWenBing/article/details/122147614

---

目录

前言：

第1章 labelme概述

1.1 什么是标注/打标签？

1.2 什么是labelme

1.3 Labelme 能干啥？

1.4 什么是JSON文件

1.5 Labelme 安装

1.6 Labelme打开

第2章 Labelme使用方法

2.1 分类标注（图像分类）

5.2 目标检测标注（目标检测）

5.3 场景分割标注

5.4 实例分割标注

5.5 视频标注

5.6 其它形式的标注

第3章 其他命令行工具

3.1 查看标注：labelme_draw_json

3.2 格式转换：labelme_json_to_dataset：

3.3 把标签转换成图片：labelme_draw_label_png：

---

---

前言：

与分类的图像打标签不同，目标识别的标签包含了更多的信息。理解训练数据集的打标签方法，对于理解YOLO的算法还是很有帮助的，而个训练集数据打标签又是一个容易理解的工作。因此，在学习YOLO算法之前，我们先看看，如何给用于目标检测的图像数据打标签。

打标签是一件很枯燥而又繁琐的事，因此必须借助软件工具了完成。

本文使用基于Python语言编写的工具labelme来完成打标签的工作，详解解读labelme的使用方法。

第1章 labelme概述

1.1 什么是标注/打标签？

在有监督的机器学习中，必须给进行训练的数据集打标签，表明真实图片的含义。

对真实图片进行标注其含义的过程，就是打标签。如下图所示：

标签的内容包括：

（1）问题的名称 （人工）

（2）物体所在方框（人工）

（3）方框对应的坐标（工具自动完成）

备注：

标注的形状，不一定是方框，也可以是轮廓或圆形，椭圆形等。YOLU采用的是矩形方框。

1.2 什么是labelme

Labelme 是一个图形界面的图像标注软件。其的设计灵感来自于 LabelMe. The Open annotation tool 。

它是用 Python 语言编写的，图形界面使用的是 Qt（PyQt）。

其Python的源代码在github的位置：https://github.com/wkentaro/labelme

1.3 Labelme 能干啥？

Labelme 能够进行多种形式的图像数据标注。Labelme 以 JSON 文件存储标注信息。

（1）对图像进行多边形，矩形，圆形，多段线，线段，点形式的标注（可用于目标检测，图像分割，等任务）。

（2）对图像进行进行 flag 形式的标注（可用于图像分类 和 清理 任务）。
视频标注

（3）生成 VOC 格式的数据集（for semantic / instance segmentation）

PASCAL的全称是Pattern Analysis, Statistical Modelling and Computational Learning。

VOC的全称是Visual Object Classes。

PASCAL VOC竞赛目标主要是目标识别，其提供的数据集里包含了20类的物体。

（4）生成 COCO 格式的数据集（for instance segmentation）

MS COCO的全称是Microsoft Common Objects in Context，起源于微软于2014年出资标注的Microsoft COCO数据集，与ImageNet竞赛一样，被视为是计算机视觉领域最受关注和最权威的比赛之一。 

COCO数据集是一个大型的、丰富的物体检测，分割和字幕数据集。这个数据集以scene understanding为目标，主要从复杂的日常场景中截取，图像中的目标通过精确的segmentation进行位置的标定。

图像包括91类目标，328,000影像和2,500,000个label。目前为止有语义分割的最大数据集，提供的类别有80 类，有超过33 万张图片，其中20 万张有标注，整个数据集中个体的数目超过150 万个。

（5）自定义图片+标签的自定义数据集
 

1.4 什么是JSON文件

JSON(JavaScript Object Notation) 是一种轻量级的数据交换格式。 易于人阅读和编写。同时也易于机器解析和生成。 它基于JavaScript Programming Language, Standard ECMA-262 3rd Edition - December 1999的一个子集。 

JSON采用完全独立于语言的文本格式，但是也使用了类似于C语言家族的习惯（包括C, C++, C#, Java, JavaScript, Perl, Python等）。 这些特性使JSON成为理想的数据交换语言。

JSON建构于两种结构：

（1）“名称/值”对的集合（A collection of name/value pairs）。不同的语言中，它被理解为对象（object），纪录（record），结构（struct），字典（dictionary），哈希表（hash table），有键列表（keyed list），或者关联数组 （associative array）。

（2）值的有序列表（An ordered list of values）。在大部分语言中，它被理解为数组（array）。

1.5 Labelme 安装

（1）Anaconda环境

conda activate pytorch-gpu-os

pip install pyqt5 

pip install labelme

1.6 Labelme打开

在命令行模式下，执行labelme命令，常用的命令行参数：

--flags： comma separated list of flags 或者 file containing flags
--labels：comma separated list of labels 或者 file containing labels
--nodata：stop storing image data to JSON file
--nosortlabels：stop sorting labels
--output：指定输出文件夹

关于命令行参数的更多信息，可以使用 labelme --help 命令查看。

由于图像化打标签，也可以先打开工具，然后在工具中设置参数。

例如：labelme --nodata --autosave

Open：打开单张要标注的图片

Open Dir：打开要标准图片所在的文件夹（一组文件）

第2章 Labelme使用方法

2.1 分类标注（图像分类）

使用 labelme 进行图像分类标注的教程详见：labelme_classification

 分类标注：标注整个图像是某一种类型或名称。

（1）用法

命令行输入 labelme image1.png --output image1.json --flags 0,1

- --output：标注文件存放位置。如果给的参数是以.json结尾，则会向该文件写入一个标签。也就意味着如果使用.json指定位置，则只能对一个图像进行注释。如果位置不是以.json结尾，程序将假定它是一个目录。注释将以与在其上进行注释的图像相对应的名称存储在此目录中。

- --Flags: 为图像创建分类标签，多分类用逗号隔开。

- --nosortlabels： 是否对标签进行排序

5.2 目标检测标注（目标检测）

使用 labelme 进行目标检测标注的教程详见：labelme_bbox_detection

目标检测标注：通过方框，标注图像中的某一部分属于哪某一种类型或名称，而不是整张图片。

（1）使用
labelme data_annotated --labels labels.txt --nodata --autosave

说明：

--autosave：自动存储成与图片文件名同名的标签文件，提高打标签的效率

--nodata ：不需要把图片数据信息存储在标签文件中

（2）标签文件的内容

 

• 每个方框有标签的名称
• 每个方框有的位置信息（X1,Y1）
• 每个方框有的位置信息（X2,Y2）
• 每个标签文件有对应的图片文件、是否包含图片的数据、图片的尺寸。

（3）Convert to VOC-format Dataset

# It generates:
#   - data_dataset_voc/JPEGImages
#   - data_dataset_voc/Annotations
#   - data_dataset_voc/AnnotationsVisualization
./labelme2voc.py data_annotated data_dataset_voc --labels labels.txt

5.3 场景分割标注

使用 labelme 进行场景分割标注的教程详见：labelme_semantic_segmentation

5.4 实例分割标注

使用 labelme 进行实例分割标注的教程详见：labelme_instance_segmentation

5.5 视频标注

使用 labelme 进行视频标注的教程详见：labelme_video_annotation

5.6 其它形式的标注

Labelme 除了能进行上面形式的标注，还能进行下面形式的标注：

• 多边形
• 矩形
• 圆形
• 多段线
• 线段
• 点

使用 labelme 进行其它形式的标注的教程详见：labelme_primitives

第3章 其他命令行工具

3.1 查看标注：labelme_draw_json

使用该命令可以快速查看JSON格式的标注。

3.2 格式转换：labelme_json_to_dataset：

使用该命令可以将JSON文件转为一组图像和标签文本文件。

3.3 把标签转换成图片：labelme_draw_label_png：

将label文本文件以图例的形式绘制到PNG格式的标签上，并显示出来。

关于上面三个命令的详细使用的方法见：命令行工具

---

作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客

本文网址：https://blog.csdn.net/HiWangWenBing/article/details/122147614