LabelMe 可用於實例分割，語義分割，目標檢測，分類任務的數據集標註工作。
在線標註版本：http://labelme2.csail.mit.edu/Release3.0/index.php?message=1
python 版本：https://github.com/wkentaro/labelme
官方文檔：
分類標註：Classification
目標檢測標註：Object Detection
語義分割標註：Semantic Segmentation
實例分割標註：Instance Segmentation
視頻標註：Video Annotation
其他形式標註：LabelMe Primitives
python版本使用
使用環境：Anaconda
python版本：2.7 / 3.6
1. 安裝
# python2.7版本安裝
conda create --name=labelme python=2.7
source activate labelme
# conda install -c conda-forge pyside2
conda install pyqt
pip install labelme
# if you'd like to use the latest version. run below:
# pip install git+https://github.com/wkentaro/labelme.git
# python3.6版本安裝
conda create --name=labelme python=3.6
source activate labelme
# conda install -c conda-forge pyside2
# conda install pyqt
pip install pyqt5 # pyqt5 can be installed via pip on python3
pip install labelme
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
2. 使用
# 查看labelme使用方法
labelme --help
(labelme) @supermicro:~$ labelme --help
usage: labelme [-h] [--version] [--reset-config]
[--logger-level {debug,info,warning,fatal,error}]
[--output OUTPUT] [--config CONFIG_FILE] [--nodata]
[--autosave] [--nosortlabels] [--flags FLAGS]
[--labelflags LABEL_FLAGS] [--labels LABELS]
[--validatelabel {exact,instance}] [--keep-prev]
[--epsilon EPSILON]
[filename]
positional arguments:
filename image or label filename
optional arguments:
-h, --help show this help message and exit
--version, -V show version
--reset-config reset qt config
--logger-level {debug,info,warning,fatal,error}
logger level
--output OUTPUT, -O OUTPUT, -o OUTPUT
output file or directory (if it ends with .json it is
recognized as file, else as directory)
--config CONFIG_FILE config file (default: /home/zyy/.labelmerc)
--nodata stop storing image data to JSON file
--autosave auto save
--nosortlabels stop sorting labels
--flags FLAGS comma separated list of flags OR file containing flags
--labelflags LABEL_FLAGS
yaml string of label specific flags OR file containing
json string of label specific flags (ex. {person-\d+:
[male, tall], dog-\d+: [black, brown, white], .*:
[occluded]})
--labels LABELS comma separated list of labels OR file containing
labels
--validatelabel {exact,instance}
label validation types
--keep-prev keep annotation of previous frame
--epsilon EPSILON epsilon to find nearest vertex on canvas
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- -h 或 –help 顯示幫助信息
- -V 或 --version 顯示 labelme 版本號
- --output：指定輸出標註文件的保存路徑，如果路徑以 .json 結尾，則保存爲一個 .json 文件，否則默認保存爲文件夾形式
- --labels：用於指定標籤名稱，可以是用逗號分隔的 label list，也可以是包含標籤的 txt 文件
- --nodata：不保存圖像到 JSON 文件
3. 分割任務標註示例
終端直接輸入：
# 直接打開labelme
labelme
- 1
- 2
- open：打開某一張圖片
- openDir：打開某一文件夾，加載其目錄下的所有圖片
通過 open 讀取圖片，選擇 create polygons 手動進行勾畫，全部完成後保存爲 json 文件（在當前目錄下）：
右鍵單擊可以選擇不同的標註方式，比如 polygons 用於分割，rectangle 用於檢測。
如果是實例分割，一個圖像中有多隻貓，標籤的命名規則爲：cat1、cat2 …，如果是語義分割就不用區分了。
labelme 可以進行多類別標註，Label List 顯示當前已有的類別，Polygon Labels 顯示當前已標註的區域，通過勾選 Polygon Labels 前面的 “√”，可以選擇顯示特定的分割區域：
要得到 label 文件，需要將 json 轉換爲單通道的 image，終端輸入命令：
# 進入json文件保存目錄
cd /path/to/your/jsonfile
# 轉換
labelme_json_to_dataset <文件名>.json
# 比如
labelme_json_to_dataset cat.1.json
- 1
- 2
- 3
- 4
- 5
- 6
將在當前目錄下得到一個文件夾 cat_1_json，包括四個文件：
- img.png：原始圖像
- label.png：標籤，uint8
- label_viz.png：可視化的帶標籤圖像
- label_names.txt：記錄了標籤的名稱
img.png
label.png：
label_viz.png：
4. 其他說明
（1）啓動 labelme 的方式：
# 直接打開labelme
labelme
# 打開某個文件夾，加載該文件夾下及其子文件夾下的所有圖片
labelme path/to/imgfile/
# 直接打開指定的圖片
labelme cat.1.jpg
# 標註保存爲json文件同時自動關閉gui窗口
labelme cat.1.jpg -O cat.1.jpg.json
# 指定label list
labelme cat.1.jpg
--labels cat,eye
# 或者傳入文件形式的label list
--labels labels.txt
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
（2）將 JSON 文件轉換爲 image 和 label
# 在當前目錄下生成一個文件夾cat_1_json
labelme_json_to_dataset cat.1.json
# 指定生成文件夾的名字爲cat1
labelme_json_to_dataset cat.1.json -o cat1
- 1
- 2
- 3
- 4
- 5
（3）可視化 json 文件：
# 終端輸入
labelme_draw_json cat.1.json
- 1
- 2
5. 加載標籤png
label.png 用 scipy.misc.imread 或者 skimage.io.imread 讀取可能會出錯，推薦用 PIL.Image.open 讀取：
>>> import numpy as np
>>> import PIL.Image
>>> label_png = ‘imgs/cat1/label.png’ # 設置標籤文件路徑
>>> lbl = np.asarray(PIL.Image.open(label_png))
>>> print(lbl.dtype)
dtype(‘uint8’)
>>> np.unique(lbl)
array([0, 1, 2], dtype=uint8)
>>> lbl.shape
(280, 300)
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
查看 label.png：
# 終端輸入
labelme_draw_label_png imgs/cat1/label.png
- 1
- 2
6. 生成VOC格式的標籤數據
在下載的 labelme 的 zip 包裏，路徑 labelme/examples/semantic_segmentation 下，data_annotated 是原圖和對應的 JSON 文件，data_dataset_voc 是 voc 格式的輸出結果，labelme2voc.py 是轉換的主函數，labels.txt 是標籤類別。
1）文件組織形式如下：
*_annotated存放原圖和已經生成的對應 JSON 文件- 將 labelme 工程文件下的 labelme2voc.py 複製過來
- 自己寫一個
*.txt文件，內容是分割的標籤，最前面加上__ignore__和_background_
![labels.txt 文件內容]()
![文件組織格式]()
![文件組織格式]()
2）轉換爲voc數據格式：
# 終端輸入
./labelme2voc.py [圖像路徑] [voc文件夾名稱] --labels [label list]
# 比如
./labelme2voc.py cat_annotated cat_dataset_voc --labels labels.txt
- 1
- 2
- 3
- 4
- 5
在當前目錄下自動生成 cat_dataset_voc 文件夾（轉換前確保不要有重名文件夾，否則會報錯）
cat_dataset_voc 文件夾內容：
轉換爲 COCO 數據格式，同樣的套路：
./labelme2coco.py data_annotated data_dataset_coco --labels labels.txt
- 1
</div>
<link href="https://csdnimg.cn/release/phoenix/mdeditor/markdown_views-e44c3c0e64.css" rel="stylesheet">
</div>