使用的系統是:ubuntu 16.04, anaconda
一、安裝
安裝方式參考labelme 的gitbub上面的教程,我主要是在anaconda的虛擬環境下安裝,安裝步驟爲:
conda create --name=labelme python=3.6
source activate labelme
pip install labelme
當要使用labelme的時候,在任意地方打開終端,然後激活labelme虛擬環境,然後輸入labelme,回車即可打開。
二、使用
labelme --help
- -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
三、分割任務標註示例
終端激活虛擬環境labelme,然後直接輸入labelme打開
source activate labelme
labelme
- 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polygon用於分割,rectangle用於檢測。
如果是實例分割,一個圖像中有多個人,標籤命名規則爲:person1、person2, …, 如果是語義分割就不用區分了。
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 /home/drl/labelme/mydata
#轉換
labelme_json_to_dataset <文件名>.json
#比如
labelme_json_to_dataset 001150.json
將在mydata文件夾下生成一個名爲:001150_json的文件夾,裏面包含四個文件:
- 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:
四、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/
#比如:
labelme /home/drl/labelme/mydata/
#直接打開指定的圖片
cd /home/drl/labelme/mydata/
labelme 001150.jpg
#標註保存爲json文件同時自動關閉gui窗口
labelme 001150.jpg -o 001150.jpg.json
#指定label list
labelme 001150.jpg \
--labels person1, person2, dog
#或者傳入文件形式的label list
--labels labels.txt
(2)將JSON文件轉換爲image和label
#在當前目錄下生成一個文件夾001150_json
labelme_json_to_dataset 001150.json
#指定生成文件夾的名字爲001150data
labelme_json_to_dataset 001150.json -o 001150data
(3)可視化json文件
source activate labelme
cd /home/drl/labelme/mydata/
labelme_draw_json 001150.json
五、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 = '/home/drl/labelme/mydata/001150_json/img.png' #設置標籤文件路徑
>>>lbI = np.asarray(PIL.Image.open(label_png))
>>>print(lbI.dtype)
>>>np.unique(lbI)
>>>lbI.shape
(375, 500, 3)
查看label.png:
#終端輸入
labelme_draw_label_png /home/drl/labelme/mydata/001150_json/label.png
六、生成VOC格式的標籤數據
在下載的labelme的zip包裏,路徑labelme/examples/instance_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的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_
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 data_annotated data_annotated_voc --labels label.txt
在當前目錄下自動生成data_annotated_voc
文件夾(轉換前確保不要有重名文件夾,否則會報錯)
data_annotated_voc
文件夾內容:
轉換爲COCO數據格式,同樣的套路:
./labelme2coco.py data_annotated data_annotated_coco --labels label.txt
九、實現labelme批量json_to_dataset方法
labelme可以幫助我們快速地實現Mask R-CNN中數據集json文件的生成,然而還需要我們進一步地將json轉成dataset,可以直接在終端輸入 labelme_json_to_dataset 001150.json
實現,但是這個過程需要我們一個一個json文件地去生成,效率很慢。
1)找到json_to_dataset.py
文件,該文件位於從github下載的labelme文件夾下的labelme/labelme/cli/json_to_dataset.py
這裏面提供將json轉成dataset的代碼,所以我們只需要在好這個基礎上更改即可。
2) 代碼實現
複製json_to_dataset.py,代碼更改爲:
import argparse
import json
import os
import os.path as osp
import warnings
import PIL.Image
import yaml
from labelme import utils
import base64
def main():
warnings.warn("This script is aimed to demonstrate how to convert the\n"
"JSON file to a single image dataset, and not to handle\n"
"multiple JSON files to generate a real-use dataset.")
parser = argparse.ArgumentParser()
parser.add_argument('json_file')
parser.add_argument('-o', '--out', default=None)
args = parser.parse_args()
json_file = args.json_file
if args.out is None:
out_dir = osp.basename(json_file).replace('.', '_')
out_dir = osp.join(osp.dirname(json_file), out_dir)
else:
out_dir = args.out
if not osp.exists(out_dir):
os.mkdir(out_dir)
count = os.listdir(json_file)
for i in range(0, len(count)):
path = os.path.join(json_file, count[i])
if os.path.isfile(path):
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)
captions = ['{}: {}'.format(lv, ln)
for ln, lv in label_name_to_value.items()]
lbl_viz = utils.draw_label(lbl, img, captions)
out_dir = osp.basename(count[i]).replace('.', '_')
out_dir = osp.join(osp.dirname(count[i]), out_dir)
if not osp.exists(out_dir):
os.mkdir(out_dir)
PIL.Image.fromarray(img).save(osp.join(out_dir, 'img.png'))
#PIL.Image.fromarray(lbl).save(osp.join(out_dir, 'label.png'))
utils.lblsave(osp.join(out_dir, 'label.png'), lbl)
PIL.Image.fromarray(lbl_viz).save(osp.join(out_dir, 'label_viz.png'))
with open(osp.join(out_dir, 'label_names.txt'), 'w') as f:
for lbl_name in label_names:
f.write(lbl_name + '\n')
warnings.warn('info.yaml is being replaced by label_names.txt')
info = dict(label_names=label_names)
with open(osp.join(out_dir, 'info.yaml'), 'w') as f:
yaml.safe_dump(info, f, default_flow_style=False)
print('Saved to: %s' % out_dir)
if __name__ == '__main__':
main()
然後另存爲json_to_dataset_mine.py文件,該文件仍然位於labelme/labelme/cli/json_to_dataset_mine.py
3) 批量生成json的dataset
首先我的原圖是存放在spikelet-image
文件夾下,json文件存放在Instance-Annotations
文件夾下,在執行批量json_to_dataset_mine.py文件之前,先在spikelet文件夾下新建一個用於存放生成的dataset的文件夾,命名爲:spikelet-json-dataset
然後在json文件所在文件夾Instance-Annotations
下右鍵打開終端,並激活labelme虛擬環境:
source activate labelme
python /home/drl/labelme/labelme/cli/json_to_dataset_mine.py /media/drl/系統/spikelet/Instance-Annotations
然後看spikelet-json-dataset
文件夾下生成了和每一個json文件對應的dataset文件。