【labelme】製作標籤數據的完成流程

every blog every motto: Just live your life cause we don’t live twice.

0. 前言

因爲遇到一個任務，需要自己製作標籤。
題外話： 像mnist或是fashion_minst數據集，樣本的標籤是是一個數字（或是one-hot）或是字符串。對於搭建的模型最後一般用softmax調整下概率，最後交叉熵計算就行。剛開始製作標籤的就一根筋的想着怎麼把樣本映射到一個數字上，擦，，，，浪費了不少時間。原來是遇到一個新的任務------圖像分割（語義分割），minst那些是圖像分類，兩個不是一碼事！！！！
這裏的標籤也是一個圖片！！！
這裏的標籤也是一個圖片！！！
這裏的標籤也是一個圖片！！！

1. 正文

1.1 安裝與使用

控制檯輸入

pip install labelme

打開軟件，控制檯輸入

labelme

如下圖，
open: 打開單個文件
open dir : 打開文件夾（內含多個文件）

打開多個圖片，右下角顯示文件夾中含有的圖片，如下圖。

進行標註，如下圖（create polygons，首尾點合併就能輸入標籤名稱。

保存，如下圖（會在文件下生成對應的json文件）

接着進行下一張圖片的標註，點擊next image，如下圖（圖片僅爲演示）

1.2 （批量）轉成可用與訓練的樣本和標籤

第一步，將上面生成的若干個json文件放在同一個文件夾下（文件夾內只含有json文件），如下圖。
路徑：

D:\Data_saved\Desktop\deep_learning_data\Sample\json

第二步，找到 json_to_dataset.py
在如下圖路徑下。

將json_to_dataset.py中的代碼替換爲以下。代碼來源

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()

第三步，切換到Scripts，路徑如下
（其實可以不用切換，可以在任意路徑下，不過後續生成的文件會在此文件夾下，因爲是用的這個文件夾下的labelme_json_to_dataset.exe)

第四步，運行命令
命令格式：

labelme_json_to_dataset.exe + json文件的路徑

我的圖片標註後生成的json文件同一放在如下路徑（1.1 中有提到），如下：

D:\Data_saved\Desktop\deep_learning_data\Sample\json

所以，完成的命令如下：

labelme_json_to_dataset.exe D:\Data_saved\Desktop\deep_learning_data\Sample\json

具體文件如下圖

參考文獻

[1] https://blog.csdn.net/yql_617540298/article/details/81110685