every blog every motto: Just live your life cause we don’t live twice.
0. 前言
因为遇到一个任务,需要自己制作标签。
题外话: 像mnist或是fashion_minst数据集,样本的标签是是一个数字(或是one-hot)或是字符串。对于搭建的模型最后一般用softmax调整下概率,最后交叉熵计算就行。刚开始制作标签的就一根筋的想着怎么把样本映射到一个数字上,擦,,,,浪费了不少时间。原来是遇到一个新的任务------图像分割(语义分割),minst那些是图像分类,两个不是一码事!!!!
这里的标签也是一个图片!!!
这里的标签也是一个图片!!!
这里的标签也是一个图片!!!
1. 正文
1.1 安装与使用
控制台输入
pip install labelme
打开软件,控制台输入
labelme
如下图,
open: 打开单个文件
open dir : 打开文件夹(内含多个文件)
打开多个图片,右下角显示文件夹中含有的图片,如下图。
进行标注,如下图(create polygons,首尾点合并就能输入标签名称。
保存,如下图(会在文件下生成对应的json文件)
接着进行下一张图片的标注,点击next image,如下图(图片仅为演示)
1.2 (批量)转成可用与训练的样本和标签
第一步,将上面生成的若干个json文件放在同一个文件夹下(文件夹内只含有json文件),如下图。
路径:
D:\Data_saved\Desktop\deep_learning_data\Sample\json
第二步,找到 json_to_dataset.py
在如下图路径下。
将json_to_dataset.py中的代码替换为以下。代码来源
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,切换到Scripts,路径如下
(其实可以不用切换,可以在任意路径下,不过后续生成的文件会在此文件夹下,因为是用的这个文件夹下的labelme_json_to_dataset.exe)
第四步,运行命令
命令格式:
labelme_json_to_dataset.exe + json文件的路径
我的图片标注后生成的json文件同一放在如下路径(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
具体文件如下图
参考文献
[1] https://blog.csdn.net/yql_617540298/article/details/81110685