240718_使用Labelme制作自己的图像分割数据集

从目标检测入门的朋友们可能更熟悉的是LabelImg，这里要注意做好区分，LabelImg和Labelme不是一个东西，如下经典图：

（a）图像分类（目标检测）：一张图像中是否含某种物体
（b）物体定位（目标检测与目标识别）：确定目标位置和所属类别。
（c）语义分割（目标分割和目标分类）：对图像进行像素级分类，预测每个像素属于的类别，不区分个体；（所有的CUBE一个颜色）
（d）实例分割（目标分割和目标识别）：定位图中每个物体，并进行像素级标注，区分不同个体；（CUBE都是不同颜色）

LabelImg做的是b图的工作，拉框框把目标标注出来，通常用于目标检测和识别任务，其输出为.xml或者.txt。

Labelme可以完成图中所有工作，与LabelImg对比，Labelme可以拉多边形的框，准确的把轮廓标注出来，常用于分割，输出为json。

我们在完成图像识别的任务，例如使用YOLO v5时，可能用到的是LabelImg，但如果需要完成分割的任务，例如使用经典的Unet，我们就需要使用Labelme。

在使用该工具开始工作之前，肯定要先安装工具。

安装Labelme

首先新建一个专属于Labelme的虚拟环境，因为该工具是基于PyQt实现的，所以我们也要在该虚拟环境中安装PyQt。

conda create -n Labelme python=3.9

conda activate Labelme

pip install PyQt5

pip install labelme

使用Labelme进行打标

安装完成后直接在该虚拟环境中输入labelme就可以启动该工具。

，

点击左上角打开，打开我们的图像，同样可以采取打开目录进行批量打开。点击上方创建多边形，就可以开始画框框了，用过ps钢笔工具或者套索工具的同学应该比较熟练。

拉一个多边形框的最后一步点击初始点就可以闭合，然后会有一个弹窗让我们输入标签名称，此时我输入bottle。

同理完成其他图像的标注。

本来这个杯子我是想先把外围整个框好，再去找删除选区工具把他把手包含的空白删掉的，但好像没有这个工具，只能一笔拉好，产生了路线重叠，见谅。

然后点击CTRL+S保存，就可以保存一份json文件。

P：如果没有目标，比如我们做裂缝检测任务，图像中没有裂缝，我们可以不进行标注，直接CTRL+S保存，也可以生成一份json文件，用作正样本。

json转png

但在我们实际投入神经网络下训练的过程中，通常不使用json格式的标签，而是使用png格式，所以此时我们就需要进行格式转换。

针对这个问题，labelme官方给了解决方案，该工具包含一个json_to_dataset.py文件，在自己的虚拟环境目录下，例如我这里就是

D:\SoftWares\Codes\Anaconda\envs\Labelme\Lib\site-packages\labelme\cli

在使用该py脚本进行格式转换时需要在命令行键入(例如我们的json文件路径为D:\l_139\桌面\Snipaste_2024-07-18_17-38-25.json)(需要进入虚拟环境，往后看看)

python json_to_dataset.py D:\l_139\桌面\Snipaste_2024-07-18_17-38-25.json

当然，官方也给我们准备了可执行的exe文件labelme_json_to_dataset.exe，位于虚拟环境目录下的Scripts文件夹下，我这里的路径为

D:\SoftWares\Codes\Anaconda\envs\Labelme\Scripts

在命令行键入以下命令即可实现转换

labelme_json_to_dataset D:\l_139\桌面\Snipaste_2024-07-18_17-38-25.json

注意哦，以上命令都必须在目标路径下执行哦，直接在桌面上开个命令行窗口可没用，要么就cd到py脚本或exe可执行文件所在目录，要么直接在该目录打开命令行。此处使用exe可执行文件直接进行演示

直接使用py脚本进行转换需要进入虚拟环境，不然会报缺失包，多了一步比较麻烦，如果要用py脚本，可参考：

可以看到，以上两种方法都可以执行，但都有警告说这个py脚本即将弃用，取而代之的是labelme_export_json，那我们就顺应大势所趋，使用人家官方建议你用的呗，不然到时候人家弃用了，咱用前朝的剑斩本朝的官当然是斩不掉咯。（此处提供使用labelme_export_json.exe的代码，以下代码在命令行中逐行输入）

# 如果是在目标路径直接打开命令行则无需以下两步操作，路径更换成自己的
D:
cd D:\SoftWares\Codes\Anaconda\envs\Labelme\Scripts

labelme_export_json D:\l_139\桌面\Snipaste_2024-07-18_17-38-25.json

折腾来折腾去我们终于在根目录看到了一个同名文件夹，里面有四个东西，分别是分别是原图png文件、标签png文件、标签名txt文件、掩膜png文件（带有类型标注），到此处也算是回收封面了。

以上处理方法已经成功将一个json转换为png文件，但在实际应用中，我们往往需要的是把成千上万个json文件转换成png标签，并且我们所需要的也只是上图中的label.png，如果每个json都生成这么一个文件夹，我们在处理过程中会有更多的麻烦。

json批量转为png

原来的py脚本中只转换一次是因为代码只执行了一次，我们要批量转换，最简单的不就是在原本的代码上加上一层循环，实现批量转换嘛，把export_json.py复制一份，更名为multiple_export_json.py并打开（我的在D:\SoftWares\Codes\Anaconda\envs\Labelme\Lib\site-packages\labelme\cli目录下，参考一下，别又找不到了）

首先我们来嵌套循环并修改路径读取代码，修改的没多少，可以用PyCharm的对比看一眼，对比是左侧目录中用Ctrl同时选中两个文件，然后右键，会有一个比较文件（或者选中后直接Ctrl+D）

以下是修改部分的代码：

# multiple_export_json.pyimport glob
def main():parser = argparse.ArgumentParser()# 修改变量名为文件夹变量名parser.add_argument("json_dir_file")parser.add_argument("-o", "--out", default=None)args = parser.parse_args()# 使用glob模块查找所有的json文件json_file = glob.glob(os.path.join(args.json_dir_file, '*.json'))# 添加循环，其下代码整体缩进for json_file in json_file:'''处理逻辑不变'''if __name__ == "__main__":main()

此处使用的数据是我随便找的几张素描图，打了简陋的标

在命令行中执行

python multiple_export_json.py D:\l_139\桌面\test

在根目录下得到四个文件夹

至此就实现了批量处理，但是还没有实现批量存放label.png，继续改进。

在代码最后保存部分进行修改，在根目录新建一个mask文件夹，把标签文件改名后都存放到mask文件夹中，以下是部分修改代码

		# PIL.Image.fromarray(img).save(osp.join(out_dir, "img.png"))# 对label.png更名后进行统一存放mask_name = osp.splitext(osp.basename(json_file))[0]mask_dir = osp.join( osp.dirname(json_file),'mask')if not osp.exists(mask_dir):os.mkdir(mask_dir)utils.lblsave(osp.join(mask_dir, mask_name+".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")logger.info("Saved to: {}".format(out_dir))

以下是效果：

以下是完整代码：

# multiple_export_json.py
import argparse
import base64
import json
import os
import os.path as ospimport imgviz
import PIL.Imagefrom labelme import utils
from labelme.logger import loggerimport glob
def main():parser = argparse.ArgumentParser()# 修改变量名为文件夹变量名parser.add_argument("json_dir_file")parser.add_argument("-o", "--out", default=None)# args = parser.parse_args()args = parserargs.json_dir_file="D:\\l_139\\桌面\\test"args.out=None# 使用glob模块查找所有的json文件json_file = glob.glob(os.path.join(args.json_dir_file, '*.json'))# 添加循环，其下代码整体缩进for json_file in json_file:if args.out is None:out_dir = osp.splitext(osp.basename(json_file))[0]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)data = json.load(open(json_file))imageData = data.get("imageData")if not imageData:imagePath = os.path.join(os.path.dirname(json_file), 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 sorted(data["shapes"], key=lambda x: x["label"]):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_valuelbl, _ = utils.shapes_to_label(img.shape, data["shapes"], label_name_to_value)label_names = [None] * (max(label_name_to_value.values()) + 1)for name, value in label_name_to_value.items():label_names[value] = namelbl_viz = imgviz.label2rgb(lbl, imgviz.asgray(img), label_names=label_names, loc="rb")# PIL.Image.fromarray(img).save(osp.join(out_dir, "img.png"))# 对label.png更名后进行统一存放mask_name = osp.splitext(osp.basename(json_file))[0]mask_dir = osp.join( osp.dirname(json_file),'mask')if not osp.exists(mask_dir):os.mkdir(mask_dir)utils.lblsave(osp.join(mask_dir, mask_name+".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")logger.info("Saved to: {}".format(out_dir))if __name__ == "__main__":main()