Python图像标签标注软件labelme分析的解决办法

这篇文章主要为大家详细介绍了Python图像标签标注软件labelme分析的简单示例，具有一定的参考价值，可以用来参考一下。

前言

labelme是一个非常好用的免费的标注软件，博主看了很多其他的博客，有的直接是翻译稿，有的不全面。对于新手入门还是有点困难。因此，本文的主要是详细介绍labelme该如何使用。

一、labelme是什么？

labelme是图形图像注释工具，它是用Python编写的，并将Qt用于其图形界面。说直白点，它是有界面的， 像软件一样，可以交互，但是它又是由命令行启动的，比软件的使用稍微麻烦点。其界面如下图：

它的功能很多，包括：

• 对图像进行多边形，矩形，圆形，多段线，线段，点形式的标注（可用于目标检-测，图像分割等任务）。
• 对图像进行进行 flag 形式的标注（可用于图像分类 和 清理 任务）。
• 视频标注
• 生成 VOC 格式的数据集（for semantic / instance segmentation）
• 生成 COCO 格式的数据集（for instance segmentation）

二、快速安装使用

安装教程都是参考的labelme github。

2.1 windows安装

官网步骤如下：

代码如下：

# python3
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
# or you can install everything by conda command
# conda install labelme -c conda-forge

Python深度学习之图像标签标注软件labelme分析

1.为labelme创建一个conda环境，命名为lableme

2.激活该环境

windows用命令activate labelme 或者 conda activate labelme

很少用windows, 说的不对请指正。

其实在这一步中，我遇到了一个问题

代码如下：

C:\Windows\system32> conda activate labelme
 
CommandNotFoundError: Your shell has not been properly configured to use 'conda activate'.
To initialize your shell, run
 
    $ conda init <SHELL_NAME>
 
Currently supported shells are:
 - bash
 - fish
 - tcsh
 - xonsh
 - zsh
 - powershell
 
See 'conda init --help' for more information and options.
 
IMPORTANT: You may need to close and restart your shell after running 'conda init'.

Python深度学习之图像标签标注软件labelme分析

初始化conda啥的，不是很懂，最后通过博客解决

我用的第一种方法

• 首先查看conda env 的地址

• 我的在D盘，所以先切换到D盘
• 命令行输入 conda.bat activate anaconda\envs\labelme（注意和原博客不一样）

• 再激活就正常了

3 安装pyqt

前言里讲过labelme是基于Qt的，所以必须安装

conda/pip install pyqt

4 pip install labelme

2.2 linux安装

代码如下：

# Ubuntu 14.04 / Ubuntu 16.04
# Python2
# sudo apt-get install python-qt4  # PyQt4
sudo apt-get install python-pyqt5  # PyQt5
sudo pip install labelme
# Python3
sudo apt-get install python3-pyqt5  # PyQt5
sudo pip3 install labelme

# or install standalone executable from:
# https://github.com/wkentaro/labelme/releases

Python深度学习之图像标签标注软件labelme分析

注意：使用如上安装前，同winsows一样，需要先创建labelme的conda环境。

2.3 macos安装

代码如下：

# macOS Sierra
brew install pyqt  # maybe pyqt5 我用的pip安装
pip install labelme  # both python2/3 should work

# or install standalone executable/app from:
# https://github.com/wkentaro/labelme/releases

Python深度学习之图像标签标注软件labelme分析

说明：这三种系统我都成功安装过，放心吧~

安装成功的哑子

有如下这些包

下次使用，命令行输入labelme就可以打开软件啦。严谨的来说，它是一个用pyqt5编写的GUI界面。

三、界面说明

图上看到，这个界面是非常简洁的。

接下来具体讲讲如何使用。医学图像分析，我主要是研究分类和分割，所以重点讲解如何标注分类标签和分割标签。

四、为图像创建类标签

4.1 参数介绍

使用labelme --help会出来labelme的使用方法，它包括如下参数

我们解释几个重要的参数设置

• –output：标注文件存放位置。如果给的参数是以.json结尾，则会向该文件写入一个标签。也就意味着如果使用.json指定位置，则只能对一个图像进行注释。如果位置不是以.json结尾，程序将假定它是一个目录。注释将以与在其上进行注释的图像相对应的名称存储在此目录中。
• –Flags: 为图像创建分类标签，多分类用逗号隔开。
• –nosortlabels： 是否对标签进行排序

举例：

命令行输入 labelme image1.png --output image1.json --flags 0,1

其中，image1.png是图像的地址，而不是名字。注意区别，因为我现在的路径在图像存放的当前文件夹，所以输入名字就可以直接找到该图像。如果你当前路径不在图像存放的文件夹，你需要给出图像的完整路径，如F:\labelmeImage\image1.png–output image1.json 就是把打标签的结果存放在image1.json这个文件里。因为我是对单一图像打标签，所以是以.json结尾。如果是对一个文件夹进行打标签，那这里就不要以.json结尾，直接输入你想存放的文件夹就行。–flags: 描述你分类的标签是什么，0,1表示分两类。也可以写成多类，0,1,2,3,4.也可以用其他字符，如 negative，positive, 或者cat, dog。等等~

4.2 文件夹所有文件创建分类标签

命令行输入labeme 并且给定分类标签。打开图上右边界面后，导入文件夹，就可以点图像，对它进行标注。标注完一个，需要对其进行保存，才能打第二个图像的标签。这里没有给定输出位置，就会默认保存在图像这个文件夹，并且名字和图像的名字一样，并以.json结尾。

4.3 为文件夹所有文件创建分割标签

创建分割标签主要用到多边形工具, 把需要的区域框出来就好了。实验数据来自labelme github: labelme/tree/master/examples/semantic_segmentation

五、大概步骤

1.运行labelme后，打开文件夹

2.使用多边形工具勾勒目标

3.勾勒完成后创建标签

4.微调边框。点击编辑多边形，有很多操作。如图上所示

5.最后存储

以上是简单的演示，官方做的实验如下：

首先下载semantic_segmentation 这个文件夹。

注意：以下实验都是在该文件夹下打开的终端

标注文件

labelme data_annotated --labels labels.txt --nodata --validatelabel exact --config ‘{shift_auto_shape_color: -2}'

作者已经标注好了，我们就打开看看。

标签格式转换

由于标注好的文件是json格式，我们将其转化成图片格式或者其他格式。使用作者给的代码labelme2voc.py。主要转化的格式有： 类名字文件，原始图像的jpeg格式，分割图像的npy格式，png格式， 以及将分割图像叠在原始图像上的jpg格式。

作者给的命令： ./labelme2voc.py data_annotated data_dataset_voc --labels labels.txt

但是运行时会有报错，修改成如下运行：

python labelme2voc.py data_annotated data_dataset_voc --labels labels.txt

针对报错：如果命令行不好修改代码，建议直接修改这个Python文件里面的参数配置，再运行都可以。

六、其他问题

6.1 如何快速查看分割的json文件

代码如下：

labelme_draw_json 2011_000003.json

Python深度学习之图像标签标注软件labelme分析

6.2 json 转 png

代码如下：

labelme_json_to_dataset apc2016_obj3.json -o apc2016_obj3_json

Python深度学习之图像标签标注软件labelme分析

apc2016_obj3.json: 待转化的json文件，

apc2016_obj3_json： 转化后文件保存地址

一共会生成4个文件：

img.png: Image file.

label.png: uint8 label file.

label_viz.png: Visualization of label.png.

label_names.txt: Label names for values in label.png.

这和第4小节讲的格式转化差不多，4小节的python文件是可以根据自己需要随便改设置的，而这个内置方法是不允许改动的。

到此这篇关于Python深度学习之图像标签标注软件labelme详解的文章就介绍到这了,更多相关Python图像标签标注软件labelme内容请搜索php教程以前的文章或继续浏览下面的相关文章希望大家以后多多支持php教程！

注：关于Python图像标签标注软件labelme分析的简单示例的内容就先介绍到这里，更多相关文章的可以留意