labelme 构造自己的数据集

最新推荐文章于 2025-03-21 20:00:38 发布
最新推荐文章于 2025-03-21 20:00:38 发布
阅读量209 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 面试 学习路线 阿里巴巴 文章标签： python 深度学习 pytorch visual studio maven
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/Ajekseg/article/details/125139557
本文详细介绍了如何利用labelme工具构建自己的图像数据集。从labelme的功能、安装过程（通过anaconda在虚拟环境中进行）到具体的操作步骤，如打开单张图片、批量标注及保存，为深度学习模型的训练提供数据准备。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

文章目录

前言

在我们训练模型的过程中，都是用的现成的数据集比如cifar10数据集等，在我们实际运用过程中，肯定要训练自己的数据集，本文将介绍怎样构造自己的数据集

一、labelme是什么？

labelme简单来说就是给图片打标签，是一款标注软件

二、安装

本文主要采用anaconda来安装
1.首先先创建一个虚拟环境：

conda create -n labelme python==3.7

输入y完成创建
请添加图片描述
3.进入到新建的虚拟环境

conda activate labelme

在这里插入图片描述

2.安装pyqt

conda install pyqt

输入y确认

最低0.47元/天 解锁文章

200万优质内容无限畅学
使用python脚本对labelme标注的数据集与相应的图像分别进行左右、上下镜面翻转与90°、180°、270°旋转以扩充数据集
m0_69841323的博客
07-10 784
使用labelme手动进行左右、上下镜面翻转与90°、180°、270°旋转以扩充数据集的方式过于费精力，并且效率低下，期间也参考了许多大佬的代码，但是在我电脑上的运行效果不佳，因此通过ChatGPT代写了一段代码，运行成功，我的原图为长方形，没有出现90°和270°旋转标签偏移的情况，供大家使用。输入目录需要包含JPG与对应的JSON文件，如下图所示。这个代码只需要更改结尾的输入输出目录。
用于构造决策树的小数据集
04-16
数据挖掘概念与技术课本P218页数据表格式为.csv。。决策树一般采用贪心策略**自顶向下**递归的分治方式构造，从训练元组集和与之相关联的类标号开始，随着树的构建，训练集递归地划分成较小的子集。构造过程大致如下： 1. 构造**根结点**，根据**属性选择度量**（例如ID3的信息增益）来选择合适的属性作为根结点。 2. 根据根结点的属性值（可能是离散的，连续的或二值的）**分枝**，每个分枝代表元组在该属性下可能满足的条件。
Mask_RCNN_labelme 自制猫狗数据集
07-11
这个数据集是自己使用labelme标注的猫狗数据集，几十张左右，意在学习maskrcnn网络结构，熟悉整个网络的运行过程。 Mask_RCNN整个使用过程做了详细介绍：https://blog.youkuaiyun.com/xjtdw/article/details/94445405
使用labelme构建自己的数据集
qq_46660024的博客
08-26 1074
这里标注完以后，要记住修改对应的保存路径：点击文件 >> 更改输出路径 >>新建一个train目录下的labels文件夹。上篇文章介绍了labelme的简单的标注操作，这篇文章在上一篇文章的基础上，介绍如何用labelme构建一个自己的数据集。因为我们是以yolo格式为例，所以提前分割成测试集，训练集，验证集这样的格式。记住txt文件也是保存到刚才的labels文件夹中。本篇文章将会以yolo格式的数据集为例。
手把手教你使用Labelme制作自己的语义分割数据集（附代码）
xzrrr的博客
01-17 9471
这个文件夹用于存放与每个图像对应的标签或掩码图像，这些图像描述了图像中每个像素的类别或类别的分割边界。在语义分割任务中，预处理包括裁剪、缩放、去除噪音等操作，以准备图像数据用于训练或推理。然后，根据标注文件中的形状信息和类别映射，将图像的形状转换为标签图像的形状，并将标签图像保存为 PNG 格式。用于将 JSON（JavaScript Object Notation）格式的标注数据转换为特定的数据集格式。每张小动物的标签打完之后，会产生json格式的文件。的注释，其中每个像素都被分配了一个特定的标签值。
使用labelme制作自己的数据集
weixin_30481087的博客
04-21 603
# 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 ...
labelme标注数据集转化为coco格式
03-07
而将`Labelme`标注的数据集转化为`COCO`（Common Objects in Context）格式则是为了适应许多深度学习框架和评估工具的要求，因为`COCO`格式是目前最常用的标注标准之一。 `Python Labelme`是`Labelme`工具的Python...
labelme_to_coco_labelme转coco_Labelmecoco_coco数据集_转coco_
09-30
在计算机视觉领域，数据标注是训练深度学习模型的关键步骤之一，而`Labelme`和`COCO`（Common Objects in Context）则是两种常见的数据标注工具和数据集格式。本篇将详细介绍如何将`Labelme`标注的数据集转换为`COCO...
将labelme的json数据转换为数据集的简易方法
由于深度学习框架如TensorFlow或PyTorch通常使用自己的数据集格式，我们需要编写脚本来将labelme生成的json格式数据转换成模型训练所需的数据集格式。 在给出的资源链接中，有一个详细的博客文章介绍了如何使用...
构造数据集
qq_39280265的博客
11-30 1283
先行条件：在网站http://oreilly.com/catalog/9780596529321下载函数库 调用函数：get_popular(获得一组近期张贴的热门链接)     get_urlposts(返回给定URL的所有张贴记录)  get_userposts(返回给定用户的所有张贴记录) 目的：       寻找一组近期提交过的某一热门链接，且链接附带指定标签（tag）的用户 fro
可以把labelme标注的json文件批量转换为数据集的程序
03-27
可以一次性把labelme标注的所有json文件全部批量转换为数据集，不需要再手动的一个一个转换。
Labelme标注的数据集转为VOC2007
04-29
将Labelme标注的数据转为VOC格式，用于制作物体检测数据集。将Labelme标注的数据转为VOC格式，用于制作物体检测数据集。
构建数据集
热门推荐
weixin_40267373的博客
03-29 1万+
一个深度学习 AI 项目是从收集和整理数据集开始的。正如我们开始写一本书或开始最准备做一件事情，总是从收集素材收集资料开始，完成一个 AI 项目也不例外。但一般的 TensorFlow 教程都是使用之前别人已经做好的数据集。使得即使读者完全重复了教程中的实例，在面对一个新的 AI 项目时仍然 不知道如何去下手。本章主要介绍如何去构建一个深度学习 AI 项目的数据集，TensorFlow2.0 构建...
分享一下如何使用labelme制作自己的数据集
skywalkerxhx的博客
05-31 494
首先通过终端conda activate pytorch（自己虚拟环境的名字）进入到安装labelme的环境中，输入labelme进入到labelme界面终端可以是pycharm的终端也可以是anaconda prompt等若上述操作label只在下方显示栏有图标，而无法点开界面，可退回至桌面鼠标放置在label图标，按，点击弹窗。
labelme使用方法创建自己的数据集
s14373597的博客
11-16 1392
1新建labelme的conda环境 2激活环境 activate labelme 3pip install labelme 4环境下输入labelme做标注得到json文件 5将new_json_to_dataset.py，draw.py两个文件复制到下面labelme的路径下E:\Users\lee\Anaconda\envs\labelme\Lib\site-packages\labelme\cli 6修改new_json_to_dataset.py中的你自己的类别名(一定得修改，不然会报错)： NA
数据集搭建
cout_OK的博客
09-11 4437
  在深度学习中，数据集扮演着至关重要的角色。它们是训练机器学习模型的基础，决定了模型能够学习到的模式和特征。要训练自己的模型，首要任务就是找到需要的合适数据集。可以通过在网上查找资源、雇佣人力采集、自己采集等方式实现数据的采集工作。按照给定的标签格式分类，这些数据集可以分类为：  数据集划分：假设你已经拥有了所需要的数据集（别急，下一节会介绍如何构建自己的数据集并将其封装为模型需要的格式），那么如何使用数据集对模型进行训练与评估呢，重要的一点是如何划分训练集与测试集，而训练集又可细分为训练集与验证集，常用
使用labelme制作自己的图像分割数据集（详细教程）
最新发布
m0_57878737的博客
03-21 488
1.首先，下载labelme环境，建议使用anaconda新建一个虚拟环境，专门用来标注数据集。
深度学习笔记——pytorch构造数据集 Dataset and Dataloader
weixin_45978839的博客
12-31 1215
参考视频——B站刘二大人《pytorch深度学习实践》
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值