labelme读取文件顺序

最新推荐文章于 2025-07-28 15:52:28 发布

huahuahuahhhh

最新推荐文章于 2025-07-28 15:52:28 发布

阅读量666

点赞数 8

CC 4.0 BY-SA版权

文章标签： python

本文链接：https://blog.youkuaiyun.com/Blankit1/article/details/135357425

本文主要介绍了LabelMe4.5.10版本中，如何通过`__main__.py`调用`app.py`中的imageList函数，该函数负责读取并整理文件列表，以实现程序对文件的处理。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

labelme版本4.5.10
labelme的目录结构
在这里插入图片描述

labelme通过在__main__.py中调用app.py，启动程序
读取文件列表的部分在app.py的imageList函数中

    def imageList(self):
        lst = []
        for i in range(self.fileListWidget.count()):
            item = self.fileListWidget.item(i)
            lst.append(item.text())
        return lst

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

huahuahuahhhh

关注关注

8
点赞
踩
10

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

labelme标注及标签的统一

qq_37993640的博客

09-01

2010

语义分割数据集标注，labelme标注文件的批转化，labelme转png图像颜色不统一

自制数据集之labelme软件的使用，深度学习入门（1）

qq_42190158的博客

06-07

952

自制数据集之labelme软件的使用，深度学习入门（1）说明一.安装labelme二.使用labelme标注三解析json文件4、批处理json文件夹说明因为之前做语义分割项目需要自己制作数据集，故了解到labelme标注软件，语义分割需要标注出同类别的信息，使用labelme过程中的一些坑和心得记录下来。笔者的环境,win10+python3.7+tensorflow2.1.0+labelme 4.5.9 一.安装labelme 安装labelme比较简单，我是在win10+anaconda环境下，

参与评论您还未登录，请先登录后发表或查看评论

【labelme】制作标签数据的完整流程

胡侃有料的博客

05-02

6833

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...

Windows下labelme批处理以及相关问题

weixin_44674444的博客

11-04

927

labelme 版本3.16.5 labelme进行批处理（参考）将所有的.json文件移到同一文件夹下，同时新建一个文本文档，输入 @echo off for %%i in (*.json) do labelme_json_to_dataset "%%i" pause 然后重命名为run且修改后缀名为 .bat （表示为批处理文件），然后打开Anaconda->点击 Anaconda Prompt -> 激活labelme所在的环境 ->cd/d 刚才新建的.bat文件目录下.

图片标注工具Labelme-简明使用教程

热门推荐

Ericam_

01-06

3万+

前言记录Labelme的使用方法，方便快速上手使用。 labelme简介 LabelMe 可用于实例分割，语义分割，目标检测，分类任务的数据集标注工作。在线标注版本 python版本 labelme官方文档分类标注：Classification 目标检测标注：Object Detection 语义分割标注：Semantic Segmentation 实例分割标注：Instance Segmentation 视频标注：Video Annotation 其他形式标注：LabelMe Primitives

labelme的使用及问题解决

duanshao的专栏

02-11

1万+

个人在试验mask-rcnn的过程中使用labelme进行标注，使用中遇到了如下问题： Unable to save: 'bytes' object has no attribute 'encode' 这个是在windows上python3上遇到的问题。需要修改代码，网上有怎么对应的方法，但没有提供现成的可用代码，故我修改后验证可用，然后共享出来，不用大家每次都去修改。共享的代码...

labelme 中遇到的问题

yyywxk的博客

05-19

4090

在批量转换 json 文件时，出现以下报错： AttributeError: module ‘labelme.utils’ has no attribute ‘draw’ 类似的还可能出现： AttributeError: module ‘labelme.utils’ has no attribute 'draw_label’ 等错误。这是由于 labelme 版本的问题。高版本在 labelme 的utils文件夹里缺少 draw.py 文件。有如下解决方案：降低 labelme 的版本，可参

LabelMe使用

学习 & 分享 ~

07-11

2万+

LabelMe 可用于实例分割，语义分割，目标检测，分类任务的数据集标注工作。在线标注版本：http://labelme2.csail.mit.edu/Release3.0/index.php?message=1 python 版本：https://github.com/wkentaro/labelme分类标注：Classification 目标检测标注：Object Detection 语义分割标注：Semantic Segmentation 实例分割标注：Instance Segmentation 视频

数据标注软件labelme详解

云中寻雾的博客

10-28

1万+

1. Labelme 是什么？ Labelme 是一个图形界面的图像标注软件。其的设计灵感来自于http://labelme.csail.mit.edu/。它是用 Python 语言编写的，图形界面使用的是 Qt（PyQt）。实例分割样例（VOC）其它样例（场景分割，目标检测，分类）各形状标注样例（多边形，矩形，圆形，多段线，线段，点） 2. Labelme 能干啥？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...

【Python】绘制小提琴、箱线和散点的组合图

a11113112的博客

07-25

429

可根据需求修改各图的配色。

Python快速入门(2025版)：常量、变量

iotzgq的博客

07-28

528

本文介绍了Python编程中常量和变量的核心概念。常量是固定不变的值（如数字100、圆周率3.14），用于组成运算表达式；变量则是可变的存储空间（如num1=100），用于临时保存数据以便后续处理。文章通过生活化类比（如购物篮）和编程示例，清晰区分了两者的用途与差异，并强调这是Python编程的重要基础。适合初学者快速理解基本概念，为后续学习打下基础。

Python 程序设计讲义（15）：Python 的数据运算——位运算

睿思达DBA

07-24

467

介绍 Python 的位运算

力扣刷题（第九十八天）

eachin_z的博客

07-25

270

python脚本学习。- 保持更新，努力学习。

利用遥感和 Python 追踪休斯顿的绿化覆盖率（基于卫星 NDVI）

gis收藏家的博客

07-24

344

具体来说，就是用 Sentinel-2 2A 级影像，将第 8 波段减去第 4 波段，再除以它们的和。你所看到的是休斯顿的绿意盎然，以及这片绿意栖息的土地。Sentinel-2 非常棒，因为它可以免费获得 10 米分辨率的数据，并且每 5 天提供一次覆盖全球的数据。得益于欧洲航天局的哨兵二号卫星和免费提供的哥白尼数据，我们现在可以逐像素地追踪城市绿化覆盖的细微变化。因此，这类遥感技术的入门门槛很低。在休斯顿这样的地方，开发向外延伸到低密度绿地区域，它是一种追踪我们经常忽略的东西的工具：我们建造的东西。

YOLOv8 基于RTSP流目标检测

最新发布

qq_34200979的博客

07-28

270

本项目是一个基于 FastAPI 的实时目标检测服务，利用 YOLOv8 模型对 RTSP 视频流进行目标检测，并通过 WebSocket 将检测结果实时传输到客户端。

Python 数据科学与可视化工具箱 (一) - 数组创建：array(), arange(), zeros(), ones(), linspace()

晨的技术博客

07-25

565

NumPy是数据科学的核心库之一，提供了高效的多维数组处理能力。本文详细介绍了NumPy中最常用的数组创建函数：np.array()可将现有数据转换为数组；np.arange()生成等差序列；np.zeros()和np.ones()分别创建全零和全一数组；np.linspace()生成等间隔数值序列。这些函数能快速初始化数组，并支持指定数据类型、形状等属性，满足不同计算需求，是数据处理的必备工具。

基础NLP | 常用工具

xhxhss的博客

07-24

186

如何解码labelme生成的json文件

03-28

<think>好的，我现在需要解决用户的问题：如何解析和处理由Labelme生成的JSON文件，特别是解码方法和示例代码。首先，用户提到的引用内容中有四个引用，我需要结合这些信息来构建答案。首先，根据引用[1]，里面提到读取LabelMe JSON文件的功能，包括解码图像、加载类别标签、转换多边形标注到YOLOv8格式，绘制标注并保存。这应该包含一些具体的步骤和可能的代码结构。而引用[2]和[3]则涉及Labelme数据的转换和操作，比如格式转换、数据清理等，这些可能对处理流程有帮助。引用[4]是关于JSON的基本结构，可能需要用来解释如何解析JSON文件。用户需要的是方法和示例代码，所以我要分步骤说明，并提供相应的Python代码。首先，解析JSON文件需要用到Python的json模块，然后处理其中的图像数据、形状标注等信息。可能还需要将图像数据从Base64解码，如引用[1]提到的imagedata处理。此外，转换为YOLO格式需要计算归一化的中心点坐标和宽高，这涉及到坐标转换。接下来，考虑代码的结构。首先导入必要的库，如json、base64、cv2、numpy。然后定义一个函数，比如read_labelme_json，接受JSON文件路径作为参数。在函数内部，打开并加载JSON数据，提取图像数据。这里要注意，有些JSON文件可能直接包含图像路径，而有些可能嵌入图像数据作为Base64编码的字符串。引用[1]中提到从JSON解码并显示图像，所以需要处理Base64的情况，比如使用base64.b64decode处理imageData字段。然后，处理shapes字段，提取每个多边形的标签和点坐标。对于YOLO格式的转换，需要获取图像的宽度和高度，然后将多边形坐标归一化。例如，计算多边形的边界框，找到最小和最大的x和y，然后计算中心点的相对位置和宽高，除以图像的尺寸进行归一化。这部分需要确保计算正确，避免错误。绘制多边形标注可以使用OpenCV的polylines函数，将点坐标转换为整数元组，并绘制在图像上。之后，保存原始图像和带标注的图像，以及YOLO格式的TXT文件。注意路径处理和文件保存的步骤，确保输出目录存在。在示例部分，用户可能需要一个完整的代码示例，包括读取JSON、处理数据、转换格式和保存结果。此外，需要解释每一步的作用，比如如何加载类别标签，如何转换坐标，以及如何保存结果。同时，需要提到可能的注意事项，比如处理不同形状类型（如多边形、矩形等），或者处理多个标注的情况。可能的问题点包括：Base64解码是否正确，坐标转换是否准确，特别是归一化处理是否符合YOLO的要求。此外，需要考虑图像数据的存储方式，是直接读取文件还是从Base64解码。根据引用[1]中的描述，可能需要从JSON中读取imageData字段，并将其解码为图像数组，这可能需要使用cv2.imdecode处理解码后的字节数据。另外，引用[3]中提到的一些操作，比如删除未标注图片、重命名等，可能不是当前问题的重点，但用户可能需要了解如何处理JSON中的标注数据，比如统计类别数量或修改类别名称，但这些可以作为相关问题的扩展。最后，确保代码符合Python语法，正确使用库函数，并处理可能的异常情况，比如文件不存在或JSON格式错误。此外，根据用户提供的引用，特别是引用[1]中的功能列表，确保覆盖所有提到的功能点：读取JSON、解码图像、加载类别、转换格式、绘制标注、拼接保存图像、保存YOLO标注。总结步骤： 1. 导入必要的库。 2. 读取并解析JSON文件。 3. 解码图像数据（Base64或文件路径）。 4. 提取形状标注（多边形点、标签）。 5. 转换为YOLO格式的归一化坐标。 6. 绘制标注并保存图像。 7. 保存YOLO格式的TXT文件。需要测试代码是否涵盖这些步骤，并确保示例代码的正确性。同时，生成相关问题，如性能优化、处理其他形状类型、批量处理等，帮助用户进一步了解相关主题。</think>### 解析Labelme JSON文件的方法与示例代码 Labelme生成的JSON文件包含图像标注信息（如多边形坐标、类别标签等），解析过程需结合Python的JSON库和图像处理工具。以下是具体步骤和示例代码： --- #### **1. 读取JSON文件并解码图像** Labelme的JSON文件可能包含图像数据（Base64编码）或图像路径。需先解析JSON结构： ```python import json import base64 import cv2 import numpy as np def parse_labelme_json(json_path): with open(json_path, 'r', encoding='utf-8') as f: data = json.load(f) # 解析JSON[^4] # 解码图像数据（优先从Base64读取） if 'imageData' in data: image_bytes = base64.b64decode(data['imageData']) image = cv2.imdecode(np.frombuffer(image_bytes, np.uint8), cv2.IMREAD_COLOR) else: image = cv2.imread(data['imagePath']) # 若为路径则直接读取[^1] return data, image ``` --- #### **2. 提取标注信息** JSON中的`shapes`字段存储所有标注形状（如多边形、矩形）： ```python def extract_annotations(data): annotations = [] for shape in data['shapes']: label = shape['label'] points = np.array(shape['points'], dtype=np.int32) # 多边形顶点坐标 shape_type = shape['shape_type'] # 类型如"polygon" annotations.append({'label': label, 'points': points, 'type': shape_type}) return annotations ``` --- #### **3. 转换为YOLOv8格式** YOLO要求标注为归一化后的中心点坐标和宽高（相对于图像尺寸）： ```python def labelme_to_yolo(annotations, image_width, image_height): yolo_lines = [] for ann in annotations: if ann['type'] != 'polygon': continue # 仅处理多边形 # 计算边界框 x_coords = ann['points'][:, 0] y_coords = ann['points'][:, 1] x_min, x_max = x_coords.min(), x_coords.max() y_min, y_max = y_coords.min(), y_coords.max() # 归一化 x_center = ((x_min + x_max) / 2) / image_width y_center = ((y_min + y_max) / 2) / image_height width = (x_max - x_min) / image_width height = (y_max - y_min) / image_height yolo_lines.append(f"{class_id} {x_center:.6f} {y_center:.6f} {width:.6f} {height:.6f}") return yolo_lines ``` --- #### **4. 绘制标注并保存结果** 使用OpenCV绘制多边形，并保存图像和YOLO标注文件： ```python def visualize_and_save(image, annotations, output_image_path): # 绘制多边形 for ann in annotations: cv2.polylines(image, [ann['points']], isClosed=True, color=(0,255,0), thickness=2) # 保存带标注的图像 cv2.imwrite(output_image_path, image) ``` --- #### **完整示例代码** ```python def process_labelme_json(json_path, classes_file, output_dir): # 读取JSON和图像 data, image = parse_labelme_json(json_path) # 加载类别标签（从classes.txt） with open(classes_file, 'r') as f: classes = [line.strip() for line in f.readlines()] # 提取标注并转换格式 annotations = extract_annotations(data) yolo_lines = labelme_to_yolo(annotations, data['imageWidth'], data['imageHeight']) # 保存YOLO标注文件 txt_path = os.path.join(output_dir, os.path.splitext(data['imagePath'])[0] + '.txt') with open(txt_path, 'w') as f: f.write('\n'.join(yolo_lines)) # 绘制并保存图像 visualize_and_save(image, annotations, os.path.join(output_dir, 'annotated_' + data['imagePath'])) ``` --- ### 相关注意事项 1. **类别ID映射**：需将`label`字段与`classes.txt`中的类别顺序匹配以生成正确的`class_id`[^2]。 2. **多形状支持**：上述代码仅处理多边形，如需支持矩形或圆形需扩展逻辑[^3]。 3. **批量处理**：可遍历文件夹中所有JSON文件实现批量转换[^1]。 ---