labelme 转换数据操作过程

最新推荐文章于 2025-05-23 22:04:42 发布
原创 最新推荐文章于 2025-05-23 22:04:42 发布 · 1.7k 阅读 · 3 ·
CC 4.0 BY-SA版权
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。

本文详细介绍了如何使用labelme进行图像标注，包括安装、打开图片、图像放缩、画图标注和保存。接着，文章阐述了如何利用labelme生成的.json文件批量转换为所需数据集，涉及到对源码的修改、添加label.txt、读取文件、处理异常、路径操作等步骤，并提供了单张图片和多张图片处理的脚本。

labelme操作流程

labelme 安装

看前面的博客【数据标注labelme虚拟环境及安装】

labelme 标注流程

打开图片

方法一：Open

open： 打开单张图片
在这里插入图片描述

方法二：Open Dir

Open Dir:
[打开了文件夹内所有的图像，推荐]可以跳转回原先的图像检查标注
在这里插入图片描述

图像放缩

在这里插入图片描述

画图(注意要按时针顺序进行标注)

1.画错了 按ESC
2.画错线了，往后退一步，撤销一条线，其余的不改动 按 Backspace
3.不画了 按完Ese 后，-----按Edit Polygons
4.想要有同样图形的标注：适用于图形中有多个 相同大小具有相同标签（类别）的物体
右键---Duplicate Polygons图2
不想要这个标注---右键---Delete Polygons
5.标签标错了（不需要重新画标注，只要改标签）图3
右键---Edit Label---修改即可

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

保存图像

最低0.47元/天 解锁文章
【语义分割数据预处理】
zcy_inspire的博客
06-07 279
语义分割任务数据预处理
labelme遥感数据集标定和批量转换
miao0967020148的专栏
03-05 2618
labelme的安装： conda create --name=labelme python=3.5 #考虑兼容性，这里我们选择Python3 activate labelme conda install pyqt pip install labelme labelme的打开：终端直接输入labelme，就可以打开软件了 批量转换 json–png： ...
halcon例程标注
12-20
halcon例程标注 1.文档为开源编辑文档，任何人都可以做修改并进行传播； 2.文档针对的是halcon例程，核心围绕使例程便于查找；
labelme 标注数据生成最小外接矩形的旋转角度
weixin_39849839的博客
06-08 1369
labelme 标注数据生成最小外接矩形的旋转角度 import json import math import cv2 import numpy as np import math j_file= '0011_rgb.json' p_file='0011_rgb.jpg' with open(j_file, "r") as j_f: data=json.load(j_f) img=cv2.imread(p_file) contours=[] rects=[] font = cv2.FONT_HER
labelme标注工具使用
Gavinmiaoc的博客
08-02 3070
labelme标注工具再转化.json文件有一个缺陷，一次只能转换一个.json文件，然而深度学习的项目通常需要大量的数据，那么转换.json文件就是一个比较耗时的工作；因此，对labelme做出了改进，可以实现批量转换.json文件。 安装 sudo apt-get install python3-pyqt5 # PyQt5 sudo pip3 install labelme ...
Label标注工具的批量转化处理与颜色和标签的对应
learning......
11-20 4407
labelme的开源标注工具非常好用，但是有个问题就是在使用语义分割的的标注后，对一个文件夹的标注好的图片没有批量转换的工具，而且用labelme_json_to_dataset转化多张图片为dataset后，也会存在相同类型的label在不同图片中可能掩模颜色不一致。下面介绍我解决这些问题的代码。 源代码在github中 labelme_batch 原文发布于我的博客 Label标注工具的批量...
将labelme格式数据转化为标准的coco数据集格式方式
09-17
将Labelme转换为COCO格式通常涉及以下步骤： 1. 读取Labelme的JSON文件。 2. 解析`shapes`中的多边形点，创建COCO格式的`segmentation`数组。 3. 根据`label`创建COCO的`categories`。 4. 为每个形状创建COCO的`...
labelme 分割转换(voc coco) 及可视化
05-17
本文将详细讨论如何使用LabelMe进行语义分割，并将标注数据转换为VOC和COCO格式，以及如何进行可视化。 1. LabelMe工具介绍： LabelMe是麻省理工学院开发的一款在线图像标注工具，它提供了一个友好的图形界面，让...
将labelme数据标注格式转换为YoloV8语义分割数据集，并可自动划分训练集和验证集
08-07
总之，将Labelme的标注转换为YoloV8的数据集是一个涉及数据解析、图像处理和文件组织的过程。这个转换工具是深度学习实践中一个实用的桥梁，连接了数据标注工具和高性能的目标检测框架，促进了模型的快速开发和训练...
labelme标注的json转mask掩码图，用于分割数据集 批量转化，生成cityscapes格式的数据集
03-13
将labelme标注的.json文件转换为mask掩码图，是将二维图像数据转换为像素级的标签表示的过程。掩码图是一个二值图像，其中每个像素点的颜色值表示该像素属于的类别。这种转换过程是将图像分割算法从标注数据中学习的...
labelme标注卫星图像语义分割图，让紧邻的两个区域没有重叠的标注方法
pzico的博客
03-16 1903
1：首先画出一个区域 2、点击左侧工具栏的“edit polygon” 3、在所选区域上右键，选择“Duplicate Polygons”，这一项操作会复制出一个相同大小并且同样位置的区域。 4、鼠标移动到绿色区域左上角这个点，并且单击这个点，然后再按backspace健，这样的操作就会把这个点删除，只剩下一条线。 5、（为了演示，我把最开始创建的区域挪开了，可以见到下面的一条线，这条线就是复制完的区域删除点后剩的那条线，这条线和原来区域下面的线是完全重合的） 6、然...
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。
【无标题】
努力入门的研究生
06-15 460
自学
语义分割标注工具：labelme安装以及使用教程
最新发布
qq_58648048的博客
05-23 1921
语义分割标注工具：labelme安装以及使用教程
【深度学习标注数据处理】标注标签处理的工具，和坐标转换集锦
钱多多先森
04-01 6243
数据标注标签处理的工具
【小白】LabelMe数据标注教程(无需安装环境)
2301_76414789的博客
04-24 2906
以标注橘子的表面坏掉区域做演示，主要是把橘子坏掉的部分给圈住，用来给机器识别。框住之后就可以填写标签名了保存之后就能生成JSON文件了。
labelme的安装与使用（以关键点检测为例）、labelme格式标签转换
m0_55908255的博客
05-20 2399
参考笔记：Labelme标注工具安装及使用_labelme安装及使用教程-优快云博客学习视频：同济子豪兄：标注关键点检测数据集_哔哩哔哩_bilibili目录1.labelme的安装1.1 方法一：直接下载官方提供的Labelme.exe1.2. 方法二：通过命令行安装2.labelme的使用3.解析标注后生成的json文件(以关键点检测为例)4.labelme格式标签转换---关键点检测任务4.1 labelme转YOLO格式4.1.1 yolov8关键点识别模型标签格式解析4.1.2 转换代码4.2
PaddleX数据标注与Halcon数据标注与转换
weixin_46846685的博客
11-06 3367
PaddleX为百度飞浆开发的一种开源的深度学习架构，可用于目标检测、语义分割等任务，相较于TensorFlow、Pytorch两种开源架构搭建、训练模型简单，代码量少，易上手。 Halcon作为一款商业机器视觉软件开发包，可用于图像处理与深度学习，使用效果要优于多数开源软件。 本文主要记录了在语义分割任务中PaddleX与Halcon数据标注的实现流程，及在Halcon中使用PaddleX标注的数据的方法和相应代码。
图像标注工具之labelme和labelimg
weixin_52188227的博客
05-01 8003
labelme和labelimg这两个标注工具的区别
不同版本labelme标注数据转换
01-12
### 不同版本 Labelme 标注数据格式转换方法 当处理来自不同版本的 Labelme 工具所生成的数据时，可能会遇到一些不兼容的情况。为了确保标注数据能够在新旧版本之间顺利迁移并保持一致性，可以采取以下措施： #### 数据结构差异分析 不同版本之间的主要区别通常体现在 JSON 文件内部字段的变化上。较新的版本可能引入了额外的信息或改变了某些属性名称。因此，在进行转换前，建议先对比两个版本的具体差异。 对于早期版本到最新版的升级过程，官方文档提供了详细的更新日志说明[^1]。这有助于理解哪些部分发生了变动以及如何调整相应的脚本逻辑来适配这些变化。 #### 自动化批量处理方案 针对大量文件的情况下，编写 Python 脚本来实现自动化批量化转换是一种高效的方式。下面给出一段简单的代码片段用于演示如何读取原始 JSON 并对其进行必要的修改以适应新版需求: ```python import json from pathlib import Path def convert_labelme_format(input_path, output_path): input_file = Path(input_path) with open(input_file, 'r', encoding='utf-8') as f_in: data = json.load(f_in) # 进行特定于版本间的转换操作 if "version" not in data or float(data["version"]) < 5.0: # 假设这里有一些具体的转换规则适用于低于 v5 的版本 pass # 更新版本号至当前使用的最高版本 data['version'] = "latest" output_file = Path(output_path) / (input_file.stem + "_converted.json") with open(output_file, 'w', encoding='utf-8') as f_out: json.dump(data, f_out, ensure_ascii=False, indent=2) if __name__ == "__main__": path_to_old_files = "./old_version_data/" save_converted_here = "./new_version_data/" files = list(Path(path_to_old_files).glob('*.json')) for file in files: convert_labelme_format(str(file), save_converted_here) ``` 此段程序会遍历指定目录下的所有 `.json` 文件，并尝试按照预定义好的映射关系将其转换为目标格式保存下来。需要注意的是实际应用中应当根据具体的需求定制这部分逻辑[^2]。 另外值得注意的一点是，如果涉及到图像编码方式（如 base64 编码与否）、坐标系变换等问题，则还需要进一步深入研究两者的差别并作出相应调整[^3]。
评论 2
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