Labelme与COCO格式转换：labelme2coco.py工具实战
项目地址: https://gitcode.com/gh_mirrors/la/labelme 在计算机视觉领域，图像标注数据的格式转换是模型训练前的关键步骤。Labelme作为一款开源的图像标注工具，生成的JSON格式标注文件需要转换为COCO（Common Objects in Context）格式才能被主流目标检测框架直接使用。本文将详细介绍如何使用Labelme项目中的labelme2coco.py工具实现这一转换过程，帮助用户快速上手数据预处理工作。
工具概述与准备工作
labelme2coco.py是Labelme项目中专门用于格式转换的脚本，位于examples/instance_segmentation/labelme2coco.py路径下。该工具支持将Labelme生成的多边形标注转换为COCO数据集格式，保留实例分割所需的关键信息（如边界框、分割掩码、类别标签等）。
使用前需确保系统已安装以下依赖：
- Python 3.6+
- Labelme本体（通过
pip install labelme安装） - pycocotools（用于COCO格式处理）
- imgviz（用于可视化标注结果）
标注数据需遵循以下目录结构：
data_annotated/
├── 2011_000003.jpg
├── 2011_000003.json
├── 2011_000006.jpg
└── 2011_000006.json
其中.jpg为原始图像，.json为Labelme生成的标注文件。类别定义文件labels.txt需放在同一目录下，格式如下：
__ignore__
_background_
aeroplane
bicycle
person
...
核心转换流程解析
1. 命令行参数解析
工具通过argparse模块定义了三个必选参数：
input_dir: 存放Labelme标注文件的目录路径output_dir: 输出COCO格式数据集的目录路径--labels: 类别定义文件路径
典型调用命令如下：
python labelme2coco.py data_annotated/ data_dataset_coco --labels labels.txt
2. COCO格式初始化
脚本在第46-72行构建了COCO数据集的基本结构，包括信息头（info）、许可证（licenses）、图像列表（images）、标注列表（annotations）和类别列表（categories）五个核心部分。其中类别ID通过解析labels.txt文件生成，从0开始编号。
3. 图像与标注处理
对于每个标注文件，工具执行以下操作：
- 读取JSON文件并提取图像数据（第95行）
- 保存图像到输出目录的JPEGImages子文件夹（第100-101行）
- 将图像信息添加到COCO的images列表（第102-112行）
- 解析多边形标注并转换为掩码（第121行）
- 计算掩码面积和边界框（第162-163行）
- 生成COCO格式标注条目（第165-175行）
4. 可视化结果生成
若未指定--noviz参数，工具会在第177-196行生成标注可视化结果，保存到输出目录的Visualization子文件夹。示例如下：
输出文件结构
转换完成后，output_dir将生成标准COCO数据集结构：
data_dataset_coco/
├── annotations.json # COCO标注文件
├── JPEGImages/ # 图像文件
└── Visualization/ # 标注可视化结果（可选）
其中annotations.json包含所有图像和标注信息，可直接用于Mask R-CNN、Faster R-CNN等模型的训练。
常见问题解决
1. 类别ID不匹配
确保labels.txt中的类别顺序与训练代码中的类别列表完全一致，避免出现类别ID映射错误。
2. 中文路径问题
工具暂不支持包含中文字符的文件路径，需确保输入输出目录及文件名均使用英文或数字。
3. 内存占用过高
处理大量高分辨率图像时，可通过--noviz参数禁用可视化生成，减少内存消耗。
扩展应用与源码扩展
批量处理脚本
可结合Labelme的video_annotation示例，实现视频帧序列的批量标注转换。
自定义格式扩展
如需添加自定义字段（如跟踪ID），可修改第165-175行的标注生成逻辑，添加额外键值对。
其他格式转换
Labelme项目还提供了VOC格式转换工具：
通过本文介绍的labelme2coco.py工具，用户可快速完成Labelme标注数据到COCO格式的转换，为后续模型训练奠定基础。工具源码的模块化设计也便于根据实际需求进行定制扩展，更多使用技巧可参考官方实例分割教程。
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
