MMPose项目中使用Label Studio进行关键点标注的完整指南-优快云博客

本文链接：https://blog.youkuaiyun.com/gitblog_01047/article/details/148467715

MMPose项目中使用Label Studio进行关键点标注的完整指南

mmpose OpenMMLab Pose Estimation Toolbox and Benchmark. 项目地址: https://gitcode.com/gh_mirrors/mm/mmpose

前言

在计算机视觉领域，人体姿态估计是一个重要的研究方向，而高质量的数据标注是模型训练的基础。本文将详细介绍如何在MMPose项目中使用Label Studio这一流行的标注工具进行关键点标注，并将标注结果转换为MMPose所需的COCO格式数据集。

Label Studio简介

Label Studio是一款功能强大的开源数据标注工具，支持多种标注类型，包括图像分类、目标检测、语义分割以及关键点标注等。对于姿态估计任务，我们需要使用其关键点标注功能。

标注前的准备工作

1. 创建标注项目

首先需要在Label Studio中创建一个新的标注项目，项目类型选择"Computer Vision"。

2. 配置标注界面

MMPose需要的关键点标注数据包含三个关键信息：

关键点坐标(keypoints)
目标分割区域(segmentation)
边界框(bbox)

因此，我们需要在Label Studio中配置包含这三种标注类型的界面：

<View>
  <KeyPointLabels name="kp-1" toName="img-1">
      <Label value="person" background="#D4380D"/>
  </KeyPointLabels>
  <PolygonLabels name="polygonlabel" toName="img-1">
      <Label value="person" background="#0DA39E"/>
  </PolygonLabels>
  <RectangleLabels name="label" toName="img-1">
      <Label value="person" background="#DDA0EE"/>
  </RectangleLabels>
  <Image name="img-1" value="$img"/>
</View>

这段配置代码定义了：

关键点标注组件(KeyPointLabels)
多边形标注组件(PolygonLabels)
矩形框标注组件(RectangleLabels)
图像显示组件(Image)

标注规范与技巧

1. 标注顺序的重要性

为了确保标注数据能够正确转换为COCO格式，必须遵循特定的标注顺序：

首先标注所有关键点
然后标注多边形或矩形框

这个顺序非常重要，因为转换脚本会根据标注顺序来确定哪些标注属于同一个实例。

2. 关键点标注技巧

关键点的数量和顺序必须与MMPose配置文件中dataset_info部分定义的一致
标注时尽量保持关键点位置的准确性
对于遮挡或不可见的关键点，可以标记为不可见状态

3. 区域标注选择

可以选择使用多边形(Polygon)或矩形框(Rectangle)进行区域标注：

多边形标注能提供更精确的分割信息
矩形框标注更简单快速
两种方式只需选择一种即可

专业建议：对于人体姿态估计任务，推荐使用多边形标注，因为它能提供更精确的分割信息，有助于提升模型性能。

数据导出流程

完成标注后，按照以下步骤导出数据：

在项目界面点击"Export"按钮
选择"JSON"格式
点击"Export"下载标注文件

注意事项：

导出的JSON文件仅包含标注信息，不包含原始图像
原始图像需要单独提供
建议使用Label Studio的"Export COCO format"功能，它会同时导出图像文件

格式转换工具使用

MMPose提供了专门的转换工具labelstudio2coco.py，可以将Label Studio的标注转换为COCO格式。

基本使用方法

python tools/dataset_converters/labelstudio2coco.py config.xml project-export.json output/result.json

参数说明：

config.xml: 包含之前定义的标注界面配置
project-export.json: 从Label Studio导出的JSON文件
output/result.json: 输出的COCO格式JSON文件路径

输出目录结构

转换完成后，数据集目录结构应如下：

.
├── images
│   ├── image1.jpg
│   └── image2.jpg
└── result.json

在MMPose中使用转换后的数据集

转换完成后，可以在MMPose配置文件中这样引用数据集：

dataset=dict(
    type=dataset_type,
    data_root=data_root,
    data_mode=data_mode,
    ann_file='result.json',
    data_prefix=dict(img='images/'),
    pipeline=train_pipeline,
)

常见问题与解决方案

关键点顺序不匹配
- 确保Label Studio中的关键点顺序与MMPose配置文件中定义的一致
- 可以在标注前先检查dataset_info中的关键点定义
标注实例不完整
- 确保每个实例都包含关键点和区域标注
- 检查标注顺序是否正确
图像路径问题
- 确保图像文件存放在正确的位置
- 检查图像文件名是否被Label Studio截断