使用labelme制作自己的深度学习图像分割数据集

最新推荐文章于 2025-09-10 09:54:12 发布
原创 最新推荐文章于 2025-09-10 09:54:12 发布 · 1.2w 阅读 · 163 ·
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。
文章标签：

#深度学习 #计算机视觉 #人工智能

本文详细介绍了如何使用labelme工具制作图像分割数据集，包括安装标注软件、图像标注、转换分割实例图像，并提供了相关脚本。最后，讨论了数据集的组织结构和后续训练模型的准备步骤。

        要实现深度学习图像分割应用，首先要获取图像分割标注数据，比如PASCAL VOC、COCO、SBD等大型数据集，但这些数据集主要用于训练预训练模型和评价分割模型精度性能，针对实际应用还需要我们根据项目需求制作自己的训练数据集。这里介绍一种基于labelme图像标注工具的图像分割数据集制作流程。

一、安装图像标注工具labelme

pip install labelme==3.6

安装完成后在终端输入命令labelme，如果出现标注软件界面，则证明安装成功。

二、图像标注

首先获取应用场景下足够多的图像，根据需要将图像裁剪到固定尺寸，比如后期使用Unet模型训练，那么需要将图像裁剪为572*572，这些图像上包含了需要检测的各种类别。以遥感图像道路分割为例，这里收集了20张图像作为数据集。

 

         启动labelme后，点击OpenDir打开数据集路径，通过点击create polygongs开始在图像上根据目标形状进行区域绘制，绘制完成后双击鼠标，在弹出窗口中输入类别名称。

        完成所有图像的分割标注后，每张图像

最低0.47元/天 解锁文章
图像语义分割标注工具labelme制作自己的语义分割数据集
qq_43790749的博客
09-14 2259
1.windows下 python2 pip install pyqt pip install labelme python3 pip install pyqt5 pip install labelme 2.在ubuntu16.04系统上基于python2安装labelme. sudo apt-get install python-qt4 pyqt4-dev-tools sudo pip install labelme # python2 works 3.使用labelme 在终端中执行以下命令：
使用labelme制作自己的语义分割数据集
04-22 1710
安装labelme 在cmd中激活我们使用的python环境，然后使用pip命令安装labelme，命令如下： pip install labelme==3.16.7 注意：如果安装最新版本的 labelme，就无须指定版本号(3.16.7就是版本号) 打开labelme 在cmd中激活我们使用的python环境，然后使用下面的命令，就可以打开labelme软件： labelme 界面如下图： 使用labelme对数据集进行标注 标注之前我们可以先设置一下自动保存：file——>Sav
深度学习+图像分割+道路裂缝数据集
09-03
内有两万张道路裂缝图像，我用labelme标注了250张，同时生成的json文件也有，可以直接用labelme打开。我还用python程序批量将250张标注好的图像生成mask图像，这250张图像可以直接用来做图像分割任务，如有需要批量转化json文件为mask图像的python程序可以查看我主页配套的另一资源https://download.youkuaiyun.com/download/weixin_52101154/38525192
用labelme制作自己的语义分割数据集
weixin_44021446的博客
07-11 7588
用labelme制作自己的语义分割数据集 最近打算做一个自己的语义分割数据集，故在此记录一下自己的制作过程， 希望能帮助到后面的人。 我是Windows8.1，事先采集两张图作为范例，用来演示整个过程。 1.安装anaconda Anaconda 官网下载地址：https://www.anaconda.com/download/ 根据自己的需求选择下载对应的程序。 安装指令正常安装就好了 安装过程可以参考：https://zhuanlan.zhihu.com/p/61639212 2.安装labelme
深度学习图像分割标注工具Labelme实战指南
最新发布
weixin_35749440的博客
09-10 1435
图像分割是计算机视觉中的核心任务之一，其目标是将图像划分为多个具有特定语义的区域或对象，为后续的识别、检测和分析提供结构化数据支持。随着深度学习的发展，图像分割技术从传统的基于阈值、边缘检测等方法，逐步演进为以卷积神经网络（CNN）为基础的语义分割、实例分割和全景分割三大范式。三者的主要区别在于分割粒度：语义分割对所有像素进行类别划分，但不区分同类实例；实例分割在语义基础上进一步区分不同对象个体；而全景分割则统一处理“物”与“景”，实现全场景像素级理解。
深度学习做图像分割的标记工具labelme
06-09
图像分割的标记工具Labelme，深度学习进行图像分割的标记工具。
制作自己的图像分割数据集（VOC格式&CitySpace格式）
hasque2019的博客
09-23 5349
语义分割数据集划分脚本
labelme语义分割数据集制作【附数据划分代码和注释】
Zbreakzhong的博客
07-17 2273
能产生这三种数据的标注工具有很多，本文以最常用的labelme标注工具举例（labelme的安装此处略过，网上也有很多教程，大家可以根据自己的实际情况选择合适的安装教程）。例如此处，我的原图像都放在了data文件夹下，所有标注好的json类型文件都放到了result文件夹下，那么我们就将labelme提供的。的文件，这份文件可以帮助我们将标注好的json类型文件转为图像文件，将其复制到你需要转换json类型文件的文件夹。的文件夹，在该文件夹中有一份名为。文件放到同级目录下。...
【图像分割】用labelme制作自己的图像分割数据集
qq_49092686的博客
01-14 2443
用labelme制作自己的图像分割数据集
240718_使用Labelme制作自己的图像分割数据集
weixin_66378701的博客
07-19 2043
从目标检测入门的朋友们可能更熟悉的是LabelImg，这里要注意做好区分，LabelImg和Labelme不是一个东西，如下经典图：（a）图像分类（目标检测）：一张图像中是否含某种物体（b）物体定位（目标检测与目标识别）：确定目标位置和所属类别。（c）语义分割（目标分割和目标分类）：对图像进行像素级分类，预测每个像素属于的类别，不区分个体；（所有的CUBE一个颜色）（d）实例分割（目标分割和目标识别）：定位图中每个物体，并进行像素级标注，区分不同个体；（CUBE都是不同颜色）
coco、voc实例分割数据集制作-labelme
07-09
COCO（Common Objects in Context）和PASCAL VOC（Visual Object Classes）是两个广泛使用的实例分割数据集，它们包含了丰富的图像和对应的标注信息，用于训练深度学习模型进行物体识别和分割任务。本文将详细介绍...
手把手教你使用Labelme制作自己的语义分割数据集（附代码）
热门推荐
xzrrr的博客
01-17 1万+
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进行语义分割数据集标注
我是天才很好
07-23 4839
文章目录0. 版权声明1. 制作工具Labelme2. Labelme的使用3. 标签文件内容 0. 版权声明 本博客参考Bubbliiiing博主博文，仅供学习交流，如有侵权，请联系删除！ 1. 制作工具Labelme 这里要用到Labelme工具。 在cmd终端运行 pip install labelme 即可安装！ 安装完成后直接使用： 运行结果如下： 2. Labelme的使用 点击画面上的open就可以打开图片。 点击create polygons就可以开始描点了。 比如我们对猫描点。
用Labelme实现图像分割
艾米栗的代码天地
12-25 3170
labelme是MIT出品的用来手动实现图片分割的傻瓜式软件。他的安装很简单。 通过pip的方式可以直接进行安装。 pip install labelme 但是可能有前置库，要安装PyQt。 pip install PyQt5 也是通过pip的方式进行安装。 安装成功后，在cmd界面直接输入labelme即可弹出窗口进行标注。 标注之后，该软件会保存一个json文件到相应文件...
labelme的安装并制作实例分割数据集
weixin_41837701的博客
09-28 1058
labelme的安装并制作实例分割数据集
简单易上手的图像分割labelme 教程
qq_23022733的博客
04-17 2557
labelme images --labels labels.txt --nodata --validatelabel exact --config ‘{shift_auto_shape_color: -2}’
2024年大数据最全在Win10系统中使用labelme制作图像分割标签数据_lableme3，大数据开发多线程实现方式及并发与同步
2401_84586615的博客
05-09 483
本文主要介绍如何使用labelme制作语义分割的标签数据，并通过代码将生成的json文件批量转换成可使用的图像标签。
分割数据集准备——labelme使用教程
hhb3329的博客
11-05 1633
labelme使用教程，用于分割训练
好用的图像分割标注工具：Labelme
Huiyu Blog
04-23 5619
缘起：最近在找合适的读博院校，正在参与一个和人眼语义分割有关的小测验，需要从网上自己找数据，做标签，所以借此机会和大家推荐一下这款救我于火急之中的小工具Labelme。 这里有详细的安装步骤：https://github.com/wkentaro/labelme 这里是使用指南：https://github.com/wkentaro/labelme My Experiences Install 因...
lableme
04-01
### LabelMe 数据标注工具使用教程 #### 工具简介 LabelMe 是一款功能强大的数据标注工具，主要用于图像领域中的目标检测、分割等任务。它可以帮助用户快速生成高质量的数据集，以便后续用于机器学习模型的训练。 --- #### 安装方法 对于 Windows 用户，可以通过 Anaconda 和 Python 3.7 的环境来安装 LabelMe 工具[^1]。以下是具体的安装过程： 1. **创建虚拟环境** 推荐通过 Conda 创建一个新的虚拟环境以避免依赖冲突： ```bash conda create -n labelme_env python=3.7 conda activate labelme_env ``` 2. **安装 LabelMe 及其依赖项** 使用 pip 命令安装 LabelMe 库及其所需的所有依赖包： ```bash pip install labelme ``` 如果遇到文件名格式问题（如 windows 解压后无法正常读取），可以按照以下方式解决：修改 `labelme/label_file.py` 文件中的第 36 行代码，调整路径处理逻辑[^3]。 另外，也可以直接下载预编译好的独立可执行文件 `Labelme.exe` 来简化安装流程[^2]: ```plaintext https://github.com/labelmeai/labelme/releases/download/v5.5.0/Labelme.exe ``` --- #### 功能介绍 LabelMe 提供了多种标注模式，适用于不同的应用场景： 1. **矩形框标注 (Bounding Box)** 适合于目标检测任务，允许用户绘制矩形区域标记感兴趣的对象。 2. **多边形标注 (Polygon Annotation)** 支持更精确的目标轮廓描绘，尤其适用于复杂形状物体的分割任务。 3. **点标注 (Point Annotation)** 主要应用于关键点定位场景，比如人体姿态估计。 4. **线段标注 (Line Segment Annotation)** 能够定义直线或者曲线连接多个节点的位置关系。 5. **自由绘图 (Free Drawing Mode)** 让用户能够随意涂鸦指定类别覆盖范围内的像素值作为语义分割标签的一部分。 --- #### 使用步骤 启动程序之后会看到主界面，在这里可以选择打开图片所在的文件夹进行批量操作；点击菜单栏上的按钮切换到不同类型的编辑状态完成相应对象的选择与属性设置工作后再保存成果即可导出JSON格式的结果文档供其他软件解析利用。 --- #### JSON 输出结构说明 每张被标注过的照片都会对应生成一个同名但扩展名为 .json 的配置描述档位档案记录该影像里所有的实例信息以及它们各自的几何参数详情等等内容如下所示例子所列明那样组织起来便于理解查阅同时也方便导入第三方框架继续深入分析研究下去: ```json { "version": "5.0", "flags": {}, "shapes": [ { "label": "car", "points": [[10, 20], [80, 90]], "group_id": null, "shape_type": "rectangle", "flags": {} } ], "imagePath": "example.jpg", "imageData": "...base64 encoded string...", "imageHeight": 480, "imageWidth": 640 } ``` 上述样例表示一张命名为 example.jpg 的相片中有辆汽车位于坐标系左上角起点位置为(10,20)，右下终点则处于(80,90)处形成的一个矩形边界包围盒内。 ---
评论 11
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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

打赏作者

TheMatrixs

你的鼓励将是我创作的最大动力!

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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