语义分割：标注json文件转mask

最新推荐文章于 2025-06-12 09:22:44 发布

@BangBang

最新推荐文章于 2025-06-12 09:22:44 发布

阅读量4.5k

点赞数 1

CC 4.0 BY-SA版权

分类专栏：图像分割文章标签： json python 开发语言

本文链接：https://blog.youkuaiyun.com/weixin_38346042/article/details/129161398

图像分割专栏收录该内容

27 篇文章 ¥29.90 ¥99.00

订阅专栏

超级会员免费看

本文介绍了两种方法将使用labelme标注的json文件转换为mask，适用于深度学习数据集的准备。方法1涉及特定版本的labelme，转换后的标签图是8位彩色图，实际上每个像素点的值对应类别。方法2则适用于新版本的labelme，无需卸载重装，直接转换mask。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

方法 1

注：该方法，在标注自己的数据集时,labelme版本需安装3.16.7

import base64
import json
import os
import os.path as osp

import numpy as np
import PIL.Image
from labelme import utils

'''
## 方法 1

import base64
import json
import os
import os

了解本专栏

订阅专栏解锁全文

超级会员免费看

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

@BangBang

关注关注

1
点赞
踩
41

收藏

觉得还不错? 一键收藏
1
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
打赏
打赏
打赏举报

举报

专栏目录

订阅专栏

语义分割中mask二值图转json格式

qq_41920323的博客

03-07

2421

图像分割中的mask二值图批量转json文件

语义分割mask转json

@bangbang的博客

05-19

3068

参考自： https://blog.youkuaiyun.com/The_Lonely_Wind/article/details/129385407 2. mask 转 json 通过提取灰度图每个类别的像素值得到轮廓信息并转化为json

1 条评论您还未登录，请先登录后发表或查看评论

json文件转换成mask图

Jackie1377的博客

11-04

303

接下来是求mask图中的白色面积占比。

【json转白色mask-制作边缘轮廓数据集】

最新发布

yinlingjishu的博客

06-12

275

内边界是指提取出来的是边界，该该圈像素全部属于建筑物。（注意：代码中未考虑位于整张图片的边缘处的像素。1）先按照行扫描，如果位于某位置为建筑物（此处建筑物的像素值为255），且其左边或者右边相邻的像素为背景（此处为0），则此位置为建筑物的边缘。转换后，会在json文件的同级目录下生成同名文件夹，下一步是提取这个mask图，并重命名为原图片名字。函数功能描述：把某个文件夹下的某种格式的图片转化成边界图，并存进另外一个文件夹。3）把所有的是边界的像素值赋值为255，其他位置的像素为0。2）同上，进行列扫描。

【语义分割】1-标注数据集-【单张图片】labelme标注json文件转mask

zw_van的博客

06-21

6043

除了自己描，还能用AI辅助标注，但是我打开会闪退，这个问题待解决。另外注意：标注过程中，不要切换目录；要确认，json文件最后，imagePath的图像路径，只能是图像名字本身，不能有其他的路径和符号。

labelme json文件转换成mask图片代码

m0_37192554的博客

01-09

3337

代码可用

图像分割批量转化json文件为mask文件的Python程序

11-08

该资源为图像分割批量转化json文件为mask文件的Python程序，由labelme加工而成，可搭配labelme一起使用。

labelme的json转mask，实测有效

chenyuan1111的博客

01-06

1633

3、你需要在标注文件夹下用txt写下以下代码，并保存bat文件。2、转到你的标注文件夹（包括json和图片）1、创建一个conda的虚拟环境。4、在终端这么输入就可以了。放在最后一个就可以了。

语义分割标注文件json转mask图片示例

qq_36481821的博客

04-29

6315

注：本文主要参考博客http://neroasmar.top/labelme-batch/，感谢作者的分享。我们平时用labelme标注图片得到的都是json文件，而实验需要用到的是Mask图；labelme自带的命令labelme_json_to_dataset labelme_json_to_dataset xxx.json 每次只能转化单个文件，如果要转化多个文件比较麻烦，并且不...

将labelme json文件转为mask掩模图

qq_39477242的博客

11-28

8763

1、打开cmd 切换到要转化的json文件路径下 2、>activate labelme #启动labelme 3、 > labelme_json_to_dataset 文件名.json 4、在该目录下会生成一个与文件名对应的文件夹，里面有4个文件。 img.png，源文件图像 label.png，标签图像 label_names.txt，标签中的各个类别的名称 label_viz.png，源文件与标签融合文件 ...

VoTT视频标注json数据集转mask二值掩膜图像

10-09

实现了由VoTT视频标注生成的json文件的数据集转二值掩膜图像。提取json文件中的标注点的坐标和图片名称，并在原图上绘制出标注点，再将图像转换为二值掩膜图像。

labelme标注数据集到COCO格式数据集转化，用于官方版Mask-Rcnn训练

04-14

labelme标注数据集到COCO格式数据集转化，用于官方版Mask-Rcnn训练

labelme标注数据集到COCO格式数据集转化，用于官方版Mask-Rcnn训练.py

12-19

labelme标注数据集到COCO格式数据集转化，用于官方版Mask-Rcnn训练亲测好用，挺不错的资源，大家快来下载吧！挺有用的！需要的话可以来下载哦！

将VIA标注图像产生的JSON文件转换为mask图

DYCAHGCDX的博客

09-23

1487

由于在学习的时候，要用到自己标注的样本，需要对样本进行人工标注生成mask图，在使用VGG Image Annotator（VIA）时对样本进行标注（这里不得不说这个网站挺好用的，还不需要下载，操作也简单），标注好之后，保存结果为xx.json文件，需要自己手动将其转换为mask图像，网上找了很多转换代码都不能达到自己的要求，于是自己将其总结，并重新写了能实现目标的代码，下面直接附上代码。

图像分割 json文件批量转mask

weixin_43854960的博客

08-27

2577

图像分割 json文件批量转mask 在进行labelme进行标注后有大量json文件，如果做图像分割需要转为mask才能进入进行训练 1.下载labelme 去github上搜索labelme，用git clone 下载 2.修改json_to_dataset.py 文件路径：label/label/cil/json_to_dataset.py import argparse import base64 import json import os import os.path as osp im

CV图像处理小工具——json文件转mask

每天都要看论文

10-10

577

CV图像处理小工具——json文件转P格式mask

json转mask的心酸血泪

lotove

05-04

3448

1.瞎扯本来进行目标检测，比较顺利，导师（****************************）要求求出实际边缘，传统的Canny算子无法很好的解决随尝试CPD。论文上传了不知道怎么搞，尝试自己下载或联系lotove.liu@hotmail.com 2.我的数据示例上图是我的原始数据示例，按照老师的思路是把每个快递包裹扣出求得groundtruth，如下： image: ......

129基于FCN图像分割算法检测火焰_数据集json转mask

vdggrdgrdg的博客

03-14

590

084基于CNN卷积神经网络的核桃品质检测_含10多种模型包括alexnet、DenseNet、DLA、GoogleNet、Mobilenet、ResNet、ResNeXt、ShuffleNet、VGG、EfficientNet和Swin。083基于深度学习的手势识别小程序版本_含10多种模型包括alexnet、DenseNet、DLA、GoogleNet、Mobilenet、ResNet、ResNeXt、ShuffleNet、VGG、EfficientNet和Swin。

怎么创建对应的二进制掩码图

03-11

<think>好的，用户现在问的是如何从LabelMe生成的JSON文件创建对应的二进制掩码图。首先，我需要回想一下之前的对话历史，用户已经完成了标注并生成了JSON文件，接下来需要转换格式以便用于Mobile UNet等模型的训练。用户现在具体想知道如何生成二进制掩码，这可能涉及到图像处理和数据转换的步骤。首先，我需要确定用户可能的技术背景。用户可能有一定的编程基础，尤其是Python，因为之前的问题中提到了使用Python转换格式。因此，在回答时应该提供具体的代码示例，但也要注意解释每一步的作用，以便用户理解。接下来，我需要考虑二进制掩码图的具体创建过程。LabelMe的JSON文件包含每个多边形的坐标信息，这些坐标对应着不同的类别。创建掩码图需要将每个多边形区域填充为对应的类别标签值（例如，0为背景，1为类别1，依此类推）。这通常需要用到图像处理库，比如PIL和numpy，以及处理JSON数据的能力。可能的步骤包括：解析JSON文件，读取图像尺寸，创建空白的掩码图像，遍历每个标注形状，使用多边形坐标在掩码上绘制填充区域，并将类别值作为颜色填充进去。同时，可能需要处理不同的类别，确保每个类别有唯一的标签值。还要注意处理不同形状的类型，比如多边形、矩形或圆形，但LabelMe通常使用多边形。因此，代码可能需要处理多边形坐标的解析和填充。此外，需要确保坐标的正确转换，因为JSON中的坐标可能是浮点数，需要转换为整数像素位置。用户可能需要知道如何安装必要的库，比如labelme、PIL、numpy等，因此在回答中应该包含安装命令。此外，代码示例需要详细注释，方便用户理解每一步的作用。另外，用户可能关心如何处理多个类别，所以需要说明如何为不同的类别分配不同的标签值，并可能提到修改代码以适应多类别的情况。例如，每个形状的类别名称对应不同的标签值，可以在代码中添加一个字典来映射类别名到标签值。最后，需要提醒用户验证生成的掩码是否正确，比如可视化检查，确保掩码与原始图像对齐，并且每个区域正确标注。可能还需要处理图像的不同尺寸，确保掩码图与原图尺寸一致。总结一下，回答的结构应该是：安装必要的库，解析JSON文件，创建掩码图的步骤，代码示例，多类别处理，验证方法，以及常见问题或注意事项。这样用户能够按步骤操作，并根据需要调整代码。</think>以下是使用Python从LabelMe的JSON文件生成二进制掩码图的详细步骤： --- ### **1. 准备工作** **安装依赖库**： ```bash pip install labelme numpy pillow opencv-python ``` --- ### **2. 核心步骤** #### **(1) 解析JSON文件** LabelMe的JSON文件中包含： - 图像尺寸（`imageHeight`, `imageWidth`） - 标注的多个形状（`shapes`），每个形状包含： - `label`：类别名称（如"cat"） - `points`：多边形坐标点列表（格式：`[[x1,y1], [x2,y2], ...]`） #### **(2) 创建空白掩码** 初始化一个全零的numpy数组（背景默认为0）： ```python import numpy as np mask = np.zeros((height, width), dtype=np.uint8) ``` #### **(3) 填充多边形区域** 遍历所有标注形状，将对应类别标签值写入掩码： ```python import cv2 for shape in json_data["shapes"]: label = shape["label"] points = np.array(shape["points"], dtype=np.int32) # 用类别ID填充多边形（例如：1表示"cat"） cv2.fillPoly(mask, [points], color=1) ``` --- ### **3. 完整代码示例** ```python import json import cv2 import numpy as np from PIL import Image def json_to_mask(json_path, output_path): # 读取JSON文件 with open(json_path, "r") as f: data = json.load(f) # 获取图像尺寸 height = data["imageHeight"] width = data["imageWidth"] # 创建空白掩码 mask = np.zeros((height, width), dtype=np.uint8) # 遍历所有标注形状 for shape in data["shapes"]: label = shape["label"] points = np.array(shape["points"], dtype=np.int32) # 为不同类别分配标签值（例如：1表示前景） if label == "cat": cv2.fillPoly(mask, [points], color=1) # 保存掩码为PNG图像 Image.fromarray(mask * 255).save(output_path) # 0=黑，255=白 # 示例调用 json_to_mask("labelme_annotation.json", "mask.png") ``` --- ### **4. 多类别处理** 如果存在多个类别（如"cat", "dog", "background"），需定义**标签映射字典**： ```python label_map = { "background": 0, "cat": 1, "dog": 2 } for shape in data["shapes"]: label = shape["label"] cv2.fillPoly(mask, [points], color=label_map[label]) ``` --- ### **5. 验证掩码正确性** - **可视化检查**：用图像查看工具打开掩码图，确认区域是否与标注一致 - **代码检查**：使用OpenCV显示掩码与原图叠加效果： ```python image = cv2.imread("original_image.jpg") mask = cv2.imread("mask.png", 0) overlay = cv2.addWeighted(image, 0.7, cv2.cvtColor(mask, cv2.COLOR_GRAY2BGR), 0.3, 0) cv2.imshow("Overlay", overlay) cv2.waitKey(0) ``` --- ### **常见问题** 1. **坐标溢出**：确保多边形坐标不超过图像尺寸（LabelMe会自动限制） 2. **标签冲突**：同一像素被多个多边形覆盖时，后绘制的标签会覆盖前值 3. **非多边形标注**：如果是矩形/圆形标注，需改用`cv2.rectangle()`或`cv2.circle()` --- 通过以上步骤，您可以将LabelMe的标注转换为深度学习模型可直接使用的掩码图。如果需要批量处理，可遍历所有JSON文件并循环调用上述函数。