使用labelme制作coco格式数据集和voc格式数据集

已于 2023-12-20 16:57:04 修改
阅读量1.1k 收藏 4
点赞数 2
分类专栏： pytorch深度学习 文章标签： 深度学习
于 2023-10-30 21:55:45 首次发布
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。
本文链接：https://blog.youkuaiyun.com/weixin_46371813/article/details/134122731
版权
本文介绍了如何配置环境并使用labelme进行图像标注，然后详细阐述了将标注数据转化为VOC和COCO两种格式的步骤，包括修改json文件、运行转换脚本等操作。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

文章目录

一、环境配置与安装

环境配置：
进入base环境下输入

conda create -n labelme

输入以下命令切入环境

conda activate labelme

安装：
直接输入命令

pip install labelme

二、使用labelme进行标注

打开，直接在当前环境下输入labelme

crtl+n打开标注框
ctrl+z取消上一个标注点

打开图片所在的文件夹
在这里插入图片描述

进行标注，标注完成后记得保存

了解本专栏 订阅专栏 解锁全文
labelme标注的数据集格式转换到COCO数据集格式
10-28
Mask_RCNN训练，labelme标注的数据集格式转换到COCO数据集格式。
利用labelme制作自己的coco数据集(labelme转coco数据集）
Xiao_Ya__的博客
06-23 1585
利用labelme制作自己的coco数据集(labelme转coco数据集）
labelme标注的json文件数据转成coco数据集格式（可处理目标框和实例分割）
qq_44442727的博客
12-24 9056
这里主要是搬运一下能找到的 labelme标注的json文件数据转成coco数据集格式（可处理目标框和实例分割）的代码，以供需要时参考和提供相关帮助。
使用labelme制作coco数据集
qq_45670658的博客
07-04 751
按照自己喜欢的方式收集图片，我是做的火灾检测方面，所有收集的都是火灾图片。整理图片，收集的图片进行预处理。使用熟悉的标注方式标注图片，如可使用LabelMe批量打开图片文件夹的图片，进行标注并保存为json文件。如图所示：打好标签的.json文件放在了json文件夹里，倒数第二行路径就写./json。最后整理数据，由于我的程序是需要和coco数据集命名一致，最好就命名一致。这里只做了训练集和验证机的annotations。train--- 训练集。test--- 测试集。val--- 验证集。
labelme标注分割数据转换成coco格式
qq_45828295的博客
11-14 6267
用Labelme标注数据集，并转换成coco格式
coco、voc实例分割数据集制作-labelme
07-09
- 对于COCO格式，你可以编写Python脚本，利用`labelme`库将.json文件转换为COCO数据集所需的格式。这包括图像文件、类别信息和标注信息。 - 对于PASCAL VOC格式，同样需要编写脚本，将标注信息转换为XML文件，这是...
将labelme格式数据转化为标准的coco数据集格式方式
09-17
这篇文章将介绍如何将Labelme的标注数据转换成COCO数据集格式。 Labelme标注的图像生成的JSON格式包含以下信息： 1. `version`: JSON文件的版本号。 2. `flags`: 未定义或为空，可能用于将来扩展。 3. `shapes`: ...
基于Python实现将 labelme 标注的数据转换为 PASCAL VOC 格式和 MS COCO 格式的数据集
10-31
将 labelme 标注的数据转换为 PASCAL VOC 格式和 MS COCO 格式的数据集，便于直接利用支持这两种格式的框架进行训练 使用方法 1、将 lebelme 标注得到的 JSON 文件放在一个文件夹内。举个例子，命名为 labelme_jsons...
labelme标注数据集转化为coco格式
03-07
而将`Labelme`标注的数据集转化为`COCO`（Common Objects in Context）格式则是为了适应许多深度学习框架和评估工具的要求，因为`COCO`格式是目前最常用的标注标准之一。 `Python Labelme`是`Labelme`工具的Python...
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！
Labelme标注的数据集转为VOC2007
04-29
将Labelme标注的数据转为VOC格式，用于制作物体检测数据集。将Labelme标注的数据转为VOC格式，用于制作物体检测数据集。
labelme2coco
04-10
caffe2 detectron 训练maskrcnn时把labelme标注的数据转换为coco数据
将labelme转换成 coco
11-03
coco数据集主要是images,categories,annotations,把所有图片的信息都整合在一起了，形成dictionary.
labelme标注自定义数据集COCO类型
七月
02-05 2203
最终需要的文件夹目录如下图所示，其中data位于mmdetection项目根目录下。
使用labelme标注数据集并转化为CoCo数据集
xiao_yan_的博客
08-10 4652
目录使用labelme标注数据将labelme数据集转化为CoCo数据集 使用labelme标注数据 安装labelme pip install lebelme 安装完成后使用labelme 在命令窗口输入labelme 导入需要标注的数据 Open Dir -> 选择要导入的文件夹 -> 设置自动保存[左上角(File -> Save Automatically)]-> Create Polygons[左侧工具栏] 对图片进行标注 注意： 标注要准确，尽可能表的详细 标注
通过labelme制作coco格式数据集，并使用mask r-cnn训练
weixin_42882838的博客
10-31 9711
通过labelme制作coco格式数据集，包含train，val，test三部分第一步，建立文件夹第二步，通过creat_txt.py生成val2019.txt，train2019.txt，test2019.txt第三步，通过classify.py程序将json文件与图片分类第五步,通过labelme2coco.py生成train2019.json，test2019.json,val2019.js...
coco格式数据集
最新发布
03-15
<think>嗯，用户现在问的是关于COCO格式数据集的问题。之前他们遇到了NoMachine连接的问题，现在转向了计算机视觉的数据集，可能是在进行深度学习或者目标检测相关的项目。我需要先回忆一下COCO数据集的基本信息，然后组织成一个清晰的回答。 首先，用户可能需要知道COCO是什么的缩写，全称是什么。接着，他们可能关心数据集的组成，比如有哪些任务支持，比如目标检测、实例分割等。然后是数据结构的详细说明，比如JSON文件的各个字段，比如images、annotations、categories这些部分。可能需要具体举例，比如每个字段里面的内容，比如image的id、file_name、width、height，annotations里的bbox、segmentation等。 另外，用户可能想知道COCO数据集的优势，比如规模大、标注质量高、多任务支持这些点。还有应用场景，比如目标检测、图像生成等。同时，可能需要给出一个示例结构，这样用户能更直观地理解JSON文件的格式。 还要注意用户可能的实际需求，比如他们可能正在准备自己的数据集，想要转换成COCO格式，或者在使用某个框架（比如Detectron2或MMDetection）时需要了解数据格式。这时候可能需要提到常见工具，比如pycocotools库，或者数据转换工具比如labelme2coco，这些信息对他们会有帮助。 还要确保回答结构清晰，分点说明，帮助用户逐步理解。可能需要先定义，再组成结构，然后优势，应用场景，示例，工具支持，最后总结。这样用户能有一个逻辑性的认识。 需要检查是否有遗漏的部分，比如COCO数据集的具体版本，比如COCO2017，或者与其他数据集（如Pascal VOC）的区别，但用户的问题主要是介绍COCO格式，所以可能不需要深入比较。不过提到常用性可以强调其作为基准的重要性。 另外，需要注意使用中文，避免专业术语过于晦涩，必要时进行解释，比如实例分割和全景分割的区别。但用户可能有一定基础，所以可以适当使用术语，但保持解释简洁。 最后，确保示例部分准确，比如给出正确的字段和结构，避免错误。比如在示例JSON结构中，每个部分的键名是否正确，比如info、licenses是否在顶层，images数组里的对象结构，annotations里的area、iscrowd等是否正确。这些细节会影响用户的正确理解，所以需要准确无误。 总结下来，回答应该涵盖COCO的定义、组成结构、优势、应用场景、示例结构、工具支持，以及总结其重要性。这样用户能全面了解COCO格式数据集，并应用到自己的项目中。</think>以下是关于 **COCO格式数据集** 的详细介绍，结构清晰，便于理解其核心概念和应用场景： --- ### **1. 什么是COCO格式？** - **定义**： COCO（Common Objects in Context）是微软发布的大规模图像数据集，专为**目标检测、实例分割、关键点检测、图像描述生成**等任务设计。其数据标注格式（JSON文件）已成为计算机视觉领域的通用标准之一。 - **特点**： 涵盖80类常见物体（如人、车、动物），图像包含复杂背景和多样场景，标注信息丰富且精细。 --- ### **2. 数据集组成与结构** #### **(1) 文件目录结构** ```plaintext coco/ ├── annotations/ # 存放所有JSON标注文件 │ ├── instances_train2017.json │ ├── instances_val2017.json │ └── ... # 其他任务标注（如captions, keypoints） └── images/ # 存放图像 ├── train2017/ └── val2017/ ``` #### **(2) JSON标注文件核心字段** ```json { "info": {...}, // 数据集描述（版本、作者等） "licenses": [...], // 图像版权信息 "images": [ // 图像元数据列表 { "id": 1, // 图像唯一ID "file_name": "000001.jpg", "width": 640, "height": 480 }, ... ], "annotations": [ // 标注信息列表 { "id": 1, // 标注唯一ID "image_id": 1, // 对应图像ID "category_id": 18, // 类别ID（对应categories字段） "bbox": [x,y,w,h], // 检测框坐标（左上角x,y + 宽高） "segmentation": [...], // 实例分割多边形坐标 "area": 90307, // 区域面积（像素） "iscrowd": 0 // 是否为群体标注（0=单个对象） }, ... ], "categories": [ // 类别定义列表 { "id": 18, "name": "dog", "supercategory": "animal" }, ... ] } ``` --- ### **3. COCO格式的核心优势** 1. **多任务支持**： 同一标注文件可同时用于检测、分割、关键点等任务，减少数据冗余。 2. **标注精细**： 实例分割采用多边形坐标（而非矩形框），更精准描述物体轮廓。 3. **标准化**： 主流框架（如Detectron2、MMDetection、YOLO）均内置COCO数据加载接口。 4. **规模与多样性**： 包含超20万张图像、80万+实例标注，涵盖复杂场景。 --- ### **4. 典型应用场景** | 任务类型 | 用途示例 | 对应JSON文件 | |----------------|-----------------------------|----------------------------| | 目标检测 | 检测图像中的物体位置 | `instances_*.json` | | 实例分割 | 像素级标注物体轮廓 | `instances_*.json` | | 关键点检测 | 人体姿态估计（如17个关键点） | `person_keypoints_*.json` | | 图像描述生成 | 生成图像的文本描述 | `captions_*.json` | --- ### **5. 常见工具与库** - **数据加载**： 使用官方工具包 `pycocotools`（Python）解析标注文件： ```python from pycocotools.coco import COCO coco = COCO('annotations/instances_train2017.json') img_ids = coco.getImgIds(catIds=[18]) # 获取所有包含“dog”的图像ID ``` - **数据可视化**： 通过工具（如CVAT、LabelStudio）或代码绘制检测框/分割掩码。 - **格式转换**： 将其他格式（如Pascal VOC、YOLO）转换为COCO格式，可使用工具： `labelme2coco`、`voc2coco` 等。 --- ### **6. 总结** COCO格式通过统一的JSON结构解决了多任务标注的兼容性问题，已成为计算机视觉领域的“基准配置”。掌握其数据组织规则，能高效适配主流算法框架，并简化数据预处理流程。
评论
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

-希冀-

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