将Labelme标注的数据做成COCO格式的数据集（实例分割的数据集）

实例分割：Labelme标注数据转COCO格式数据集

最新推荐文章于 2025-10-12 02:28:54 发布

原创最新推荐文章于 2025-10-12 02:28:54 发布 · 1.2w 阅读

91 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #计算机视觉

本文介绍了如何将使用Labelme标注的多边形框数据转换为COCO格式的数据集，适用于实例分割任务。通过运行特定的Python脚本如labelme2coco.py和labelme2cocoGuan.py，将标注的JSON文件和图像整合到COCO标准的结构中，包括annotations和images文件夹。此外，文章还提到了安装pycocotools的注意事项以及转换过程中可能出现的问题和解决方案。

这里说明一下：

Labelme标注数据时候是用的多边形框，关于标注，可以看前面的博客文章

下面制作的COCO数据集是用于实例分割的数据集。

COCO格式数据集的制作

1、labelme标注的数据转coco数据集

Anaconda Prompt里 F:\rockdata 下的目录运行指令：

这里需要注意是在activate labelme后，

python labelme2coco.py NoObeject

NoObeject是放json文件和图像的文件夹名字。

下载：labelme2coco.py 代码，运行，无需修改。

运行代码会生成一个文件，trainval.json

代码参考：

github.com/Tony607/labelme2coco

视频参考：

labelme转coco与多个coco文件的合并_哔哩哔哩_bilibilihttps://www.bilibili.com/video/BV1g44y147C9

2、labelme转coco数据集

源代码运行后，train和val文件夹下为空，原因是：写入图像的路径可能不对，修改源代码后正常：

代码如下：

import os
import json
import numpy as np
import glob
import shutil
import cv2
from sklearn.model_selection import train_test_split

np.random.seed(41)
#rock1
#rock2
#rock3
#rock4
#rock5
#rock6
#rock7
#rock8
#rock9
#rock10
#rock11
#sand_wave1
#sand_wave2
#sand_wave3
#sand_wave4
#sand_wave5
#sand_wave6
#sand_wave7
#sand_wave8
#sand_wave9
#sand_wave10
#sand_wave11

# 0为背景
classname_to_id = {
    "1": 1,
    "2": 2,
 }
#注意这里：yxf
#需要从1开始把对应的Label名字写入：这里根据自己的Lable名字修改

class Lableme2CoCo:

    def __init__(self):
        self.images = []
        self.annotations = []
        self.categories = []
        self.img_id = 0
        self.ann_id = 0

    def save_coco_json(self, instance, save_path):
        json.dump(instance, open(save_path, 'w', encoding='utf-8'), ensure_ascii=False, indent=1)  # indent=2 更加美观显示

    # 由json文件构建COCO
    def to_coco(self, json_path_list):
        self._init_categories()
        for json_path in json_path_list:
            obj = self.read_jsonfile(json_path)
            self.images.append(self._image(obj, json_path))
            shapes = obj['shapes']
            for shape in shapes:
                annotation = self._annotation(shape)
                self.annotations.append(annotation)
                self.ann_id += 1
            self.img_id += 1
        instance = {}
        instance['info'] = 'spytensor created'
        instance['license'] = ['license']
        instance['images'] = self.images
        instance['annotations'] = self.annotations
        instance['categories'] = self.categories
        return instance

    # 构建类别
    def _init_categories(self):
        for k, v in classname_to_id.items():
            category = {}
            category['id'] = v
            category['name'] = k
            self.categories.append(category)

    # 构建COCO的image字段
    def _image(self, obj, path):
        image = {}
        from labelme import utils
        img_x = utils.img_b64_to_arr(obj['imageData'])
        h, w = img_x.shape[:-1]
        image['height'] = h
        image['width'] = w
        image['id'] = self.img_id
        image['file_name'] = os.path.basename(path).replace(".json", ".jpg")
        return image

    # 构建COCO的annotation字段
    def _annotation(self, shape):
        # print('shape', shape)
        label = shape['label']
        points = shape['points']
        annotation = {}
        annotation['id'] = self.ann_id
        annotation['image_id'] = self.img_id
        annotation['category_id'] = int(classname_to_id[label])
        annotation['segmentation'] = [np.asarray(points).flatten().tolist()]
        annotation['bbox'] = self._get_box(points)
        annotation['iscrowd'] = 0
        annotation['area'] = 1.0
        return annotation

    # 读取json文件，返回一个json对象
    def read_jsonfile(self, path):
        with open(path, "r", encoding='utf-8') as f:
            return json.load(f)

    # COCO的格式： [x1,y1,w,h] 对应COCO的bbox格式
    def _get_box(self, points):
        min_x = min_y = np.inf
        max_x = max_y = 0
        for x, y in points:
            min_x = min(min_x, x)
            min_y = min(min_y, y)
            max_x = max(max_x, x)
            max_y = max(max_y, y)
        return [min_x, min_y, max_x - min_x, max_y - min_y]


if __name__ == '__main__':
    #这里是原来作者的路径
    #labelme_path = "../../../xianjin_data-3/"

    #这里注意：yxf
    #需要把labelme_path修改为自己放images和json文件的路径
    labelme_path = "F:\\rockdata\\NoObeject\\"
    #saved_coco_path = "../../../xianjin_data-3/"
    saved_coco_path = "F:\\rockdata\\COCO\\"
    #saved_coco_path = "./"
    #要把saved_coco_path修改为自己放生成COCO的路径，这里会在我当前COCO的文件夹下建立生成coco文件夹。
    print('reading...')
    # 创建文件
    if not os.path.exists("%scoco/annotations/" % saved_coco_path):
        os.makedirs("%scoco/annotations/" % saved_coco_path)
    if not os.path.exists("%scoco/images/train2017/" % saved_coco_path):
        os.makedirs("%scoco/images/train2017" % saved_coco_path)
    if not os.path.exists("%scoco/images/val2017/" % saved_coco_path):
        os.makedirs("%scoco/images/val2017" % saved_coco_path)
    # 获取images目录下所有的joson文件列表
    print(labelme_path + "/*.json")
    json_list_path = glob.glob(labelme_path + "/*.json")
    print('json_list_path: ', len(json_list_path))
    # 数据划分,这里没有区分val2017和tran2017目录，所有图片都放在images目录下
    train_path, val_path = train_test_split(json_list_path, test_size=0.1, train_size=0.9)
    #这里yxf：将训练集和验证集的比例是9：1，可以根据自己想要的比例修改。
    print("train_n:", len(train_path), 'val_n:', len(val_path))

    # 把训练集转化为COCO的json格式
    l2c_train = Lableme2CoCo()
    train_instance = l2c_train.to_coco(train_path)
    l2c_train.save_coco_json(train_instance, '%scoco/annotations/instances_train2017.json' % saved_coco_path)
    for file in train_path:
         #shutil.copy(file.replace("json", "jpg"), "%scoco/images/train2017/" % saved_coco_path)
        #print("这里测试一下file："+file)
        img_name = file.replace('json', 'png')
        #print("这里测试一下img_name：" + img_name)
        temp_img = cv2.imread(img_name)
        #print(temp_img) 测试图像读取是否正确
        try:
            #这个这句是原来作者的代码，运行之后train文件夹下生成的是空的
            #cv2.imwrite("{}coco/images/train2017/{}".format(saved_coco_path, img_name.replace('png', 'jpg')),temp_img)
            #我自己放train图像的路径：F:\rockdata\COCO\coco\images\train2017
            img_name_jpg=img_name.replace('png', 'jpg')
            print("jpg测试:"+img_name_jpg)
            filenames = img_name_jpg.split("\\")[-1]
            print(filenames) #这里是将一个路径中的文件名字提取出来
            cv2.imwrite("./COCO/coco/images/train2017/{}".format(filenames),temp_img)
            #这句写入语句，是将 X.jpg 写入到指定路径./COCO/coco/images/train2017/X.jpg
        except Exception as e:
            print(e)
            print('Wrong Image:', img_name )
            continue

        print(img_name + '-->', img_name.replace('png', 'jpg'))
        #print("yxf"+img_name)


    for file in val_path:
        #shutil.copy(file.replace("json", "jpg"), "%scoco/images/val2017/" % saved_coco_path)

        img_name = file.replace('json', 'png')
        temp_img = cv2.imread(img_name)
        try:

            #cv2.imwrite("{}coco/images/val2017/{}".format(saved_coco_path, img_name.replace('png', 'jpg')), temp_img)
            img_name_jpg = img_name.replace('png', 'jpg')  #将png文件替换成jpg文件。
            print("jpg测试:" + img_name_jpg)
            filenames = img_name_jpg.split("\\")[-1]
            print(filenames)
            cv2.imwrite("./COCO/coco/images/val2017/{}".format(filenames), temp_img)
        except Exception as e:
            print(e)
            print('Wrong Image:', img_name)
            continue
        print(img_name + '-->', img_name.replace('png', 'jpg'))


    # 把验证集转化为COCO的json格式
    l2c_val = Lableme2CoCo()
    val_instance = l2c_val.to_coco(val_path)
    l2c_val.save_coco_json(val_instance, '%scoco/annotations/instances_val2017.json' % saved_coco_path)

在Anaconda Prompt运行：

python labelme2CoCoCo.py

运行后，在我当前目录的COCO文件夹下，生成coco文件夹：

coco文件夹下有annotations文件夹和images文件夹，

annotations文件夹存放2个json文件。

images文件夹存放train （存放：划分的用于训练的图像数据）和val （存放：划分的用于验证的图像数据）两个文件夹。

这里是命令行运行结果截图：