💪图像算法工程师 | 深耕并挚爱的图像处理💪 💪🧑💻🔍✨📈 持续为你点亮技术灯塔，专栏最新动态如下👇： 📝《图像去噪》 📝《超分辨率重建》 📝《语义分割》 📝《风格迁移》 📝《目标检测》 📝《图像增强》 📝《模型优化》 📝《模型实战部署》 📝《图像配准融合》 📝《数据集》 📝《高效助手》 📝《C++》 📝《Qt》
做图像语义分割，打标签时需要用到labelme工具，下面总结了该工具的详细使用教程。
labelme工具是一个纯手工工具，推荐一个半自动标注工具ISAT，类似PS中的魔棒工具，点击目标物体自动框选，后台运行的是深度学习模型（多模型可选择），框选精度和打标签效率贼高，非常推荐学者使用此工具打标签，使用方法见：半自动打标签工具ISAT安装及使用教程
想使用Labelimg制作VOC格式数据集或yolo格式数据集，详细教程见我另外一篇博文：Labelimg制作VOC格式数据集或yolo格式数据集
想使用CVAT制作COCO格式数据集或者VOC格式数据集，详细教程见我另外一篇博文：CVAT制作COCO格式数据集或VOC格式数据集
制作VOC格式数据集，想使用精灵标注助手的，详细教程见我另外一篇博文：精灵标注助手制作VOC格式数据集
目录
一、安装labelme工具二、文件位置关系三、labelme工具四、labelme工具的快捷键五、代码（将标签文件转为统一固定格式）六、总结
一、安装labelme工具
进入到对应的虚拟环境后输入下面命令安装即可。注意：安装的版本，建议安装3.16.7版本，其它版本的容易出错：
pip install labelme==3.16.7 -i https://mirrors.aliyun.com/pypi/simple/
具体的安装样纸见下:
二、文件位置关系
文件夹中的图片和标签图存放位置关系见下：
三、labelme工具
打开labelme工具后的样纸见下：
使用前首先勾选自动保存功能，如下：
下面是常用按钮选项功能介绍：
下面是打标签的实际例子：
自动保存后的样纸见下：
四、labelme工具的快捷键
我自己常用到的快捷键就D(打开上一张图片)，A(打开下一张图片)，Ctrl+Z撤销上一个点。
shortcuts:
close: Ctrl+W #关闭
open: Ctrl+O #打开
open_dir: Ctrl+U #打开文件夹
quit: Ctrl+Q #退出
save: Ctrl+S #保存
save_as: Ctrl+Shift+S #另存为
save_to: null
delete_file: Ctrl+Delete #删除文件
open_next: [D, Ctrl+Shift+D] #打开下一张图
open_prev: [A, Ctrl+Shift+A] #打开上一张图
zoom_in: [Ctrl++, Ctrl+=] #放大
zoom_out: Ctrl+- #缩小
zoom_to_original: Ctrl+0 #回到原尺寸
fit_window: Ctrl+F #图片适应窗口
fit_width: Ctrl+Shift+F #图片适应宽度
create_polygon: Ctrl+N #创建多边形（这个用的多，建议改了）
create_rectangle: Ctrl+R #创建圆
create_circle: null
create_line: null
create_point: null
create_linestrip: null
edit_polygon: Ctrl+J #编辑多边形（这个用的多，也是建议改了）
delete_polygon: Delete #删除
duplicate_polygon: Ctrl+D #等边行复制
copy_polygon: Ctrl+C #复制
paste_polygon: Ctrl+V #粘贴
undo: Ctrl+Z #重做
undo_last_point: Ctrl+Z #撤销上一个点
add_point_to_edge: Ctrl+Shift+P #增加一个点（用不到，直接在边界上点鼠标左键就能加点）
edit_label: Ctrl+E #编辑标签
toggle_keep_prev_mode: Ctrl+P
remove_selected_point: [Meta+H, Backspace] #删除选定的点
五、代码（将标签文件转为统一固定格式）
使用下面的代码进行转换，代码中需要修改的地方见下：
详细代码见下：
import base64
import json
import os
import os.path as osp
import numpy as np
import PIL.Image
from labelme import utils
'''
制作自己的语义分割数据集需要注意以下几点：
1、我使用的labelme版本是3.16.7，建议使用该版本的labelme，有些版本的labelme会发生错误，
具体错误为：Too many dimensions: 3 > 2
安装方式为命令行pip install labelme==3.16.7
2、此处生成的标签图是8位彩色图，与视频中看起来的数据集格式不太一样。
虽然看起来是彩图，但事实上只有8位，此时每个像素点的值就是这个像素点所属的种类。
所以其实和视频中VOC数据集的格式一样。因此这样制作出来的数据集是可以正常使用的。也是正常的。
'''
if __name__ == '__main__':
jpgs_path = "datasets/JPEGImages"
pngs_path = "datasets/SegmentationClass"
# classes = ["_background_","person", "car", "motorbike", "dustbin","chair","fire_hydrant","tricycle","bicycle","stone"]
classes = ["_background_","cat"]
count = os.listdir("./datasets/before/")
for i in range(0, len(count)):
path = os.path.join("./datasets/before", count[i])
if os.path.isfile(path) and path.endswith('json'):
data = json.load(open(path))
if data['imageData']:
imageData = data['imageData']
else:
imagePath = os.path.join(os.path.dirname(path), data['imagePath'])
with open(imagePath, 'rb') as f:
imageData = f.read()
imageData = base64.b64encode(imageData).decode('utf-8')
img = utils.img_b64_to_arr(imageData)
label_name_to_value = {'_background_': 0}
for shape in data['shapes']:
label_name = shape['label']
if label_name in label_name_to_value:
label_value = label_name_to_value[label_name]
else:
label_value = len(label_name_to_value)
label_name_to_value[label_name] = label_value
# label_values must be dense
label_values, label_names = [], []
for ln, lv in sorted(label_name_to_value.items(), key=lambda x: x[1]):
label_values.append(lv)
label_names.append(ln)
assert label_values == list(range(len(label_values)))
lbl = utils.shapes_to_label(img.shape, data['shapes'], label_name_to_value)
PIL.Image.fromarray(img).save(osp.join(jpgs_path, count[i].split(".")[0]+'.jpg'))
new = np.zeros([np.shape(img)[0],np.shape(img)[1]])
for name in label_names:
index_json = label_names.index(name)
index_all = classes.index(name)
new = new + index_all*(np.array(lbl) == index_json)
# utils.lblsave(osp.join(pngs_path, count[i].split(".")[0]+'.png'), new)
# print('Saved ' + count[i].split(".")[0] + '.jpg and ' + count[i].split(".")[0] + '.png')
utils.lblsave(osp.join(pngs_path, count[i].split(".")[0] + '.png'), new)
print('Saved ' + count[i].split(".")[0] + '.jpg and ' + count[i].split(".")[0] + '.png')
六、总结
本文介绍了图像语义分割任务中常用的标注工具Labelme的详细使用教程。主要内容包括：1) Labelme工具的安装方法（推荐3.16.7版本）；2) 文件存储位置的组织方式；3) 工具界面功能详解及标注示例；4) 常用快捷键说明；5) 提供将标注文件转换为统一格式的Python代码。文章还推荐了半自动标注工具ISAT，并给出了其他常用标注工具（Labelimg、CVAT等）的制作教程链接。教程内容全面，从安装到使用再到数据格式转换，为图像分割任务的标注工作提供了完整的技术指导。
🌟 感谢一路看到这里！
若本文对您有所启发，请毫不吝啬地留下 👍 点赞、⭐ 收藏、✍️ 评论三连——你的每一次互动，都是我持续输出干货的最大动力！
更多精彩内容已就绪：扫码关注下面「视觉研坊」 📸，让实战教程、独家案例与前沿资讯第一时间与你相遇！