| Labelme安装及使用教程 | 您所在的位置：网站首页 › amesimr15安装 › Labelme安装及使用教程 |
Labelme安装及使用教程
|
Labelme安装教程（基于anaconda）
1. 创建anaconda虚拟环境labelme
conda create -n labelme python=3.6
完成之后如图所示（由于我已经创建了labelme故这里用labelme1代替） 执行完这一步会发现运行环境转移到了labelme，如果没有重新创建 2. 安装labelme所需要的依赖环境安装的时候使用pip或者conda都可以，两者之中有一个不行时尝试使用另一个，我在安装的时候也是时好时坏，有点玄学 conda install pyqt conda install pillow这两个库的安装可能还需要别的依赖环境，请读者自行查阅，这里不再赘述 3.安装labelme conda install labelme=3.16.2 #conda安装命令如果出错也可以使用pip命令，使用逻辑等号"==" pip install labelme==3.16.2这一步一定要注意安装的版本号，如果直接安装labelme不标注版本号在后续json到dataset的时候会出现异常，一般来说3.16的版本都可以，至此安装过程就结束了，下面介绍labelme的使用方法。 4.使用labelme标注图片在刚才安装好的窗口下输入labelme后便可打开labelme 得到json文件之后，我们要将其转化成数据集使用，这里涉及到labelme源码的更改 首先，找到labelme的json_to_dataset.py 找到anaconda的安装位置，例如我安装在D盘，然后找到下面说的具体位置：D:\Anaconda\envs\labelme\Lib\site-packages\labelme\cli，进入之后会发现有几个python source file，打开json_to_dataset.py，将代码做如下更改： import argparse import json import os import os.path as osp import warnings import PIL.Image import yaml from labelme import utils import base64 def main(): warnings.warn("This script is aimed to demonstrate how to convert the\n" "JSON file to a single image dataset, and not to handle\n" "multiple JSON files to generate a real-use dataset.") parser = argparse.ArgumentParser() parser.add_argument('json_file') parser.add_argument('-o', '--out', default=None) args = parser.parse_args() json_file = args.json_file if args.out is None: out_dir = osp.basename(json_file).replace('.', '_') out_dir = osp.join(osp.dirname(json_file), out_dir) else: out_dir = args.out if not osp.exists(out_dir): os.mkdir(out_dir) count = os.listdir(json_file) for i in range(0, len(count)): path = os.path.join(json_file, count[i]) if os.path.isfile(path): 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) captions = ['{}: {}'.format(lv, ln) for ln, lv in label_name_to_value.items()] lbl_viz = utils.draw_label(lbl, img, captions) out_dir = osp.basename(count[i]).replace('.', '_') out_dir = osp.join(osp.dirname(count[i]), out_dir) if not osp.exists(out_dir): os.mkdir(out_dir) PIL.Image.fromarray(img).save(osp.join(out_dir, 'img.png')) #PIL.Image.fromarray(lbl).save(osp.join(out_dir, 'label.png')) utils.lblsave(osp.join(out_dir, 'label.png'), lbl) PIL.Image.fromarray(lbl_viz).save(osp.join(out_dir, 'label_viz.png')) with open(osp.join(out_dir, 'label_names.txt'), 'w') as f: for lbl_name in label_names: f.write(lbl_name + '\n') warnings.warn('info.yaml is being replaced by label_names.txt') info = dict(label_names=label_names) with open(osp.join(out_dir, 'info.yaml'), 'w') as f: yaml.safe_dump(info, f, default_flow_style=False) print('Saved to: %s' % out_dir) if __name__ == '__main__': main()将之前标注好的json文件单独提取出来，放在一个目录下，然后进入我们批量处理的环境中，也就是执行把jaso->dataset的目录：D:\Anaconda\envs\labelme\Scripts
参考： 大神源码：实现labelme批量json_to_dataset方法 哔哩哔哩小哥讲解 |
激活环境：
界面如图 
在使用过程中建议大家一打开文件（OpenDir）的方式读取图片，这样可以通过NextImage和PreImage键来查看前后的图片。打开图片之后，右键可以选择标注的工具，例如目标检测使用的矩形、heatmap使用的圆形以及关键点检测使用的点和线。 
标注完之后点击save进行保存，注意：最好把标注完的json文件与原图存放在一个目录下，这样在后期查看的时候可以看到原图与标注区域的叠加，而不单单是原图。
这个目录下有执行程序： .
下面就可以进行json文件批量处理了，exe程序后边是之前的json单独建立的目录
成功执行后结果如下图，其保存的地址为相对地址，就是在D:\Anaconda\envs\labelme\Scripts下 
如果安装的labelme版本是3.16.2的，应该不会有问题；有异常抛出的话，大概率是版本不兼容，建议重新创建环境安装【本文地址】