Labelme的安装与使用教程

文章目录

• 一、Labelme是什么？
• 二、安装步骤
• • 1.新建虚拟环境
  • 2.安装Labelme
  • 3.Labelme的使用
• 三、json2yolo

一、Labelme是什么？

Labelme是一个用于图像标注的开源工具，可以实现图像标注、语义分割、实例分割等。

本文记录一下labelme的安装与使用，主要是用于语义分割的，因为我只有一个类别~。

二、安装步骤

1.新建虚拟环境

我这边是新建了一个新的虚拟环境，这样看起来更直观一些。当然也可以在已安装的虚拟环境中安装，毕竟也只是一个工具模块。新建虚拟环境的推荐使用Annconda进行新建虚拟环境。在安装完成Annconda后，在菜单栏搜索界面中搜索Anaconda Prompt (Anaconda)并打开，输入conda create -n test python=3.8创建虚拟环境。

conda create –n test python=3.8

输入y确认安装。

命令会自动安装一些必要库，结束之后，虚拟环境就创建完成啦。

2.安装Labelme

在输入了激活命令后，便由基础环境（base）转到了（test），输入conda install pyqt，这是在安装labelme之前需要安装的第一个库，安装过程中选择y继续安装pyqt的相关库。

conda install pyqt

在安装labelme库的时候就不能在conda里面进行安装了，需要使用pip命令。这里记录一个简便进入虚拟环境的方法。打开Annconda的安装目录D:\\Anaconda3\\envs（这里是我的安装路径），在envs里面就是所有创建的虚拟环境啦。进入刚刚创建的虚拟环境，在 D:\\Anaconda3\\envs\\test\\Scripts此目录下，在上方文件目录中输入cmd就进入到虚拟环境中了。

连接清华镜像源后进行安装

pip install labelme -i https://pypi.tuna.tsinghua.edu.cn/simple

至此，模块的安装部分就结束了，在命令行中输入labelme，便会打开labelme的操作界面。

ps：在安装pyqt和pillow的时候也可以像安装labelme一样在文件中打开虚拟环境，连接镜像源进行安装。

3.Labelme的使用

在控制台输入labelme打开Labelme。

在labelme软件中，最主要的几个功能如下：

1️⃣打开：只打开一张图像进行标注，建议通过第二个功能打开包含图像的文件夹，进行标注。

2️⃣打开目录：点击后会弹出一个窗口，选择一个文件夹，文件夹中包含要进行标注的图像。

3️⃣上一幅：在打开目录的情况下，点击后可切换到上一张图片，也可以使用快捷键a。

4️⃣下一幅：在打开目录的情况下，点击后可切换到下一张图片，也可以使用快捷键d。

5️⃣保存：在标注完成后，会生成标签文件。保存选项即选择本地的一个文件夹保存标签文件。建议在选择完打开目录后，便选择一个文件夹路径保存将要生成的标签文件。

6️⃣创建多边形：这一个功能是最重要的，选择了一张图像后便可以进行标注，选择这个功能后即可这对界面中显示的图像进行分割标注，注意标注点要尽可能贴合目标，也可以使用快捷键w。

❗ 注意在标注的时候，最后一个点要首尾相连。完成后会弹出一个窗口，在窗口内输入标签，确认后一幅图像就标注完成啦。这样便会在保存目录中生成标签的json文件。

在json文件中， shapes用于内存放目标的相关信息；

imagePath表示被标注图像的相对存储路径；

imageData表示被存储的图像的编码数据；

imageHeight表示该图像的高度；

imageWidth表示该图像的宽度。

shapes内中的label是目标名称，points内保存了标注过程中点的坐标，从左上角（0，0）开始算起。

三、json2yolo

为了能够满足yolo模型的训练，其传入的标签格式是txt的，所以需要将标注的json格式的数据转成txt格式，代码如下：

import cv2
import os
import json
import glob
import numpy as np

def convert_json_label_to_yolov_seg_label():
json_path = r"D:\\\\image_denoising_test\\\\self_test\\\\RestLabel" # 本地json路径
json_files = glob.glob(json_path + "/*.json")
print(json_files)

# 指定输出文件夹
output_folder = "D:/image_denoising_test/self_test/RestLabel/txt" # txt存放路径
if not os.path.exists(output_folder):
os.makedirs(output_folder)

for json_file in json_files:
print(json_file)
with open(json_file, 'r') as f:
json_info = json.load(f)

img = cv2.imread(os.path.join(json_path, json_info["imagePath"]))
height, width, _ = img.shape
np_w_h = np.array([[width, height]], np.int32)

txt_file = os.path.join(output_folder, os.path.basename(json_file).replace(".json", ".txt"))

with open(txt_file, "w") as f:
for point_json in json_info["shapes"]:
txt_content = ""
np_points = np.array(point_json["points"], np.int32)
norm_points = np_points / np_w_h
norm_points_list = norm_points.tolist()
txt_content += "0 " + " ".join([" ".join([str(cell[0]), str(cell[1])]) for cell in norm_points_list]) + "\\n"
f.write(txt_content)

convert_json_label_to_yolov_seg_label()

多目标：

import cv2
import os
import json
import glob
import numpy as np

def convert_json_label_to_yolov_seg_label():
json_path = r"F:/person/json" # 本地json路径
json_files = glob.glob(json_path + "/*.json")
print(json_files)

# 指定输出文件夹
output_folder = "F:/person/labels" # txt存放路径
if not os.path.exists(output_folder):
os.makedirs(output_folder)

# 定义标签到类别ID的映射
label_map = {
"person": 0,
"car": 1
}

for json_file in json_files:
print(json_file)
with open(json_file, 'r') as f:
json_info = json.load(f)

# 图像尺寸，这里使用固定尺寸1920×1080
np_w_h = np.array([[1920, 1080]], np.int32)

txt_file = os.path.join(output_folder, os.path.basename(json_file).replace(".json", ".txt"))

with open(txt_file, "w") as f:
for shape in json_info["shapes"]:
# 获取当前形状的标签
label = shape["label"]
# 根据标签映射获取类别ID
category_id = label_map.get(label, –1) # 默认为-1，用于检测未定义的标签

# 检查是否是已定义的标签
if category_id == –1:
print(f"警告：未定义的标签 '{label}' 在文件 {json_file} 中")
continue

# 处理点坐标并归一化
np_points = np.array(shape["points"], np.float32) # 使用float32提高精度
norm_points = np_points / np_w_h
norm_points_list = norm_points.tolist()

# 构建一行标签内容
points_str = " ".join([f"{point[0]} {point[1]}" for point in norm_points_list])
txt_content = f"{category_id} {points_str}\\n"

f.write(txt_content)

convert_json_label_to_yolov_seg_label()

模型改进链接：

YOLOv8: 改进合集：YOLOv8全方位改进目录一览

YOLOv9: 改进合集：YOLOv9全方位改进目录一览

YOLOv10: 改进合集：YOLOv10全方位改进目录一览

YOLOv11: 改进合集：YOLOv11全方位改进目录一览

RT-DETR: 改进合集：RT-DETR全方位改进目录一览

YOLOv12: 改进合集：YOLOv12全方位改进目录一览

YOLOv13: 改进合集：YOLOv13全方位改进目录一览

多模态融合改进: 改进合集：多模态融合改进目录一览