Labelme 是一款经典的图像标注工具，特别适合做语义分割、实例分割这类需要像素级精度的任务。相比只支持画框的工具，它能让你画出任意形状的多边形，精准勾勒物体边缘。
这篇教程将从零开始，带你完成 Labelme 的安装、上手使用，再到数据格式转换和进阶应用。
1. 什么是 Labelme？
Labelme 是一个用 Python 和 PyQt 编写的开源图形图像标注工具，灵感来源于 MIT 的 LabelMe 项目 。它主要用于生成高质量的图像标注数据，是计算机视觉领域，尤其是语义分割和实例分割任务中不可或缺的助手。
核心特性
- 丰富的标注形状：支持多边形（Polygon，用于分割）、矩形（Rectangle，用于检测）、圆形、线段和点等多种标注形式 。
- 多任务支持：不仅支持分割和检测，还支持图像级别的分类标注（Flags）和视频标注 。
- 格式灵活：标注结果默认保存为 JSON 文件，包含所有形状的坐标和标签信息，易于解析和转换。
- 多语言支持：支持中文等多语言界面（可通过设置环境变量启用）。
- AI 辅助：最新版本集成了 SAM、YOLO-World 等模型，支持 AI 辅助标注，提高效率 。
2. 安装指南：三种方法任你选
Labelme 的安装非常简单，这里有三种常见方法，你可以根据自己的情况选择。
方法一：使用 Anaconda + Pip（推荐）
这是最推荐的方式，能避免依赖冲突，且跨平台兼容性好 。
- Windows：打开 Anaconda Prompt。
- macOS/Linux：打开 Terminal。
conda activate labelme
如果需要安装最新的开发版，可以使用：pip install git+https://github.com/wkentaro/labelme.git
方法二：直接使用 Pip 安装
如果你已经熟悉 Python 环境管理，可以直接使用 pip 安装，但需要确保系统中已安装 PyQt5 。
pip install pyqt5
pip install labelme
方法三：使用独立可执行文件（最简单）
如果你不想折腾 Python 环境，官方提供了独立的可执行文件（AppImage for Linux, .exe for Windows），下载即可运行，无需任何依赖。这是一个付费功能，旨在支持项目维护 。
3. 快速上手实战
安装好后，我们通过一张图片来走一遍完整的标注流程。
第一步：启动软件
在终端输入 labelme，启动图形界面。
第二步：打开图像/文件夹
- 点击菜单栏 File -> Open，选择一张图片开始单张标注。
- 或者点击 Open Dir，选择一个包含多张图片的文件夹，这样可以在软件内顺序浏览和标注 。
第三步：开始标注
- 小贴士：如果一张图里有多个同类物体（如两只猫），建议命名为 cat1, cat2 以便区分实例 。
第四步：保存标注
点击 File -> Save，保存 JSON 文件。默认情况下，JSON 文件会与图片保存在同一目录下，文件名与图片相同 。
常用快捷键
- Ctrl+N：新建多边形标注。
- Ctrl+J：编辑当前标注的点。
- Ctrl+S：保存。
- Ctrl+Z：撤销上一步。
- 鼠标滚轮：缩放图片。
- Ctrl+鼠标滚轮：调整画笔宽度（仅限涂鸦模式）。
4. 深入理解：JSON 文件解析
标注完成后，生成的 JSON 文件是后续数据处理的关键。它的结构如下：
{
"version": "5.1.1",
"flags": {},
"shapes": [
{
"label": "person", // 标签名称
"points": [[x1, y1], [x2, y2], …], // 多边形顶点坐标
"group_id": null,
"shape_type": "polygon", // 形状类型
"flags": {}
}
],
"imagePath": "img.jpg", // 图片相对路径
"imageData": "base64…", // 图片的 base64 编码（可选）
"imageHeight": 480,
"imageWidth": 640
}
注意：默认情况下，imageData 字段会将图片编码进 JSON 文件，导致文件体积巨大。如果你希望分开存放，可以在启动命令时加上 –nodata 参数：
labelme image.jpg –nodata
这样 JSON 中只会记录图片路径，不包含图片数据 。
5. 数据转换与实战应用
模型训练通常需要特定的数据格式（如 VOC、COCO），直接使用 JSON 文件是不行的，需要进行转换。
转换为 VOC / COCO 格式
Labelme 项目自带了转换脚本，可以方便地将 JSON 转换为 VOC 格式（生成 PNG 标签图）或 COCO 格式的 JSON 文件。
转换为 VOC 语义分割图（生成 label.png）：
# 安装依赖
pip install labelme
# 使用 CLI 工具转换单个文件
labelme_json_to_dataset input.json -o output_dir
这段代码会在 output_dir 目录下生成 label.png（灰度标签图）、img.png 和 label_viz.png（可视化叠加图）。
批量转换：
你可以使用 Python 脚本遍历所有 JSON 文件执行转换。参考代码如下 ：
import os
import glob
from labelme import utils
json_files = glob.glob('*.json')
for json_file in json_files:
# 加载 JSON 数据
data = utils.load_json_file(json_file)
# 获取标签和图像
img, lbl = utils.labelme_shapes_to_label(img_shape, data['shapes'])
# 保存 label.png
utils.lblsave(os.path.join('out', 'label.png'), lbl)
与深度学习框架集成
转换后的数据可以直接用于 PyTorch 或 TensorFlow 训练。你可以编写一个自定义的 Dataset 类，加载图片和对应的 label.png 作为 ground truth 。
6. 进阶技巧与常见问题
提升标注效率的小技巧
- 预定义标签列表：在命令行中指定标签列表，避免重复输入 。labelme –labels label.txt
label.txt 文件每行写一个标签名。
- 使用 AI 辅助：如果你熟悉 Python，可以集成官方提供的 AI 辅助模型（如 SAM），通过点击“正样本点”和“负样本点”让模型自动生成多边形轮廓，人工只需微调即可 。
- 标注规范：
- 对于极小物体（像素小于 20×20），可视情况省略标注 。
- 物体边缘模糊时，建议以肉眼可见的轮廓为准，保持标注员之间的标准一致。
常见问题解决
如果你想显示中文界面，可以在启动前设置语言环境变量：LANG=zh_CN.UTF-8 labelme
第一次运行 Labelme 后，会在用户目录下生成一个配置文件 ~/.labelmerc。你可以通过编辑这个文件来修改默认的窗口大小、自动保存、标签颜色等 。
7. 总结
Labelme 是一个功能强大且生态完善的标注工具，尤其适合需要精细像素级标注的语义分割任务。通过本教程，你应该已经掌握了从安装、基础使用到数据转换的全流程。
在实际项目中，配合 AI 辅助标注和规范化的质量控制流程，可以显著提升数据准备的效率和质量。希望这篇教程能帮助你顺利开启计算机视觉项目的第一步！
