AI工具-标注工具labelme

在人工智能领域，数据是一切应用的基础，特别是有标签的数据。今天介绍一款在图像视觉领域的基于python开源打标签工具Labelme， 该工具可以支持图像分类，目标检测, 语义分割和实例分割等最常见的视觉任务。

其他类似的工具有Labelimg

1. 安装

lableme开源代码见 https://github.com/wkentaro/labelme

本地安装如下：

pip install labelme
pip install lxml

## 运行
./labelme

        

          
        
        
        

          

          AI 代码解读
        
      
      

2 使用

从上面的界面（pyQt）可以看出Labelme

• 左边为标注的图形：支持圆形，方形 和多边形
• 中间为图像标注区域
• 右边为类别和文件信息

作为打标工具，Labelme是支持在标注时再输入标签类别信息，但是建议在标注之前构建一个标签元数据，作为输入。

建议的使用步骤如下：

构建标签列表
创建标签名称label.txt，格式如下前面两行为固定：

__ignore__
_background_
dog
cat

        

          
        
        
        

          

          AI 代码解读
        
      
      

导入标签，并启动

labelme --labels label.txt

        

          
        
        
        

          

          AI 代码解读
        
      
      

开始标注
根据标注任务的不同，Labelme会生成一个与图片名称相同的json文件，以目标检测为例，标注好的json样例为:

{
   
   
  "version": "4.6.0",
  "flags": {
   
   },
  "shapes": [
    {
   
   
      "label": "nochefclothes",
      "points": [
        [
          278.53846153846155,
          390.3076923                                                     
        ],
        [
          513.9230769230769,
          955.5384615384615
        ]
      ],
      "group_id": null,
      "shape_type": "rectangle",
      "flags": {
   
   }
    }
  ],
  "imagePath": "3a7b9c1896e19feab13bc201cbf2a86b.jpeg",
  "imageData": "",
  "imageHeight": 1000,
  "imageWidth": 798
}

        

          
        
        
        

          

          AI 代码解读
        
      
      

可以看出

• label为类别信息，
• points为bounding box位置信息，如果是目标检测（方形）分别为左上(xmin,ymin)和右下(xmax, ymax)的坐标信息，如果是语义分割和实例分割，则为多个点
• shape_type: 目标检测为rectangle， 语义分割和实例分割为polysgons

等标注完成，保存即可；标注完成之后想查看标注结果，可以通过不同的方式来打开

# 空白
labelme --labels label.txt

# 单图json
labelme ./img1.json --labels label.txt

# 目录方式
labelme ./img_dir --labels label.txt

        

          
        
        
        

          

          AI 代码解读
        
      
      

另外，Labelme也是支持视频标注的。通过视频抽帧之后再标注。

3. 格式转换

由于Labelme是按照json格式来保存标注结果的，这和现有的常用任务格式有些区别，如目标检测的VOC COCO等，Labelme也提供的相应的转换工具脚本进行转换，十分方便。

• 转换voc

# It generates:
#   - data_dataset_voc/JPEGImages
#   - data_dataset_voc/SegmentationClass
#   - data_dataset_voc/SegmentationClassVisualization
#   - data_dataset_voc/SegmentationObject
#   - data_dataset_voc/SegmentationObjectVisualization
./labelme2voc.py data_annotated data_dataset_voc --labels labels.txt

python -u labelme2voc.py ./multi_defect ./multi_defect_voc --labels ./labels.txt --noviz

        

          
        
        
        

          

          AI 代码解读
        
      
      

• 转换coco

# It generates:
#   - data_dataset_coco/JPEGImages
#   - data_dataset_coco/annotations.json
./labelme2coco.py data_annotated data_dataset_coco --labels labels.txt

        

          
        
        
        

          

          AI 代码解读
        
      
      

4. 总结

本文简单分享了开源标注工具Labelme的使用，希望对你有帮助。先总结如下：

• labelme适用于图像分类、目标检测、语义分割、实例分割
• labelme 图片视频都可用
• 开始新建立标签文件，记住前两行是固定的（没有特别的含义，就是代码逻辑是这样的)
• json注意label，points和shape_type
• labelme2voc和labelme2coco来转换经典格式