使用的系统是：ubuntu 16.04, anaconda

一、安装

安装方式参考labelme 的gitbub上面的教程，我主要是在anaconda的虚拟环境下安装，安装步骤为：

conda create --name=labelme python=3.6 source activate labelme pip install labelme 

当要使用labelme的时候，在任意地方打开终端，然后激活labelme虚拟环境，然后输入labelme，回车即可打开。

讯享网

二、使用

讯享网labelme --help 

1. -h或-help显示帮助信息
2. -V或–version显示labelme版本号
3. –output: 指定输出标注文件的保存路径，如果路径以.json结尾，则保存为一个.json文件，否则默认保存为文件夹形式
4. –labels:用于指定标签名称，可以是用逗号分隔的label list，也可以是包含标签的txt文件
5. –nodata: 不保存图像到JSON文件

三、分割任务标注示例

终端激活虚拟环境labelme，然后直接输入labelme打开

source activate labelme labelme 

• open: 打开某一张图片
• openDir: 打开某一文件夹，加载其目录下的所有图片

通过open读取图片，选择create polygons手动进行勾画，全部完成后保存为json文件（在当前目录下）：

右键单击可以选择不同的标注方式，比如polygon用于分割，rectangle用于检测。
如果是实例分割，一个图像中有多个人，标签命名规则为：person1、person2, …, 如果是语义分割就不用区分了。

要得到label文件，需要将json转换为单通道的image，终端输入命令：

讯享网#进入json文件保存目录 cd /home/drl/labelme/mydata #转换 labelme_json_to_dataset <文件名>.json #比如 labelme_json_to_dataset 001150.json 

将在mydata文件夹下生成一个名为：001150_json的文件夹，里面包含四个文件：

• img.png: 原始图像
• label.png: 标签，uint8
• label_viz.png: 可视化的带标签图像
• label_names.txt: 记录了标签的名称

img.png :
label.png:
label_viz.png:

四、其他说明

（1）启动labelme的方式：

#直接打开labelme labelme #打开某个文件夹，加载该文件夹下及其子文件夹下的所有图片 #labelme path/to/imgfile/ #比如： labelme /home/drl/labelme/mydata/ 

讯享网#直接打开指定的图片 cd /home/drl/labelme/mydata/ labelme 001150.jpg 

#标注保存为json文件同时自动关闭gui窗口 labelme 001150.jpg -o 001150.jpg.json #指定label list labelme 001150.jpg \ --labels person1, person2, dog #或者传入文件形式的label list --labels labels.txt 

(2)将JSON文件转换为image和label

讯享网#在当前目录下生成一个文件夹001150_json labelme_json_to_dataset 001150.json #指定生成文件夹的名字为001150data labelme_json_to_dataset 001150.json -o 001150data 

(3)可视化json文件

source activate labelme cd /home/drl/labelme/mydata/ labelme_draw_json 001150.json 

五、加载标签png

label.png用scipy.misc.imread或者skimage.io.imread读取可能会出错，推荐用PIL.Image.open读取：

讯享网>>>import numpy as np >>>import PIL.Image >>>label_png = '/home/drl/labelme/mydata/001150_json/img.png' #设置标签文件路径 >>>lbI = np.asarray(PIL.Image.open(label_png)) >>>print(lbI.dtype) >>>np.unique(lbI) >>>lbI.shape (375, 500, 3) 

查看label.png:

#终端输入 labelme_draw_label_png /home/drl/labelme/mydata/001150_json/label.png 

六、生成VOC格式的标签数据

在下载的labelme的zip包里，路径labelme/examples/instance_segmentation下，data_annotated是原图和对应的JSON文件，data_dataset_voc是VOC格式的输出结果，labelme2voc.py是转换的主函数，labels.txt是标签类别。

1）文件组织形式如下：

• *_annotated 存放原图和已经生成的对应的JSON文件
• 将labelme工程文件下的labelme2voc.py复制过来
• 自己写一个*.txt文件，内容是分割的标签，最前面加上__ignore__和_background_
• 

2) 转换为VOC数据格式

讯享网#终端输入 ./labelme2voc.py [图像路径] ·[voc文件夹名称] --labels [label list] #比如 ./labelme2voc.py data_annotated data_annotated_voc --labels label.txt 

在当前目录下自动生成data_annotated_voc文件夹（转换前确保不要有重名文件夹，否则会报错）
data_annotated_voc文件夹内容：
转换为COCO数据格式，同样的套路：

./labelme2coco.py data_annotated data_annotated_coco --labels label.txt 

九、实现labelme批量json_to_dataset方法

labelme可以帮助我们快速地实现Mask R-CNN中数据集json文件的生成，然而还需要我们进一步地将json转成dataset，可以直接在终端输入 labelme_json_to_dataset 001150.json实现，但是这个过程需要我们一个一个json文件地去生成，效率很慢。

1）找到json_to_dataset.py文件，该文件位于从github下载的labelme文件夹下的labelme/labelme/cli/json_to_dataset.py

这里面提供将json转成dataset的代码，所以我们只需要在好这个基础上更改即可。

2） 代码实现

复制json_to_dataset.py，代码更改为：

讯享网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() 

然后另存为json_to_dataset_mine.py文件，该文件仍然位于labelme/labelme/cli/json_to_dataset_mine.py

3) 批量生成json的dataset

首先我的原图是存放在spikelet-image文件夹下，json文件存放在Instance-Annotations文件夹下，在执行批量json_to_dataset_mine.py文件之前，先在spikelet文件夹下新建一个用于存放生成的dataset的文件夹，命名为：spikelet-json-dataset

然后在json文件所在文件夹spikelet-json-dataset下右键打开终端，并激活labelme虚拟环境：

source activate labelme python /home/drl/labelme/labelme/cli/json_to_dataset_mine.py /media/drl/系统/spikelet/Instance-Annotations 

然后看spikelet-json-dataset文件夹下生成了和每一个json文件对应的dataset文件。