代码收藏家 Labelme分割标注软件使用
Labelme是一款经典的标注工具，支持目标检测、语义分割、实例分割等任务。今天针对分割任务的数据标注进行简单的介绍。开源项目地址：
https://github.com/wkentaro/labelme
文章目录
1 环境配置与安装
1.1 创建conda虚拟环境(建议)
为了不影响其他python环境，建议新建一个环境。（不想新建可以跳过）
这里以创建一个名为labelme_env，python版本为3.8的环境为例：
conda create -n labelme_env python=3.8
创建完成后，进入新环境：
conda activate labelme_env
1.2 安装Labelme
安装非常简单，直接使用pip安装即可：
pip install labelme
安装完成后在终端输入labelme即可启动：
labelme
2 简单使用
这里建议大家按照我提供的目录格式事先准备好数据，然后在该根目录下启动labelme（注意启动目录位子，因为标注json文件中存储的图片路径都是以该目录作为相对路径的）
├── img_data: 存放你要标注的所有图片
├── data_annotated: 存放后续标注好的所有json文件
└── label.txt: 所有类别信息
2.1 创建label标签文件
虽然在labelme中能够在标注时添加标签，但我个人强烈建议事先创建一个label.txt标签（放在上述位置中），然后启动labelme时直接读取。标签格式如下：
__ignore__
_background_
dog
cat
每一行代表一个类型的名称，前两行是固定格式__ignore__和_background_都加上，否则后续使用作者提供的转换脚本（转换成PASCAL VOC格式和MS COCO格式）时会报错。也就是从第三行开始就是我们需要分割的目标类别。这里以分割猫狗为例。
2.2 启动labelme
在创建好标签后，启动labelme并读取标签文件（注意启动根目录），其中--labels指定了标签文件的路径。
labelme --labels label.txt
读取标签后，我们在界面右侧能够看到Label List中已经载入了刚刚我们自己创建的标签文件，并且不同类别用不同的颜色表示。
2.3 打开文件/文件夹
点击界面左侧的Open或OpenDir打开文件或文件夹，这里就选择我们刚刚说好的img_data（该文件夹中存储了所有后续需要标注的图片）：
2.4 设置保存结果路径
养成良好习惯，先将保存路径设置好。
File，Change Output Dir设置标注结果的保存目录，这里就设置成前面说好的data_annotated。Save With Image Data取消掉，默认是选中的。如果选中，会在保存的标注结果中将图像数据也保存在.json文件中（个人觉得没必要，还占空间）。
2.5 标注目标
CreatePolygons按钮开始绘制多边形，然后用鼠标标记一个一个点把目标边界给标注出来（鼠标放置在第一个点上，点击一下会自动闭合边界）。标注后会弹出一个选择类别的选择框，选择对应类别即可。EditPolygons按钮，然后选中要修改的目标，拖拉边界点即可进行微调。如果要在边界上新增点，把鼠标放在边界上点击鼠标右键选择Add Point to Edge即可新增边界点。如果要删除点，把鼠标放在边界点上点击鼠标右键选择Remove Selected Point即可删除边界点。
Polygons外还有矩形Retangle、Circle圆形、Point点等。
Save按钮即可保存标注结果，默认每张图片的标注信息都用一个json文件存储。2.6 保存json文件格式
标注得到的json文件格式如下，将一张图片中的所有目标的坐标都保存在shapes列表中，列表中每个元素对应一个目标，其中label记录了该目标的类别名称。points记录了一个目标的左右坐标信息。其他信息不在赘述。根据以下信息，其实自己就可以写个脚本取读取目标信息了。
{
"version": "4.5.9",
"flags": {},
"shapes": [
{
"label": "dog",
"points": [
[
108.09090909090907,
687.1818181818181
],
....
[
538.090909090909,
668.090909090909
],
[
534.4545454545454,
689.0
]
],
"group_id": null,
"shape_type": "polygon",
"flags": {}
}
],
"imagePath": "../img_data/1.jpg",
"imageData": null,
"imageHeight": 690,
"imageWidth": 690
}
3 格式转换
其实如果刚刚弄清楚了生成的json文件格式，就可以自己写脚本把标签转换成任意自己想要的形式。
3.1 转换语义分割标签
原作者为了方便，也提供了一个脚本，帮我们方便的将json文件转换成PASCAL VOC的语义分割标签格式。示例项目链接：https://github.com/wkentaro/labelme/tree/master/examples/semantic_segmentation.
在该链接中有个labelme2voc.py脚本，将该脚本下载下来后，放在上述项目根目录下，执行以下指令即可（注意，执行脚本的根目录必须和刚刚启动labelme的根目录相同，否则会出现找不到图片的错误）。其中data_annotated是刚刚标注保存的json标签文件夹，data_dataset_voc是生成PASCAL VOC数据的目录。
python labelme2voc.py data_annotated data_dataset_voc --labels label.txt
执行后会生成如下目录：
- data_dataset_voc/JPEGImages
- data_dataset_voc/SegmentationClass
- data_dataset_voc/SegmentationClassPNG
- data_dataset_voc/SegmentationClassVisualization
- data_dataset_voc/class_names.txt
其中JPEGImages就和之前PASCAL VOC数据讲解中说的一样，就是存储原图像文件。而SegmentationClassPNG就是语义分割需要使用的PNG标签图片。
class_names.txt存储的是所有的类别信息，包括背景。
_background_
dog
cat
3.2 转换实例分割标签
原作者为了方便，这里提供了两个脚本，帮我们方便的将json文件转换成PASCAL VOC的实例分割标签格式以及MS COCO的实例分割标签格式。示例项目链接：https://github.com/wkentaro/labelme/tree/master/examples/instance_segmentation.
在该链接中有个labelme2voc.py脚本，将该脚本下载下来后，执行以下指令即可（注意，执行脚本的根目录必须和刚刚启动labelme的根目录相同，否则会出现找不到图片的错误）。其中data_annotated是刚刚标注保存的json标签文件夹，data_dataset_voc是生成PASCAL VOC数据的目录。
python labelme2voc.py data_annotated data_dataset_voc --labels label.txt
执行后会生成如下目录：
- data_dataset_voc/JPEGImages
- data_dataset_voc/SegmentationClass
- data_dataset_voc/SegmentationClassPNG
- data_dataset_voc/SegmentationClassVisualization
- data_dataset_voc/SegmentationObject
- data_dataset_voc/SegmentationObjectPNG
- data_dataset_voc/SegmentationObjectVisualization
- data_dataset_voc/class_names.txt
除了刚刚讲的语义分割文件夹外，还生成了针对实例分割的标签文件，主要就是SegmentationObjectPNG目录：
在该链接中有个labelme2coco.py脚本，将该脚本下载下来后，执行以下指令即可（注意，执行脚本的根目录必须和刚刚启动labelme的根目录相同，否则会出现找不到图片的错误）。其中data_annotated是刚刚标注保存的json标签文件夹，data_dataset_coco是生成MS COCO数据类型的目录。
python labelme2coco.py data_annotated data_dataset_coco --labels label.txt
如果执行中提示安装pycocotools包那么就pip安装下就行了。
Linux系统直接：
pip install pycocotools
Windows系统使用：
pip install pycocotools-windows
执行后会生成如下目录：
- data_dataset_coco/JPEGImages
- data_dataset_coco/annotations.json
其中annotations.json就是MS COCO的标签数据文件，如果不了解可以看下我之前写的MS COCO介绍。
来源：太阳花的小绿豆
