在Win10系统中使用labelme制作图像分割标签数据

文章目录

在Win10系统中使用labelme制作图像分割标签数据
前言
一、安装labelme3.16.2
二、使用labelme制作json数据
三、将json数据转换成图像数据
四、将每个图像标签数据从对应的文件夹中取出来
总结

前言

本文主要介绍如何使用labelme制作语义分割的标签数据，并通过代码将生成的json文件批量转换成可使用的图像标签。

一、安装labelme3.16.2

1. 安装Anaconda（若有python环境，可忽略这一步）

关于如何安装Anaconda，网上有很多教程，在此不再赘述。

2. 新建python虚拟环境（若有python环境，可忽略这一步）

使用如下命令新建一个虚拟环境：

conda create -n basic_env python=3.6

3. 激活python虚拟环境（若有python环境，可忽略这一步）

使用如下命令激活刚才创建的虚拟环境：

activate basic_env

3. 在虚拟环境中安装labelme

使用如下命令安装labelme3.16.2：

pip install labelme==3.16.2

二、使用labelme制作json数据

安装完成后，在虚拟环境中输入如下命令启动labelme

labelme

启动成功后的界面如下图
在这里插入图片描述

点击左侧的“Open Dir”按钮，打开装有需要标注的图像的文件夹，如下图中右下角所示
在这里插入图片描述
关于如何标注，读者可在软件中自行体验使用。需要注意的是，每标注完一张切片，建议读者将生成的json文件保存到和原始图像同一文件夹下，如下图所示。

三、将json数据转换成图像数据

首先创建两个文件夹，一个名为“json”,用来存放上一步生成的json文件；一个名为“label_json”,用来存放生成的图像数据。将原图像文件夹下的json文件全部移动到json文件夹下。（这一步必须做，否则后面可能会失败。）
在这里插入图片描述
打开对应环境下".\Lib\site-packages\labelme\cli"文件夹（我的是“D:\Anaconda3\envs\basic_env\Lib\site-packages\labelme\cli”），将原有的json_to_dataset.py文件中代码替换为以下内容（或者重新建立该文件）：

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()

然后进入到对应环境下的“\Scripts”（我的是”D:\Anaconda3\envs\basic_env\Scripts“），将labelme_json_to_dataset.exe这一可执行文件复制到刚才新建的label_json文件夹下。
在这里插入图片描述
接下来的命令就是在label_json文件夹下进行，首先在命令行中切换到此目录，然后激活basic_enc这一虚拟环境，最后执行如下命令：

labelme_json_to_dataset.exe <json所在文件夹名>

命令执行过程如下图所示：
在这里插入图片描述
执行完成后在label_json文件夹下就生成了图像数据。

其中的文件如下图所示，label.png是我们所需要的标签文件。

在这里插入图片描述

四、将每个图像标签数据从对应的文件夹中取出来

通过上面的过程虽然将json文件转换成了图像数据，但我们希望将所有的标签文件放到同一个文件夹下，有时还想得到二值化后的标签数据，因此我写了以下的python代码：（二值化的过程用到了opencv，需要读者自行安装）

import os
import shutil
import cv2

label_from_PATH = "E:\csnZanCun\CLAM-SEG\data\label_json"
label_to_PATH = "E:\csnZanCun\CLAM-SEG\data\label"

filepath_list = os.listdir(label_from_PATH)
filepath_list.remove("labelme_json_to_dataset.exe")

# 检查是否存在label文件夹
if not os.path.isdir(label_to_PATH):
    os.mkdir(label_to_PATH)

# 是否图像二值化
bin_img = True

for i, file_path in enumerate(filepath_list):
    src_label = "{}/label.png".format(os.path.join(label_from_PATH, filepath_list[i]))
    label_name = "{}.png".format(file_path[:-5])

    if bin_img:
        dest_label = cv2.imread(src_label)
        dest_label = cv2.cvtColor(dest_label, cv2.COLOR_BGR2GRAY)
        ret, dest_label = cv2.threshold(dest_label, 0, 255, cv2.THRESH_BINARY)
        cv2.imwrite(os.path.join(label_to_PATH, label_name), dest_label)
    else:
        shutil.copy(src_label, os.path.join(label_to_PATH, label_name))

    print("{} has been copied to {}".format(label_name, label_to_PATH))

print("All done!!!")