前言

记录Labelme的使用方法，方便快速上手使用。

labelme简介

LabelMe 可用于实例分割，语义分割，目标检测，分类任务的数据集标注工作。

在线标注版本
python版本

labelme官方文档

分类标注：Classification
目标检测标注：Object Detection
语义分割标注：Semantic Segmentation
实例分割标注：Instance Segmentation
视频标注：Video Annotation
其他形式标注：LabelMe Primitives

安装

所有操作在已经安装Anaconda环境下运行

1.安装pyqt5

pip install pyqt5 -i https://pypi.tuna.tsinghua.edu.cn/simple

2.安装labelme

pip install labelme -i https://pypi.tuna.tsinghua.edu.cn/simple

3.安装完成后命令行启动labelme

labelme

使用

此处打开一个图片文件夹做示范：

1.点击左侧Open Dir选择需要标注的数据文件夹。

2.在顶部 edit 菜单栏中可选不同的标记方案，依次为：多边形（默认），矩形，圆、直线，点。

3.制作图像分割的数据，选择多边形，点击左侧的 create polygons ，回到图片，按下鼠标左键会生成一个点，完成标注后会形成一个标注区域，同时弹出labelme的框，键入标签名字，点击 OK或者回车完成标注。

1.如果需要更改标注的数据，可以选择左侧的编辑框，或者把鼠标移动到标签上，点击鼠标右键，可以选择编辑标签或者标注的名字。在编辑模式下，把鼠标移动到边界上，右键，可以增加点。

2.标注完成后点击Save保存。会在图片路径下生成同名的json文件。在目录下打开终端键入：

labelme_json_to_dataset <文件名>.json

会把生成的json转化成对应的数据文件：

*.png 
info.yaml 
label.png 
label_names.txt 
label_viz.png

常用命令

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/

# 直接打开指定的图片
labelme cat.1.jpg

# 标注保存为json文件同时自动关闭gui窗口
labelme cat.1.jpg -O cat.1.jpg.json

# 指定label list
labelme cat.1.jpg \
  --labels cat,eye
  # 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

# 在当前目录下生成一个文件夹cat_1_json
labelme_json_to_dataset cat.1.json

# 指定生成文件夹的名字为cat1
labelme_json_to_dataset cat.1.json -o cat1

3.可视化json文件

# 终端输入
labelme_draw_json cat.1.json

4.生成VOC格式的标签数据

1.在目录下新建一个labels.txt文件，内容是分割的标签，默认内容设置如下：

2.新建一个labelme2voc.py文件。
内容可以从labelme工程目录下的labelme2voc.py文件拷贝过来，或者使用如下代码。

#!/usr/bin/env python

from __future__ import print_function

import argparse
import glob
import os
import os.path as osp
import sys

import imgviz
import numpy as np

import labelme


def main():
    parser = argparse.ArgumentParser(
        formatter_class=argparse.ArgumentDefaultsHelpFormatter
    )
    parser.add_argument("input_dir", help="input annotated directory")
    parser.add_argument("output_dir", help="output dataset directory")
    parser.add_argument("--labels", help="labels file", required=True)
    parser.add_argument(
        "--noviz", help="no visualization", action="store_true"
    )
    args = parser.parse_args()

    if osp.exists(args.output_dir):
        print("Output directory already exists:", args.output_dir)
        sys.exit(1)
    os.makedirs(args.output_dir)
    os.makedirs(osp.join(args.output_dir, "JPEGImages"))
    os.makedirs(osp.join(args.output_dir, "SegmentationClass"))
    os.makedirs(osp.join(args.output_dir, "SegmentationClassPNG"))
    if not args.noviz:
        os.makedirs(
            osp.join(args.output_dir, "SegmentationClassVisualization")
        )
    print("Creating dataset:", args.output_dir)

    class_names = []
    class_name_to_id = {}
    for i, line in enumerate(open(args.labels).readlines()):
        class_id = i - 1  # starts with -1
        class_name = line.strip()
        class_name_to_id[class_name] = class_id
        if class_id == -1:
            assert class_name == "__ignore__"
            continue
        elif class_id == 0:
            assert class_name == "_background_"
        class_names.append(class_name)
    class_names = tuple(class_names)
    print("class_names:", class_names)
    out_class_names_file = osp.join(args.output_dir, "class_names.txt")
    with open(out_class_names_file, "w") as f:
        f.writelines("\n".join(class_names))
    print("Saved class_names:", out_class_names_file)

    for filename in glob.glob(osp.join(args.input_dir, "*.json")):
        print("Generating dataset from:", filename)

        label_file = labelme.LabelFile(filename=filename)

        base = osp.splitext(osp.basename(filename))[0]
        out_img_file = osp.join(args.output_dir, "JPEGImages", base + ".jpg")
        out_lbl_file = osp.join(
            args.output_dir, "SegmentationClass", base + ".npy"
        )
        out_png_file = osp.join(
            args.output_dir, "SegmentationClassPNG", base + ".png"
        )
        if not args.noviz:
            out_viz_file = osp.join(
                args.output_dir,
                "SegmentationClassVisualization",
                base + ".jpg",
            )

        with open(out_img_file, "wb") as f:
            f.write(label_file.imageData)
        img = labelme.utils.img_data_to_arr(label_file.imageData)

        lbl, _ = labelme.utils.shapes_to_label(
            img_shape=img.shape,
            shapes=label_file.shapes,
            label_name_to_value=class_name_to_id,
        )
        labelme.utils.lblsave(out_png_file, lbl)

        np.save(out_lbl_file, lbl)

        if not args.noviz:
            viz = imgviz.label2rgb(
                label=lbl,
                img=imgviz.rgb2gray(img),
                font_size=15,
                label_names=class_names,
                loc="rb",
            )
            imgviz.io.imsave(out_viz_file, viz)


if __name__ == "__main__":
    main()

3.转换为voc数据格式

# 终端输入
python labelme2voc.py [图像路径] [voc文件夹名称] --labels [label list]

# 比如
python labelme2voc.py ./id_labelme/images ./id_labelme/target --labels labels.txt

在目录下会根据设定自动生成目标文件夹。文件夹下内容如下所示：

参考

labelme使用

深度学习图像标注工具-labelme