模型训练之数据标注-Labelme的使用教程

1. 背景

最近要开始搞模型训练，已经安装好了anaconda，并创建了对应的python环境。

最新开始准备训练集数据，并对训练集进行标注，本文主要讲解了如果对训练集的数据进行标注。

之前标注工具是labelimg，labelimg 只支持矩形标注，为了更精准的多边形标准，开始使用labelme。

接下来详细讲解如果安装使用labelme。

2. labelme安装

直接直接使用 pip 命令安装labelme。

由于前面我们已经安装好了anaconda，新建了一个环境隔离，后续标统一放到这个环境上进行。

conda create -n ai-label python=3.10
conda activate ai-label

前置条件：安装anaconda

打开Anaconda Prompt，切换到我们对应的环境上，输入以下命令，还是从清华源上下载（不知道为啥配置了conda的清华源镜像地址没有生效，知道的小伙伴支援一下）

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

这样labelme 我们就下载安装好了。

3. labelme使用

接下来输入labelme ，回车。就会弹出labelme 对应的界面。界面如下：

可以更改文件输出路径、取消保存图像路径，设置自动保存等功能。

可以在编辑里面选择我们需要标注的图形，更快的标注出我们需要的目标。

点击打开目录，选择需要标注的文件夹就可以开始标注了。

4. 格式转换

labelme默认输出的文件是json格式，如果仅需要目标检测需要转为YOLO（.txt）格式的可以使用下面工具类转换。

下面提供一个json2yolo的工具类，将其中的目录替换为你的目录即可。

import os
import json# labelme标注的json标签文件目录和保存生成的txt标签的文件夹
dir_json = r'D:/AI/license_plate/labels/'
dir_txt = r'D:/AI/license_plate/txt/'
# os.mkdir(dir_txt)classes2id = {}
num = 0
jsons = os.listdir(dir_json)
for i in jsons:json_path = os.path.join(dir_json, i)with open(json_path, 'r', encoding="utf-8") as f:json_data = json.load(f)# print(json_data['shapes'])for j in json_data['shapes']:if j['label'] not in classes2id:classes2id[j['label']] = numnum += 1
# 输出标签
print(classes2id)# 将json标签转换成txt标签
def json2txt(path_json, path_txt):  with open(path_json, 'r', encoding='utf-8') as path_json:jsonx = json.load(path_json)with open(path_txt, 'w+') as ftxt:shapes = jsonx['shapes']# 获取图片长和宽width = jsonx['imageWidth']height = jsonx['imageHeight']# print(shapes)cat=shapes[0]['label']cat=classes2id[cat]for shape in shapes:# 获取矩形框两个角点坐标x1 = shape['points'][0][0]y1 = shape['points'][0][1]x2 = shape['points'][1][0]y2 = shape['points'][1][1]# 转换为 YOLO 格式（归一化中心宽高）  dw = 1. / widthdh = 1. / heightx = dw * (x1 + x2) / 2y = dh * (y1 + y2) / 2w = dw * abs(x2 - x1)h = dh * abs(y2 - y1)yolo = f"{cat} {x} {y} {w} {h} \n"ftxt.writelines(yolo)list_json = os.listdir(dir_json)
for cnt, json_name in enumerate(list_json):if os.path.splitext(json_name)[-1] == ".json":path_json = dir_json + json_namepath_txt = dir_txt + json_name.replace('.json', '.txt')json2txt(path_json, path_txt)

YOLO格式解读：

YOLO格式的核心在于其标注文件规范，每个.txt文件对应一张图像的所有目标标注，每行表示一个目标实例。具体格式为：

<class_id> <x_center> <y_center> <width> <height>

• class_id：整数，表示目标类别索引，从0开始计数。例如0表示plate，1表示car等。应与数据集配置文件中names列表顺序一致。

• x_center/y_center：归一化后的边界框中心坐标，浮点数范围[0,1]。计算方式为：目标中心点x坐标/图像宽度，目标中心点y坐标/图像高度。

• width/height：归一化后的边界框宽度和高度，范围[0,1]。计算方式为：目标宽度/图像宽度，目标高度/图像高度。

方框坐标必须是归一化的xywh格式（从0到1），意思就是说，将*.txt的文档的五个值都用 0 到 1来表示 ，至于怎么从得到每个数值，就要靠下面这个来算了。

那么是如何使得 坐标 归一化呢？

如果方框以像素为单位，请将x_center和width除以图像宽度，将y_center和height除以图像高度。

5. 本文总结

本文主要介绍了Labelme标注工具的安装使用过程，如果只是训练识别，标注矩形框，使用labelimg也是一个不错的选择，如果需要标注多边形，那么labelme的作用就体现出来了。