o2o手机网站源码北京seo优化排名
在深度学习中，数据集格式转换是一个绕不开的准备工作。本文分享一个完整的 Python 脚本，将 LabelMe 格式的图像分割数据（.json标注）转换为 PaddleSeg 所需的格式。支持多类别、多边形标注、自动生成彩色掩码和配置文件，适用于分割任务的快速部署和训练准备。
✅ 项目背景
在使用 LabelMe 进行语义分割标注后，默认输出是 .json 文件，然而 PaddleSeg 框架训练模型需要 .jpg/.png 图像和灰度掩码对。本脚本帮助你：
自动生成灰度掩码图（每类一个灰度值）
可选生成彩色掩码图用于可视化
创建训练集 / 验证集划分列表
自动生成类别信息与数据集配置文件
📂输入目录结构（LabelMe格式）
input_dir/
├── image/
│ ├── xxx.jpg
│ └── ...
└── labels/├── xxx.json└── ...
🗂输出目录结构（PaddleSeg格式）
output_dir/
├── images/ ← 图像副本
├── labels/ ← 灰度标签图（掩码）
├── colored_masks/ ← 可视化彩色掩码（可选）
├── train_list.txt ← PaddleSeg训练文件列表
├── val_list.txt ← PaddleSeg验证文件列表
├── class_info.json ← 类别定义与颜色说明
└── dataset_config.json ← PaddleSeg数据集配置文件
🔨支持特性
✅ 多类分割支持（自定义类别映射）
✅ 多边形标注自动转换为掩码
✅ 彩色掩码图自动生成
✅ 自动划分训练/验证集
✅ 输出JSON格式的类别定义与PaddleSeg配置
📌主要函数说明
1. convert_labelme_to_paddleseg(...)
核心转换函数，读取图像和标注，生成掩码和文件结构。
2. create_mask_from_polygons(...)
将LabelMe中多边形标注转换为灰度掩码图。
3. create_colored_mask(...)
按类别ID生成RGB彩色掩码（用于可视化）。
4. create_train_val_split(...)
自动划分训练集和验证集，输出 PaddleSeg 需要的 .txt 文件列表。
🧠类别定义与颜色映射（可修改）
class_mapping = {'bp': 1, # 红色'kd': 2 # 绿色
}
color_map = {0: [0, 0, 0], # 背景 - 黑色1: [255, 0, 0], # bp - 红色2: [0, 255, 0], # kd - 绿色
}
🖥使用示例（修改路径后直接运行）
if __name__ == "__main__":input_dir = r"C:\Users\WIN10\Desktop\seg_change\bp"output_dir = r"c:\Users\WIN10\Desktop\seg_change\paddleseg_bp"class_mapping = {'bp': 1,'kd': 2}convert_labelme_to_paddleseg(input_dir, output_dir, class_mapping, generate_colored_masks=True)create_train_val_split(output_dir, train_ratio=0.8)
🎉运行结果
运行后终端会输出：
转换完成！
成功处理: 123 个文件
错误: 0 个文件
输出目录: paddleseg_bp
训练集: 98 个样本
验证集: 25 个样本
📦完整代码
完整代码：
import os
import json
import cv2
import numpy as np
from PIL import Image, ImageDraw
import shutil
from pathlib import Pathdef load_labelme_json(json_path):"""加载LabelMe JSON文件"""try:with open(json_path, 'r', encoding='utf-8') as f:data = json.load(f)return dataexcept Exception as e:print(f"加载JSON文件失败 {json_path}: {e}")return Nonedef create_mask_from_polygons(image_shape, shapes, class_mapping):"""从多边形创建分割掩码"""height, width = image_shape[:2]mask = np.zeros((height, width), dtype=np.uint8)for shape in shapes:if shape['shape_type'] == 'polygon':label = shape['label']if label in class_mapping:class_id = class_mapping[label]points = shape['points']# 转换为PIL可用的格式polygon_points = [(int(x), int(y)) for x, y in points]# 创建PIL图像用于绘制多边形pil_image = Image.fromarray(mask)draw = ImageDraw.Draw(pil_image)draw.polygon(polygon_points, fill=class_id)mask = np.array(pil_image)return maskdef create_colored_mask(mask, class_mapping, color_map=None):"""创建彩色掩码用于可视化"""if color_map is None:# 默认颜色映射color_map = {0: [0, 0, 0], # 背景 - 黑色1: [255, 0, 0], # bp - 红色2: [0, 255, 0], # kd - 绿色}height, width = mask.shapecolored_mask = np.zeros((height, width, 3), dtype=np.uint8)for class_id, color in color_map.items():colored_mask[mask == class_id] = colorreturn colored_maskdef convert_labelme_to_paddleseg(input_dir, output_dir, class_mapping=None, generate_colored_masks=True):"""将LabelMe格式转换为PaddleSeg格式"""if class_mapping is None:# 默认类别映射：背景=0, bp=1, kd=2class_mapping = {'bp': 1, 'kd': 2}input_path = Path(input_dir)output_path = Path(output_dir)# 创建输出目录images_dir = output_path / 'images'labels_dir = output_path / 'labels'images_dir.mkdir(parents=True, exist_ok=True)labels_dir.mkdir(parents=True, exist_ok=True)# 如果需要生成彩色掩码，创建彩色掩码目录if generate_colored_masks:colored_masks_dir = output_path / 'colored_masks'colored_masks_dir.mkdir(parents=True, exist_ok=True)# 获取所有图像和标注文件image_dir = input_path / 'image'label_dir = input_path / 'labels'if not image_dir.exists() or not label_dir.exists():print(f"错误：找不到图像目录 {image_dir} 或标注目录 {label_dir}")return# 获取所有图像文件image_files = list(image_dir.glob('*.jpg')) + list(image_dir.glob('*.png'))processed_count = 0error_count = 0# 定义颜色映射color_map = {0: [0, 0, 0], # 背景 - 黑色1: [255, 0, 0], # bp - 红色2: [0, 255, 0], # kd - 绿色}for image_file in image_files:try:# 对应的JSON文件json_file = label_dir / f"{image_file.stem}.json"if not json_file.exists():print(f"警告：找不到对应的标注文件 {json_file}")continue# 加载图像image = cv2.imread(str(image_file))if image is None:print(f"错误：无法加载图像 {image_file}")error_count += 1continue# 加载标注labelme_data = load_labelme_json(json_file)if labelme_data is None:error_count += 1continue# 创建掩码mask = create_mask_from_polygons(image.shape, labelme_data.get('shapes', []), class_mapping)# 保存图像和掩码output_image_path = images_dir / image_file.nameoutput_mask_path = labels_dir / f"{image_file.stem}.png"# 复制图像shutil.copy2(image_file, output_image_path)# 保存灰度掩码cv2.imwrite(str(output_mask_path), mask)# 生成并保存彩色掩码if generate_colored_masks:colored_mask = create_colored_mask(mask, class_mapping, color_map)colored_mask_path = colored_masks_dir / f"{image_file.stem}_colored.png"cv2.imwrite(str(colored_mask_path), cv2.cvtColor(colored_mask, cv2.COLOR_RGB2BGR))processed_count += 1if processed_count % 50 == 0:print(f"已处理 {processed_count} 个文件...")except Exception as e:print(f"处理文件时出错 {image_file}: {e}")error_count += 1print(f"\n转换完成！")print(f"成功处理: {processed_count} 个文件")print(f"错误: {error_count} 个文件")print(f"输出目录: {output_path}")# 创建类别信息文件create_class_info_file(output_path, class_mapping, color_map)# 创建数据集配置文件create_dataset_config(output_path, processed_count, len(class_mapping) + 1)def create_class_info_file(output_dir, class_mapping, color_map=None):"""创建类别信息文件"""class_info = {'num_classes': len(class_mapping) + 1, # +1 for background'class_mapping': {'background': 0, **class_mapping},'class_names': ['background'] + list(class_mapping.keys())}# 添加颜色映射信息if color_map:class_info['color_mapping'] = color_mapclass_info['color_description'] = {0: 'background - black',1: 'bp - red', 2: 'kd - green'}class_info_path = output_dir / 'class_info.json'with open(class_info_path, 'w', encoding='utf-8') as f:json.dump(class_info, f, ensure_ascii=False, indent=2)print(f"类别信息已保存到: {class_info_path}")def create_dataset_config(output_dir, total_samples, num_classes):"""创建数据集配置文件"""config = {'dataset_info': {'total_samples': total_samples,'image_dir': 'images','label_dir': 'labels','colored_mask_dir': 'colored_masks','image_format': 'jpg','label_format': 'png'},'paddleseg_config': {'dataset_root': str(output_dir),'train_dataset': {'type': 'Dataset','dataset_root': str(output_dir),'train_path': 'train_list.txt','num_classes': num_classes,'transforms': [{'type': 'ResizeStepScaling', 'min_scale_factor': 0.5, 'max_scale_factor': 2.0, 'scale_step_size': 0.25},{'type': 'RandomPaddingCrop', 'crop_size': [512, 512]},{'type': 'RandomHorizontalFlip'},{'type': 'RandomDistort'},{'type': 'Normalize'}]},'val_dataset': {'type': 'Dataset','dataset_root': str(output_dir),'val_path': 'val_list.txt','num_classes': num_classes,'transforms': [{'type': 'Normalize'}]}}}config_path = output_dir / 'dataset_config.json'with open(config_path, 'w', encoding='utf-8') as f:json.dump(config, f, ensure_ascii=False, indent=2)print(f"数据集配置已保存到: {config_path}")def create_train_val_split(output_dir, train_ratio=0.8):"""创建训练和验证集分割文件"""images_dir = Path(output_dir) / 'images'labels_dir = Path(output_dir) / 'labels'# 获取所有图像文件image_files = list(images_dir.glob('*.jpg')) + list(images_dir.glob('*.png'))# 随机打乱np.random.shuffle(image_files)# 分割split_idx = int(len(image_files) * train_ratio)train_files = image_files[:split_idx]val_files = image_files[split_idx:]# 创建训练集列表train_list_path = Path(output_dir) / 'train_list.txt'with open(train_list_path, 'w') as f:for img_file in train_files:label_file = labels_dir / f"{img_file.stem}.png"if label_file.exists():f.write(f"images/{img_file.name} labels/{label_file.name}\n")# 创建验证集列表val_list_path = Path(output_dir) / 'val_list.txt'with open(val_list_path, 'w') as f:for img_file in val_files:label_file = labels_dir / f"{img_file.stem}.png"if label_file.exists():f.write(f"images/{img_file.name} labels/{label_file.name}\n")print(f"训练集: {len(train_files)} 个样本")print(f"验证集: {len(val_files)} 个样本")print(f"训练集列表: {train_list_path}")print(f"验证集列表: {val_list_path}")def main():# 输入和输出路径input_dir = r"C:\Users\WIN10\Desktop\seg_change\bp"output_dir = r"c:\Users\WIN10\Desktop\seg_change\paddleseg_bp"# 类别映射（支持多类分割）class_mapping = {'bp': 1, # bp类别映射为1'kd': 2 # kd类别映射为2，背景为0}print("开始转换LabelMe数据为PaddleSeg格式...")print(f"输入目录: {input_dir}")print(f"输出目录: {output_dir}")print(f"类别映射: {class_mapping}")# 执行转换（启用彩色掩码生成）convert_labelme_to_paddleseg(input_dir, output_dir, class_mapping, generate_colored_masks=True)# 创建训练验证集分割print("\n创建训练验证集分割...")create_train_val_split(output_dir, train_ratio=0.8)print("\n转换完成！数据集已准备好用于PaddleSeg训练。")print("\n使用说明:")print("1. 图像文件保存在: paddleseg_dataset/images/")print("2. 标签掩码保存在: paddleseg_dataset/labels/")print("3. 彩色掩码保存在: paddleseg_dataset/colored_masks/")print("4. 训练集列表: paddleseg_dataset/train_list.txt")print("5. 验证集列表: paddleseg_dataset/val_list.txt")print("6. 类别信息: paddleseg_dataset/class_info.json")print("7. 数据集配置: paddleseg_dataset/dataset_config.json")print("\n类别说明:")print("- 背景: 0 (黑色)")print("- bp标签: 1 (红色)")print("- kd标签: 2 (绿色)")if __name__ == "__main__":main()💡结语
本脚本适用于：
PaddleSeg语义分割模型训练前数据准备
多类别图像分割任务标注转换
可视化检查和配置文件自动化生成
欢迎交流指正，若对你有帮助请点个赞 👍 或收藏 🌟，后续我会分享 PaddleSeg 训练流程 + 推理部署代码。