every blog every motto: Just live your life cause we don’t live twice.

0. 前言

因为遇到一个任务，需要自己制作标签。
题外话： 像mnist或是fashion_minst数据集，样本的标签是是一个数字（或是one-hot）或是字符串。对于搭建的模型最后一般用softmax调整下概率，最后交叉熵计算就行。刚开始制作标签的就一根筋的想着怎么把样本映射到一个数字上，擦，，，，浪费了不少时间。原来是遇到一个新的任务------图像分割（语义分割），minst那些是图像分类，两个不是一码事！！！！
这里的标签也是一个图片！！！
这里的标签也是一个图片！！！
这里的标签也是一个图片！！！

1. 正文

1.1 安装与使用

控制台输入

pip install labelme

打开软件，控制台输入

labelme

如下图，
open: 打开单个文件
open dir : 打开文件夹（内含多个文件）

打开多个图片，右下角显示文件夹中含有的图片，如下图。

进行标注，如下图（create polygons，首尾点合并就能输入标签名称。

保存，如下图（会在文件下生成对应的json文件）

接着进行下一张图片的标注，点击next image，如下图（图片仅为演示）

1.2 （批量）转成可用与训练的样本和标签

第一步，将上面生成的若干个json文件放在同一个文件夹下（文件夹内只含有json文件），如下图。
路径：

D:\Data_saved\Desktop\deep_learning_data\Sample\json

第二步，找到 json_to_dataset.py
在如下图路径下。

将json_to_dataset.py中的代码替换为以下。代码来源

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()

第三步，（在控制台中）切换到Scripts文件夹，路径如下
（其实可以不用切换，可以在任意路径下，不过后续生成的文件会在此文件夹下，因为是用的这个文件夹下的labelme_json_to_dataset.exe)

第四步，运行命令
命令格式：

labelme_json_to_dataset.exe + json文件的路径

我的图片标注后生成的json文件统一放在如下路径（1.1 中有提到），如下：

D:\Data_saved\Desktop\deep_learning_data\Sample\json

所以，完成的命令如下：

labelme_json_to_dataset.exe D:\Data_saved\Desktop\deep_learning_data\Sample\json

具体文件如下图

查看标签图像的位深度，如下图。是8位，即是可用于训练的标签。

参考文献

[1] https://blog.csdn.net/yql_617540298/article/details/81110685
[2] https://blog.csdn.net/u014513323/article/details/81166997
[3] https://www.cnblogs.com/roscangjie/p/10737053.html
[4] https://blog.csdn.net/xjtdw/article/details/94741984
[5] https://www.bilibili.com/video/BV16b411G7kB?p=3