使用Labelme打标签，详细教程

Labelme 是一个开源的图像标注工具，广泛用于图像分割和目标检测任务。它支持多种标注格式，并可以生成JSON文件，用于后续的深度学习模型训练。Labelme 提供了直观的界面和多种标注工具，使得标注任务变得更加简单高效。

在本教程中，我们将通过详细的步骤介绍如何使用 Labelme 进行图像标签的标注，并提供实际的操作示例和代码，帮助你快速上手。

1. Labelme 简介

Labelme 是由 MIT 开发的一个开源图像标注工具，支持多种图形标注，包括矩形框、圆形、折线、多边形等。Labelme 最常用的功能是标注图像中的目标，通常用于物体检测、图像分割等任务。它支持通过鼠标点击图像进行交互式标注，并且能够以 JSON 格式保存标注信息，便于后续模型训练。

1.1 Labelme 的应用场景

物体检测：标注图像中的不同目标，如行人、车辆等。
图像分割：为图像中的各个区域划分标签，用于图像语义分割任务。
姿态估计：标注人体的关键点位置。

2. 安装 Labelme

Labelme 可以通过 pip 安装到 Python 环境中，安装过程简单方便：

pip install labelme

安装完成后，你可以通过命令行启动 Labelme：

labelme

此命令会启动图形界面，可以开始进行图像标注。

3. Labelme 界面介绍

启动 Labelme 后，界面如下图所示：

Labelme 界面

Labelme 的界面由以下几个部分组成：

图像视图：显示你正在标注的图像。
工具栏：提供矩形框、圆形、多边形等标注工具。
标签栏：可以选择你已经定义的标签类别。
状态栏：显示当前图像的信息和标注状态。

4. 创建和保存标签

4.1 加载图像

点击 Labelme 界面的 Open 按钮，选择你要标注的图像文件。Labelme 支持多种图像格式，包括 JPEG、PNG、BMP 等。

4.2 选择标注工具

在工具栏中，Labelme 提供了多种标注工具，常用的有：

矩形框：用于框选图像中的目标。
多边形：适用于复杂形状的物体。
折线：适用于目标的边界线标注。
点：标注图像中的关键点。

选择合适的工具后，点击并拖动鼠标来标注目标。

4.3 设置标签

标注完图形后，Labelme 会提示你为该图形分配一个标签（类别）。你可以在标签栏中输入标签名，按下 Enter 键进行确认。如果你想标注多个类别，直接选择不同的工具进行标注，Labelme 会为每个标注生成对应的标签。

4.4 保存标签

完成标注后，点击 Save 按钮保存标注信息。Labelme 会将所有标注数据保存在一个 .json 文件中，这个文件包含了图像中每个标注的详细信息，包括标注的坐标、标签和形状。

5. Labelme 数据格式

Labelme 保存的标注数据采用 JSON 格式，文件中包含以下信息：

imagePath：图像路径
shapes：标注的形状信息，包括坐标、标签等
imageHeight 和 imageWidth：图像的高度和宽度
imageData：图像的二进制数据（可选）

例如，一个矩形框的标注 JSON 文件示例如下：

{
  "version": "4.5.6",
  "imagePath": "image1.jpg",
  "imageHeight": 480,
  "imageWidth": 640,
  "shapes": [
    {
      "label": "cat",
      "points": [[100, 150], [200, 150], [200, 250], [100, 250]],
      "shape_type": "polygon"
    }
  ]
}

label：标注的类别。
points：多边形的顶点坐标。如果是矩形框或圆形，点的数量会相应减少。
shape_type：标注的形状类型，支持 "polygon"、"rectangle"、"circle" 等。

这些标注信息可以直接用来训练深度学习模型（如 YOLO、Faster R-CNN、Mask R-CNN 等）。

6. 通过 Labelme 导入和导出数据

6.1 导出数据

完成标注后，可以将所有标注数据导出为 JSON 文件。在 Labelme 中，点击 Save 按钮保存标注数据。如果你需要批量标注多个图像，可以通过文件菜单中的 Save All 选项保存所有图像的标注数据。

6.2 导入数据

Labelme 支持通过 Open 按钮导入图像并进行标注。你可以在标注一个新的图像时，通过 Open 打开该图像。如果你想重新编辑已经标注好的图像，点击 Open 选择该图像的 JSON 文件，Labelme 会自动加载该图像和标注数据。

7. 自动化标注与扩展功能

7.1 使用命令行批量处理

Labelme 还支持命令行操作，你可以使用以下命令将图像标注的 JSON 文件转换为其他格式，例如 VOC 或 COCO 格式：

labelme json_to_dataset your_labelme_file.json

此命令会将 .json 文件转换为图像及其标注的子文件夹。

7.2 使用 Python 批量处理

如果你有大量图像需要标注，使用 Python 编写脚本来批量转换格式和自动化操作可能会更高效。例如，你可以使用 Python 脚本读取 Labelme JSON 文件，然后提取每个标注的坐标和标签：

import json

def parse_labelme_json(json_file):
    with open(json_file, 'r') as f:
        data = json.load(f)
    for shape in data['shapes']:
        print(f"Label: {shape['label']}, Points: {shape['points']}")

# 读取标注文件
parse_labelme_json('path_to_your_labelme_file.json')

这种方法可以帮助你快速处理大量标注数据，并将其转换为模型训练需要的格式。

8. 总结

在本教程中，我们详细介绍了如何使用 Labelme 工具进行图像标注，并解释了如何安装和使用 Labelme，如何保存标注数据，如何将数据导出为 JSON 格式，以及如何进行批量处理。Labelme 提供了强大的标注功能，适用于各种计算机视觉任务，如物体检测、图像分割等。

通过实践本教程，你可以轻松上手 Labelme，快速完成图像标注工作，为后续的模型训练提供高质量的数据。

使用labelme打标签，详细教程