Win10系統下安裝labelme,json文件批量轉化
一、安裝環境:windows10,anaconda3,python3.6
由於框架maskrcnn需要json數據集,在沒安裝labelme環境和跑深度學習之前,我安裝的是anaconda3,其中pyhton是3.7版本的,經網上查閱資料,經過一番查找資料,發現,原來在2019年,TensorFlow還不支持python3.7,所以,迫於無奈,我只能乖乖把python的版本退回到3.6版本,具體步驟也很簡單。就是打開anaconda prompt ,然後輸入conda install python=3.6,然後等待提示(y/n),輸入y,等待十幾分鍾,就會提示done,這樣的話,就表示python3.7已經退回到python3.6了。(經過嘗試這種方法在我這裏沒有行得通,可能跟網速有關,又嘗試了另一種方法,有興趣的可以嘗試一下。)索性就把labelme安裝到3.6中了。
二、安裝過程:
1、管理員身份打開 anaconda prompt
2、輸入命令:conda create --name=labelme python=3.6
3、輸入命令:activate labelme
4、輸入命令:pip install pyqt5,pip install pyside2(自己剛開始沒有安裝pyside2,運行 \anaconda安裝目錄\envs\labelme\Scripts\label_json_to_dataset.exe 會出現module "pyside"缺失錯誤)
5、輸入命令:pip install labelme(由於網絡原因或者庫的地址,經常運行一半出現錯誤,不要氣餒,多執行幾次)
6、輸入命令:labelme 即可打開labelme。如下:
安裝完成後,需要使用再次啓動labelme。則需要重新打開anaconda prompt,輸入activate labelme,進入labelme環境。再輸 入命令: labelme 即可
三、用labelme標註完圖片後,會生成json文件
以小貓爲例:點擊保存會在自己的圖片目錄下生成json文件
點點
生成的json文件並不能直接用,我們需要對他進行批處理才能成爲maskrcnn需要的數據集,批量轉化如下:
abelme標註工具再轉化.json文件有一個缺陷,一次只能轉換一個.json文件,然而深度學習的項目通常需要大量的數據,那麼轉換.json文件就是一個比較耗時的工作;因此,對labelme做出了改進,可以實現批量轉換.json文件。
在安裝Anaconda中找到json_to_dataset.py文件如果未找到可以在計算機中搜索,將該文件代碼修改爲以下代碼:
複製代碼
import argparse
import base64
import json
import os
import os.path as osp
import warnings
import PIL.Image
import yaml
from labelme import utils
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
alist = os.listdir(json_file)
for i in range(0,len(alist)):
path = os.path.join(json_file,alist[i])
data = json.load(open(path))
out_dir = osp.basename(path).replace('.', '_')
out_dir = osp.join(osp.dirname(path), out_dir)
if not osp.exists(out_dir):
os.mkdir(out_dir)
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)
PIL.Image.fromarray(img).save(osp.join(out_dir, 'img.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()
複製代碼
操作命令如下圖:
生成效果如下:每張圖片生成五個文件 ,這就是我們所需要的