Win10系統下安裝labelme，json文件批量轉化

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

原文地址https://www.cnblogs.com/apan008/p/11267203.html