语义分割如何做标注_语义分割转实例分割

全栈程序员-站长 • 2022年8月23日上午6:00 • 未分类 • 阅读 14

大家好，又见面了，我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全系列IDE使用 1年只要46元售后保障童叟无欺

在进行Segmentation 训练之前需要准备训练集和验证集，本文将要来介绍如何使用LabelMe进行标记。LabelMe 是个可以绘制多边形、矩形、圆形、直线、点的一套标记工具，可用于分类、目标检测、语义分割、实例分割任务上的数据标注。

1.labelMe安装与数据标注

首先安装LabelMe，我使用Anaconda 进行安装。打开Anaconda Prompt 执行以下指令:

pip install labelme

接着输入labelme 会出现以下UI 介面，点选Open Dir 选择要标记的图片资料夹

labelme

在这里插入图片描述
在图片上按右键选择Create Polygans 后，就可以开始画标记点了~

画好后填入要标记的label，

若有多个相同类别的目标物也选择一样的label：
在这里插入图片描述
再按左边的Save，最后选择左边的Next Image 。

2.数据格式转换

标注好数据以后，若需要转换label格式，可使用labelme 进行转换。接下来会分为用于Semantic Segmentation 和Instance Segmentation

git clone https://github.com/wkentaro/labelme

并且在刚刚标记好的图片资料夹外，建立一个label.txt，内容必须要有__ignore__, _background_

档案放置如下图:
在这里插入图片描述

2.1 Semantic Segmentation

进入labelme\examples\semantic_segmentation 文件夹，有支持转换VOC 格式的代码

cd/d D:\chingi\labelme\examples\semantic_segmentation

在这里插入图片描述
然后在Anaconda Prompt 执行以下指令进行转换，<data> 是标记图片的文件夹路径、<data_output> 是转换标记格式的文件夹路径、<label.txt path> 是刚刚建立在图片文件夹外的label.txt 的路径

python labelme2voc.py <data> <data_output> --labels <label.txt path>

# It generates:
# - data_dataset_voc/JPEGImages
# - data_dataset_voc/SegmentationClass
# - data_dataset_voc/SegmentationClassVisualization
python labelme2voc.py data_annotated data_dataset_voc --labels labels.txt

转换格式后，会在<data_output> 文件夹中会看到以下文件：

在这里插入图片描述请注意，标签文件仅包含非常低的标签值（例如 0、4、14），而 255 表示 __ignore__ 标签值（npy 文件中的 -1）。您可以通过以下方式查看标签 PNG 文件。

labelme_draw_label_png data_dataset_voc/SegmentationClassPNG/2011_000003.png

在这里插入图片描述

2.2 Instance Segmentation

进入labelme\examples\instance_segmentation 文件夹，有支持转换COCO 及VOC 格式的代码：

cd/d D:\chingi\labelme\examples\instance_segmentation

在这里插入图片描述
然后在Anaconda Prompt 执行以下指令进行转换，<data> 是标记图片的资料夹路径、<data_output> 是转换标记格式的资料夹路径、<label.txt path> 是刚刚建立在图片资料夹外的label.txt 的路径

# 转换为coco 格式
$ python labelme2coco.py <data> <data_output> --labels <label.txt path>

# It generates:
# - data_dataset_coco/JPEGImages
# - data_dataset_coco/annotations.json
$ python ./labelme2coco.py data_annotated data_dataset_coco --labels labels.txt


# 转换为VOC 格式
$ python labelme2voc.py <data> <data_output> --labels <label.txt path>

# It generates:
# - data_dataset_voc/JPEGImages
# - data_dataset_voc/SegmentationClass
# - data_dataset_voc/SegmentationClassVisualization
# - data_dataset_voc/SegmentationObject
# - data_dataset_voc/SegmentationObjectVisualization
$ python ./labelme2voc.py data_annotated data_dataset_voc --labels labels.txt

若转换为COCO 格式，会在<data_output> 文件夹中会看到以下文件

JPEGImages 是原本的图片，Visualization 是框起来的图片，annotations.json 是标记好的label

若转换为VOC 格式，会在data_output 文件夹中会看到以下文件：

在这里插入图片描述