labelme怎么安装_putty安装教程

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

Labelme安装教程（基于anaconda）

1. 创建anaconda虚拟环境labelme

conda create -n labelme python=3.6

完成之后如图所示（由于我已经创建了labelme故这里用labelme1代替）

激活环境：

conda activate labelme

执行完这一步会发现运行环境转移到了labelme，如果没有重新创建

2. 安装labelme所需要的依赖环境

安装的时候使用pip或者conda都可以，两者之中有一个不行时尝试使用另一个，我在安装的时候也是时好时坏，有点玄学

conda install pyqt

conda install pillow

这两个库的安装可能还需要别的依赖环境，请读者自行查阅，这里不再赘述

3.安装labelme

conda install labelme=3.16.2
#conda安装命令如果出错也可以使用pip命令，使用逻辑等号"=="
pip install labelme==3.16.2

这一步一定要注意安装的版本号，如果直接安装labelme不标注版本号在后续json到dataset的时候会出现异常，一般来说3.16的版本都可以，至此安装过程就结束了，下面介绍labelme的使用方法。

4.使用labelme标注图片

在刚才安装好的窗口下输入labelme后便可打开labelme

界面如图

在使用过程中建议大家一打开文件（OpenDir）的方式读取图片，这样可以通过NextImage和PreImage键来查看前后的图片。打开图片之后，右键可以选择标注的工具，例如目标检测使用的矩形、heatmap使用的圆形以及关键点检测使用的点和线。

标注完之后点击save进行保存，注意：最好把标注完的json文件与原图存放在一个目录下，这样在后期查看的时候可以看到原图与标注区域的叠加，而不单单是原图。

5.Json To Dataset

得到json文件之后，我们要将其转化成数据集使用，这里涉及到labelme源码的更改
首先，找到labelme的json_to_dataset.py
找到anaconda的安装位置，例如我安装在D盘，然后找到下面说的具体位置：D:\Anaconda\envs\labelme\Lib\site-packages\labelme\cli，进入之后会发现有几个python source file，打开json_to_dataset.py，将代码做如下更改：

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()

将之前标注好的json文件单独提取出来，放在一个目录下，然后进入我们批量处理的环境中，也就是执行把jaso->dataset的目录：D:\Anaconda\envs\labelme\Scripts

这个目录下有执行程序：
.
下面就可以进行json文件批量处理了，exe程序后边是之前的json单独建立的目录

labelme_json_to_dataset.exe D:\Spyder\label_dataset

成功执行后结果如下图，其保存的地址为相对地址，就是在D:\Anaconda\envs\labelme\Scripts下

如果安装的labelme版本是3.16.2的，应该不会有问题；有异常抛出的话，大概率是版本不兼容，建议重新创建环境安装

OVER

参考：
大神源码：实现labelme批量json_to_dataset方法
哔哩哔哩小哥讲解