Python将Labelme目标检测数据集和JSON标注文件进行数据增广

已于 2025-07-13 13:26:47 修改
阅读量263 收藏 4
点赞数 3
CC 4.0 BY-SA版权
分类专栏： YOLO系列 Python日常小操作 人工智能应用 文章标签： python 目标检测 json 人工智能 YOLO
于 2025-07-13 13:18:57 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/FriendshipTang/article/details/149308614

Python将Labelme目标检测数据集和JSON标注文件进行数据增广

在这里插入图片描述

前言

前提条件

相关介绍

  • Python是一种跨平台的计算机程序设计语言。是一个高层次的结合了解释性、编译性、互动性和面向对象的脚本语言。最初被设计用于编写自动化脚本(shell)，随着版本的不断更新和语言新功能的添加，越多被用于独立的、大型项目的开发。
  • PyTorch 是一个深度学习框架，封装好了很多网络和深度学习相关的工具方便我们调用，而不用我们一个个去单独写了。它分为 CPU 和 GPU 版本，其他框架还有 TensorFlow、Caffe 等。PyTorch 是由 Facebook 人工智能研究院（FAIR）基于 Torch 推出的，它是一个基于 Python 的可续计算包，提供两个高级功能：1、具有强大的 GPU 加速的张量计算（如 NumPy）；2、构建深度神经网络时的自动微分机制。
  • YOLOv5是一种单阶段目标检测算法，该算法在YOLOv4的基础上添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升。它是一个在COCO数据集上预训练的物体检测架构和模型系列，代表了Ultralytics对未来视觉AI方法的开源研究，其中包含了经过数千小时的研究和开发而形成的经验教训和最佳实践。
  • Labelme是一款图像标注工具，由麻省理工(MIT)的计算机科学和人工智能实验室(CSAIL)研发。它是用Python和PyQT编写的，开源且免费。Labelme支持Windows、Linux和Mac等操作系统。
  • 这款工具提供了直观的图形界面，允许用户在图像上标注多种类型的目标，例如矩形框、多边形、线条等，甚至包括更复杂的形状。标注结果以JSON格式保存，便于后续处理和分析。这些标注信息可以用于目标检测、图像分割、图像分类等任务。
  • 总的来说，Labelme是一款强大且易用的图像标注工具，可以满足不同的图像处理需求。
  • Labelme标注json文件是一种用于存储标注信息的文件格式，它包含了以下几个主要的字段：
    • version: Labelme的版本号，例如"4.5.6"。
    • flags: 一些全局的标志，例如是否是分割任务，是否有多边形，等等。
    • shapes: 一个列表，每个元素是一个字典，表示一个标注对象。每个字典包含了以下几个字段：
      • label: 标注对象的类别名称，例如"dog"。
      • points: 一个列表，每个元素是一个坐标对，表示标注对象的边界点，例如[[10, 20], [30, 40]]。
      • group_id: 标注对象的分组编号，用于表示属于同一组的对象，例如1。
      • shape_type: 标注对象的形状类型，例如"polygon"，“rectangle”，“circle”，等等。
      • flags: 一些针对该标注对象的标志，例如是否是难例，是否被遮挡，等等。
    • lineColor: 标注对象的边界线颜色，例如[0, 255, 0, 128]。
    • fillColor: 标注对象的填充颜色，例如[255, 0, 0, 128]。
    • imagePath: 图像文件的相对路径，例如"img_001.jpg"。
    • imageData: 图像文件的二进制数据，经过base64编码后的字符串，例如"iVBORw0KGgoAAAANSUhEUgAA…"。
    • imageHeight: 图像的高度，例如600。
    • imageWidth: 图像的宽度，例如800。

以下是一个Labelme标注json文件的示例：

{
  "version": "4.5.6",
  "flags": {},
  "shapes": [
    {
      "label": "dog",
      "points": [
        [
          121.0,
          233.0
        ],
        [
          223.0,
          232.0
        ],
        [
          246.0,
          334.0
        ],
        [
          121.0,
          337.0
        ]
      ],
      "group_id": null,
      "shape_type": "polygon",
      "flags": {}
    }
  ],
  "lineColor": [
    0,
    255,
    0,
    128
  ],
  "fillColor": [
    255,
    0,
    0,
    128
  ],
  "imagePath": "img_001.jpg",
  "imageData": "iVBORw0KGgoAAAANSUhEUgAA...",
  "imageHeight": 600,
  "imageWidth": 800
}

实验环境

  • Python 3.x （面向对象的高级语言）
  • albumentations==1.3.1
  • opencv-python==4.12.0.88

Labelme目标检测数据集和JSON标注文件进行数据增广

  • 背景：将标注好的数据集，随机仿射变换，以达到数据增强的目的。
  • 目录结构示例

在这里插入图片描述

  • png：图片数据集。
  • json：Labelme标注文件。

在这里插入图片描述

{
  "version": "5.5.0",
  "flags": {},
  "shapes": [
    {
      "score": 0.99,
      "label": "2",
      "points": [
        [
          310.379898,
          333.107918
        ],
        [
          429.721062,
          434.07660999999996
        ]
      ],
      "group_id": null,
      "description": null,
      "shape_type": "rectangle",
      "flags": {},
      "mask": null
    },
    {
      "score": 0.99,
      "label": "2",
      "points": [
        [
          68.5886295,
          312.772174
        ],
        [
          229.72838250000004,
          436.130706
        ]
      ],
      "group_id": null,
      "description": null,
      "shape_type": "rectangle",
      "flags": {},
      "mask": null
    },
    {
      "score": 0.99,
      "label": "2",
      "points": [
        [
          208.7640663,
          331.285174
        ],
        [
          250.1050137,
          380.598482
        ]
      ],
      "group_id": null,
      "description": null,
      "shape_type": "rectangle",
      "flags": {},
      "mask": null
    },
    {
      "score": 0.99,
      "label": "7",
      "points": [
        [
          237.97699020000002,
          318.716904
        ],
        [
          286.3156158,
          373.767064
        ]
      ],
      "group_id": null,
      "description": null,
      "shape_type": "rectangle",
      "flags": {},
      "mask": null
    },
    {
      "score": 0.99,
      "label": "2",
      "points": [
        [
          303.30663135000003,
          336.1300624
        ],
        [
          327.16299465,
          362.2645136
        ]
      ],
      "group_id": null,
      "description": null,
      "shape_type": "rectangle",
      "flags": {},
      "mask": null
    },
    {
      "score": 0.99,
      "label": "2",
      "points": [
        [
          284.1491136,
          331.6867246
        ],
        [
          306.15991440000005,
          349.0834754
        ]
      ],
      "group_id": null,
      "description": null,
      "shape_type": "rectangle",
      "flags": {},
      "mask": null
    }
  ],
  "imagePath": "1.png",
  "imageData": null,
  "imageHeight": 484,
  "imageWidth": 579
}

代码实现

import os
import json
import cv2
import numpy as np
import albumentations as A
from pathlib import Path
import random
from tqdm import tqdm

# 支持的图片格式
supported_formats = {'.jpg', '.jpeg', '.png', '.bmp'}

def load_labelme_json(json_path):
    """加载Labelme JSON文件和对应的图像，提取矩形框标注"""
    try:
        with open(json_path, 'r', encoding='utf-8') as f:
            data = json.load(f)
    except json.JSONDecodeError as e:
        print(f"⚠️ JSON解析错误: {json_path} - {str(e)}")
        return None, None, None, None
    
    # 获取图像路径
    image_path = os.path.join(os.path.dirname(json_path), data["imagePath"])
    
    # 检查图像格式
    if not any(image_path.lower().endswith(fmt) for fmt in supported_formats):
        print(f"⚠️ 跳过不支持的图片格式: {image_path}")
        return None, None, None, None
    
    # 加载图像
    image = cv2.imread(image_path)
    if image is None:
        print(f"⚠️ 图片加载失败: {image_path}")
        return None, None, None, None
    
    # 提取矩形框标注
    bboxes = []
    labels = []
    for shape in data["shapes"]:
        # 只处理矩形框
        if shape.get("shape_type", "") != "rectangle":
            continue
            
        # 获取矩形框坐标
        points = np.array(shape["points"], dtype=np.float32)
        x_min, y_min = points[0]
        x_max, y_max = points[1]
        
        # 确保坐标正确性
        x_min, x_max = min(x_min, x_max), max(x_min, x_max)
        y_min, y_max = min(y_min, y_max), max(y_min, y_max)
        
        # 转换为Python原生float类型
        x_min, y_min, x_max, y_max = float(x_min), float(y_min), float(x_max), float(y_max)
        
        # 添加到列表
        bboxes.append([x_min, y_min, x_max, y_max])
        labels.append(shape["label"])
    
    return image, bboxes, labels, data

def get_augmentation_pipeline(transform_type, img_shape):
    """获取针对检测任务的增强管道"""
    height, width = img_shape[:2]
    
    if transform_type == "horizontal_flip":
        return A.Compose([
            A.HorizontalFlip(p=1)
        ], bbox_params=A.BboxParams(format='pascal_voc', label_fields=['class_labels']))
    
    elif transform_type == "vertical_flip":
        return A.Compose([
            A.VerticalFlip(p=1)
        ], bbox_params=A.BboxParams(format='pascal_voc', label_fields=['class_labels']))
    
    elif transform_type == "rotate_90":
        return A.Compose([
            A.RandomRotate90(p=1)
        ], bbox_params=A.BboxParams(format='pascal_voc', label_fields=['class_labels']))
    
    elif transform_type == "rotate":
        # 随机旋转角度 -15到15度
        return A.Compose([
            A.Rotate(limit=15, border_mode=cv2.BORDER_CONSTANT, value=0, p=1)
        ], bbox_params=A.BboxParams(format='pascal_voc', label_fields=['class_labels']))
    
    elif transform_type == "scale":
        # 随机缩放 80%-120%
        return A.Compose([
            A.Affine(scale=(0.8, 1.2), mode=cv2.BORDER_CONSTANT, cval=0, p=1)
        ], bbox_params=A.BboxParams(format='pascal_voc', label_fields=['class_labels']))
    
    elif transform_type == "shift":
        # 随机平移 ±10%
        return A.Compose([
            A.Affine(translate_percent=(-0.1, 0.1), mode=cv2.BORDER_CONSTANT, cval=0, p=1)
        ], bbox_params=A.BboxParams(format='pascal_voc', label_fields=['class_labels']))
    
    elif transform_type == "crop":
        # 随机裁剪 80%-95% 区域
        crop_size = random.uniform(0.8, 0.95)
        return A.Compose([
            A.RandomResizedCrop(
                height=height,
                width=width,
                scale=(crop_size, crop_size),
                ratio=(1.0, 1.0),
                p=1
            )
        ], bbox_params=A.BboxParams(format='pascal_voc', label_fields=['class_labels']))
    
    elif transform_type == "brightness":
        # 随机亮度对比度调整
        return A.Compose([
            A.RandomBrightnessContrast(brightness_limit=0.2, contrast_limit=0.2, p=1)
        ], bbox_params=A.BboxParams(format='pascal_voc', label_fields=['class_labels']))
    
    elif transform_type == "noise":
        # 添加高斯噪声
        return A.Compose([
            A.GaussNoise(var_limit=(10.0, 50.0), p=1)
        ], bbox_params=A.BboxParams(format='pascal_voc', label_fields=['class_labels']))
    
    elif transform_type == "motion_blur":
        # 运动模糊
        return A.Compose([
            A.MotionBlur(blur_limit=7, p=1)
        ], bbox_params=A.BboxParams(format='pascal_voc', label_fields=['class_labels']))
    
    elif transform_type == "color_jitter":
        # 颜色抖动
        return A.Compose([
            A.HueSaturationValue(hue_shift_limit=20, sat_shift_limit=30, val_shift_limit=20, p=1)
        ], bbox_params=A.BboxParams(format='pascal_voc', label_fields=['class_labels']))
    
    else:
        return A.Compose([], bbox_params=A.BboxParams(format='pascal_voc', label_fields=['class_labels']))

def apply_augmentation(transform_type, image, bboxes, labels):
    """应用增强变换到图像和边界框"""
    if not bboxes or not labels:
        return image.copy(), [], []
    
    # 确保bboxes是numpy数组
    bboxes = np.array(bboxes, dtype=np.float32)
    
    # 应用变换
    try:
        transform = get_augmentation_pipeline(transform_type, image.shape)
        transformed = transform(image=image, bboxes=bboxes, class_labels=labels)
    except Exception as e:
        print(f"⚠️ 应用增强时出错 ({transform_type}): {str(e)}")
        return image.copy(), [], []
    
    transformed_image = transformed['image']
    transformed_bboxes = transformed['bboxes']
    transformed_labels = transformed['class_labels']
    
    # 过滤掉无效的边界框
    valid_bboxes = []
    valid_labels = []
    for bbox, label in zip(transformed_bboxes, transformed_labels):
        # 确保坐标是Python原生浮点数
        x_min, y_min, x_max, y_max = bbox
        x_min, y_min, x_max, y_max = float(x_min), float(y_min), float(x_max), float(y_max)
        
        # 检查边界框是否有效
        if x_max - x_min > 2 and y_max - y_min > 2 and 0 <= x_min < x_max and 0 <= y_min < y_max:
            valid_bboxes.append([x_min, y_min, x_max, y_max])
            valid_labels.append(label)
    
    return transformed_image, valid_bboxes, valid_labels

def save_augmented_data(image, bboxes, labels, original_data, output_dir, base_name, index, original_format):
    """保存增强后的图像和标注文件"""
    # 使用原始文件名前缀 + 序号 + 原始后缀
    filename = f"{base_name}_{index}"
    img_path = os.path.join(output_dir, filename + original_format)
    json_path = os.path.join(output_dir, filename + ".json")
    
    # 保存图像
    cv2.imwrite(img_path, image)
    
    # 创建新的JSON数据结构
    new_shapes = []
    for bbox, label in zip(bboxes, labels):
        x_min, y_min, x_max, y_max = bbox
        # 确保所有坐标都是Python原生float类型
        new_shapes.append({
            "label": label,
            "points": [
                [float(x_min), float(y_min)], 
                [float(x_max), float(y_max)]
            ],
            "shape_type": "rectangle",
            "flags": {}
        })
    
    # 确保图像高度宽度是int类型
    height, width = image.shape[:2]
    
    new_data = {
        "version": original_data.get("version", "5.0.1"),
        "flags": original_data.get("flags", {}),
        "shapes": new_shapes,
        "imagePath": filename + original_format,
        "imageData": None,
        "imageHeight": int(height),
        "imageWidth": int(width)
    }
    
    # 保存JSON文件 - 确保所有浮点数都是Python原生类型
    try:
        with open(json_path, 'w', encoding='utf-8') as f:
            json.dump(new_data, f, indent=2, ensure_ascii=False, default=json_float_default)
    except Exception as e:
        print(f"⚠️ 保存JSON失败: {json_path} - {str(e)}")
        # 删除可能已创建的部分文件
        if os.path.exists(img_path):
            os.remove(img_path)
        if os.path.exists(json_path):
            os.remove(json_path)

def json_float_default(obj):
    """自定义JSON序列化函数，处理NumPy类型"""
    if isinstance(obj, np.integer):
        return int(obj)
    elif isinstance(obj, np.floating):
        return float(obj)
    elif isinstance(obj, np.ndarray):
        return obj.tolist()
    else:
        return str(obj)

def detect_augmentation(input_dir, output_dir, iterations_per_image=5):
    """执行检测数据集的数据增强"""
    # 增强类型列表
    transform_types = [
        "horizontal_flip",
        "vertical_flip",
        "rotate_90",
        "rotate",
        "scale",
        "shift",
        "crop",
        "brightness",
        "noise",
        "motion_blur",
        "color_jitter"
    ]
    
    # 确保输出目录存在
    os.makedirs(output_dir, exist_ok=True)
    
    # 获取所有JSON文件
    json_files = [f for f in os.listdir(input_dir) if f.endswith(".json")]
    
    # 处理每个JSON文件
    for json_file in tqdm(json_files, desc="Processing images"):
        json_path = os.path.join(input_dir, json_file)
        
        try:
            # 加载数据和标注
            image, bboxes, labels, data = load_labelme_json(json_path)
            if image is None:
                print(f"⚠️ 图片加载失败: {json_file}")
                continue
            if not bboxes:
                print(f"⚠️ 无有效标注: {json_file}")
            
            # 获取原始图片信息
            image_path = data["imagePath"]
            original_format = Path(image_path).suffix
            if original_format.lower() not in supported_formats:
                print(f"⚠️ 不支持的图片格式: {original_format}")
                continue
            
            # 获取原始文件名前缀
            base_name = Path(image_path).stem
            
            # 保存原始图像作为第一个样本 (序号0)
            save_augmented_data(
                image.copy(), 
                bboxes, 
                labels, 
                data, 
                output_dir, 
                base_name, 
                0, 
                original_format
            )
            
            # 应用增强
            for i in range(1, iterations_per_image + 1):
                # 随机选择增强类型
                trans_type = random.choice(transform_types)
                
                try:
                    # 应用增强
                    augmented_image, augmented_bboxes, augmented_labels = apply_augmentation(
                        trans_type, 
                        image.copy(), 
                        bboxes, 
                        labels
                    )
                    
                    # 检查是否有有效的边界框
                    if not augmented_bboxes:
                        print(f"⚠️ 增强后无有效边界框: {base_name}_{i}{original_format} ({trans_type})")
                        continue
                    
                    # 保存增强结果
                    save_augmented_data(
                        augmented_image, 
                        augmented_bboxes, 
                        augmented_labels, 
                        data, 
                        output_dir, 
                        base_name, 
                        i, 
                        original_format
                    )
                except Exception as e:
                    print(f"⚠️ 增强失败 ({trans_type}): {str(e)}")
        
        except Exception as e:
            print(f"⚠️ 处理文件 {json_file} 时出错: {str(e)}")

    print(f"✅ 数据增强完成! 增强后的数据保存在: {output_dir}")


if __name__ == "__main__":
    # 设置输入输出目录
    input_dir = r"detect"  # 原始数据集路径
    output_dir = r"detect"  # 增强后输出路径
    
    # 控制每张图像增强次数 (不包括原始图像)
    iterations_per_image = 5
    
    # 执行增强
    detect_augmentation(input_dir, output_dir, iterations_per_image)

输出结果

在这里插入图片描述

  • png：图片数据集。
  • json：Labelme标注文件。

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

目标检测YOLO实战应用案例100讲-基于多光谱图像融合的光伏组件故障 检测（续）
qq_36130719的博客
11-26 471
Harris角特征检测算法能够快速准确的检测出图像的角点，如图 3-3所示，(a)为 基于图像最小矩得到的角特征点分布，（b）为基于Harris算子计算得到的图像角 特征点分布。从图（a）可以看到，基于图像最小矩得到的角特征点存在着大量 的错误特征，误将图像边缘特征点检测为角特征点，同时未能有效的检测出光伏 框架中大量存在的框架连结点。而从图（b）中可以看出，Harris算子可以非常精 准的找到光伏板中的框架连结点，并保证角点检测的准确性，误检率大大降低。
【深度学习Labelme】使用Segment Anything Model (SAM)快速打标，labelme多边形转yolo txt框看看对不对
q742971636的博客
05-10 2245
【代码】【深度学习Labelme】使用Segment Anything Model (SAM)快速打标，labelme多边形转yolo txt框看看对不对。
Python实现从Labelme数据集中挑选出含有指定类别的数据集
FriendshipTang的博客
11-09 567
Python、Labelme、Json、目标检测、数据集
python提取COCO数据集中特定的类
越努力，越幸运
10-10 5021
记录一下提取Coco自行车类别的过程 1.安装pycocotools github地址：https://github.com/philferriere/cocoapi pip install git+https://github.com/philferriere/cocoapi.git#subdirectory=PythonAPI 2.提取其中的bicycle类的代码如下： 需要修改...
labelme工具，对类别标注，再进行细致的分割
melally的博客
07-06 1293
随着AI的发展，对于标注越来越细致，这篇以一个类别窥见2D全景标注 如果出现 pip._vendor.urllib3.exceptions.ReadTimeoutError: HTTPSConnectionPool(host='files.pythonhosted.org', port=443): Read timed out. Read time out 等字样说明网络有问题，可以换源(中间的包名可以换成任意的想要下载的包） 豆瓣源： 在下载...
Python GUI设计——Label标签
Lmhark的博客
11-06 5563
padx可以设置标签文字左右边界与标签区间的x轴间距，pady可以设置标签文字上下边界与标签区间的y轴间距。控件在建立时可以直接设置对象属性，若是部分属性未建立，未来在程序执行时如果想要建立或更改属性可以用config()方法。在标签的输出中，如果是多行的输出，在最后一行输出时可以使用justify参数设置所输出的标签内容有LEFT/CENTER/RIGHT，默认是居中输出。Label()方法可以用于在窗口内建立文字或图像标签，第一个参数是父对象，表示这个标签将建立在哪一个父对象（窗口）内。
根据Label标签将数据集划分
chensen99的博客
09-21 1981
根据Label标签将数据集划分
对labelme标注的数据集进行数据增强(镜像翻转、旋转)并自动修改对应的json文件
qq_17439425的博客
06-08 4020
一、前言 最近在做语义分割的数据集，labelme标注的json格式的。打算旋转90°、180°、270°来做数据增广，但发现还要重新一张张标注(三倍工作量)简直要吐了，果然咱不能再用传统方法。 幸好搜到了用户m0_67480197写的这篇博客： python脚本对labelme标注的数据集进行镜面旋转扩充数据集 但原文中很多人遇到了输出文件为空的问题，我对代码进行修改最后解决了这个问题。因此我针对我个人的情况写了这篇文章分享一下我的解决方法： 二、发现问题 1.修改部分 执行原文代码，发现打印的日志中
深度学习：利用Detectron2训练自己的数据集之目标检测
weixin_42565090的博客
02-28 2648
本文主要阐述如何利用Detectron2来进行目标检测。
labelme关键点数据增强
最新发布
01-17
对于使用LabelMe标注的关键点数据进行数据增强，可以采用多种方式来增加模型训练的有效样本数量并提高泛化能力。常用的技术包括图像变换、颜色调整和其他特定于应用的操作。 #### 图像变换 通过平移、旋转、缩放等...
labelme json 增强
01-04
为了对由LabelMe标注工具生成的JSON文件实施有效的数据增强操作，可以采用多种方法和技术来扩展训练集的质量和数量。以下是几种常见的策略： #### 使用图像变换库配合自定义脚本 一种常见的方式是利用Python中的`...
labelme+sam在windows上使用指南
Thomas_Cai的记忆殿堂
07-15 3298
其实官网讲的很清楚了，这里做一个笔记，方便自己后面直接看。首先，贴一下官方的链接，作者老哥很强，respect！使用流程：资源：操作步骤：好。现在开始记录。
python分层抽样_python使用pandas抽样训练数据中某个类别
weixin_30045751的博客
01-29 580
# -*- coding: utf-8 -*-import numpyfrom sklearn import metricsfrom sklearn.svm import LinearSVCfrom sklearn.naive_bayes import MultinomialNBfrom sklearn import linear_modelfrom sklearn.datasets import...
Anaconda安装及使用labelme制作实例分割自建数据集
左右-HPU
04-05 3478
②创建完成后，激活虚拟环境③安装labelme 正常运转需要各种依赖的包，先下载pyqt和pillow均yes操作④安装labelme至此，使用labelme的前期工作已经做完，接下来开始labelme的使用。
labelme自动标注工具的安装和python代码修改
zhaosuyuan的博客
03-27 1745
【代码】labelme自动标注工具的安装和代码修改。
python批量修改labelme json格式标签
xgd2016的博客
04-07 1797
之前打算用mask-rcnn跑一个数据集，标注方式出点问题 使用labelname1，labelname2这种的标注模式 现在要改成labelname group_id:1这种，还不是自己标的也不好意思在让别人去改 图片太多 手工一个。先能用 后期再优化一下。用上正则和多线程 还有CPython 以下是代码 import json import os path = './' dirs = os.listdir(path) def dateset(): num...
如何使用labelme中的AI多边形（AI-polygon）标注
编程小白的博客
12-06 1万+
通过这篇文章将学会如何使用labelme中的AI标注功能。
Labelme的安装与使用教程
热门推荐
Limiiiing的博客
08-15 2万+
6️⃣创建多边形：这一个功能是最重要的，选择了一张图像后便可以进行标注，选择这个功能后即可这对界面中显示的图像进行分割标注，注意标注点要尽可能贴合目标，也可以使用快捷键。1️⃣打开：只打开一张图像进行标注，建议通过第二个功能打开包含图像的文件夹，进行标注。2️⃣打开目录：点击后会弹出一个窗口，选择一个文件夹，文件夹中包含要进行标注的图像。3️⃣上一幅：在打开目录的情况下，点击后可切换到上一张图片，也可以使用快捷键。4️⃣下一幅：在打开目录的情况下，点击后可切换到下一张图片，也可以使用快捷键。
【语义分割】1-标注数据集-【单张图片】labelme标注json文件转mask
zw_van的博客
06-21 5968
除了自己描，还能用AI辅助标注，但是我打开会闪退，这个问题待解决。另外注意：标注过程中，不要切换目录；要确认，json文件最后，imagePath的图像路径，只能是图像名字本身，不能有其他的路径和符号。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

FriendshipT

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值