目录

1.数据标注

2.单文件转换

3.数据批处理

4.数据集重命名处理

5. 创建imageSets

---

1.数据标注

见《数据集标注》

2.单文件转换

使用conda安装完后，在conda安装目录下有如下几个可执行程序，使用labelme_json_to_dataset.exe可以转换单个json文件，但不能批量转换。

输入以下命令进行单个文件转换:

labelme_json_to_dataset.exe json文件路径

3.数据批处理

在conda安装目录中，进入到如下目录："你的conda安装路径\Lib\site-packages\labelme\cli\"，现将原先的json_to_dataset.py文件备份，将该脚本使用以下代码代替：

import argparse
import base64
import json
import os
import os.path as osp

import PIL.Image
import yaml

from labelme.logger import logger
from labelme import utils

def label(json_file, out_dir, label_name_to_value):
    data = json.load(open(json_file))
    if data['imageData']:
        imageData = data['imageData']
    else:
        imagePath = os.path.join(os.path.dirname(json_file), 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)
    
    for shape in sorted(data['shapes'], key=lambda x: x['label']):
        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
    lbl = utils.shapes_to_label(img.shape, data['shapes'], label_name_to_value)

    label_names = [None] * (max(label_name_to_value.values()) + 1)
    for name, value in label_name_to_value.items():
        label_names[value] = name
    lbl_viz = utils.draw_label(lbl, img, label_names)

    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')

    logger.warning('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)

    logger.info('Saved to: {}'.format(out_dir))
    


def main():
    logger.warning('This script is aimed to demonstrate how to convert the'
                   'JSON file to a single image dataset, and not to handle'
                   'multiple JSON files to generate a real-use dataset.')

    parser = argparse.ArgumentParser()
    parser.add_argument('json_file_dir')
    parser.add_argument('-o', '--out', default=None)
    args = parser.parse_args()
    label_name_to_value = {'_background_': 0}
    
    path = args.json_file_dir
    dirs = os.listdir(path)
    for json_name in dirs:
        if args.out is None:
            out_dir = osp.basename(json_name).replace('.', '_')
            out_dir = osp.join(osp.dirname(json_name), out_dir)
        else:
            out_dir = args.out+'/'+osp.basename(json_name).replace('.', '_')
        if not osp.exists(out_dir):
            os.mkdir(out_dir)
        
        json_file=path+'/'+json_name
        label(json_file, out_dir, label_name_to_value)
        

if __name__ == '__main__':
    main()

将标注好的所有数据的json文件都放到一个文件夹中，在cmd中定位到该文件夹，进入conda环境，输入以下命令：

activate labelme
labelme_json_to_dataset json<文件夹>

参考：《制作自己的语义分割数据集》

4.数据集重命名处理

对所有label.png文件重命名，将转换后的所有文件夹统一放到一个文件夹下，我命名为dataset，作为批处理的输入，创建一个新的文件夹，我命名为labelpng，作为输出。批处理程序如下：

import os
import shutil

inputdir = 'E:\\temp\\dataset'
outputdir= 'E:\\temp\\labelpng'

for dir in os.listdir(inputdir):
    
    #设置旧文件名（就是路径+文件名）
    oldname = inputdir + os.sep + dir.split('_')[0]+'_'+dir.split('_')[1] + os.sep + 'label.png'   # os.sep添加系统分隔符
    
    #设置新文件名
    newname = outputdir + os.sep + dir.split('_')[0]+'.png'
    
    shutil.copyfile(oldname, newname)   #用os模块中的rename方法对文件改名
    print(oldname, '======>', newname)

执行完成后所有的label.png文件就转换成原始图像对应名字的.png文件了。

将所有mask和原始图像放到voc2012对于的文件夹中就可以了。

5. 创建imageSets

使用如下代码将创建好的mask进行数据分割：

from sklearn.model_selection import train_test_split
import os

imagedir = 'E:/temp/segment_dataset/0918/labelpng/'
outdir = 'E:/temp/segment_dataset/0918/imagesets_seg/'

images = []
for file in os.listdir(imagedir):
        filename = file.split('.')[0]
        images.append(filename)

train, test = train_test_split(images, train_size=0.7, random_state=0)
val, test = train_test_split(test, train_size=0.2/0.3, random_state=0)

with open(outdir+"train.txt", 'w') as f:
	f.write('\n'.join(train))
	
with open(outdir+"val.txt", 'w') as f:
	f.write('\n'.join(val))
	
with open(outdir+"test.txt", 'w') as f:
	f.write('\n'.join(test))

with open(outdir+"trainval.txt", 'w') as f:
	f.write('\n'.join(images))