鞍山网站制作开发,做网站 华普花园,网站上做公司宣传,怎么可以做自己的网站本来打算是将这两部分分开的#xff0c;但写完虚拟环境的创建似乎字数太少了#xff0c;不过二者有关联#xff0c;所以就放一起了。简单介绍一下#xff0c;虚拟环境的创建有win11系统已经Ubuntu系统#xff0c;labelme教程包括了下载及其使用的全部流程#xff0c;以及…本来打算是将这两部分分开的但写完虚拟环境的创建似乎字数太少了不过二者有关联所以就放一起了。简单介绍一下虚拟环境的创建有win11系统已经Ubuntu系统labelme教程包括了下载及其使用的全部流程以及我本人平时标注时使用的案例和快捷键文末分享了json转png的脚本。希望这个教程能解决你的问题。
目录
Anaconda创建虚拟环境
win 11系统
Ubuntu系统
labelme的下载以及使用
1、激活环境
2、下载指定版本
3、创立图片文件夹
4、使用labelme标注
5、使用脚本将json转为png Anaconda创建虚拟环境
win 11系统
我的是win11系统可以点击搜索。或者是按下wins键打开。 在里面输入Anaconda Prompt 初始是这样的
(base) C:\Users\honor
base是一个基础的环境在这里我们先查看我们的虚拟环境
输入conda env list 除了base其他都是我创建的虚拟环境当然有的一直没有用。
然后我们需要创建自己的环境conda create -n env_name python3.7
env-name就是环境的名称可随意更改python3.7是环境安装的python版本也可按需更改高版本并不好常常会出现一些bug我最爱用的还是3.7及其下的版本。
激活环境activate env_name然后你就可以根据需要pip下载包了退出环境deactivate我通常会省去这步直接activate 其他的虚拟环境名这样方便转换到其他虚拟环境删除虚拟环境conda remove -n env_name --allUbuntu系统
当然啦由于我们实验室有工作站是Ubuntu系统的情况类似只是在激活环境和退出环境时前面要加上source
激活环境source activate env_name退出环境source deactivate
labelme的下载以及使用
首先要安装好虚拟环境如上所示我的虚拟环境就叫labelme专门使用它
1、激活环境
输入activate labelme 2、下载指定版本
在该环境下输入命令行
pip install labelme3.16.7
据前辈所说有些版本的labelme会发生错误具体的错误为Too many dimensions3 2
总之这个下就行了。由于我的已经安装好了所以这里不展示了。
3、创立图片文件夹
在一个文件下我希望你有以下三个文件
picjsonlab
不管你的命名的是什么搞清楚它们的作用就行了pic是你需要标注的图片存放位置json是你标注后生成的文件lab是通过脚本将json文件转化为png格式的图片。
内容展示4、使用labelme标注
激活环境后直接输入labelme。
(labelme) C:\Users\honorlabelme 点击右边导航栏中顺数第二个即可打开你需要标注的图片所在的文件夹进行批量标注。
我拿网上的数据集CrackForest做为示范。
选中你要标记的图片点击Create Polygons顺数第七个。 原始图片是这样的在标注时一定要尽可能的放大最大去标注你的预测效果与你的标注息息相关。如下图所示 记住一定要闭环最后一个点一定要与起点相接。这里假设我们完成后他就会出现这样的弹窗。 在这里的crack是我们自己输入的输入一次后会默认当然多个物体标注时在下面的白色画布部分会有你想要分类的记录。
如果你觉得你自己有些点标注的地方不是很如意可以点击Edit Ploygons顺数第八个。当你触碰到点时对应的点会变红变大如果你移动到了中间的红色区域你可以对其进行拖拽对不满意的地方进行修改这是其中的一个修改方法。 有些快捷键是你需要掌握的
Ctrlz撤回上一个标注的点不要一直按它可能会同时将你已经标注好的区域全部撤回。Ctrl鼠标滚轮对图片进行放大缩小Alt鼠标滚轮左右横向移动鼠标滚轮上下移动Ctrls保存
完成一张图后一定一定要保存呀位置就在json文件夹当中保存成功后右下角的File list对应图片的位置会有蓝底白色的小勾。
5、使用脚本将json转为png
Json2Image.py
import base64
import json
import os
import os.path as ospimport numpy as np
import PIL.Image
from labelme import utilsif __name__ __main__:jpgs_path E:\Deeplearning\Road_Detect_Project\THREE_ZJR\zjrpngs_path E:\Deeplearning\Road_Detect_Project\THREE_ZJR\png# classes [_background_,aeroplane, bicycle, bird, boat, bottle, bus, car, cat, chair, cow, diningtable, dog, horse, motorbike, person, pottedplant, sheep, sofa, train, tvmonitor]# classes [_background_,cat,dog]classes [_background_, crack]count os.listdir(E:\Deeplearning\Road_Detect_Project\THREE_ZJR\json)for i in range(0, len(count)):path os.path.join(E:\Deeplearning\Road_Detect_Project\THREE_ZJR\json, count[i])print(count[i])if os.path.isfile(path) and path.endswith(json):data json.load(open(path), strictFalse)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 denselabel_values, label_names [], []for ln, lv in sorted(label_name_to_value.items(), keylambda 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)PIL.Image.fromarray(img).save(osp.join(jpgs_path, count[i].split(.)[0] .jpg))new np.zeros([np.shape(img)[0], np.shape(img)[1]])for name in label_names:index_json label_names.index(name)index_all classes.index(name)new new index_all * (np.array(lbl) index_json)utils.lblsave(osp.join(pngs_path, count[i].split(.)[0] .png), new)print(Saved count[i].split(.)[0] .jpg and count[i].split(.)[0] .png)在这里面凡是出现了路径都要改对应的部分一定要分清楚然后所需要分的类型也要修改也就是classes变量。接着点击运行就可以了。我的建议呢就是每个工程文件下都留有这个py文件有好处的。
