语义分割制作自己的数据集

1、修改D:\Anaconda3\Lib\site-packages\labelme\cli下的json_to_dataset.py.

import argparse
import json
import os
import os.path as osp
import warningsimport PIL.Image
import yamlfrom labelme import utils
import base64def 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_fileif 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.outif 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 denselabel_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()

2、将所有json文件放在一个文件夹中E:\oralcell\test327\json 进入环境D:\Anaconda3\Scripts 这个目录下有labelme_json_to_dataset.exe 执行

labelme_json_to_dataset.exe E:\oralcell\test327\json

生成的文件夹在D:\Anaconda3\Scripts中，将他们放在E:\oralcell\test327\package中

每个json文件生成一个json文件夹，文件夹中有五项，要用的是label.png。

如果出错可能是labelme版本不对

pip install labelme==3.16.7

3、将每个json文件夹中的label取出来放在一个文件夹中E:\oralcell\test327\png,并重命名为原图的名字。

# -*- coding: utf-8 -*-
import os
import numpy as np
import json
import shutildef find_dir_path(path, keyword_name, dir_list):files = os.listdir(path)for file_name in files:file_path = os.path.join(path, file_name)if os.path.isdir(file_path) and keyword_name not in file_path:find_dir_path(file_path, keyword_name, dir_list)elif os.path.isdir(file_path) and keyword_name in file_path:dir_list.append(file_path)all_result_path = []
src_path = r'E:\oralcell\test327\package'#json文件夹的目录
label_save_path = r'E:\oralcell\test327\png'#png存放的目录
find_dir_path(src_path, '_json', all_result_path)  # 找出所有带着关键词(_json)的所有目标文件夹
# print(all_result_path)for dir_path in all_result_path:# print(dir_path)file_name = dir_path.split('\\')[-1]key_word = file_name[:-5]# print(key_word)label_file = dir_path + "\\" + "label.png"new_label_save_path = label_save_path + "\\" + key_word + ".png"  # 复制生成的label.png到新的文件夹# print(new_label_save_path)shutil.copyfile(label_file, new_label_save_path)

4、改通道数

#批量图片转换：将RGB模式或P模式转换为L灰度拉伸值(可以自定义拉伸大小)
import numpy as np
from PIL import Image
import os
def Mode_P_to_L(img_file,stretch_value):"""
将当前文件下的所有图片进行灰度值转换:param img_file: 图片文件存放目录:param stretch_value: 拉伸值， 图片原始值*stretch_value的结果理论上应该小于255"""##获取目录下所有文件名file_name_list = os.listdir(img_file)#遍历所有图片文件for file in file_name_list:#获取某个图片的全路径img_path = os.path.join(img_file, file)#打开图片image = Image.open(img_path)print(image.mode) #p模式img_arry = Image.fromarray(np.uint8(image))print(img_arry.mode)#L模式img_L = img_arry.convert("L")print(img_L.mode)#灰度拉伸img_end = Image.fromarray(np.uint8(img_L) * stretch_value)print(img_end.mode)#保存图片，并覆盖原图img_end.save(img_path)#提示print("完成对图片：",file," 的转换！")print("所有图片均已完成转换！")#程序主入口
if __name__ == "__main__":# 需要转换的图片所在文件目录img_file = r"E:\oralcell\label327\png\segmentations"#自己输入上一步生成的png格式的标签图stretch_value = 1#自定义拉伸值，但要注意，图片标签值*stretch_value的结果理论上应该小于255Mode_P_to_L(img_file, stretch_value)#调用自定义的转换方法

语义分割制作自己的数据集相关推荐

最详细的语义分割---01如何读取数据集？
数据集组成网络训练的第一步就是读取数据,关于输入图片如何读取,如何进行预处理,将会在本篇文章中进行演示. 首先需要了解的是,语义分割中图片和标签是分别保存的.以voc数据集为例,它有20个类别,加上 ...
pytorch 语义分割-医学图像-脑肿瘤数据集的载入模块
由于最近目标是完成基于深度学习的脑肿瘤语义分割实验,所以需要用到自定义的数据载入,本文参考了一下博客:https://blog.csdn.net/tuiqdymy/article/details/84 ...
点云语义分割:PointNet训练S3DIS数据集
文章目录一.数据准备 1.1.数据下载二.训练三.测试四.6折交叉验证项目地址:pointnet 此次我们是用pointnet网络来做语义分割.代码在pointnet项目中的sem_seg文 ...
点云语义分割:pointnet++训练S3DIS数据集
文章目录一.数据预处理二.训练三.测试四.6折交叉验证 tensorflow版本的pointnet++没有关于S3DIS数据集训练代码,我尝试参考ScanNet的训练代码改写成训练S3DIS数 ...
视频教程-DeepLabv3+图像语义分割实战：训练自己的数据集-计算机视觉
DeepLabv3+图像语义分割实战:训练自己的数据集大学教授,美国归国博士.博士生导师:人工智能公司专家顾问:长期从事人工智能.物联网.大数据研究:已发表学术论文100多篇,授权发明专利10多项 ...
语义分割数据集Pascal VOC2012的读取与处理
语义分割数据集Pascal VOC2012的读取与处理前言读取文件路径数据预处理自定义数据集类完整代码前言 Pascal VOC2012是语义分割的一个重要数据集.学习一下使用Pytorc ...
DeepLabV3+语义分割实战
DeepLabV3+语义分割实战语义分割是计算机视觉的一项重要任务,本文使用Jittor框架实现了DeepLabV3+语义分割模型. DeepLabV3+论文:https://arxiv.org/p ...
使用语义分割架构的文档扫描仪 DeepLabV3
0 介绍地址:https://learnopencv.com/deep-learning-based-document-segmentation-using-semantic-segmentatio ...
目前缺少用于语义分割的 3D LiDAR 数据吗？关于三维点云数据集和方法的调查
目前缺少用于语义分割的 3D LiDAR 数据吗?关于三维点云数据集和方法的调查原文 Are We Hungry for 3D LiDAR Data for Semantic Segmentatio ...

语义分割制作自己的数据集

语义分割制作自己的数据集相关推荐

最新文章

热门文章