生成labelme能查看的json格式文件

labelme是數據標註中最常用到的標註工具。可以標註矩形框、圓形、線條、不規則圖形等等。所以這種多功能的標註工具，也應用廣泛。

但是，有時候我們也會從別處獲取一些已經標註好的數據，或只是坐標點。那如何用labelme查看呢？今天這篇文章就介紹，如何生成能labelme直接打開的json文件。

本文閱讀大約需要2min，但建議收藏，動手實踐之。

1.保存四邊形矩形框bbox標註信息

任意四邊形坐標標記格式：tl_x,tl_y,tr_x,tr_y,br_x,br_y,bl_x,bl_y。從左上點開始順時針旋轉的四個頂點的坐標，如下圖所示：

將TXT文檔中標註信息，存儲到labelme標註的json文件內，代碼如下：

import json
import base64
from PIL import Image
import io
import os
import cv2
import numpy as np


def generate_json(file_dir, file_name):
    str_json = {}
    shapes = []
    # 讀取坐標
    fr = open(os.path.join(file_dir, file_name))
    for line in fr.readlines():  # 逐行讀取，濾除空格等
        print(line.strip())
        print(type(line.strip()))
        lineArr = line.strip().split(',')
        print("lineArr:", lineArr)
        points = []
        points.append([float(lineArr[0]), float(lineArr[1])])
        points.append([float(lineArr[2]), float(lineArr[3])])
        points.append([float(lineArr[4]), float(lineArr[5])])
        points.append([float(lineArr[6]), float(lineArr[7])])
        print(points)  # 從左上點開始順時針旋轉的四個頂點的坐標
        shape = {}
        shape["label"] = "plate_1"
        shape["points"] = points
        shape["line_color"] = []
        shape["fill_color"] = []
        shape["flags"] = {}
        shapes.append(shape)
    str_json["version"] = "3.14.1"
    str_json["flags"] = {}
    str_json["shapes"] = shapes
    str_json["lineColor"] = [0, 255, 0, 128]
    str_json["fillColor"] = [255, 0, 0, 128]
    picture_basename = file_name.replace('.txt', '.png')
    str_json["imagePath"] = picture_basename
    img = cv2.imread(os.path.join(file_dir, picture_basename))
    str_json["imageHeight"] = img.shape[0]
    str_json["imageWidth"] = img.shape[1]
    str_json["imageData"] = base64encode_img(os.path.join(file_dir, picture_basename))
    return str_json


def base64encode_img(image_path):
    src_image = Image.open(image_path)
    output_buffer = io.BytesIO()
    src_image.save(output_buffer, format='JPEG')
    byte_data = output_buffer.getvalue()
    base64_str = base64.b64encode(byte_data).decode('utf-8')
    return base64_str

if __name__=="__main__":
    """
    txt文件和圖像（png）文件，均存儲在下面這個文件夾下
    生成的json文件，也保存到這個文件夾下
    """
    file_dir = r"E:\temp"
    file_name_list = [file_name for file_name in os.listdir(file_dir) \
                      if file_name.lower().endswith('txt')]

    for file_name in file_name_list:
        str_json = generate_json(file_dir, file_name)
        json_data = json.dumps(str_json, indent=2, ensure_ascii=False)
        jsonfile_name = file_name.replace(".txt", ".json")
        f = open(os.path.join(file_dir, jsonfile_name), 'w')
        f.write(json_data)
        f.close()

檢驗下生成的json，是否成功。用labelme打開，查看標註結果，進行檢驗：

2.保存不規則邊框polygon標註信息

這裡與bbox的區別就在於：

所以，在poly中坐標點的數量是不固定的。在讀取時候，依次將坐標點存儲進來就行

import json
import base64
from PIL import Image
import io
import os
import cv2
import numpy as np


def generate_json(file_dir, file_name):
    str_json = {}
    shapes = []
    # 讀取坐標
    fr = open(os.path.join(file_dir, file_name))
    for line in fr.readlines():  # 逐行讀取，濾除空格等
        print(line.strip())
        print(type(line.strip()))
        lineArr = line.strip().split(',')
        print("lineArr:", lineArr)
        points = []
        for i in range(0, len(lineArr), 2):
            points.append([float(lineArr[i]), float(lineArr[i+1])])
        print(points)  # 從左上點開始順時針旋轉的四個頂點的坐標
        shape = {}
        shape["label"] = "plate_1"
        shape["points"] = points
        shape["line_color"] = []
        shape["fill_color"] = []
        shape["flags"] = {}
        shapes.append(shape)
    str_json["version"] = "3.14.1"
    str_json["flags"] = {}
    str_json["shapes"] = shapes
    str_json["lineColor"] = [0, 255, 0, 128]
    str_json["fillColor"] = [255, 0, 0, 128]
    picture_basename = file_name.replace('.txt', '.png')
    str_json["imagePath"] = picture_basename
    img = cv2.imread(os.path.join(file_dir, picture_basename))
    str_json["imageHeight"] = img.shape[0]
    str_json["imageWidth"] = img.shape[1]
    str_json["imageData"] = base64encode_img(os.path.join(file_dir, picture_basename))
    return str_json


def base64encode_img(image_path):
    src_image = Image.open(image_path)
    output_buffer = io.BytesIO()
    src_image.save(output_buffer, format='JPEG')
    byte_data = output_buffer.getvalue()
    base64_str = base64.b64encode(byte_data).decode('utf-8')
    return base64_str

if __name__=="__main__":
    """
    txt文件和圖像（png）文件，均存儲在下面這個文件夾下
    生成的json文件，也保存到這個文件夾下
    """
    file_dir = r"E:\temp\polygon"
    file_name_list = [file_name for file_name in os.listdir(file_dir) \
                      if file_name.lower().endswith('txt')]

    for file_name in file_name_list:
        str_json = generate_json(file_dir, file_name)
        json_data = json.dumps(str_json, indent=2, ensure_ascii=False)
        jsonfile_name = file_name.replace(".txt", ".json")
        with open(os.path.join(file_dir, jsonfile_name), 'w') as f:
            f.write(json_data)

同樣，labelme打開，查看標註結果：

參考連結：https://blog.csdn.net/skye_95/article/details/103635846

課程推薦：NumPy 手碼一層神經網絡，訓練貓咪二分類

神經網絡越寫越深，參數容量越來越大。那只有一層的神經網絡，能不能訓練用於識別可愛的貓咪呢？ 

這篇文章不再用 TensorFlow、PyTorch 等人工智慧的框架，採用最基礎的數學庫 NumPy，手把手帶你一步步吃透深度學習最基礎知識點： 

數據的讀取與分析

NumPy 定義一層網絡的權重 w 和偏置 b，並初始化網絡

定義損失函數、參數梯度優化

整體梳理數據的流向和計算

總結

學完本Chat，希望能幫助你對深層、複雜的神經網絡有更加深刻的理解。對網絡中的數據流向、參數優化有更加清晰的認識。

獲取連結方式：

1.點擊「閱讀原文」，直達獲取連結。

2.可在公眾號聊天框，回復關鍵字「gitchat」，獲取直達連結。