该实现基于Tensorflow、Keras框架，在Ubuntu16.04下运行。
Labelme用来制作图像分割数据集，在安装Labelme之前需要安装下载其所需要的一些依赖库，具体的安装方式见这篇博客
Labelme安装
Labelme github链接
由于笔者之前已经安装过所需要的依赖库，所以在ubuntu终端下直接运行pip install labelme即可，这里就不在赘述。
启动Labelme
labelme
labelme_json_to_dataset ***.json #***表示文件名
该脚本位于"/usr/local/lib/python3.5/dist-packages/labelme/cli/"
转换之后会得到***_json这样一个文件夹，文件夹下存放有下述文件。
后续要用到的主要有label.png 和 info.yaml文件
（温馨提示：打开某个yaml文件查看一下其格式是否正确，正确格式如下：）
label_names:
- _background_
- apple
原始labelme_json_to_dataset脚本只能对单个json文件进行转换，比较繁琐，so，修改脚本文件使其可以进行批量转换
# -*- coding: utf-8 -*-
import argparse
import json
import os
import os.path as osp
import warnings
import imgviz
import PIL.Image
import yaml
from labelme.logger import logger
from labelme import utils
import base64
def 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_file
if 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.out
if 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 dense
label_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 = imgviz.label2rgb(label=lbl, img=imgviz.rgb2gray(img), label_names=label_names, loc='rb')
# lbl_viz = utils.draw_label(lbl, img, captions)
out_dir = osp.basename(count[i]).replace('.', '_')
save_folder_name = out_dir #文件夹名称
split_file_name = osp.basename(count[i]).split('.')#分隔文件名和文件类型
save_file_name = split_file_name[0]
out_dir = osp.join(osp.dirname(count[i]), out_dir)
if not osp.exists(json_file + '/' + 'labelme_json'):
os.mkdir(json_file + '/' + 'labelme_json')
labelme_json = json_file + 'labelme_json'
out_dir1 = labelme_json + '/' + save_folder_name
if not osp.exists(out_dir1):
os.mkdir(out_dir1)
PIL.Image.fromarray(img).save(osp.join(out_dir1, 'img.png'))#save_file_name文件名
#PIL.Image.fromarray(lbl).save(osp.join(out_dir1, save_file_name+'_label.png'))
utils.lblsave(osp.join(out_dir1, 'label.png'), lbl)
PIL.Image.fromarray(lbl_viz).save(osp.join(out_dir1, 'label_viz.png'))
if not osp.exists(json_file + '/' + 'cv2_mask'):
os.mkdir(json_file + '/' + 'cv2_mask')
mask_save2png_path = json_file + '/' + 'cv2_mask'
if not osp.exists(json_file + '/' + 'pic'):
os.mkdir(json_file + '/' + 'pic')
img_save2png_path = json_file + '/' + 'pic'
utils.lblsave(osp.join(mask_save2png_path, save_file_name+'.png'), lbl)
PIL.Image.fromarray(img).save(osp.join(img_save2png_path, save_file_name+'.png'))
with open(osp.join(out_dir1, '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_dir1, 'info.yaml'), 'w') as f:
yaml.safe_dump(info, f, default_flow_style=False)
print('Saved to: %s' % out_dir1)
if __name__ == '__main__':
main()
用上述demo代替”/usr/local/lib/python3.5/dist-packages/labelme/cli/“下的json_to_dataset.py即可。
彩蛋： 上述demo除了可以进行批量转换，还可以直接将我们后续所需要用到的数据分别整理到各自的文件夹下，如图所示：
其中cv2_mask下存放的是每张图片的掩码，labelme_json文件夹下存放的是批量转换后各个json文件生成的文件夹，pic下存放的是原始数据图片。
Tip:json文件转换之后所生成的掩码图象必须保证是8位的，如果不是8位则需要进行转换。（如果你用的是最新版的labelme，则不需要考虑这个问题，因为其生成的json文件转换得到的掩码图就是8位。）
可利用下述代码查看图片的位数
import cv2
img = cv2.imread('***.jpg')
print(img.dtype)
参考博客1
参考博客2
复习内容1：python对文件夹或文件的操作
复习内容2：python对文件夹或文件的操作
github 下载MaskRCNN demo
在MaskRCNN文件夹下新建一个文件命名为train_data
在该文件夹下新建四个文件夹，分别命名为cv2_mask、json、labelme_json、pic；其中cv2_mask、labelme_json、pic是之前生成的三个文件夹，直接放进来即可。json是labelme标注之后得到的json文件。
到此为止，MaskRCNN的数据格式已经准备就绪，接下来就可以开始进行训练了。
2.2 Mask-RCNN训练自己的数据集【Part Two: 模型训练】(全部流程总结+部分释义)
2.3 Mask-RCNN训练自己的数据集【Part Three: 用自己训练的模型进行测试】(全部流程总结+部分释义)