Labelme 图像标注实战：10 分钟从一张图片到可训练的标注数据集
【免费下载链接】labelmeImage annotation with Python. Supports polygon, rectangle, circle, line, point, and AI-assisted annotation.项目地址: https://gitcode.com/gh_mirrors/la/labelme
手上有一批图片，喂给训练框架之前，得先画上框、分割和类别标签。Labelme 是一个 Python + Qt 的图像标注工具：界面里标，JSON 直接落盘，自带脚本还能把整个目录批量转成 VOC 或 COCO 数据集。下面把完整流程走一遍，从空白画面到能验收的目录，大约十分钟。
五种形状加 flags，先认清它能标什么
五种基础形状加图像级 flags，保存即 JSON，下游可对接两种主流数据集格式：
- 五种基础形状：多边形、矩形、圆形、线条、点
- 图像级 flags：整图打标，适合分类、质检场景
- 保存形式：一图一 JSON，写在图片同目录
- 下游转换：批量转 VOC（XML / 掩码）或 COCO（单个
annotations.json） - 平台要求：64 位 macOS / Windows / Linux，Python 3.12 起
安装并打开示例目录练手
先克隆再安装，装好就能拿仓库自带示例开练：
git clone https://gitcode.com/gh_mirrors/la/labelme cd labelme && pip install -e .装完后用仓库里现成的示例图开练：
labelme examples/bbox_detection/data_annotated这条命令直接打开目标检测示例目录，仓库还带了语义分割等现成例子可换着练。换成自己的数据，不带参数启动labelme，点左侧Open Dir，指向自己的图片文件夹。打开后标题栏给出当前图 序号/总数，右边 File List 挂着全部待标图，标到第几张心里有数。
五步标出第一个多边形
从选工具到落盘只要五步：
- 点左侧工具栏的Create Polygons，切到标注模式
- 沿物体轮廓逐点单击，每个点落下一个绿色顶点，已落的点连成折线，边点边预览
- 快回到起点时，用双击或 Enter 完成闭合
- 弹出对话框，输入类别名（如
person）；上次的标签会被预填，也可以直接从候选里挑 - 最后按
Ctrl+S，标注立刻写进图片同目录的 JSON
此刻多边形刚闭合，标签对话框已打开，预填了上一次用的标签，选个类别名确认即可。
同名 .json 里存了什么
先给结论：每张图标完，旁边多出一个同名.json，信息足以还原其中任何一个形状：
shapes：数组，装着该图全部形状label/points：形状的类别名与顶点坐标group_id：形状之间的分组imagePath、宽高、文件大小：图片自身信息
右侧 File List 里带勾的图表示已标过；每存一次就新建或覆盖对应 JSON。
两条命令转出 VOC 和 COCO 数据集
转换脚本就在 examples 示例目录 里，两条命令各吃一整个标注目录：
./labelme2voc.py data_annotated data_dataset_voc --labels labels.txt ./labelme2coco.py data_annotated data_dataset_coco --labels labels.txt两种输出结构差异明显：VOC 是散文件，每张图一个 XML 放在Annotations/下，另有SegmentationClass等掩码目录；COCO 则是单个annotations.json汇总全部标注。转完别急着进训练，先翻输出目录里的 Visualization 图：掩码有没有贴住物体、类别颜色对不对，一眼可见。标错就回 Labelme 修好，再重跑一次。
像素级对法在这里：一张图里每类一种颜色，右下角图例写明数值到类别的映射。
批量标注的三个提速点
下面三招都针对连标几十张图的情况：
- 快捷键：
Ctrl+S保存、Ctrl+Z撤销、Delete删除选中形状；D/A前后切图，Ctrl+F适应窗口——连标几十张时手基本不用离开键盘 - 预置标签：图片目录放一份
labels.txt（一行一个标签），启动时带--labels参数载入；再开--validate-label exact，标签只能来自这份名单，拼写漂移从源头掐掉 - AI 辅助与逐帧标注：顶部 AI-Assisted Annotation 面板选好 SAM 系列模型，图上点一下就有现成的多边形/掩码，适合先出大轮廓再手修；视频数据按帧标，
D/A推进帧序，每帧各自落一个 JSON
视频示例里当前帧已标出 track 和 car，按 D 键继续下一帧。
协议、存储、导出三个问题
Q：开源协议是什么，商用有没有问题？
GPL-3.0-only，不是 MIT。团队内部做标注没有限制；要把它二次开发后的软件交给别人用，须按 GPL 条款办事，拿不准先问法务。
Q：标注结果存哪儿？
图片旁边同名的.json，标一张存一张；File List 里打勾即已标完。
Q：边界框导出成什么形态？
转 VOC 时框写进Annotations/下的 XML；转 COCO 时进annotations.json的bbox字段。多边形、掩码在两种格式下都会额外产出一套分割标注。
交付前对照这份验收清单
- 用自己的数据完整走一遍「标注 → 保存 → 转换 → 可视化」
- 数据目录放了
labels.txt并开启 strict 标签校验 - 批量转换后抽查了至少几张 Visualization 图
- 产物目录结构对得上训练脚本里写死的路径
【免费下载链接】labelmeImage annotation with Python. Supports polygon, rectangle, circle, line, point, and AI-assisted annotation.项目地址: https://gitcode.com/gh_mirrors/la/labelme
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
