怎么用lableme处理json文件

使用LabelMe处理JSON文件：从标注到数据管理的全面指南

LabelMe是一款基于Python的开源图像标注工具,因其灵活性和强大的功能被广泛应用于计算机视觉项目中（如目标检测、语义分割等），其标注结果以JSON格式存储，而处理这些JSON文件（如格式转换、数据清洗、统计分析等）是项目落地的关键环节，本文将详细介绍如何使用LabelMe处理JSON文件，涵盖从标注结果导出、JSON结构解析到常用操作（如转换、合并、可视化）的完整流程。

LabelMe JSON文件基础：结构与生成

1 JSON文件的结构

Labelme标注的每个图像会生成一个同名的JSON文件（如image.json），核心字段包括：

• version：标注工具版本（如5.6）。
• flags：自定义标注标记（如{"ignore": true}），可选。
• shapes：标注对象的核心列表，每个元素包含：
  • label：标注类别（如"cat"、"dog"）。
  • points：标注点的坐标列表（如矩形框的4个角点、多边形的顶点）。
  • group_id：用于关联多个独立形状（如分割区域的多个部分），可选。
  • shape_type：形状类型（如"polygon"、"rectangle"、"point"）。
  • flags：单个形状的标记，可选。
• imagePath：标注图像的文件路径（相对路径）。
• imageData：图像的Base64编码数据（可选，若未存储图像路径则需包含）。
• imageHeight/imageWidth：图像的高度和宽度（像素）。

示例JSON片段：

{
  "version": "4.5.6",
  "flags": {},
  "shapes": [
    {
      "label": "cat",
      "points": [[100, 150], [300, 150], [300, 400], [100, 400]],
      "group_id": null,
      "shape_type": "rectangle",
      "flags": {}
    },
    {
      "label": "dog",
      "points": [[400, 200], [450, 250], [420, 300]],
      "group_id": null,
      "shape_type": "polygon",
      "flags": {}
    }
  ],
  "imagePath": "images/cat_dog.jpg",
  "imageHeight": 500,
  "imageWidth": 800
}

2 导出JSON文件

Labelme标注完成后,JSON文件会自动保存在与图像相同的目录下（默认文件名与图像相同），若需手动导出或调整格式：

1. 点击工具栏的File → Save保存当前标注（自动生成JSON）。
2. 若需批量导出,使用File → Save As选择目标路径，或通过命令行工具labelme_json_to_dataset批量转换（详见后文）。

LabelMe JSON文件的常见处理操作

1 JSON格式转换：适配不同框架需求

不同深度学习框架（如YOLO、COCO、Mask R-CNN）对标注格式要求不同，需将LabelMe的JSON转换为对应格式。

（1）转COCO格式（适用于目标检测/分割）

COCO格式要求标注以.json文件存储，包含images、annotations、categories三个核心字段。
工具推荐：Labelme自带的labelme2coco.py脚本。
操作步骤：

• 安装依赖：pip install labelme pycocotools。
• 准备标注文件列表：创建一个txt文件（如image_list.txt），每行为图像路径（如images/001.jpg）。
• 运行转换脚本：

  labelme2coco --input_list image_list.txt --output_dir coco_output

• 输出结果：coco_output目录下生成annotations.json，可直接用于COCO数据集训练。

（2）转YOLO格式（适用于YOLOv5/v7/v8等）

YOLO格式要求标注为.txt文件，每行包含class_id x_center y_center width height（归一化坐标）。
工具推荐：第三方脚本labelme2yolo.py（需提前生成类别映射文件）。
操作步骤：

• 创建类别文件classes.txt，每行为一个类别（如cat、dog）。
• 运行转换脚本（示例）：

  python labelme2yolo.py --json_dir labelme_jsons --output_dir yolo_labels --classes classes.txt

• 输出结果：每个图像对应一个.txt文件，与图像文件名一致，可直接用于YOLO训练。

（3）转VOC格式（适用于Pascal VOC数据集）

VOC格式要求标注为XML文件,包含size（图像尺寸）、object（标注框）等信息。
工具推荐：Labelme自带的labelme2voc.py脚本。
操作步骤：

• 运行转换脚本：

  labelme2voc --json_dir labelme_jsons --output_dir voc_output --voc_classes cat,dog

• 输出结果：voc_output目录下生成Annotations（XML标注）和JPEGImages（图像），符合VOC数据集结构。

2 JSON文件合并：整合多场景标注

当标注数据分散在多个JSON文件中时（如不同人员标注、不同场景），需合并为一个统一文件。
方法：使用Python脚本遍历JSON文件，整合shapes和images字段。

示例代码：

import json
import os
from glob import glob
def merge_json_files(json_dir, output_file):
    merged_data = {
        "version": "4.5.6",
        "flags": {},
        "shapes": [],
        "images": []
    }
    json_files = glob(os.path.join(json_dir, "*.json"))
    for json_file in json_files:
        with open(json_file, "r") as f:
            data = json.load(f)
            merged_data["shapes"].extend(data["shapes"])
            # 合并图像信息（需去重）
            img_info = {
                "file_name": data["imagePath"],
                "height": data["imageHeight"],
                "width": data["imageWidth"]
            }
            if img_info not in merged_data["images"]:
                merged_data["images"].append(img_info)
    # 更新图像路径为相对路径（可选）
    merged_data["imagePath"] = "merged_images/"
    with open(output_file, "w") as f:
        json.dump(merged_data, f, indent=2)
# 使用示例
merge_json_files("labelme_jsons", "merged_annotations.json")

注意事项：合并前需检查图像路径是否一致，避免重复或路径错误。

3 JSON文件清洗：修正标注错误

标注过程中可能存在错误（如类别错标、坐标越界），需通过清洗修正。
常见清洗操作：

• 修正类别标签：统一大小写、合并相似类别（如"Dog"和"dog"合并为"dog"）。
• 过滤无效标注：删除坐标超出图像范围的标注（如points中存在负值或超过imageWidth/imageHeight）。
• 删除空标注：移除shapes为空的JSON文件（无标注的图像）。

示例代码（过滤无效标注）：

import json
def clean_json(json_file, output_file):
    with open(json_file, "r") as f:
        data = json.load(f)
    valid_shapes = []
    for shape in data["shapes"]:
        points = shape["points"]
        # 检查坐标是否在图像范围内
        valid_points = [
            [max(0, min(x, data["imageWidth"])), max(0, min(y, data["imageHeight"]))]
            for x, y in points
        ]
        if len(valid_points) >= 3:  # 至少3个点（多边形/矩形）
            shape["points"] = valid_points
            valid_shapes.append(shape)
    data["shapes"] = valid_shapes
    with open(output_file, "w") as f:
        json.dump(data, f, indent=2)
# 使用示例
clean_json("noisy_annotations.json", "cleaned_annotations.json")

4 JSON文件可视化：验证标注质量

合并或清洗后,需可视化JSON标注以验证准确性。
方法1：Labelme自带可视化

• 打开Labelme,点击File → Open加载JSON文件，标注会直接显示在图像上。
• 支持切换标注类型（矩形、多边形等）、编辑和重新保存。

**方法