Labelme 图像标注实战指南：一条命令装好，矩形、多边形、整图标签按需上手

Labelme 图像标注实战指南一条命令装好矩形、多边形、整图标签按需上手【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/labelmeLabelme 是一款 Python 编写的开源图形图像标注工具支持多边形、矩形、圆、线、点等多种标注形式并内置 AI 辅助标注能力。读完本文你能在几分钟内完成安装、标出一张图并把结果导出成 VOC / COCO 数据集直接喂给训练框架。装好并打开一条命令的事Labelme 当前版本v7.x需要 Python 3.12 及以上、64 位系统界面基于 Qt6。确认环境后安装只有一条命令pip install labelme装完直接启动labelme窗口打开后用菜单 File → Open Folder 选一个装满图片的目录即可开工。更省事的写法是把参数放在启动命令里labelme data_annotated/打开整个文件夹labelme img.jpg打开单张图--output 输出目录/指定 JSON 保存位置--labels labels.txt预设标签列表避免手打。如果你要跟进最新源码可以克隆后在仓库目录执行pip install .git clone https://gitcode.com/gh_mirrors/la/labelme cd labelme pip install .不确定装没装对跑labelme --help能看到完整命令行参数。界面先认这三块第一次打开别急着找按钮认准三块区域就够了菜单栏File 管开图、存图Edit 管撤销/重做/复制粘贴View 管缩放和显示Help 看帮助。工具栏左侧一排就是标注工具包括Polygon多边形、Rectangle矩形、Oriented Rectangle有向矩形、Circle圆、Line线段、Point点再往后是AI-Points、AI-Box两个 AI 工具右侧是前后翻图、缩放、搜索。画布 侧边面板中间是画布点选的每个点都会成为顶点右边是标签列表每个已标对象都挂在上面改名、删图都从这里操作底部文件列表用左右方向键就能翻页。标签列表和文件列表配合使用点列表里的条目画布上对应形状会高亮点列表下方的文件画布直接跳到那张图。按任务选标注方式不用记三种方法直接问自己模型任务要的是什么 做目标检测 → 用矩形框检测任务只需要边界框。选中Rectangle工具在目标上拖一下松手弹窗里填类名输入过一次的类名会留在下拉历史里直接回车复用一个框就完成了。批量作业时建议启动时带上--labels labels.txt类名从文件取既快又不拼错。矩形示例见 examples/bbox_detection/配套的 VOC 转换脚本是 labelme2voc.py。✂️ 做分割 → 用多边形语义/实例分割要像素级轮廓用Polygon工具沿目标边缘依次点击放点每点一下画布上就多一条边最后双击或按 Enter 闭合再填类名。顶点不满意随时切到编辑模式拖拽微调。语义分割完整示例在 examples/semantic_segmentation/实例分割在 examples/instance_segmentation/。️ 做图像分类 → 打整图标签分类任务不给单个物体画框而是给整张图打旗标flag。启动时加--flags flags.txt每行一个候选标签比如 cat / dog打开图后在标签面板勾选对应项保存即可。JSON 里会记成flags: {cat: true, dog: false}形状列表为空。完整示例见 examples/classification/。让 AI 替你标从手点到点一下纯手动标注最花时间的是沿边缘放点Labelme 内置了两条提效支线背后是 SAM、EfficientSAM、YOLO-world 等模型首次使用会在本地下载权重AI Text Prompt文本转标注界面右上角有一个文本框占位提示e.g., dog,cat,bird输入想标的类别、选好模型、点Run它会自动找出图中这些物体并生成标注你只需要核对和微调。AI-Points / AI-Box辅助多边形在工具栏选AI-Points后在物体上点几下给出提示点模型自动推断出分割轮廓Ctrl点击结束AI-Box则是框一个大框让模型出轮廓。对边缘复杂的目标这比纯手动点多边形快得多。经验值先让 AI 出初稿再花几秒拖顶点修正比从零画快一半以上。标完交给模型JSON 默认格式VOC/COCO 一键导出JSON 是默认产物。每标完一张图保存就会在图片旁生成同名.json文件记录version、shapes每个形状的类型、顶点坐标、标签、imagePath、imageWidth/Height等字段。想连图像数据一起打包进 JSON加--with-image-data不想改原目录就用--output另存。仓库自带的 examples/utils.py 给了不依赖 labelme 直接读 JSON 的参考代码。导出 VOC / COCO 给训练框架用。各示例目录都配好了转换脚本语义分割转 VOCexamples/semantic_segmentation/labelme2voc.py跑完得到 JPEGImages、SegmentationClass类别掩码、SegmentationClassNpy 等标准目录。实例分割转 VOCexamples/instance_segmentation/labelme2voc.py额外生成 SegmentationObject 实例掩码。实例分割转 COCOexamples/instance_segmentation/labelme2coco.py产物是 JPEGImages annotations.json位图掩码会自动用 COCO 的 RLE 编码能保留空洞和断开区域。以实例分割为例命令大致是python labelme2voc.py data_annotated data_dataset_voc --labels labels.txt具体参数见各目录 README。 视频序列标注也有标准工作流。先用video-cli把视频拆成帧video-toimg your_video.mp4再打开帧目录标注。关键参数是--keep-prev前一帧的形状自动带到下一帧你只微调不重画逐帧标注的重复劳动少一大截pip install video-cli video-toimg your_video.mp4 labelme your_video/ --labels labels.txt --keep-prev完整示例含语义分割逐帧效果在 examples/video_annotation/。现在就可以练起来给你一个小任务半小时能跑完整条链路挑 10 张随手拍的照片放进一个文件夹labelme 文件夹/ --labels 类名1,类名2打开只用Rectangle把每张图里的主体框完体会选工具 → 拖框 → 回车复用类名的节奏。换 1~2 张图切到AI-Points点几个提示点对比它给的轮廓和你手点多边形的差别。打开 examples/tutorial/ 里的 draw_json.py把你刚标的 JSON 画出来检查一遍顺手感受标注 → JSON → 可视化的闭环。跑通这三步VOC/COCO 导出只是最后敲一行脚本的事。【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