网站构建是什么,电子商务和市场营销的区别,合肥万户网络科技有限公司,小程序商家入驻平台前言 都知道标注很麻烦、很累#xff0c;不然先训练一批#xff0c;然后推理得到它的掩码图#xff0c;先生成自动标注#xff0c;再人工手动修改也许会快很多
半自动标注代码
这是我自己写的#xff0c;是labelme的格式#xff0c;大家想要修改成自己的json格式可以修…前言 都知道标注很麻烦、很累不然先训练一批然后推理得到它的掩码图先生成自动标注再人工手动修改也许会快很多
半自动标注代码
这是我自己写的是labelme的格式大家想要修改成自己的json格式可以修改json_dict_init与dict_init函数
默认大家已经得到自己图片经过模型推理之后的掩码图了掩码图上面生成的像素应该是0,1,2,3. 分别对应自己训练的时候的标签
import cv2
import sys
import base64
import cv2
import json
import time
import os
from tqdm import tqdm
from PIL import Image
import numpy as npdef dict_init(label_name):temp_dict {label: label_name,line_color: None,fill_color: None,points:[],shape_type: polygon,flags: {}}return temp_dictdef json_dict_init(num,height,width,img):temp_dict {version: 3.16.2,flags: {},shapes: [],lineColor: [0,255,0,128],fillColor: [255,0,0,128],imagePath: ..\\img\\{}.jpg.format(num),#原图像数据通过b64编码生成的字符串数据可以再次解码成图片imageData:img,imageHeight: height,imageWidth: width}return temp_dictdef image_to_base64(image_path):# 读取二进制图片获得原始字节码with open(image_path, rb) as jpg_file:byte_content jpg_file.read()# 把原始字节码编码成base64字节码base64_bytes base64.b64encode(byte_content)# 把base64字节码解码成utf-8格式的字符串base64_string base64_bytes.decode(utf-8)return base64_string# 定义一个函数用于判断两个点是否相邻
def is_adjacent(pt1, pt2):x1, y1 pt1x2, y2 pt2return abs(x1 - x2) 8 and abs(y1 - y2) 8def main():img_path D:/data_val/new/temp/imglabel_path D:/data_val/new/temp/labeljson_save_path D:/data_val/new/temp/jsonos.makedirs(json_save_path,exist_okTrue)# 放入你的标签名 例如 你的掩码图 像素是1 1对应的就是phone 像素是2 2就是linelabel_name_list [phone,line]img_list os.listdir(img_path)pbar tqdm(totallen(img_list))for filename in img_list:name filename.split(.)[0]# print(**10)# print(f{filename})#label图label Image.open(f{label_path}/{name}.png)label np.array(label)#输出自己的label有多少种像素# unique_values np.unique(label)# print()# print(unique_values)# print()height label.shape[0]width label.shape[1]base64_string image_to_base64(f{img_path}/{filename})json_dict json_dict_init(name,height,width,base64_string)contours, hierarchy cv2.findContours(label, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)background_flag Falseif (len(contours) 0):print(如果未识别到 则变成背景)shapes_dict dict_init(_background_)left_top, left_botton [10, 10], [10, height - 10]right_botton, right_top [width - 10, height - 10], [width - 10, 10]shapes_dict[points] [left_top, left_botton, right_botton, right_top]json_dict[shapes].append(shapes_dict)else:for i,clasee_name in enumerate(label_name_list):temp label.copy()temp[temp!(i1)] 0contours, hierarchy cv2.findContours(temp, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)if (len(contours) 0):continueelse:count 0for contour in contours:shapes_dict dict_init(clasee_name)count count 1#10 20#语义分割approxCourve cv2.approxPolyDP(contour, 3, True)for Courve in approxCourve:point Courve[0]x, y pointx int(x)y int(y)temp_list []temp_list.append(x)temp_list.append(y)shapes_dict[points].append(temp_list)#目标检测 这里只写到生成检测框的四个点 根据自己需求填进去# rect cv2.minAreaRect(contour)# box cv2.boxPoints(rect)# # print(box)# # 轮廓必须是整数, 不能是小数, 所以转化为整数# box np.round(box).astype(int64)# left_point_x np.min(box[:, 0])# right_point_x np.max(box[:, 0])# top_point_y np.min(box[:, 1])# bottom_point_y np.max(box[:, 1])json_dict[shapes].append(shapes_dict)with open(f{json_save_path}/{name}.json, w, encodingutf-8) as f:f.write(json.dumps(json_dict, ensure_asciiFalse))pbar.update(1)if __name__ __main__:main()
