Labelme从安装到标注：零基础完整指南

本文手把手教你安装开源图像标注神器Labelme，详解多边形/矩形标注技巧，并附JSON转数据集代码！适合计算机视觉/深度学习初学者，小白也能秒懂～

一、Labelme是什么？为什么选择它？​​

🔍 ​​Labelme​​ 是由麻省理工学院（MIT）计算机科学实验室开发的开源图像标注工具，支持​​多边形、矩形、关键点、语义分割​​等标注类型，生成JSON文件可直接用于训练YOLO、Mask R-CNN等模型。

​​优势对比​​：

• ✅ ​​免费开源​​：无版权风险，社区支持丰富

• ✅ ​​跨平台​​：Windows/macOS/Linux全兼容

• ✅ ​​灵活输出​​：支持JSON → COCO/VOC格式转换

• 🚫 替代LabelImg等工具：更擅长​​不规则物体标注​​（如医学图像、遥感影像）

💡 ​​应用场景​​：目标检测、图像分割、自动驾驶数据集制作、医疗影像分析

​​二、安装教程（Win/macOS/Linux通用）​​

​​1. 环境准备​​

• ​​Python 3.6+​​

• ​​Anaconda​​（管理虚拟环境，避免依赖冲突）点击查看安装教程

​​2. 环境安装​

①创建虚拟环境（命名为labelme_env），输入 conda create -n learning python=3.10，其中learning为你要创建的环境名。安装过程中会提示是否继续，输入y继续安装，结束后就安装完成啦。

②检查下安装的库是否创建，输入 conda env list ，可以看到我们创建的learning已经存在。

③激活环境 ，输入conda activate learning。这个过程中我遇到了问题一直无法激活环境，后来直接使用直接使用 activate.bat，运行cmd在里面输入 D:\anaconda3\Scripts\activate.bat D:\anaconda3\envs\learning。激活后前面会显示环境名称。

 ④安装labelme,输入pip install labelme 回车，开始自动安装。

​​3. 环境使用​

终端输入labelme，弹出GUI界面即成功🎉

​​三、标注实战：​

​​1.常用功能介绍

在labelme软件中，最主要的几个功能如下：

1️⃣打开：只打开一张图像进行标注。

2️⃣打开目录：点击后会弹出一个窗口，选择一个文件夹，文件夹中包含要进行标注的图像。

3️⃣上一幅：在打开目录的情况下，点击后可切换到上一张图片，也可以使用快捷键a。

4️⃣下一幅：在打开目录的情况下，点击后可切换到下一张图片，也可以使用快捷键d。

5️⃣保存：在标注完成后，会生成标签文件。保存选项即选择本地的一个文件夹保存标签文件。建议在选择完打开目录后，便选择一个文件夹路径保存将要生成的标签文件。

6️⃣创建多边形：这一个功能是最重要的，选择了一张图像后便可以进行标注，选择这个功能后即可这对界面中显示的图像进行分割标注，注意标注点要尽可能贴合目标，也可以使用快捷键w

2.图像批注

①打开图像文件夹​​

点击 【打开】或【打开目录】→ 选择图片

② 创建标注​​

• ​​多边形标注​​（不规则物体）：点击工具栏【创建多边形】→ 沿物体边缘描点 → 按Enter闭合，添加标签

• ​​矩形标注​​（常规目标）：点击 鼠标右键可以选择【创建矩形批注】、【原型批注】等形状→ 拖拽画框，添加标签

​③ 保存结果​​

点击 Save→ 生成与图片同名的.json文件（含坐标+标签信息）

在json文件中，
shapes用于内存放目标的相关信息；

imagePath表示被标注图像的相对存储路径；

imageData表示被存储的图像的编码数据；

imageHeight表示该图像的高度；

imageWidth表示该图像的宽度。

shapes内中的label是目标名称，points内保存了标注过程中点的坐标，从左上角（0，0）开始算起。

​​4. 快捷键大全（效率翻倍！）​​

​​四、JSON转数据集：训练模型必备​​

Labelme的JSON需转为图像+掩码格式才能训练模型，两种方法：

​​方法1：命令行一键转换​​

labelme_json_to_dataset E:\data\cat.json

生成文件夹包含：

• img.png→ 原图

• label.png→ 分割掩码（像素值为类别ID）

• label_names.txt→ 类别标签

​​方法2：Python脚本批量转换​​

import os  
from labelme import utils  

json_dir = "D:/json/"  
for json_file in os.listdir(json_dir):  
    if json_file.endswith('.json'):  
        data = json.load(open(os.path.join(json_dir, json_file)))  
        img = utils.img_b64_to_arr(data['imageData'])  # 解析图像  
        lbl = utils.shapes_to_label(img.shape, data['shapes'])  # 生成标签图  
        utils.lblsave(f"D:/labels/{json_file.replace('.json','.png')}", lbl)

代码说明：

• 需提前安装Pillow、numpy库

• 输出标签图为PNG格式，背景=0，物体=1,2,3...（对应类别ID）

​​五、高级技巧：提升标注效率​​

1. ​​批量预标注​​：

   • 用预训练模型（如YOLOv8）生成初始框 → 在Labelme中微调

2. ​​自定义颜色​​：

   • 修改labelme/config/default.yaml中的label_colors值

3. ​​COCO格式导出​​：

   • 点击菜单 File→ Export as COCO format直接生成训练集

​​结语​​

Labelme是CV领域必备的标注利器，从安装到实战，本文已覆盖90%使用场景！