目录
我是准备用Ultralytics这个模型做图像分割，分享下我用labelme制作Ultralytics图像分割数据集的过程中踩过的雷和经验吧
一、Ultralytics要求的数据集的格式要求
用于训练YOLO 分割模型的数据集标签格式如下：
1、每幅图像一个文本文件：数据集中的每幅图像都有一个相应的文本文件，文件名与图像文件相同，扩展名为".txt"。
2、每个对象一行：文本文件中的每一行对应图像中的一个对象实例。
3、每行对象信息：每行包含对象实例的以下两个信息：
对象类别索引：代表对象类别的整数（如 0 代表人，1 代表汽车等）
对象边界坐标：遮罩区域周围的边界坐标，归一化后介于 0 和 1 之间
分割数据集txt文件中单行的格式如下：
<class-index> <x1> <y1> <x2> <y2> ... <xn> <yn>
<class-index> 是对象的类的索引，而 <x1> <y1> <x2> <y2> ... <xn> <yn> 是对象的分割掩码的边界坐标。坐标之间用空格隔开。
这里需要注意的两点（也是我踩雷的地方）是，
1、<x1> <y1> <x2> <y2> ... <xn> <yn>需要归一化
2、每个分段标签必须有一个 至少 3 个 xy 点: <class-index> <x1> <y1> <x2> <y2> <x3> <y3>
所以，
第一，你就要注意当你用labelme分割图像，产生的json文件转换成txt文件时，在json2txt代码中要有要有归一化处理。
第二，你用labelme分割图像至少要用到三个点，而且尽量不要用circle和rectangle分割
（因为这两个只有两个点的坐标，后面会介绍到，非要用的话，json2txt代码中应该要有求出第三点的坐标的算法，而且还要考虑怎么告诉Ultralytics这个分割形状是圆形或矩形，这里是我的思考，大家参考一下，对于这里有更好的看法或解决方法，望告知我）
Ultralytics具体格式要求看这里：实例分割数据集概述 -Ultralytics YOLO 文档
二、下载labelme
用anaconda创建自己的虚拟环境（想了解为什么创建点这里），记得下载python版本，因为我们后面要用到pip安装labelme，通常，较新版本的Python安装包中已经包含了pip，只需按照提示完成Python的安装即可。（pip是Python的包管理器，全称为“Pip Installs Packages”，用于安装、升级和卸载Python包及其依赖。）
创建命令：
conda create --name env_labelme python=3.9 示意图如下：
创建完毕后，进入以 env_labelme命名的环境的命令：
conda activate env_labelme示意图如下：
然后在该环境里下载labelme
下载命令：
pip install labelme示意图如下：
下载好labelme后，要用的时候命令行直接输入labelme就可以调用
示意图如下：
三、使用labelme分割图像
1、导入和保存图像
导入：在页眉点击“打开”，是打开一个图像；点击“打开目录”，可以打开你设置目录里的所有图像
分割好后保存图像：在页眉点击“文件”——“更改输出路径”，改成你要保存的路径，最好也要点击自动保存（批量分割的时候省事），还有取消勾选“同时保存图像数据”，我训练Ultralytics时候没用到这个。
2、分割图像
labelme提供了三种shapetype（形状），分别为circle、rectangle、polygon（多边形）【在页眉处点击编辑即可看到这三个选项】，下面说一下为什么不推荐训练Ultralytics模型时使用circle、rectangle的原因：
首先，用circle分割示意图如下，可以看到分割结束后，他只会提供圆心的坐标和圆边一点的坐标，不符合Ultralytics要求的数据格式。
同理，用rectangle分割示意图如下，可以看到分割结束后，他只会提供矩形左上角的坐标和右上角的坐标，也不符合Ultralytics要求的数据格式。
所以，建议大家最好使用polygon分割图像，而且最好三个点以上，并且在分割图像的边缘非直线的地方，标注的点尽可能多，不然最后训练出的效果可能会不太好（这点可能跟我们用的是多边形分割的原因，以直代曲，就要分割得细点，这也是我一开始踩雷的地方），分割示意图如下：
分割完后得到的文件是json文件（用记事本打开示意图如下），非 Ultralytics要求的数据格式，后面要通过json2txt代码，转换。
label即你分割对象的类型，points是你用labelme分割时标注的点的坐标，imageData取消勾选“同时保存图像数据”就会没有，不然会很冗长（这里是因为我没用到，大家视自己情况而定） ，imageHeight和imageWidth即对应整个图像的高和宽
四、json2txt
最后一步，把分割完后得到的文件是json文件转换成Ultralytics要求的数据格式（txt标签），这里是我花的时间最长（踩雷）的地方，json转换成txt，并不是说简单扒下别人代码就能用，首先，要好好看看你的json文件里的内容格式是不是我上面展示的json示意图一致（你是否是用labelme并且用多边形分割的）
直接附上代码
import json
import os
#将坐标归一化到 [0, 1] 范围。
def normalize_points(points, image_width, image_height):
"""Normalize polygon points to be in the range [0, 1]."""
return [(x / image_width, y / image_height) for x, y in points]
#将Labelme JSON标注转换为TXT格式
def labelme_json_to_txt(json_dir, txt_dir):
if not os.path.exists(txt_dir):
os.makedirs(txt_dir)
for filename in os.listdir(json_dir):
if filename.endswith('.json'):
json_file_path = os.path.join(json_dir, filename)
image_name = os.path.splitext(filename)[0]
txt_file_path = os.path.join(txt_dir, f'{image_name}.txt')
with open(json_file_path, 'r', encoding='utf-8') as json_file:
data = json.load(json_file)
shapes = data.get('shapes', [])
image_height = data.get('imageHeight', 0)
image_width = data.get('imageWidth', 0)
with open(txt_file_path, 'w', encoding='utf-8') as out_f:
for shape in shapes:
shape_type = shape.get('shape_type', '')
label = shape.get('label', '')
points = shape.get('points', [])
if shape['shape_type'] == "polygon":
normalized_points = normalize_points(points, image_width, image_height)
# Write the label (if present) followed by normalized points
out_f.write(f"{label} ")
out_f.write(" ".join(f"{x:.6f} {y:.6f}" for x, y in normalized_points))
out_f.write("\n")
else:
print(f'Warning: Unknown shape type "{shape_type}" found in {json_file_path}')
# 使用示例
json_directory = 'C:\\Users\Administrator\Desktop\自己制作的数据集\json'#你要修改的输入json地址
txt_output_directory = 'C:\\Users\Administrator\Desktop\自己制作的数据集\labels'#你要修改的txt保存的地址
labelme_json_to_txt(json_directory, txt_output_directory)这个代码修改输入输出，即可用。成功转换后示意图如下：
这里再附上我整理的数据集（mydataset）的格式，如下：
注：其实这里我刚开始不知道用circle、rectangle分割不符合Ultralytics的要求，在json2txt部分，还花蛮多时间弄了circle、rectangle这两种情况，篇幅有限，下篇博客再详细介绍这方面的内容，望大家关注点赞，小小支持一下，谢谢大家喽