labelme数据标注保姆级教程：从安装到格式转换全流程，附常见问题避坑指南(含视频讲解)

引言：为什么选择labelme？

在人工智能和机器学习领域，高质量的标注数据是训练优秀模型的基础。而 labelme作为一款开源、跨平台的图像标注工具，凭借其强大的功能和易用性，成为了数据标注领域的热门选择。

它支持多种标注类型，如矩形框、多边形、线段、点、文本等，能满足目标检测、图像分割、姿态估计等多种任务的标注需求。更重要的是，它操作简单，对于新手非常友好，同时生成的标注数据格式规范，便于后续的模型训练。

本文将从labelme的下载安装开始，详细介绍其界面功能、各种标注类型的操作流程、标注数据的保存与格式转换，以及常见问题的解决方法，带你一站式掌握 labelme数据标注技能。

labelme数据标注保姆级教程：从安装到格式转换全流程

一、labelme 下载与安装

1.1 安装前的准备

在安装 labelme之前，需要确保你的电脑已经安装了 Python 环境。因为 labelme 是基于 Python 开发的，Python 版本建议选择 3.6 及以上，以保证兼容性。

可以在 Python 官方网站（https://www.python.org/）下载并安装适合自己操作系统的 Python 版本。安装完成后，建议配置好环境变量，以便在命令行中能够直接使用 Python 和 pip 命令。

建议直接参考我们之前的内容： 【打怪升级 – 01】保姆级机器视觉入门指南：硬件选型 + CUDA/cuDNN/Miniconda/PyTorch/Pycharm 安装全流程（附版本匹配秘籍+文末有视频讲解）

1.2 安装 labelme

labelme 的安装非常简单，通过 pip 命令即可完成。

打开命令行窗口（Windows 系统可以使用 Win+R 组合键打开运行窗口，输入 cmd 后回车；Mac 和 Linux 系统可以直接打开终端），输入以下命令：

pip install labelme

等待安装完成即可。如果安装过程中出现网络问题，可以尝试使用国内的镜像源(非常推荐)，例如：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple labelme

安装完成后，在命令行中输入 “labelme” 并回车，如果能够成功启动 LabelMe 软件，则说明安装成功。

二、labelme 界面介绍

成功启动 labelme后，我们先来熟悉一下它的界面布局，以便后续操作更加顺畅。

2.1 菜单栏

• 文件：包含新建标注文件、打开图像、保存标注结果、关闭等基本文件操作。

• 编辑：提供撤销、重做、复制、粘贴等编辑功能，方便在标注过程中进行修改。

• 视图：可以控制一些界面元素的显示与隐藏，如标注工具栏、状态栏等。

• 帮助：包含软件的帮助文档、关于信息等，当遇到问题时可以查阅。

2.2 标注工具栏

标注工具栏位于界面左侧，包含了各种标注工具，从左到右依次为：

• Open：打开一张图像进行标注。

• Save：保存当前的标注结果。

• Create Rectangle：创建矩形框标注，适用于目标检测任务中对目标进行框选。

• Create Polygon：创建多边形标注，常用于图像分割任务，能够精确地勾勒出目标的轮廓。

• Create Circle：创建圆形标注。

• Create Line：创建线段标注，可用于标注道路、边缘等。

• Create Point：创建点标注，适合标注关键点，如人脸特征点、物体的角点等。

• Create Text：创建文本标注，用于对图像中的区域进行文字说明。

• Edit Polygons：编辑多边形标注，可以调整多边形的顶点位置。

• Delete Selected Shape：删除选中的标注形状。

• Duplicate Shape：复制选中的标注形状。

2.3 图像显示区

界面中间的大部分区域是图像显示区，用于显示待标注的图像以及标注的结果。在标注过程中，可以通过鼠标滚轮放大或缩小图像，也可以按住鼠标左键拖动图像来调整显示位置。

2.4 标注信息区

界面右侧是标注信息区，当创建一个标注形状后，这里会显示该标注的相关信息，如标注的类别名称、坐标信息等。可以在这里修改标注的类别名称，也可以对标注的坐标进行精确调整。

三、labelme标注流程

前期准备：视频转图片

import cv2
import os
from datetime import datetime

def video_to_images(video_path, output_folder=None, interval=1, prefix="frame"):
"""
将视频文件转换为图片

参数:
video_path (str): 视频文件路径
output_folder (str): 输出图片文件夹，默认为视频名+_frames
interval (int): 提取帧的间隔（秒），默认为1秒
prefix (str): 图片文件名前缀，默认为"frame"
"""
# 检查视频文件是否存在
if not os.path.exists(video_path):
print(f"错误: 视频文件 '{video_path}' 不存在")
return

# 创建输出文件夹
if output_folder is None:
video_name = os.path.splitext(os.path.basename(video_path))[0]
output_folder = f"{video_name}_frames_{datetime.now().strftime('%Y%m%d_%H%M%S')}"

os.makedirs(output_folder, exist_ok=True)
print(f"图片将保存到: {output_folder}")

# 打开视频文件
cap = cv2.VideoCapture(video_path)

# 检查视频是否成功打开
if not cap.isOpened():
print(f"错误: 无法打开视频文件 '{video_path}'")
return

# 获取视频帧率
fps = cap.get(cv2.CAP_PROP_FPS)
if fps <= 0:
fps = 30 # 默认帧率
print(f"视频帧率: {fps:.2f} FPS")

# 计算每隔多少帧提取一次（根据间隔时间）
frame_interval = int(fps * interval)
print(f"每隔 {interval} 秒提取一帧，即每隔 {frame_interval} 帧")

frame_count = 0
saved_count = 0

# 循环读取视频帧
while True:
ret, frame = cap.read()

# 如果读取失败，退出循环
if not ret:
break

# 按照指定间隔保存帧
if frame_count % frame_interval == 0:
# 生成文件名
image_name = f"{prefix}_{saved_count:06d}.jpg"
image_path = os.path.join(output_folder, image_name)

# 保存帧为图片
cv2.imwrite(image_path, frame)
saved_count += 1
# 每100帧打印一次进度
if saved_count % 100 == 0:
print(f"已保存 {saved_count} 张图片")

frame_count += 1

# 释放资源
cap.release()
print(f"转换完成，共保存 {saved_count} 张图片")

if __name__ == "__main__":
# 示例用法
video_file = "30122904208-1-192.mp4" # 替换为你的视频文件路径
output_dir = None # 设为None将自动创建文件夹
time_interval = 15 # 每隔1秒提取一帧

video_to_images(
video_path=video_file,
output_folder=output_dir,
interval=time_interval
)

3.1 打开图像

点击标注工具栏中的 “Open” 按钮，或者在菜单栏中选择 “File”->“Open”，在弹出的文件选择窗口中找到需要标注的图像，选中后点击 “打开”，图像就会显示在图像显示区。

3.2 矩形框标注（目标检测）

3.3 多边形标注（图像分割）

3.4 点标注（关键点检测）

3.5 保存标注结果

完成图像的标注后，点击标注工具栏中的 “Save” 按钮，或者在菜单栏中选择 “File”->“Save”，会弹出保存文件窗口。建议将标注结果与图像保存在同一个文件夹中，文件名可以与图像文件名相同，标注文件的格式为.json。

四、标注数据格式转换

labelme 生成的标注文件是.json 格式的，这种格式虽然便于存储和编辑，但在很多深度学习框架中，需要将其转换为特定的格式（如 COCO 格式、VOC 格式）才能用于模型训练。下面介绍如何将 labelme 的.json 格式标注数据转换为常用的格式。

4.1 转换为 YOLO标签格式

import json
import os
import cv2
import argparse
from tqdm import tqdm

def convert_labelme_to_yolo(json_path, output_dir, class_names):
"""
将单个LabelMe JSON文件转换为YOLO格式

参数:
json_path: LabelMe标注的JSON文件路径
output_dir: 输出YOLO格式标签的目录
class_names: 类别名称列表，用于将类别名称映射为索引
"""
# 创建输出目录（如果不存在）
os.makedirs(output_dir, exist_ok=True)

# 读取JSON文件
with open(json_path, 'r', encoding='utf-8') as f:
data = json.load(f)

# 获取图像宽高
img_width = data['imageWidth']
img_height = data['imageHeight']

# 获取输出文件名（与图片名相同，后缀改为txt）
img_name = os.path.splitext(os.path.basename(data['imagePath']))[0]
txt_path = os.path.join(output_dir, f"{img_name}.txt")

# 处理每个标注
with open(txt_path, 'w', encoding='utf-8') as f:
for shape in data['shapes']:
# 获取类别名称并转换为索引
label = shape['label']
if label not in class_names:
print(f"警告: 类别 '{label}' 不在类别列表中，已跳过")
continue
class_id = class_names.index(label)

# 获取标注点并归一化
points = shape['points']
normalized_points = []

for (x, y) in points:
# 归一化到[0,1]范围
norm_x = x / img_width
norm_y = y / img_height
normalized_points.append(f"{norm_x:.6f} {norm_y:.6f}")

# 对于多边形，YOLO格式为: 类别ID x1 y1 x2 y2 … xn yn
line = f"{class_id} " + " ".join(normalized_points) + "\\n"
f.write(line)

return txt_path

def batch_convert(input_dir, output_dir, class_names_path):
"""
批量转换目录中的所有LabelMe JSON文件

参数:
input_dir: 包含LabelMe JSON文件的目录
output_dir: 输出YOLO格式标签的目录
class_names_path: 类别名称文件路径
"""
# 读取类别名称
with open(class_names_path, 'r', encoding='utf-8') as f:
class_names = [line.strip() for line in f if line.strip()]

# 创建输出目录
os.makedirs(output_dir, exist_ok=True)

# 获取所有JSON文件
json_files = [f for f in os.listdir(input_dir) if f.endswith('.json')]

if not json_files:
print(f"警告: 在目录 '{input_dir}' 中未找到任何JSON文件")
return

# 批量转换
print(f"找到 {len(json_files)} 个JSON文件，开始转换…")
for json_file in tqdm(json_files):
json_path = os.path.join(input_dir, json_file)
try:
convert_labelme_to_yolo(json_path, output_dir, class_names)
except Exception as e:
print(f"转换文件 '{json_file}' 时出错: {str(e)}")

print(f"转换完成，结果保存在: {output_dir}")

if __name__ == "__main__":
# 解析命令行参数
parser = argparse.ArgumentParser(description='将LabelMe标注的JSON文件转换为YOLO格式')
parser.add_argument('–input', type=str, required=True, help='输入JSON文件或包含JSON文件的目录')
parser.add_argument('–output', type=str, required=True, help='输出YOLO格式标签的目录')
parser.add_argument('–classes', type=str, required=True, help='包含类别名称的文本文件路径')

args = parser.parse_args()

# 检查输入是文件还是目录
if os.path.isfile(args.input) and args.input.endswith('.json'):
# 单个文件转换
with open(args.classes, 'r', encoding='utf-8') as f:
class_names = [line.strip() for line in f if line.strip()]
convert_labelme_to_yolo(args.input, args.output, class_names)
print(f"转换完成，结果保存在: {args.output}")
elif os.path.isdir(args.input):
# 批量转换
batch_convert(args.input, args.output, args.classes)
else:
print(f"错误: 输入 '{args.input}' 不是有效的JSON文件或目录")

使用说明：

五、常见问题与避坑指南

5.1 标注过程中软件崩溃

• 原因：可能是图像过大、电脑内存不足，或者 labelme 软件存在 bug。

• 解决方法：尽量选择合适大小的图像进行标注，避免标注过大的图像；定期保存标注结果，以防止数据丢失；如果频繁崩溃，可以尝试更新 LabelMe 到最新版本，或者重新安装。

5.2 标注的类别名称错误

• 原因：在输入类别名称时不小心输错。

• 解决方法：在标注信息区找到对应的标注，直接修改 “label” 输入框中的内容，然后按回车键确认即可。

5.3 格式转换失败

• 原因：可能是标注文件不完整、类别名称与 labels.txt 文件中的不一致，或者转换工具安装出现问题。

• 解决方法：检查标注文件是否完整，确保每个标注都有正确的类别名称；核对 labels.txt 文件中的类别名称是否与标注中的一致；重新安装转换工具，确保安装成功。

5.4 无法打开图像

• 原因：图像路径包含特殊字符，或者图像格式不被支持。

• 解决方法：将图像路径修改为不包含特殊字符的路径；尝试将图像转换为常见的格式，如.jpg、.png 等。