基于Labelme的像素级分割标注实战：构建高质量裂缝数据集

1次阅读

共计 3336 个字符，预计需要花费 9 分钟才能阅读完成。

在裂缝检测这类细粒度视觉任务中，传统矩形框标注（Bounding Box）存在明显局限性：

精度不足：矩形框会包含大量背景像素，影响模型对裂缝边缘的精确学习
形态失真：裂缝通常呈现不规则线状结构，矩形框无法反映真实几何特征
IoU 计算偏差：评估指标与实际应用场景不符（如计算裂缝面积占比时）

相比之下，像素级分割标注能：

精确刻画裂缝的拓扑结构
减少背景噪声干扰
支持更准确的评估指标（如 Dice 系数）

工具	标注类型支持	学习成本	扩展性	适用场景
Labelme	多边形 / 语义分割	低	高	小规模精细化标注
CVAT	多类型标注	中	中	企业级协作标注
VIA	基础形状标注	低	低	快速原型开发

选择 Labelme 的核心理由：

原生支持 Python 生态，便于后续数据处理
开源可定制（支持插件开发）
轻量级且跨平台

# 推荐使用 conda 环境
conda create -n labelme python=3.8
conda activate labelme
pip install labelme pycocotools

关键依赖说明：

PyQt5：提供图形界面支持
numpy：处理多边形坐标
pillow：图像读写

启动工具：labelme --nodata（不保存图像数据到 JSON）
创建多边形标注：
按 Ctrl+ 鼠标左键 添加顶点
按 Esc 完成当前多边形
实用快捷键：
Ctrl+Z 撤销上一步
Ctrl+H 隐藏 / 显示标注
空格键 切换图像

边缘贴合技巧：

先标注大致的轮廓，再用 编辑顶点 模式微调
对复杂裂缝可分段标注再合并

几何完整性检查：
确保所有多边形闭合
相邻标注间无重叠或缝隙
语义一致性检查：
相同类别标签命名统一
标注覆盖所有可见裂缝

以下是将 Labelme JSON 转换为 COCO 格式的完整脚本：

import json
import os
import numpy as np
from PIL import Image, ImageDraw
from pycocotools.coco import COCO
from pycocotools import mask as maskUtils

class Labelme2COCO:
    def __init__(self, labelme_dir, output_dir):
        self.labelme_dir = labelme_dir
        self.output_dir = output_dir
        os.makedirs(output_dir, exist_ok=True)

        # 初始化 COCO 数据结构
        self.coco = {"images": [],
            "annotations": [],
            "categories": [{"id": 1, "name": "crack"}]
        }

    def _polygon_to_mask(self, shape, height, width):
        """将多边形转换为二值 mask"""
        mask = np.zeros((height, width), dtype=np.uint8)
        if len(shape) < 3:
            return mask

        # 使用 Pillow 绘制多边形
        img = Image.new('L', (width, height), 0)
        draw = ImageDraw.Draw(img)
        draw.polygon(shape, outline=1, fill=1)
        mask = np.array(img)
        return mask

    def convert(self):
        """主转换函数"""
        annotation_id = 1

        for idx, filename in enumerate(os.listdir(self.labelme_dir)):
            if not filename.endswith('.json'):
                continue

            # 解析 Labelme 文件
            with open(os.path.join(self.labelme_dir, filename)) as f:
                data = json.load(f)

            # 添加 image 信息
            image_id = idx + 1
            self.coco["images"].append({
                "id": image_id,
                "file_name": data["imagePath"],
                "height": data["imageHeight"],
                "width": data["imageWidth"],
            })

            # 处理每个标注
            for shape in data["shapes"]:
                if shape["shape_type"] != "polygon":
                    continue

                # 生成 mask 并计算面积
                mask = self._polygon_to_mask(shape["points"],
                    data["imageHeight"],
                    data["imageWidth"]
                )
                area = mask.sum().item()

                # 转换为 RLE 格式
                rle = maskUtils.encode(np.asfortranarray(mask))
                segmentation = rle["counts"].decode("utf-8")

                # 添加 annotation
                self.coco["annotations"].append({
                    "id": annotation_id,
                    "image_id": image_id,
                    "category_id": 1,
                    "segmentation": {"counts": segmentation, "size": [data["imageHeight"], data["imageWidth"]]},
                    "area": area,
                    "bbox": maskUtils.toBbox(rle).tolist(),
                    "iscrowd": 0
                })
                annotation_id += 1

        # 保存结果
        with open(os.path.join(self.output_dir, 'annotations.json'), 'w') as f:
            json.dump(self.coco, f, indent=2)

if __name__ == "__main__":
    converter = Labelme2COCO("labelme_annotations", "coco_output")
    converter.convert()

关键功能说明：