LabelMe教程视频合集：从入门到精通的视频指南
LabelMe是一款强大的图像标注工具，支持多边形、矩形、圆形、线条、点和图像级标志等多种标注方式，是计算机视觉项目数据准备的理想选择。本视频指南将帮助你从零基础快速掌握LabelMe的核心功能，轻松应对各种图像标注任务。
一、LabelMe安装与基础设置（5分钟快速上手）
想要开始使用LabelMe，首先需要完成简单的安装步骤。推荐通过源码安装以获取最新功能：
git clone https://gitcode.com/gh_mirrors/lab/labelme
cd labelme
pip install -e .
安装完成后，在终端输入labelme即可启动程序。首次启动时，你会看到简洁的用户界面，包含菜单栏、工具栏和图像显示区域。建议先通过【Edit】→【Preferences】设置常用快捷键和默认保存路径，提高后续标注效率。
二、基础标注工具全解析（10分钟掌握核心功能）
LabelMe提供了丰富的标注工具，满足不同场景需求：
2.1 矩形与多边形标注
矩形工具适用于目标检测任务，只需点击并拖拽即可创建边界框。对于不规则形状，多边形工具是更好的选择——点击图像创建顶点，双击完成闭合。
图：使用矩形工具标注图像中的人物目标，右侧标签列表可快速选择类别
2.2 语义与实例分割标注
语义分割需要对图像中的每个像素进行分类，而实例分割则要区分同一类别的不同个体。在LabelMe中，通过多边形工具配合标签分组功能可实现这两种标注：
图：实例分割标注界面，不同颜色多边形代表不同实例，标签对话框可快速切换类别
标注完成后，可通过labelme_draw_label_png命令生成可视化结果：
labelme_draw_label_png examples/instance_segmentation/data_annotated/2011_000006.json
生成的标注掩码如下，左侧为类别掩码，右侧为实例掩码：
三、高级应用：视频序列标注（15分钟实战教程）
对于视频数据，LabelMe支持序列图像的批量标注。通过【File】→【Open Dir】选择视频帧所在文件夹，使用【Next Image】/【Prev Image】快速切换帧，已标注的目标会自动保留，只需微调位置即可：
图：视频帧标注界面，右侧文件列表显示序列图像，绿色多边形标注车辆目标
标注完成后，可使用labelme2voc.py脚本将标注结果转换为VOC格式数据集：
python examples/video_annotation/labelme2voc.py data_annotated data_dataset_voc --labels labels.txt
转换后的语义分割结果会保存在data_dataset_voc/SegmentationClassVisualization目录下。
四、标注文件格式与转换（10分钟数据处理）
LabelMe默认生成JSON格式标注文件，包含图像路径、形状信息、标签等数据。以下是典型的标注文件结构：
{
"version": "4.5.6",
"flags": {},
"shapes": [
{
"label": "person",
"points": [[100, 200], [300, 400]],
"shape_type": "rectangle"
}
],
"imagePath": "2011_000003.jpg",
"imageData": "...",
"imageHeight": 338,
"imageWidth": 500
}
如需转换为COCO或VOC格式，可使用项目提供的转换脚本：
- COCO格式：
examples/instance_segmentation/labelme2coco.py - VOC格式：
examples/semantic_segmentation/labelme2voc.py
转换效果示例（左为原图，右为VOC格式语义分割结果）：
图：标注文件转换前后对比，右侧为VOC格式语义分割掩码
五、常见问题与效率提升技巧（5分钟避坑指南）
5.1 快捷键设置
通过【Edit】→【Shortcuts】自定义常用操作的快捷键，推荐设置：
- 创建多边形：
P - 切换标签：
L - 保存文件：
Ctrl+S
5.2 标签管理
将常用标签保存到labels.txt文件（格式：每行一个标签），启动时通过--labels参数加载：
labelme --labels examples/instance_segmentation/labels.txt
5.3 批量处理
使用labelme_cli工具批量转换标注文件：
labelme_json_to_dataset examples/tutorial/apc2016_obj3.json -o apc2016_obj3_json
生成的结果包含标注图像、掩码和标签文件，可直接用于模型训练：
图：标注结果可视化，不同颜色代表不同物体类别
通过以上视频教程，你已经掌握了LabelMe的核心功能和高级技巧。无论是目标检测、语义分割还是视频标注，LabelMe都能提供高效便捷的解决方案。开始你的标注之旅吧！
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
