别再只下载COCO了！手把手教你用Labelme标注并转成COCO实例分割数据集（附完整代码）

从零构建自定义实例分割数据集：Labelme标注与COCO格式转换实战指南

在计算机视觉领域，COCO数据集因其丰富的标注和标准化格式已成为行业基准。但现实项目中，我们往往需要针对特定场景（如工业质检、医疗影像或零售商品识别）构建专属数据集。本文将完整演示如何通过开源工具Labelme完成图像标注，并编写Python脚本将标注结果转换为COCO标准格式，最终生成可直接用于模型训练的实例分割数据集。

1. 工具选型与标注环境搭建

1.1 标注工具对比分析

不同于直接下载现成数据集，自定义数据集制作需要选择合适的标注工具。以下是主流开源工具的对比：

对于实例分割任务，Labelme因其轻量级和灵活的多边形标注能力成为首选。安装仅需一行命令：

pip install labelme

1.2 标注规范制定

开始标注前需明确规范：

• 类别体系：预先定义所有待标注类别（如工业场景的"划痕"、"凹陷"等）
• 标注精度：确定多边形顶点密度（一般建议物体边缘每3-5像素一个点）
• 遮挡处理：约定被遮挡物体的标注方式（完整轮廓或可见部分）
• 标注验证：设置多人交叉验证机制

提示：建议创建标注手册并保存为PDF，供整个团队参考执行

2. Labelme标注全流程解析

2.1 标注操作实战演示

启动Labelme后，典型工作流如下：

1. 创建标注项目目录结构：

   /dataset
     /raw_images  # 存放原始图像
     /an