手把手实战教学：语义分割数据集制作全攻略

手把手实战教学！语义分割从0到1：一、数据集制作

引言

在深度学习和计算机视觉领域，语义分割是一项重要的任务，它要求将图像中的每个像素点分类到特定的类别中。为了进行语义分割任务，首先需要有一个高质量的数据集。本文将详细介绍如何从头开始制作一个语义分割数据集，包括工具选择、数据标注、格式转换等步骤。

一、工具选择

标注工具：LabelMe

LabelMe是一款强大的图像标注工具，支持多边形、矩形、圆形、线条等多种标注方式，非常适合用于语义分割数据集的标注。LabelMe的安装非常简单，可以通过Python的pip命令直接安装：

pip install labelme

安装完成后，通过labelme -h可以查看帮助信息，了解各个参数的含义。

二、准备数据

原始数据准备

1. 收集图像：首先，你需要收集一批用于标注的图像。这些图像应该是你想要进行语义分割的目标场景，比如街道、室内环境等。
2. 组织文件：将收集到的图像放在一个统一的文件夹中，例如命名为“imgs”。

类别定义

在标注之前，你需要明确你想要分割的类别。然后，在一个文本文件（如labels.txt）中定义这些类别，格式如下：

__ignore__ _background_ classA classB

其中，__ignore__和_background_是特殊类别，分别表示忽略和背景。

三、数据标注

启动LabelMe进行标注

在命令行中，使用以下命令启动LabelMe并指定你的图像文件夹和输出文件夹：

labelme imgs --output jsons --nodata --autosave --labels labels.txt

• imgs：原始图像文件夹。
• --output jsons：输出文件夹，用于存放标注生成的JSON文件。
• --nodata：不在JSON文件中存储图像数据。
• --autosave：自动保存标注。
• --labels labels.txt：指定类别文件。

标注操作

• 按下Ctrl+N加载新图像。
• 使用鼠标逐点勾勒出目标的轮廓，形成一个闭环。
• 标注完成后，按下Ctrl+S保存标注，LabelMe会自动生成一个JSON文件。

四、格式转换

转换为VOC格式

标注完成后，你会得到一系列JSON文件。然而，为了与现有的深度学习框架兼容，通常需要将JSON文件转换为VOC格式的图像和标签。

LabelMe提供了一个脚本json_to_dataset.py，可以用于将JSON文件转换为VOC格式的图像和标签。运行该脚本，你可以将JSON文件转换为PNG格式的掩码图像，并存放在指定的文件夹中。

示例命令（假设你的JSON文件存放在jsons文件夹中）：

python path/to/labelme/cli/json_to_dataset.py jsons output_folder

• jsons：存放JSON文件的文件夹。
• output_folder：输出文件夹，用于存放转换后的图像和标签。

五、数据整理

组织文件结构

将转换后的图像和标签组织为VOC格式的标准目录结构，包括JPEGImages（存放原始图像）、SegmentationClass（存放标签图像）等文件夹。

划分训练集和验证集

为了训练模型，你需要将数据集划分为训练集和验证集。可以使用脚本或手动操作来完成这一步。

六、总结

通过本文的详细步骤，你应该能够从头开始制作一个语义分割数据集。从工具选择、数据准备、标注操作到格式转换和数据整理，每一步都至关重要。希望这篇文章能为你进行语义分割任务提供有力的支持。

如果你在实际操作中遇到任何问题，欢迎在评论区留言，我将尽力解答。

---

注：本文中提到的工具和命令可能随着软件版本的更新而发生变化，请根据实际情况进行调整。