本人刚接触这方面不久，在网上搜索了很多文章，发现很多文章都存在一些弊端，自己做了一些总结，方法比较基础，但亲测有效。
首先，我们得有一些原始图片，然后通过labelme标注后得到json文件（labelme使用大家可以去搜一下），接下来我们需要做的是将json文件转换为可用于训练的标签集。
网上很多说python中自带了一个脚本json_to_dataset.py可以转换（路径在python安装路径下，比如我的是在D:\python3.6.7\Lib\site-packages\labelme\cli中），调用方法是在cmd下输入： labelme_json_to_dataset <文件路径>.json，就可以得到标签图片（保存路径就是json文件目录下），但有一个问题就是，一次性只能转换一张标签，这多麻烦啊。于是，很多人写了脚本，可以批量化转换，但就我目前看到批量转换脚本，大多存在着一个致命的问题，就是对于不同图片，他的类别标注是对应不上的（这些脚本只是负责把图送到json_to_dataset.py,并没有对标签进行其他处理），看下图：

从上面两张图片可以看出，两种完全不是同一类别的东西都被赋予相同的颜色（也即相同标签），这肯定不是我们想要的。
然后就想尝试了一个比较官方的方法： 先将json文件转换为voc格式的文件 （为什么要这样做呢，因为voc格式算是比较官方的格式，针对其的转换程序也是正规的，解决了批量转换和不同类别时被赋予不同的像素的问题），然后就在github上找打了一个voc的转换脚本，链接在这里： https://github.com/wkentaro/labelme/tree/master/examples/semantic_segmentation ，里面有教程教你怎么调用，这里就直接写下吧，cmd下输入：
python ./labelme2voc.py（尽量写绝对路径） 图片和json文件存放的路径（放在一起） 保存路径 --labels labels.txt路径（中间都是空格隔开）
这里需要注意的是，你需要将你自己的标签类别制作成一个txt文本（也就是上面调用命令中的labels.txt），你可以仿照上面那个链接中的labels.txt做，这个程序会根据你的类别去转换，然后你就会得到四个文件夹，其中有用的只有两个JPEGImages(原图像)，SegmentationClassPNG(voc格式的标签图像)，转换后的标签如下图所示：

可以看到，两种不同的东西被赋予了不同的标签，但是这种图片是索引图（索引图是为了增强灰度图的差异性，其实他也是单通道的，只不过每一个灰度都对应着一种颜色），如果你的模型是要求索引图作为标签，那么到这里就已经完成了；如果你的模型是要求灰度图作为标签，那么还得进行第二步转换（错把索引图当做灰度图作为标签，可能出现label out of boundary的错误提示），即 将voc格式的索引图转换为可用于训练的灰度图 （看上去是全黑的）。这里有两种方法：
1.先读取索引图中各种类别的像素值，然后一一改过来，比如上面球像素值是125，然后遍历就把所有图片中的125的像素值都改为1（表示第一个类别），而红色的是225，就把所有图片中的225都改为2，然后再保存为灰度图格式就可以了。这种方法对于类别较多的就比较麻烦，而且遍历每一个像素值耗时很大。
2.第二种是我在网上找到的转换脚本，很快很好用

"" "Removes the color map from segmentation annotations . Removes the color map from the ground truth segmentation annotations and save the results to output_dir . #源程序链接：https : / / github . com / tensorflow / models / tree / master / research / deeplab / datasets #该程序用于将voc格式的索引图片转换为可用于语义分割的灰度图片，因为TensorFlow版本的缘故，在原程序上做了少许改动 #tf.__version__==1.12 import glob import os . path import numpy as np from PIL import Image import tensorflow as tf #FLAGS = tf.compat.v1.flags.FLAGS FLAGS = tf . flags . FLAGS tf . flags . DEFINE_string ( 'original_gt_folder' , #读取voc格式的png图片路径 'F:\Dataset_segmentaion\data_dataset_voc\SegmentationClassPNG' , # default 'Original ground truth annotations.' ) #help tf . flags . DEFINE_string ( 'segmentation_format' , 'png' , 'Segmentation format.' ) tf . flags . DEFINE_string ( 'output_dir' , #保存路径 'F:\Dataset_segmentaion\data_dataset_voc\labels' , 'folder to save modified ground truth annotations.' ) def _remove_colormap ( filename ) : "" "Removes the color map from the annotation . Args : filename : Ground truth annotation filename . Returns : Annotation without color map . return np . array ( Image . open ( filename ) ) def _save_annotation ( annotation , filename ) : "" "Saves the annotation as png file . Args : annotation : Segmentation annotation . filename : Output filename . pil_image = Image . fromarray ( annotation . astype ( dtype = np . uint8 ) ) with tf . io . gfile . GFile ( filename , mode = 'w' ) as f : #with open(filename, mode='w') as f: print ( f ) pil_image . save ( f , 'PNG' ) pil_image . save ( filename ) def main ( unused_argv ) : # Create the output directory if not exists. if not os . path . exists ( FLAGS . output_dir ) : os . makedirs ( FLAGS . output_dir ) # if not tf.io.gfile.isdir(FLAGS.output_dir): #tf.io.gfile.makedirs(FLAGS.output_dir) annotations = glob . glob ( os . path . join ( FLAGS . original_gt_folder , '*.' + FLAGS . segmentation_format ) ) for annotation in annotations : raw_annotation = _remove_colormap ( annotation ) filename = os . path . basename ( annotation ) [ : - 4 ] _save_annotation ( raw_annotation , os . path . join ( FLAGS . output_dir , filename + '.' + FLAGS . segmentation_format ) ) if __name__ == '__main__' : #tf.compat.v1.app.run() tf . app . run ( )

只需要将上面存放voc格式的png图像路径以及保存路径改成你自己的路径即可，转换后的图片是这样的：

你没有看错，就是全黑的，但只是看上去，除了背景像素值为零，其他的像素值不是零（可以调用np.unique(image)看看），比如你有21个类别，那么，对应的像素就是0-21，但看上去就是一团黑，不好分辨，因此才有了上面的索引图。到这里，标签图片就只做完成了，希望对大家有帮助。

本人刚接触这方面不久，课题是关于语义分割的内容，在网上搜索了很多文章，发现很多文章都存在一些弊端，自己做了一些总结，方法比较基础，但亲测有效。首先，我们得有一些原始图片，然后通过labelme标注后得到json文件（labelme使用大家可以去搜一下），接下来我们需要做的是将json文件转换为可用于训练的标签集。网上很多说python中自带了一个脚本json_to_dataset.py可以转换...