Label Studio 和 LabelMe 被认为是最为全面的标注工具，尤其在不同应用场景中表现出色。具体选择哪款工具应根据个人或公司的需求和资源投入来决定。Label Studio 具备强大的扩展性，但架构复杂，部署成本相对较高。今天，我们将重点讲解 LabelMe，介绍其安装、标注流程及数据导出方法，并结合版面标注实例，展示如何建立标签和导出数据，并最终实现与飞桨模型的适配。这将帮助大家更好地理解如何利用 LabelMe 高效构建数据集，为后续模型训练打下坚实基础。

Labelme全面介绍

LabelMe 是由麻省理工学院（MIT）计算机科学与人工智能实验室（CSAIL）开发的强大开源图像标注工具，广泛应用于计算机视觉任务的数据标注。它支持多种标注类型，包括边界框、多边形、线段、关键点等，帮助用户高效地构建高质量的数据集。

一、Labelme的安装与使用

1. 使用pip安装：这是推荐的安装方式，只需在命令行中输入 ‘pip install labelme’ 即可。

2. 使用Anaconda安装：首先创建一个新的Python环境，然后激活该环境并安装Labelme。具体命令如下：

conda create --name=labelme python=3`  `conda activate labelme`  `pip install labelme

3. 从源码安装：如果需要进行二次开发或者希望获取最新的代码，可以从Labelme的GitHub仓库克隆代码并进行安装。具体步骤为：

git clone https://github.com/labelmeai/labelme`  `cd labelme`  `pip install -e .

无论选择哪种安装，安装完成后，可以通过命令行输入labelme启动Labelme的图形界面。

二、Labelme的功能与标注方式

Labelme支持多种标注方式，包括但不限于多边形标注、矩形标注、圆形标注、线条标注和点标注。这些标注方式可以满足不同应用场景的需求。

1. 多边形标注：适用于标注复杂的形状和轮廓，如人形、图章等。

2. 矩形标注：适用于标注简单的矩形区域，如车辆、建筑物等。

3. 圆形标注：适用于标注圆形物体，如车轮、果实等。

4. 线条标注：适用于标注路径、轨迹等线性结构。

5. 点标注：适用于标注关键点、特征点等。

此外，Labelme还支持图像级别标注，可以对整张图像进行分类标注。同时，Labelme还提供了自定义界面功能，用户可以根据需求预定义标签、设置自动保存等，实现界面定制。

三、能标注的场景

Labelme广泛应用于各种计算机视觉项目中，包括但不限于：

1. 自动驾驶：标注道路、车辆、行人等目标，为自动驾驶系统提供训练数据。

2. 医疗影像分析：标注病变区域、器官轮廓等，辅助医生进行诊断。

3. 遥感图像处理：标注地物、建筑等，为遥感图像分析提供数据支持。

4. 工业检测：标注产品缺陷、零件位置等，用于质量控制和故障预测。

5. 文档解析：版面标注，用于对PDF、图片的结构化解析。

Labelme还支持对视频进行逐帧标注，适用于需要处理视频数据的场景。

四、标注结果的导出与格式转换

Labelme支持导出多种数据格式，如JSON、COCO、VOC等，方便与其他软件和框架进行集成和互操作。

需要注意的是，虽然Labelme本身不直接支持边界框标注，但可以通过多边形等标注方式间接实现目标检测数据集的标注。此外，对于特定的模型训练需求，可能需要进行数据格式的转换。例如，YOLO模型需要特定的标签格式，可以通过编写脚本将JSON格式的标注数据转换为YOLO模型可以解析的标签格式。

适配飞浆平台需要将Labelme标注版面数据使用工具类转换为COCO格式。

Labelme实际操作

下面我们就以版面标注为例，讲解一下Labelme标注版面训练数据的方法。

一、建立版面类别

一个中文文档版面基本类别至少要包含以下8个：

Text，正文``Title，标题``Figure，图片``Figure caption，图片标题``Table，表格``Table caption，表格标题``Header，页眉``Footer，页脚

如果你所在的行业文档中有更丰富的分析要求，并且文档中会出现除基础类别以外的类别，那你可以根据需要添加类别。

例如：

论文类文档，通常会添加“引用”类别和“公式”类别

• 引用，Reference

• 公式，Equation

二、选择合适的标注框进行标注

一般文档版面标注，我们会使用矩形框、正方形框、多边形框进行标注，下图是使用矩形框标注的示例，我们可以在图中看到几个区域，标注区域、标签列表、多边形标签。

其中，标签列表就是版面的分类，多边形标签就是当前这页文档所有标注后的类别，当前这页我标注了3个Title、2个Text、1个Header、1个Table、1个Table caption 。

标注完保存后，我们会在图片目录看到一个与图片文件同名的json文件，如下图所示：

选取其中一个图片，查看JSON文件内容如下：

{`  `"version": "5.5.0",`  `"flags": {},`  `"shapes": [`    `{`      `"label": "Header",`      `"points": [`        `[`          `529.2301587301587,`          `89.61904761904768`        `],`        `[`          `657.8015873015873,`          `105.49206349206355`        `]`      `],`      `"group_id": null,`      `"description": "",`      `"shape_type": "rectangle",`      `"flags": {},`      `"mask": null`    `},`    `{`      `"label": "Text",`      `"points": [`        `[`          `130.02380952380955,`          `155.49206349206355`        `],`        `[`          `1063.357142857143,`          `204.69841269841277`        `]`      `],`      `"group_id": null,`      `"description": "",`      `"shape_type": "rectangle",`      `"flags": {},`      `"mask": null`    `},`    `{`      `"label": "Title",`      `"points": [`        `[`          `168.91269841269846,`          `211.8412698412699`        `],`        `[`          `326.05555555555554,`          `231.68253968253975`        `]`      `],`      `"group_id": null,`      `"description": "",`      `"shape_type": "rectangle",`      `"flags": {},`      `"mask": null`    `},`    `{`      `"label": "Text",`      `"points": [`        `[`          `127.6428571428572,`          `237.2380952380953`        `],`        `[`          `1064.9444444444446,`          `315.01587301587307`        `]`      `],`      `"group_id": null,`      `"description": "",`      `"shape_type": "rectangle",`      `"flags": {},`      `"mask": null`    `},`    `{`      `"label": "Title",`      `"points": [`        `[`          `169.70634920634924,`          `320.5714285714286`        `],`        `[`          `283.9920634920635,`          `340.4126984126985`        `]`      `],`      `"group_id": null,`      `"description": "",`      `"shape_type": "rectangle",`      `"flags": {},`      `"mask": null`    `},`    `{`      `"label": "Text",`      `"points": [`        `[`          `126.84920634920636,`          `346.7619047619048`        `],`        `[`          `1064.1507936507937,`          `503.904761904762`        `]`      `],`      `"group_id": null,`      `"description": "",`      `"shape_type": "rectangle",`      `"flags": {},`      `"mask": null`    `},`    `{`      `"label": "Title",`      `"points": [`        `[`          `130.81746031746033,`          `542.0`        `],`        `[`          `213.35714285714286,`          `565.8095238095239`        `]`      `],`      `"group_id": null,`      `"description": "",`      `"shape_type": "rectangle",`      `"flags": {},`      `"mask": null`    `},`    `{`      `"label": "Text",`      `"points": [`        `[`          `127.6428571428572,`          `576.1269841269841`        `],`        `[`          `283.9920634920635,`          `598.3492063492064`        `]`      `],`      `"group_id": null,`      `"description": "",`      `"shape_type": "rectangle",`      `"flags": {},`      `"mask": null`    `},`    `{`      `"label": "Title",`      `"points": [`        `[`          `126.84920634920636,`          `635.6507936507936`        `],`        `[`          `1013.3571428571428,`          `662.6349206349206`        `]`      `],`      `"group_id": null,`      `"description": "",`      `"shape_type": "rectangle",`      `"flags": {},`      `"mask": null`    `},`    `{`      `"label": "Text",`      `"points": [`        `[`          `128.43650793650798,`          `669.7777777777778`        `],`        `[`          `285.57936507936506,`          `693.5873015873016`        `]`      `],`      `"group_id": null,`      `"description": "",`      `"shape_type": "rectangle",`      `"flags": {},`      `"mask": null`    `},`    `{`      `"label": "Footer",`      `"points": [`        `[`          `563.3571428571429,`          `1564.2222222222222`        `],`        `[`          `626.0555555555555,`          `1584.857142857143`        `]`      `],`      `"group_id": null,`      `"description": "",`      `"shape_type": "rectangle",`      `"flags": {},`      `"mask": null`    `}`  `],`  `"imagePath": "train_21.jpg",`  `"imageData": null,`  `"imageHeight": 1684,`  `"imageWidth": 1191``}

JSON文件核心内容如下：

• label， 表示分类

• points，表示左上角坐标和标注框的宽、高，也就是{x,y,w,h}的表示方式。

三、将JSON数据转换为COCO格式

使用labelme标注的版面训练集采用的JSON格式存储，需要转换为飞浆支持的COCO格式进行模型训练。

执行以下命令实现转换：

# train``python3 labelme2coco.py CDLA_dir/train train_save_path  --labels labels.txt``   ``# val``python3 labelme2coco.py CDLA_dir/val val_save_path  --labels labels.txt

• CDLA_dir/train，为你的标注目录，里面是你的标注图片和JSON文件

• train_save_path，为转换后的的训练集存储地址

• –labels 是扩展参数，后面跟着labels.txt分类数据字典。

labels.txt内容如下：

Text``Title``Figure``Figure caption``Table``Table caption``Header``Footer``Reference``Equation

COCO数据结构介绍：

{`  `"images": [{`    `"file_name": "a9336d1f-train_5012.jpg",``     "height": 601,                       ``     "width": 792,                       ``"id": 0`              `}], ``  "annotations": [{`      `"id": 0,`      `"image_id": 0,`      `"category_id": 4,`      `"segmentation": [[528.0, 87.0, 658.0, 87.0, 658.0, 106.0, 528.0, 106.0]],`      `"bbox": [528.0, 87.0, 131.0, 20.0],`      `"ignore": 0,`      `"iscrowd": 0,`      `"area": 2620.0`    `}],``  "categories": [`    `{"id": 0, "name": "Equation"},`    `{"id": 1, "name": "Figure"},``    {"id": 2, "name": "Figure caption"},`    `{"id": 3, "name": "Footer"},``     {"id": 4, "name": "Header"},  ``     {"id": 5, "name": "Reference"},  ``    {"id": 6, "name": "Table"},`    `{"id": 7, "name": "Table caption"},``     {"id": 8, "name": "Text"},  ``    {"id": 9, "name": "Title"}`  `]``}

标注格式包含以下信息：

info，表示标注文件info。``images，表示标注文件中图像信息列表，每个元素是一张图像的信息。如下为其中一张图像的信息：`   `file_name，表示目标图片的名称`   `height，表示目标图片的高度。`   `width，表示目标图片的宽度。`   `id，表示目标图片的id。``annotations，表示标注文件中目标物体的标注信息列表，每个元素是一个目标物体的标注信息。如下为其中一个目标物体的标注信息：`   `segmentation，表示目标物体的分割信息。`   `area，表示目标物体的面积。`   `iscrowd，表示目标物体是否为密集型，0为非密集，1为密集。`   `image_id，表示目标物体所属的图像id。`   `bbox，表示目标物体的边界框，格式为[x1,y1,w,h]，此处为左上角坐标和宽高。`   `category_id，表示目标物体的类别id。`   `id，表示目标图片的id。`   `ignore, 表示目标物体是否为忽略的，0为否，1为是。``categories，版面数据字典

模型训练

转换成COCO的格式后，目录结构如下：

-rw-r--r-- 1 root root 1.2M Aug 31 03:54 annotations.json``drwxr-xr-x 2 root root  20K Aug 31 03:54 JPEGImages/

• annotations.json，为转化后的标注文件，格式参考[COCO数据结构介绍]

• JPEGImages/存放图片的目录

按照飞浆要求将转换后的标注文件与图片目录拷贝到相应的开发套件内，使用训练命令，即可完成标注文件的训练。

重点注意：训练集与验证集一定要使用同一个标注工具标注，保证导出后的标注文件格式中categories字典 ”数量“ 与 ”顺序“ 是一致的。

写在最后

今天我们详细讲解了如何使用 LabelMe 进行版面标注，展示了它操作简便、易于上手的特点。LabelMe 强大的标注功能为各种复杂的视觉任务提供了良好的支持。在接下来的内容中，我们将介绍另外两款标注工具的使用方法。掌握这些标注技能不仅能促进个人技术成长，还具备广阔的市场应用前景。希望更多人能熟练掌握标注工具，为视觉 AI 发展贡献力量。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】