LabelMe使用简介

发表于 2026/06/01

作者 handsomestwei

11 分钟阅读

LabelMe使用简介

LabelMe 是基于 Python + Qt 的图形化图像标注工具，支持多边形、矩形等形状，标注结果保存为 *.json。多数 YOLO 训练流程需再转为 images/ + labels/*.txt + dataset.yaml；本文介绍安装、基本标注流程，以及 LabelMe → YOLO 的常用转换工具与选型。

参考与延伸阅读：

开源主仓库：https://github.com/wkentaro/labelme
独立安装包（Releases）：https://github.com/wkentaro/labelme/releases
官方站点 / 文档：https://labelme.io
PyPI 转换工具 labelme2yolo：https://github.com/GreatV/labelme2yolo · https://pypi.org/project/labelme2yolo
Python 转换脚本：https://github.com/rooneysh/Labelme2YOLO
Ultralytics YOLO 文档：https://docs.ultralytics.com/

1. LabelMe 是什么

LabelMe 是一款基于 Python + Qt 的图形化图像标注工具，支持多边形、矩形、圆、线、点等形状，也可配合 SAM、YOLO-World 等做辅助标注。标注结果通常保存为与图片同名的 *.json，属于训练前的中间格式——多数深度学习框架不会直接读取 JSON，往往需要再转为 YOLO、COCO、VOC 等格式。

能力	说明
常用形状	多边形（`polygon`）、矩形（`rectangle`）等
输出	每张图一个 JSON；可选内嵌 `imageData`（Base64）
官方导出	开源版提供 VOC、COCO 等示例；不含与 pip 包捆绑的官方批量「转 YOLO」脚本
与 YOLO	需自写脚本、经 COCO 中转，或使用下文 labelme2yolo 等第三方工具

2. 相关资源

类型	链接	说明
开源主仓库	https://github.com/wkentaro/labelme	安装说明、示例、Issue
Releases（免装 Python）	https://github.com/wkentaro/labelme/releases	Windows / macOS 等独立可执行包
官方站点 / 文档	https://labelme.io	产品文档、部分 Pro 功能说明
导出 YOLO（文档）	https://labelme.io/docs/export-to-yolo	描述 `labelmetk export-to-yolo`；完整步骤多为 Pro；多边形常转为外接框
实例分割示例	https://github.com/wkentaro/labelme/tree/main/examples/instance_segmentation	导出 COCO 等
语义分割示例	https://github.com/wkentaro/labelme/tree/main/examples/semantic_segmentation	导出 VOC 等

社区 LabelMe → YOLO 工具（非 wkentaro 官方维护，使用前请核对许可与输出格式）：

项目	链接	特点
labelme2yolo（PyPI，Rust）	https://github.com/GreatV/labelme2yolo · https://pypi.org/project/labelme2yolo	命令行 `labelme2yolo`；支持 `bbox` / `polygon`；可划分 train / val / test
Labelme2YOLO（Python）	https://github.com/rooneysh/Labelme2YOLO	脚本 `labelme2yolo.py`；支持检测与 `--seg` 分割
其它	在 PyPI 检索 `labelme2yolo` 等	维护状态不一，需与所用 YOLO 版本对齐

3. 下载与安装

3.1 推荐：pip（跨平台）

环境建议：Python 3.8+（若后续要训练 YOLO，可与 PyTorch / Ultralytics 共用同一虚拟环境）。

  
pip install labelme

# 安装最新开发版（可选）
# pip install git+https://github.com/wkentaro/labelme.git

启动：

labelme
# 打开指定目录
labelme /path/to/images
# 打开单张图
labelme /path/to/image.jpg

3.2 独立可执行文件（免配置 Python）

从 Releases 下载对应系统的安装包或压缩包，解压后运行 Labelme 或 labelme.exe。

3.3 Conda（可选）

  
conda create -n labelme python=3.10
conda activate labelme
pip install labelme
# 或：conda install labelme -c conda-forge

4. 基本使用（标注流程）

启动 labelme，菜单 File → Open Dir 打开图片目录（或命令行传入目录）。
创建形状：左侧选择 Create Polygons（多边形）或 Create Rectangle（矩形）；在图上依次点击顶点，右键或 Enter 结束当前形状。
填写类别：在弹出框中输入 label（如 person、car）；名称需与后续训练配置中的类别名一致，注意大小写与空格。
保存：Ctrl+S 或 File → Save，同目录生成 图片名.json。
切换图片：D 下一张、A 上一张（不同版本快捷键可能略有差异，以界面提示为准）。
撤销：Ctrl+Z 撤销误操作。

目录习惯（建议）：

每张图：xxx.jpg 与 xxx.json 放在同一目录；
JSON 内 imagePath 指向相对或绝对图片路径；
若移动图片或改目录结构，需同步更新 imagePath，否则转换脚本可能找不到图。

JSON 核心字段示例：

  
{
  "imagePath": "example.jpg",
  "imageHeight": 480,
  "imageWidth": 640,
  "shapes": [
    {
      "label": "person",
      "shape_type": "polygon",
      "points": [[x1, y1], [x2, y2]]
    }
  ]
}

5. LabelMe 与 YOLO：为什么要转换

侧	格式	用途
标注侧	LabelMe `*.json`	人工标注、可读、多边形方便
训练侧（如 Ultralytics）	`images/` + `labels/*.txt` + `dataset.yaml`	`yolo detect train` / `yolo segment train` 等

检测任务标签每行一般为：<class_id> <x_center> <y_center> <width> <height>（坐标相对图像宽高，取值 0～1）。
多边形在转检测时通常取外接矩形；转分割时需保留顶点序列（具体格式随 YOLO 版本而定）。

官方开源包：README 提供 VOC / COCO 导出示例，没有捆绑「一键转 YOLO txt」。
官方文档中的 labelmetk export-to-yolo 属于 LabelMe 产品线能力，与开源 pip 包能力范围不同，使用前请阅读 https://labelme.io/pricing 与对应文档。

6. LabelMe → YOLO：常用工程与用法

6.1 PyPI：`labelme2yolo`（GreatV / Rust）

安装：

pip install labelme2yolo

典型用法（将 *.json 放在同一目录下）：

  
# 默认 bbox，自动划分 train/val（比例见 --help）
labelme2yolo --json_dir /path/to/labelme_json_dir

# 指定验证集比例；输出为多边形（YOLOv5/v8 分割）
labelme2yolo --json_dir /path/to/labelme_json_dir --val_size 0.2 --output_format polygon

# 同时划分 test 集
labelme2yolo --json_dir /path/to/labelme_json_dir --val_size 0.15 --test_size 0.15

产出目录示例：

/path/to/labelme_json_dir/YOLODataset/
  dataset.yaml
  images/train/  images/val/  [images/test/]
  labels/train/  labels/val/  [labels/test/]

更多参数见：https://github.com/GreatV/labelme2yolo

6.2 GitHub：`rooneysh/Labelme2YOLO`（Python）

仓库：https://github.com/rooneysh/Labelme2YOLO

克隆后安装依赖（以仓库内 requirements.txt 为准），在仓库目录执行：

  
git clone https://github.com/rooneysh/Labelme2YOLO.git
cd Labelme2YOLO
pip install -r requirements.txt

labelme2yolo.py 常用参数：

参数	含义
`--json_dir`	存放 LabelMe `.json` 的目录（默认只扫描该层*，不递归子文件夹）
`--val_size`	验证集比例，默认 `0.1`；如 `0.2` 表示 20% 用于验证
`--json_name`	仅转换单个 json（可选）
`--seg`	转为 YOLO 实例分割数据集（输出目录为 `YOLODataset_seg`）

用法 1：自动划分 train / val

python labelme2yolo.py --json_dir /path/to/labelme_json_dir --val_size 0.2

用法 2：已手动分出 train/、val/ 子目录

将 json 分别放入 json_dir/train/、json_dir/val/ 后执行：

python labelme2yolo.py --json_dir /path/to/labelme_json_dir

用法 3：分割任务

  
python labelme2yolo.py --json_dir /path/to/labelme_json_dir --val_size 0.2 --seg

产出结构：

{json_dir}/YOLODataset/           # 检测
  dataset.yaml
  images/train/  images/val/
  labels/train/  labels/val/

{json_dir}/YOLODataset_seg/        # 使用 --seg 时
  ...

训练示例（Ultralytics YOLOv8，需另行安装 ultralytics）：

  
# 检测（建议 data= 使用 dataset.yaml 的绝对路径）
yolo detect train data=/path/to/YOLODataset/dataset.yaml model=yolov8n.pt epochs=100 imgsz=640

# 分割
yolo segment train data=/path/to/YOLODataset_seg/dataset.yaml model=yolov8n-seg.pt epochs=100 imgsz=640

注意： 若 json 分散在多层子目录中，需先将 json 与图片整理到单层目录，或自行编写汇总脚本，再调用上述工具。

7. 工具选型简表

场景	建议
只做标注	安装官方 `labelme`，图片与 json 同目录保存
快速转 YOLO、可选 polygon/bbox、数据量较大	PyPI `labelme2yolo`（Rust，速度较快）
需要 `--seg`、习惯 Python 脚本	rooneysh/Labelme2YOLO
必须走 COCO 生态	LabelMe 官方示例导出 COCO，再用 COCO→YOLO 工具链
整图分类（无框）	常直接按文件夹分 class，不必经过 labelme2yolo

8. 常见问题

现象	处理
`labelme` 命令找不到	确认 `pip install labelme` 使用的 Python 与终端一致；或尝试 `python -m labelme`
转换后找不到图片	检查 json 中 `imagePath`；训练时 `dataset.yaml` 路径建议写绝对路径
类别 id 混乱	统一 `shapes[].label` 拼写；多数转换脚本按 label 集合生成 id，宜事先约定类别表
子文件夹中的 json 未被转换	部分脚本只扫描单层目录 → 将 json 汇总到同一层，或换用支持递归的工具
多边形变成矩形	检测任务常见（外接框）；要保留轮廓可用分割模式或 `--output_format polygon`
界面无法启动 / 显示异常	可尝试 Releases 独立包；Linux 下注意安装 Qt 相关系统依赖

9. 小结

LabelMe 负责 JSON 标注；YOLO 训练 需要 dataset.yaml + 归一化标签 txt。开源 pip 包不自带批量转 YOLO，工程上常用 PyPI labelme2yolo 或 rooneysh/Labelme2YOLO。标注时保持 图片与 json 同目录、label 命名统一，转换前核对 imagePath 与 train/val 划分方式，即可顺畅对接 Ultralytics 等训练流程。

AI, ML

AI ML LabelMe 图像标注

本文由作者按照 CC BY 4.0 进行授权

LabelMe使用简介

目录

1. LabelMe 是什么

2. 相关资源

3. 下载与安装

3.1 推荐：pip（跨平台）

3.2 独立可执行文件（免配置 Python）

3.3 Conda（可选）

4. 基本使用（标注流程）

5. LabelMe 与 YOLO：为什么要转换

6. LabelMe → YOLO：常用工程与用法

6.1 PyPI：labelme2yolo（GreatV / Rust）

6.2 GitHub：rooneysh/Labelme2YOLO（Python）

7. 工具选型简表

8. 常见问题

9. 小结

热门标签

6.1 PyPI：`labelme2yolo`（GreatV / Rust）

6.2 GitHub：`rooneysh/Labelme2YOLO`（Python）