要实现深度学习图像分割应用，首先要获取图像分割标注数据，比如PASCAL VOC、COCO、SBD等大型数据集，但这些数据集主要用于训练预训练模型和评价分割模型精度性能，针对实际应用还需要我们根据项目需求制作自己的训练数据集。这里介绍一种基于labelme图像标注工具的图像分割数据集制作流程。
一、安装图像标注工具labelme
pip install labelme==3.6
安装完成后在终端输入命令labelme，如果出现标注软件界面，则证明安装成功。
二、图像标注
首先获取应用场景下足够多的图像，根据需要将图像裁剪到固定尺寸，比如后期使用Unet模型训练，那么需要将图像裁剪为572*572，这些图像上包含了需要检测的各种类别。以遥感图像道路分割为例，这里收集了20张图像作为数据集。
启动labelme后，点击OpenDir打开数据集路径，通过点击create polygongs开始在图像上根据目标形状进行区域绘制，绘制完成后双击鼠标，在弹出窗口中输入类别名称。
完成所有图像的分割标注后，每张图像会生成对应的json文件，点击保存，进行下一步处理。
三、制作分割实例图像
图像标注后，生成的json文件是保存的分割边界坐标，还需要进一步处理，将描述文件转换为分割实例图像。通过以下脚本进行处理。
import globimport jsonimport osimport os.path as ospimport numpy as npimport PIL.Imageimport labelmedef main():input_dir = './datasets/train/images/'output_dir= 'data_dataset_voc'labels = './label.txt'os.makedirs(output_dir)os.makedirs(osp.join(output_dir, 'JPEGImages'))os.makedirs(osp.join(output_dir, 'SegmentationClass'))os.makedirs(osp.join(output_dir, 'SegmentationClassPNG'))os.makedirs(osp.join(output_dir, 'SegmentationClassVisualization'))os.makedirs(osp.join(output_dir, 'SegmentationObject'))os.makedirs(osp.join(output_dir, 'SegmentationObjectPNG'))os.makedirs(osp.join(output_dir, 'SegmentationObjectVisualization'))print('Creating dataset:', output_dir)class_names = []class_name_to_id = {}for i, line in enumerate(open(labels).readlines()):class_id = i - 1 # starts with -1class_name = line.strip()class_name_to_id[class_name] = class_idif class_id == -1:assert class_name == '__ignore__'continueelif class_id == 0:assert class_name == '_background_'class_names.append(class_name)class_names = tuple(class_names)print('class_names:', class_names)out_class_names_file = osp.join(output_dir, 'class_names.txt')with open(out_class_names_file, 'w') as f:f.writelines('\n'.join(class_names))print('Saved class_names:', out_class_names_file)colormap = labelme.utils.label_colormap(255)for label_file in glob.glob(osp.join(input_dir, '*.json')):print('Generating dataset from:', label_file)with open(label_file) as f:base = osp.splitext(osp.basename(label_file))[0]out_img_file = osp.join(output_dir, 'JPEGImages', base + '.jpg')out_cls_file = osp.join(output_dir, 'SegmentationClass', base + '.npy')out_clsp_file = osp.join(output_dir, 'SegmentationClassPNG', base + '.png')out_clsv_file = osp.join(output_dir,'SegmentationClassVisualization',base + '.jpg',)out_ins_file = osp.join(output_dir, 'SegmentationObject', base + '.npy')out_insp_file = osp.join(output_dir, 'SegmentationObjectPNG', base + '.png')out_insv_file = osp.join(output_dir,'SegmentationObjectVisualization',base + '.jpg',)data = json.load(f)img_file = osp.join(osp.dirname(label_file), data['imagePath'])img = np.asarray(PIL.Image.open(img_file))PIL.Image.fromarray(img).save(out_img_file)cls, ins = labelme.utils.shapes_to_label(img_shape=img.shape,shapes=data['shapes'],label_name_to_value=class_name_to_id,type='instance',)ins[cls == -1] = 0 # ignore it.# class labellabelme.utils.lblsave(out_clsp_file, cls)np.save(out_cls_file, cls)clsv = labelme.utils.draw_label(cls, img, class_names, colormap=colormap)PIL.Image.fromarray(clsv).save(out_clsv_file)# instance labellabelme.utils.lblsave(out_insp_file, ins)np.save(out_ins_file, ins)instance_ids = np.unique(ins)instance_names = [str(i) for i in range(max(instance_ids) + 1)]insv = labelme.utils.draw_label(ins, img, instance_names)PIL.Image.fromarray(insv).save(out_insv_file)if __name__ == '__main__':main()
运行脚本，生成分割实例图像。
接下来，新建一个datasets目录，在datasets下新建train和validation文件夹，trian和validation目录下分别新建images和instance文件夹，将原始图像放入images，分割实例图像放入validation。
为了方便后续的训练，还需要将分割实例图像转换为标签图像，由于这里只进行单一类别分割，标签图像只需要用0和1两种值标注，因此生成的标签图像几乎为黑。
通过以下脚本生成标签图像：
import globimport cv2import osfor item in glob.glob('./train/instances/' + '*.png'):img = cv2.imread(item, 0)img[img == 38] = 1img = cv2.resize(img, (388, 388))os.remove(item)cv2.imwrite(item, img)
生成标签图像后，会自动删除原来的分割实例图像。
到这里，图像分割数据集制作已经完成了，接下来就可以开始模型搭建和训练了。
