Label Studio-Konverter

Anderer Quellcode

0.0.59

Herunterladen

Warnung

Dieses Repository wurde archiviert und in das Label Studio SDK integriert: https://github.com/HumanSignal/label-studio-sdk/tree/master/src/label_studio_sdk/converter

Label Studio-Konverter

Website • Dokumente • Twitter • Treten Sie der Slack-Community bei

Inhaltsverzeichnis

Einführung
Beispiele

JSON
CSV
CoNLL 2003
COCO
Pascal VOC XML

YOLO-zu-Label-Studio-Konverter

Verwendung
Tutorial: Importieren von vorkommentierten YOLO-Bildern in Label Studio mithilfe des lokalen Speichers

Mitwirken
Lizenz

Einführung

Mit dem Label Studio Format Converter können Sie Etiketten in das Format Ihrer bevorzugten Bibliothek für maschinelles Lernen kodieren.

Beispiele

JSON

Von der Befehlszeile aus ausführen:

 pip install -U label-studio-converter
python label-studio-converter export -i exported_tasks.json -c examples/sentiment_analysis/config.xml -o output_dir -f CSV

Ausführen von Python:

 from label_studio_converter import Converterc = Converter('examples/sentiment_analysis/config.xml')c.convert_to_json('examples/sentiment_analysis/completions/', 'tmp/output.json')

Ausgabedatei abrufen: tmp/output.json

 [
  {"reviewText": "Guter Fall, ausgezeichnetes Preis-Leistungs-Verhältnis.","sentiment": "Positiv"
  },
  {"reviewText": „Was für eine Geld- und Zeitverschwendung!“, „sentiment“: „Negativ“
  },
  {"reviewText": „Der Schwanenhals braucht ein wenig Überredung“, „sentiment“: „Neutral“
  }
]

Anwendungsfälle: beliebige Aufgaben

CSV

Von der Befehlszeile aus ausführen:

 python label_studio_converter/cli.py --input examples/sentiment_analysis/completions/ --config examples/sentiment_analysis/config.xml --output ausgabeverzeichnis --format CSV --csv-separator $'t'

Ausführen von Python:

 from label_studio_converter import Converterc = Converter('examples/sentiment_analysis/config.xml')c.convert_to_csv('examples/sentiment_analysis/completions/', 'output_dir', sep='t', header=True)

Ausgabedatei tmp/output.tsv abrufen:

 RezensionTexteStimmungGute Hülle, ausgezeichnetes Preis-Leistungs-Verhältnis.PositivWas für eine Geld- und Zeitverschwendung!NegativDer Schwanenhals muss etwas überredet werdenNeutral

Anwendungsfälle: beliebige Aufgaben

CoNLL 2003

Von der Befehlszeile aus ausführen:

 python label_studio_converter/cli.py --input examples/named_entity/completions/ --config examples/named_entity/config.xml --output tmp/output.conll --format CONLL2003

Ausführen von Python:

 from label_studio_converter import Converterc = Converter('examples/named_entity/config.xml')c.convert_to_conll2003('examples/named_entity/completions/', 'tmp/output.conll')

Ausgabedatei tmp/output.conll abrufen

-DOCSTART- -X- O
Showers -X- _ O
continued -X- _ O
throughout -X- _ O
the -X- _ O
week -X- _ O
in -X- _ O
the -X- _ O
Bahia -X- _ B-Location
cocoa -X- _ O
zone, -X- _ O
...

Anwendungsfälle: Text-Tagging

COCO

Von der Befehlszeile aus ausführen:

 python label_studio_converter/cli.py --input examples/image_bbox/completions/ --config examples/image_bbox/config.xml --output tmp/output.json --format COCO --image-dir tmp/images

Ausführen von Python:

 from label_studio_converter import Converterc = Converter('examples/image_bbox/config.xml')c.convert_to_coco('examples/image_bbox/completions/', 'tmp/output.conll', output_image_dir='tmp/images')

Ausgabebilder finden Sie in tmp/images

Ausgabedatei tmp/output.json abrufen

 { "Bilder": [
    { „width“: 800, „height“: 501, „id“: 0, „file_name“: „tmp/images/62a623a0d3cef27a51d3689865e7b08a“}
  ], „Kategorien“: [
    { „id“: 0, „name“: „Planet“},
    { „id“: 1, „name“: „Moonwalker“}
  ], „Anmerkungen“: [
    { „id“: 0, „image_id“: 0, „category_id“: 0, „segmentation“: [], „bbox“: [299,6,377,260 ], „ignore“: 0, „iscrowd“: 0, „area ": 98020},
    { „id“: 1, „image_id“: 0, „category_id“: 1, „segmentation“: [], „bbox“: [288,300,132,90 ], „ignore“: 0, „iscrowd“: 0, „area ": 11880}
  ], „info“: {“year“: 2019, „version“: „1.0“, „contributor“: „Label Studio“
  }
}

Anwendungsfälle: Bildobjekterkennung

Pascal VOC XML

Von der Befehlszeile aus ausführen:

 python label_studio_converter/cli.py --input examples/image_bbox/completions/ --config examples/image_bbox/config.xml --output tmp/voc-annotations --format VOC --image-dir tmp/images

Ausführen von Python:

 from label_studio_converter import Converterc = Converter('examples/image_bbox/config.xml')c.convert_to_voc('examples/image_bbox/completions/', 'tmp/output.conll', output_image_dir='tmp/images')

Ausgabebilder finden Sie in tmp/images

Entsprechende Anmerkungen finden sich in tmp/voc-annotations/*.xml :

 

tmp/images
62a623a0d3cef27a51d3689865e7b08a

MyDatabase
COCO2017
flickr
NULL


NULL
Label Studio


800
501
3

0

Planet
Nicht spezifiziert
0
0

299
6
676
266



Mondwanderer
Nicht spezifiziert
0
0

288
300
420
390

Anwendungsfälle: Bildobjekterkennung

YOLO-zu-Label-Studio-Konverter

YOLO-Verzeichnisstruktur

Überprüfen Sie zunächst die Struktur des YOLO-Ordners. Beachten Sie, dass das Stammverzeichnis /yolo/datasets/one ist.

/yolo/datasets/one
  images
   - 1.jpg
   - 2.jpg
   - ...
  labels
   - 1.txt
   - 2.txt

  classes.txt

„classes.txt“-Beispiel

Airplane
Car

Verwendung

label-studio-converter import yolo -i /yolo/datasets/one -o ls-tasks.json --image-root-url "/data/local-files/?d=one/images"

Dabei ist der URL-Pfad von ?d= relativ zu dem Pfad, den Sie in LABEL_STUDIO_LOCAL_FILES_DOCUMENT_ROOT festgelegt haben.

Hinweis für lokale Speicher

Es ist sehr wichtig LABEL_STUDIO_LOCAL_FILES_DOCUMENT_ROOT=/yolo/datasets ( nicht auf /yolo/datasets/one , sondern /yolo/datasets ) festzulegen, damit Label Studio ausgeführt werden kann.
Fügen Sie in den Projekteinstellungen einen neuen lokalen Speicher hinzu und legen Sie den absoluten lokalen Pfad auf /yolo/datasets/one/images (oder c:yolodatasetsoneimages für Windows) fest.

Hinweis für Cloud-Speicher

Verwenden Sie --image-root-url um korrekte Präfixe für Aufgaben-URLs zu erstellen, z. B. --image-root-url s3://my-bucket/yolo/datasets/one .
Fügen Sie in den Projekteinstellungen einen neuen Cloud-Speicher mit dem entsprechenden Bucket und Präfix hinzu.

Hilfebefehl

label-studio-converter import yolo -h

usage: label-studio-converter import yolo [-h] -i INPUT [-o OUTPUT]
                                          [--to-name TO_NAME]
                                          [--from-name FROM_NAME]
                                          [--out-type OUT_TYPE]
                                          [--image-root-url IMAGE_ROOT_URL]
                                          [--image-ext IMAGE_EXT]

optional arguments:
  -h, --help            show this help message and exit
  -i INPUT, --input INPUT
                        directory with YOLO where images, labels, notes.json
                        are located
  -o OUTPUT, --output OUTPUT
                        output file with Label Studio JSON tasks
  --to-name TO_NAME     object name from Label Studio labeling config
  --from-name FROM_NAME
                        control tag name from Label Studio labeling config
  --out-type OUT_TYPE   annotation type - "annotations" or "predictions"
  --image-root-url IMAGE_ROOT_URL
                        root URL path where images will be hosted, e.g.:
                        http://example.com/images or s3://my-bucket
  --image-ext IMAGE_EXT
                        image extension to search: .jpg, .png

Tutorial: Importieren von vorkommentierten YOLO-Bildern in Label Studio mithilfe des lokalen Speichers

Dieses Tutorial führt Sie durch den Prozess des Importierens eines Ordners mit YOLO-Anmerkungen in Label Studio für weitere Anmerkungen. Wir behandeln die Einrichtung Ihrer Umgebung, die Konvertierung von YOLO-Anmerkungen in das Label Studio-Format und deren Import in Ihr Projekt.

Voraussetzungen

Label Studio lokal installiert
Mit YOLO kommentierte Bilder und entsprechende TXT-Labeldateien im Verzeichnis /yolo/datasets/one .
label-studio-converter installiert (verfügbar über pip install label-studio-converter )

Schritt 1: Richten Sie Ihre Umgebung ein und führen Sie Label Studio aus

Bevor Sie Label Studio starten, legen Sie die folgenden Umgebungsvariablen fest, um die Dateibereitstellung im lokalen Speicher zu ermöglichen:

Unix-Systeme:

export LABEL_STUDIO_LOCAL_FILES_SERVING_ENABLED=true
export LABEL_STUDIO_LOCAL_FILES_DOCUMENT_ROOT=/yolo/datasets
label-studio

Windows:

set LABEL_STUDIO_LOCAL_FILES_SERVING_ENABLED=true
set LABEL_STUDIO_LOCAL_FILES_DOCUMENT_ROOT=C:yolodatasets
label-studio

Ersetzen Sie /yolo/datasets durch den tatsächlichen Pfad zu Ihrem YOLO-Datasets-Verzeichnis.

Schritt 2: Lokalen Speicher einrichten

Erstellen Sie ein neues Projekt.
Gehen Sie zu den Projekteinstellungen und wählen Sie Cloud Storage aus.
Klicken Sie auf Quellspeicher hinzufügen und wählen Sie Lokale Dateien aus den Optionen für den Speichertyp aus.
Legen Sie den absoluten lokalen Pfad auf /yolo/datasets/one/images oder c:yolodatasetsoneimages unter Windows fest.
Klicken Sie auf Add storage .

Weitere Details zu lokalen Speichern finden Sie in der Dokumentation.

Schritt 3: Überprüfen Sie den Bildzugriff

Bevor Sie die konvertierten Anmerkungen aus YOLO importieren, stellen Sie sicher, dass Sie über Label Studio auf ein Bild aus Ihrem lokalen Speicher zugreifen können. Öffnen Sie einen neuen Browser-Tab und geben Sie die folgende URL ein:

http://localhost:8080/data/local-files/?d=one/images/.jpg

Ersetzen Sie one/images/.jpg durch den Pfad zu einem Ihrer Bilder. Das Bild sollte im neuen Tab des Browsers angezeigt werden. Wenn Sie ein Bild nicht öffnen können, ist die Konfiguration des lokalen Speichers falsch. Der wahrscheinlichste Grund ist, dass Sie bei der Angabe Ihres Path in den lokalen Speichereinstellungen oder in LABEL_STUDIO_LOCAL_FILES_DOCUMENT_ROOT einen Fehler gemacht haben.

Hinweis: Der URL-Pfad von ?d= sollte relativ zu LABEL_STUDIO_LOCAL_FILES_DOCUMENT_ROOT=/yolo/datasets sein. Das bedeutet, dass der tatsächliche Pfad /yolo/datasets/one/images/.jpg sein wird und dieses Bild auf Ihrer Festplatte vorhanden sein sollte fahren.

Schritt 4: YOLO-Anmerkungen konvertieren

Verwenden Sie den label-studio-converter, um Ihre YOLO-Anmerkungen in ein Format zu konvertieren, das Label Studio verstehen kann:

label-studio-converter import yolo -i /yolo/datasets/one -o output.json --image-root-url "/data/local-files/?d=one/images"

Schritt 5: Konvertierte Anmerkungen importieren

Importieren Sie nun die Datei output.json in Label Studio:

Gehen Sie zu Ihrem Label Studio-Projekt.
Klicken Sie im Datenmanager auf „Importieren“ .
Wählen Sie die Datei output.json aus und importieren Sie sie.

Schritt 6: Anmerkungen überprüfen

Nach dem Import sollten Ihre Bilder mit den vorab kommentierten Begrenzungsrahmen in Label Studio angezeigt werden. Überprüfen Sie, ob die Anmerkungen korrekt sind, und nehmen Sie gegebenenfalls Anpassungen vor.

Fehlerbehebung

Wenn Sie Probleme mit Pfaden oder Bildzugriff haben, stellen Sie sicher, dass:

LABEL_STUDIO_LOCAL_FILES_DOCUMENT_ROOT ist korrekt eingestellt.
Die --image-root-url im Konvertierungsbefehl entspricht dem relativen Pfad:

`Absolute local path from Local Storage Settings` - `LABEL_STUDIO_LOCAL_FILES_DOCUMENT_ROOT` = `path for --image_root_url`

z.B:

/yolo/datasets/one/images - /yolo/datasets/ = one/images

Der lokale Speicher in Label Studio ist mit dem absoluten lokalen Pfad zu Ihren Bildern ( /yolo/datasets/one/images ) korrekt eingerichtet.
Weitere Einzelheiten finden Sie in der Dokumentation zum Importieren vorkommentierter Daten und zum Einrichten von Cloud-Speichern.