Inicio>Relacionado con la programación>Otro código fuente
Descargar
convertidor de estudio de etiquetas

Advertencia

Este repositorio se ha archivado y fusionado en el SDK de Label Studio: https://github.com/HumanSignal/label-studio-sdk/tree/master/src/label_studio_sdk/converter

Convertidor de estudio de etiquetas

Sitio web • Documentos • Twitter • Únase a la comunidad de Slack

Tabla de contenido

  • Introducción

  • Ejemplos

    • JSON

    • CSV

    • CONLL 2003

    • PALMA DE COCO

    • Pascal VOC XML

  • Convertidor de YOLO a Label Studio

    • Uso

    • Tutorial: Importación de imágenes preanotadas de YOLO a Label Studio usando el almacenamiento local

  • Contribuyendo

  • Licencia

Introducción

Label Studio Format Converter le ayuda a codificar etiquetas en el formato de su biblioteca de aprendizaje automático favorita.

Ejemplos

JSON

Ejecutando desde la línea de comando:

 instalación de pip -U convertidor-de-estudio-etiqueta
python label-studio-converter export -i exported_tasks.json -c ejemplos/sentiment_analysis/config.xml -o output_dir -f CSV

Ejecutando desde Python:

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

Obteniendo el archivo de salida: tmp/output.json

 [
  {"reviewText": "Buen caso, excelente relación calidad-precio.","sentiment": "Positivo"
  },
  {"reviewText": "¡Qué pérdida de dinero y tiempo!", "sentiment": "Negativo"
  },
  {"reviewText": "El cuello de ganso necesita un poco de persuasión","sentiment": "Neutral"
  }
]

Casos de uso: cualquier tarea

CSV

Ejecutando desde la línea de comando:

 python label_studio_converter/cli.py --input ejemplos/sentiment_analysis/completions/ --config ejemplos/sentiment_analysis/config.xml --output salida_dir --formato CSV --csv-separator $'t'

Ejecutando desde 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)

Obteniendo el archivo de salida tmp/output.tsv :

 reseñaTextosentimientoBuen estuche, excelente relación calidad-precio.Positivo¡Qué pérdida de dinero y tiempo!NegativoEl cuello de ganso necesita un poco de persuasiónNeutral

Casos de uso: cualquier tarea

CONLL 2003

Ejecutando desde la línea de comando:

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

Ejecutando desde Python:

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

Obteniendo el archivo de salida tmp/output.conll 

-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
...

Casos de uso: etiquetado de texto

PALMA DE COCO

Ejecutando desde la línea de comando:

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

Ejecutando desde 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')

Las imágenes de salida se pueden encontrar en tmp/images

Obteniendo el archivo de salida tmp/output.json

 { "imágenes": [
    { "ancho": 800, "alto": 501, "id": 0, "nombre_archivo": "tmp/images/62a623a0d3cef27a51d3689865e7b08a"}
  ], "categorías": [
    { "id": 0, "nombre": "Planeta"},
    { "id": 1, "nombre": "Moonwalker"}
  ], "anotaciones": [
    { "id": 0, "image_id": 0, "category_id": 0, "segmentación": [], "bbox": [299,6,377,260], "ignorar": 0, "iscrowd": 0, "área ": 98020},
    { "id": 1, "image_id": 0, "category_id": 1, "segmentación": [], "bbox": [288,300,132,90], "ignorar": 0, "iscrowd": 0, "área ": 11880}
  ], "info": {"año": 2019,"versión": "1.0","contributor": "Label Studio"
  }
}

Casos de uso: detección de objetos de imagen

Pascal VOC XML

Ejecutando desde la línea de comando:

 python label_studio_converter/cli.py --ejemplos de entrada/image_bbox/completions/ --ejemplos de configuración/image_bbox/config.xml --salida tmp/voc-annotations --formato VOC --image-dir tmp/images

Ejecutando desde 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')

Las imágenes de salida se pueden encontrar en tmp/images

Las anotaciones correspondientes se pueden encontrar en tmp/voc-annotations/*.xml :

 

tmp/imágenes
62a623a0d3cef27a51d3689865e7b08a

Mi base de datos
COCO2017
flickr
NULL


NULL
Estudio de etiquetas


800
501
3

0

Planeta
Sin especificar
0
0

299
6
676
266



Caminante lunar
Sin especificar
0
0

288
300
420
390

Casos de uso: detección de objetos de imagen

Convertidor de YOLO a Label Studio

Estructura del directorio YOLO

Primero verifique la estructura de la carpeta YOLO, tenga en cuenta que la raíz es /yolo/datasets/one . 

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

  classes.txt

ejemplo de clases.txt 

Airplane
Car

Uso 

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

Donde la ruta URL desde ?d= es relativa a la ruta que estableció en LABEL_STUDIO_LOCAL_FILES_DOCUMENT_ROOT .

Nota para almacenamientos locales

  • Es muy importante configurar LABEL_STUDIO_LOCAL_FILES_DOCUMENT_ROOT=/yolo/datasets ( no en /yolo/datasets/one , sino /yolo/datasets ) para que se ejecute Label Studio.

  • Agregue un nuevo Almacenamiento local en la configuración del proyecto y establezca la ruta local absoluta en /yolo/datasets/one/images (o c:yolodatasetsoneimages para Windows).

Nota para almacenamientos en la nube

  • Utilice --image-root-url para crear prefijos correctos para las URL de tareas, por ejemplo --image-root-url s3://my-bucket/yolo/datasets/one .

  • Agregue un nuevo Cloud Storage en la configuración del proyecto con el depósito y el prefijo correspondientes.

Comando de ayuda 

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: Importación de imágenes preanotadas de YOLO a Label Studio usando el almacenamiento local

Este tutorial lo guiará a través del proceso de importar una carpeta con anotaciones YOLO a Label Studio para realizar más anotaciones. Cubriremos la configuración de su entorno, la conversión de anotaciones de YOLO al formato de Label Studio y su importación a su proyecto.

Requisitos previos

  • Label Studio instalado localmente

  • Imágenes anotadas de YOLO y archivos de etiquetas .txt correspondientes en el directorio /yolo/datasets/one .

  • label-studio-converter instalado (disponible a través de pip install label-studio-converter )

Paso 1: configure su entorno y ejecute Label Studio

Antes de iniciar Label Studio, configure las siguientes variables de entorno para habilitar el servicio de archivos de almacenamiento local:

Sistemas Unix: 

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

Ventanas: 

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

Reemplace /yolo/datasets con la ruta real a su directorio de conjuntos de datos YOLO.

Paso 2: configurar el almacenamiento local

  1. Crea un nuevo proyecto.

  2. Vaya a la configuración del proyecto y seleccione Almacenamiento en la nube .

  3. Haga clic en Agregar almacenamiento de origen y seleccione Archivos locales en las opciones de Tipo de almacenamiento .

  4. Establezca la ruta local absoluta en /yolo/datasets/one/images o c:yolodatasetsoneimages en Windows.

  5. Haga clic en Add storage .

Consulte más detalles sobre los almacenamientos locales en la documentación.

Paso 3: verificar el acceso a la imagen

Antes de importar las anotaciones convertidas desde YOLO, verifique que pueda acceder a una imagen desde su almacenamiento local a través de Label Studio. Abra una nueva pestaña del navegador e ingrese la siguiente URL: 

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

Reemplace one/images/.jpg con la ruta a una de sus imágenes. La imagen debería aparecer en la nueva pestaña del navegador . Si no puede abrir una imagen, la configuración del almacenamiento local es incorrecta. La razón más probable es que cometió un error al especificar su Path en la configuración de Almacenamiento local o en LABEL_STUDIO_LOCAL_FILES_DOCUMENT_ROOT .

Nota: La ruta URL de ?d= debe ser relativa a LABEL_STUDIO_LOCAL_FILES_DOCUMENT_ROOT=/yolo/datasets , significa que la ruta real será /yolo/datasets/one/images/.jpg y esta imagen debería existir en su disco duro. conducir.

Paso 4: convertir anotaciones de YOLO

Utilice label-studio-converter para convertir sus anotaciones de YOLO a un formato que Label Studio pueda entender: 

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

Paso 5: importar anotaciones convertidas

Ahora importe el archivo output.json a Label Studio:

  1. Vaya a su proyecto de Label Studio.

  2. Desde el Administrador de datos, haga clic en Importar .

  3. Seleccione el archivo output.json e impórtelo.

Paso 6: verificar las anotaciones

Después de importar, debería ver sus imágenes con los cuadros delimitadores previamente anotados en Label Studio. Verifique que las anotaciones sean correctas y realice los ajustes necesarios.

Solución de problemas

Si tiene problemas con las rutas o el acceso a las imágenes, asegúrese de que:

  • LABEL_STUDIO_LOCAL_FILES_DOCUMENT_ROOT está configurado correctamente.

  • La --image-root-url en el comando de conversión coincide con la ruta relativa: 

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

p.ej: 

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

  • El almacenamiento local en Label Studio está configurado correctamente con la ruta local absoluta a sus imágenes ( /yolo/datasets/one/images )

  • Para obtener más detalles, consulte la documentación sobre la importación de datos previamente anotados y la configuración de Cloud Storages.

Contribuyendo

Nos encantaría recibir su ayuda para crear convertidores a otros modelos. No dude en crear solicitudes de extracción.

  • Guía de contribución

  • Código de conducta

Expandir
Información adicional
Aplicaciones relacionadas
Recomendado para ti
Información relacionada Todo
Comentarios de los usuarios