Página Inicial>Relacionado com a programação>Outro código-fonte
Baixar
conversor de estúdio de etiqueta

Aviso

Este repositório foi arquivado e mesclado no Label Studio SDK: https://github.com/HumanSignal/label-studio-sdk/tree/master/src/label_studio_sdk/converter

Conversor de estúdio de etiqueta

Site • Documentos • Twitter • Participe da comunidade do Slack

Índice

  • Introdução

  • Exemplos

    • JSON

    • CSV

    • CoNLL 2003

    • COCO

    • XML VOC Pascal

  • Conversor de YOLO para Label Studio

    • Uso

    • Tutorial: Importando imagens pré-anotadas YOLO para o Label Studio usando armazenamento local

  • Contribuindo

  • Licença

Introdução

Label Studio Format Converter ajuda você a codificar rótulos no formato de sua biblioteca de aprendizado de máquina favorita.

Exemplos

JSON

Executando a partir da linha de comando:

 pip install -U label-studio-converter
python label-studio-converter exportar -i exported_tasks.json -c exemplos/sentiment_análise/config.xml -o output_dir -f CSV

Executando em python:

 de label_studio_converter importar Converterc = Converter('examples/sentiment_análise/config.xml')c.convert_to_json('examples/sentiment_análise/completions/', 'tmp/output.json')

Obtendo arquivo de saída: tmp/output.json

 [
  {"reviewText": "Bom caso, excelente valor.","sentiment": "Positivo"
  },
  {"reviewText": "Que desperdício de dinheiro e tempo!","sentiment": "Negativo"
  },
  {"reviewText": "O pescoço de ganso precisa de um pouco de persuasão","sentiment": "Neutro"
  }
]

Casos de uso: qualquer tarefa

CSV

Executando a partir da linha de comando:

 python label_studio_converter/cli.py --input exemplos/sentiment_análise/completions/ --config exemplos/sentiment_análise/config.xml --output output_dir --format CSV --csv-separator $'t'

Executando em python:

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

Obtendo o arquivo de saída tmp/output.tsv :

 revisãoTextossentimentoBom caso, excelente valor.PositivoQue desperdício de dinheiro e tempo!NegativoO pescoço de ganso precisa de um pouco de persuasãoNeutro

Casos de uso: qualquer tarefa

CoNLL 2003

Executando a partir da linha de comando:

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

Executando em python:

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

Obtendo o arquivo de saída 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: marcação de texto

COCO

Executando a partir da linha de comando:

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

Executando em python:

 de 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')

As imagens de saída podem ser encontradas em tmp/images

Obtendo o arquivo de saída tmp/output.json

 { "imagens": [
    { "largura": 800, "altura": 501, "id": 0, "nome_do_arquivo": "tmp/images/62a623a0d3cef27a51d3689865e7b08a"}
  ], "categorias": [
    { "id": 0, "nome": "Planeta"},
    { "id": 1, "nome": "Moonwalker"}
  ], "anotações": [
    { "id": 0, "image_id": 0, "category_id": 0, "segmentação": [], "bbox": [299,6,377,260], "ignorar": 0, "iscrowd": 0, "área ": 98020},
    { "id": 1, "image_id": 0, "category_id": 1, "segmentação": [], "bbox": [288,300,132,90], "ignorar": 0, "iscrowd": 0, "área ": 11880}
  ], "info": {"ano": 2019,"versão": "1.0","contributor": "Label Studio"
  }
}

Casos de uso: detecção de objetos de imagem

XML VOC Pascal

Executando a partir da linha de comando:

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

Executando em python:

 de 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')

As imagens de saída podem ser encontradas em tmp/images

As anotações correspondentes podem ser encontradas em tmp/voc-annotations/*.xml :

 

tmp/imagens
62a623a0d3cef27a51d3689865e7b08a

MeuBancoDeDados
COCO2017
flickr
NULO


NULO
Estúdio de Etiquetas


800
501
3

0

Planeta
Não especificado
0
0

299
6
676
266



Moonwalker
Não especificado
0
0

288
300
420
390

Casos de uso: detecção de objetos de imagem

Conversor de YOLO para Label Studio

Estrutura de diretório YOLO

Verifique primeiro a estrutura da pasta YOLO, lembre-se de que a raiz é /yolo/datasets/one . 

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

  classes.txt

exemplo de classes.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"

Onde o caminho da URL de ?d= é relativo ao caminho que você definiu em LABEL_STUDIO_LOCAL_FILES_DOCUMENT_ROOT .

Nota para armazenamentos locais

  • É muito importante definir LABEL_STUDIO_LOCAL_FILES_DOCUMENT_ROOT=/yolo/datasets ( não para /yolo/datasets/one , mas /yolo/datasets ) para que o Label Studio seja executado.

  • Adicione um novo armazenamento local nas configurações do projeto e defina o caminho local absoluto como /yolo/datasets/one/images (ou c:yolodatasetsoneimages para Windows).

Nota para armazenamento em nuvem

  • Use --image-root-url para criar prefixos corretos para URLs de tarefas, por exemplo --image-root-url s3://my-bucket/yolo/datasets/one .

  • Adicione um novo Cloud Storage nas configurações do projeto com o bucket e o prefixo correspondentes.

Comando de ajuda 

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: Importando imagens pré-anotadas YOLO para o Label Studio usando armazenamento local

Este tutorial irá guiá-lo através do processo de importação de uma pasta com anotações YOLO para o Label Studio para anotações adicionais. Abordaremos a configuração do seu ambiente, a conversão de anotações YOLO para o formato do Label Studio e a importação delas para o seu projeto.

Pré-requisitos

  • Label Studio instalado localmente

  • Imagens anotadas YOLO e arquivos de rótulo .txt correspondentes no diretório /yolo/datasets/one .

  • label-studio-converter instalado (disponível via pip install label-studio-converter )

Etapa 1: configure seu ambiente e execute o Label Studio

Antes de iniciar o Label Studio, defina as seguintes variáveis ​​de ambiente para ativar o serviço de arquivos de armazenamento local:

Sistemas Unix: 

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

Substitua /yolo/datasets pelo caminho real para o diretório de conjuntos de dados YOLO.

Etapa 2: configurar o armazenamento local

  1. Crie um novo projeto.

  2. Vá para as configurações do projeto e selecione Cloud Storage .

  3. Clique em Adicionar armazenamento de origem e selecione Arquivos locais nas opções de tipo de armazenamento .

  4. Defina o caminho local absoluto como /yolo/datasets/one/images ou c:yolodatasetsoneimages no Windows.

  5. Clique em Add storage .

Confira mais detalhes sobre Local Storages na documentação.

Etapa 3: verifique o acesso à imagem

Antes de importar as anotações convertidas do YOLO, verifique se você pode acessar uma imagem do seu armazenamento local via Label Studio. Abra uma nova guia do navegador e insira o seguinte URL: 

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

Substitua one/images/.jpg pelo caminho para uma de suas imagens. A imagem deverá ser exibida na nova aba do navegador . Se você não conseguir abrir uma imagem, a configuração do armazenamento local está incorreta. O motivo mais provável é que você cometeu um erro ao especificar seu Path nas configurações de armazenamento local ou em LABEL_STUDIO_LOCAL_FILES_DOCUMENT_ROOT .

Nota: O caminho da URL de ?d= deve ser relativo a LABEL_STUDIO_LOCAL_FILES_DOCUMENT_ROOT=/yolo/datasets , isso significa que o caminho real será /yolo/datasets/one/images/.jpg e esta imagem deve existir no seu disco dirigir.

Etapa 4: converter anotações YOLO

Use o label-studio-converter para converter suas anotações YOLO para um formato que o Label Studio possa entender: 

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

Etapa 5: importar anotações convertidas

Agora importe o arquivo output.json para o Label Studio:

  1. Vá para o seu projeto do Label Studio.

  2. No Data Manager, clique em Importar .

  3. Selecione o arquivo output.json e importe-o.

Etapa 6: verificar anotações

Após a importação, você deverá ver suas imagens com as caixas delimitadoras pré-anotadas no Label Studio. Verifique se as anotações estão corretas e faça os ajustes necessários.

Solução de problemas

Se você encontrar problemas com caminhos ou acesso a imagens, certifique-se de que:

  • O LABEL_STUDIO_LOCAL_FILES_DOCUMENT_ROOT está definido corretamente.

  • O --image-root-url no comando de conversão corresponde ao caminho relativo: 

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

por exemplo: 

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

  • O armazenamento local no Label Studio está configurado corretamente com o caminho local absoluto para suas imagens ( /yolo/datasets/one/images )

  • Para obter mais detalhes, consulte a documentação sobre importação de dados pré-anotados e configuração de Cloud Storages.

Contribuindo

Adoraríamos receber sua ajuda para criar conversores para outros modelos. Sinta-se à vontade para criar solicitações pull.

  • Diretriz de Contribuição

  • Código de Conduta

Expandir
Informações adicionais
Aplicativos Relacionados
Recomendado para você
Informações Relacionadas Todos
Comentários dos Usuários