ตัวแปลงสตูดิโอฉลาก
0.0.59
พื้นที่เก็บข้อมูลนี้ถูกเก็บถาวรและรวมเข้ากับ Label Studio SDK: https://github.com/HumanSignal/label-studio-sdk/tree/master/src/label_studio_sdk/converter
เว็บไซต์ • เอกสาร • Twitter • เข้าร่วมชุมชน Slack
การแนะนำ
ตัวอย่าง
เจสัน
ซีเอสวี
คอนเอ็นแอล 2003
โคโค่
ภาษาปาสคาล VOC XML
YOLO เป็น Label Studio Converter
การใช้งาน
บทช่วยสอน: การนำเข้ารูปภาพที่มีคำอธิบายประกอบล่วงหน้าของ YOLO ไปยัง Label Studio โดยใช้พื้นที่จัดเก็บในเครื่อง
มีส่วนร่วม
ใบอนุญาต
Label Studio Format Converter ช่วยให้คุณเข้ารหัสป้ายกำกับให้อยู่ในรูปแบบของไลบรารีการเรียนรู้ของเครื่องที่คุณชื่นชอบ
ทำงานจากบรรทัดคำสั่ง:
pip install -U label-studio-converter.php python label-studio-converter ส่งออก -i Exported_tasks.json -c ตัวอย่าง/sentiment_analysis/config.xml -o output_dir -f CSV
วิ่งจากหลาม:
จาก label_studio_converter นำเข้า Converterc = Converter ('ตัวอย่าง/sentiment_analysis/config.xml')c.convert_to_json('ตัวอย่าง/sentiment_analysis/completions/', 'tmp/output.json') รับไฟล์เอาต์พุต: tmp/output.json
-
{"reviewText": "เป็นกรณีที่ดี คุ้มค่ามาก", "ความรู้สึก": "เชิงบวก"
-
{"reviewText": "เสียเงินและเวลาจริงๆ!" ความคิดเห็น": "เชิงลบ"
-
{"reviewText": "คอห่านต้องเกลี้ยกล่อมเล็กน้อย", "ความรู้สึก": "เป็นกลาง"
-
-กรณีการใช้งาน: งานใด ๆ
ทำงานจากบรรทัดคำสั่ง:
python label_studio_converter/cli.py --ตัวอย่างอินพุต/sentiment_analysis/completions/ --config ตัวอย่าง/sentiment_analysis/config.xml --output output_dir --format CSV --csv-separator $'t'
วิ่งจากหลาม:
จาก label_studio_converter นำเข้า Converterc = Converter('examples/sentiment_analysis/config.xml')c.convert_to_csv('examples/sentiment_analysis/completions/', 'output_dir', sep='t', header=True) รับไฟล์เอาต์พุต tmp/output.tsv :
รีวิวข้อความกรณีดี คุ้มค่า บวกเสียทั้งเงินและเวลา!เชิงลบคอห่านต้องเกลี้ยกล่อมเล็กน้อยเป็นกลาง
กรณีการใช้งาน: งานใด ๆ
ทำงานจากบรรทัดคำสั่ง:
หลาม label_studio_converter/cli.py --input examples/named_entity/completions/ --config examples/named_entity/config.xml --output tmp/output.conll --format CONLL2003
วิ่งจากหลาม:
จาก label_studio_converter นำเข้า Converterc = Converter('examples/named_entity/config.xml')c.convert_to_conll2003('examples/named_entity/completions/', 'tmp/output.conll') รับไฟล์เอาต์พุต 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
...กรณีการใช้งาน: การแท็กข้อความ
ทำงานจากบรรทัดคำสั่ง:
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
วิ่งจากหลาม:
จาก label_studio_converter นำเข้า Converterc = Converter('examples/image_bbox/config.xml')c.convert_to_coco('examples/image_bbox/completions/', 'tmp/output.conll', output_image_dir='tmp/images') ภาพที่ส่งออกสามารถพบได้ใน tmp/images
รับไฟล์เอาต์พุต tmp/output.json
{ "ภาพ": [
{ "ความกว้าง": 800, "ความสูง": 501, "id": 0, "file_name": "tmp/images/62a623a0d3cef27a51d3689865e7b08a"}
], "หมวดหมู่": [
{ "id": 0, "ชื่อ": "ดาวเคราะห์"},
{ "id": 1, "ชื่อ": "มูนวอล์คเกอร์"}
], "คำอธิบายประกอบ": [
{ "id": 0, "image_id": 0, "category_id": 0, "การแบ่งกลุ่ม": [], "bbox": [299,6,377,260 ], "ละเว้น": 0, "iscrowd": 0, "พื้นที่ ": 98020},
{ "id": 1, "image_id": 0, "category_id": 1, "การแบ่งกลุ่ม": [], "bbox": [288,300,132,90 ], "ละเว้น": 0, "iscrowd": 0, "พื้นที่ ": 11880}
], "info": {"ปี": 2019,"version": "1.0", "ผู้ร่วมให้ข้อมูล": "Label Studio"
-
-กรณีการใช้งาน: การตรวจจับวัตถุรูปภาพ
ทำงานจากบรรทัดคำสั่ง:
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
วิ่งจากหลาม:
จาก label_studio_converter นำเข้า Converterc = Converter('examples/image_bbox/config.xml')c.convert_to_voc('examples/image_bbox/completions/', 'tmp/output.conll', output_image_dir='tmp/images') ภาพที่ส่งออกสามารถพบได้ใน tmp/images
คำอธิบายประกอบที่สอดคล้องกันสามารถพบได้ใน tmp/voc-annotations/*.xml :
<คำอธิบายประกอบ>tmp/images <ชื่อไฟล์>62a623a0d3cef27a51d3689865e7b08a <แหล่งที่มา> <ฐานข้อมูล>ฐานข้อมูลของฉัน <คำอธิบายประกอบ>COCO2017 <ภาพ>ฟลิกเกอร์เป็นโมฆะ <เจ้าของ>เป็นโมฆะ ค่ายเพลง <ขนาด> <ความกว้าง>800 <ความสูง>501 <ความลึก>3 <แบ่งส่วน>0 <วัตถุ> <ชื่อ>ดาวเคราะห์ไม่ระบุ <ตัดทอน>0 <ยาก>0<วัตถุ> 299 6 676 266 มูนวอล์คเกอร์ ไม่ระบุ <ตัดทอน>0 <ยาก>0288 300 420 390
กรณีการใช้งาน: การตรวจจับวัตถุรูปภาพ
ตรวจสอบโครงสร้างของโฟลเดอร์ YOLO ก่อน โปรดทราบว่ารากคือ /yolo/datasets/one
/yolo/datasets/one images - 1.jpg - 2.jpg - ... labels - 1.txt - 2.txt classes.txt
ตัวอย่าง class.txt
Airplane Car
label-studio-converter import yolo -i /yolo/datasets/one -o ls-tasks.json --image-root-url "/data/local-files/?d=one/images"
โดยที่เส้นทาง URL จาก ?d= สัมพันธ์กับเส้นทางที่คุณกำหนดไว้ใน LABEL_STUDIO_LOCAL_FILES_DOCUMENT_ROOT
หมายเหตุสำหรับการจัดเก็บในตัวเครื่อง
สิ่งสำคัญมากคือต้องตั้งค่า LABEL_STUDIO_LOCAL_FILES_DOCUMENT_ROOT=/yolo/datasets ( ไม่ใช่ เป็น /yolo/datasets/one แต่เป็น /yolo/datasets ) เพื่อให้ Label Studio ทำงาน
เพิ่ม Local Storage ใหม่ในการตั้งค่าโปรเจ็กต์และตั้งค่า Absolute local path เป็น /yolo/datasets/one/images (หรือ c:yolodatasetsoneimages สำหรับ Windows)
หมายเหตุสำหรับที่เก็บข้อมูลบนคลาวด์
ใช้ --image-root-url เพื่อสร้างคำนำหน้าที่ถูกต้องสำหรับ URL ของงาน เช่น --image-root-url s3://my-bucket/yolo/datasets/one
เพิ่ม Cloud Storage ใหม่ในการตั้งค่าโปรเจ็กต์ด้วยที่เก็บข้อมูลและคำนำหน้าที่เกี่ยวข้อง
คำสั่งช่วยเหลือ
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
บทแนะนำนี้จะแนะนำคุณตลอดขั้นตอนการนำเข้าโฟลเดอร์ที่มีคำอธิบายประกอบ YOLO ไปยัง Label Studio เพื่อใช้คำอธิบายประกอบเพิ่มเติม เราจะครอบคลุมถึงการตั้งค่าสภาพแวดล้อมของคุณ การแปลงคำอธิบายประกอบ YOLO เป็นรูปแบบ Label Studio และการนำเข้าลงในโปรเจ็กต์ของคุณ
Label Studio ติดตั้งในเครื่อง
YOLO ใส่คำอธิบายประกอบรูปภาพและไฟล์ป้ายกำกับ .txt ที่เกี่ยวข้องในไดเร็กทอรี /yolo/datasets/one
ติดตั้ง label-studio-converter แล้ว (มีให้ผ่าน pip install label-studio-converter )
ก่อนเริ่ม Label Studio ให้ตั้งค่าตัวแปรสภาพแวดล้อมต่อไปนี้เพื่อเปิดใช้การแสดงไฟล์ Local Storage:
ระบบยูนิกซ์:
export LABEL_STUDIO_LOCAL_FILES_SERVING_ENABLED=true export LABEL_STUDIO_LOCAL_FILES_DOCUMENT_ROOT=/yolo/datasets label-studio
หน้าต่าง:
set LABEL_STUDIO_LOCAL_FILES_SERVING_ENABLED=true set LABEL_STUDIO_LOCAL_FILES_DOCUMENT_ROOT=C:yolodatasets label-studio
แทนที่ /yolo/datasets ด้วยพาธจริงไปยังไดเร็กทอรีชุดข้อมูล YOLO ของคุณ
สร้างโครงการใหม่
ไปที่การตั้งค่าโปรเจ็กต์แล้วเลือก Cloud Storage
คลิก เพิ่มที่เก็บข้อมูลต้นทาง แล้วเลือก ไฟล์ในเครื่อง จากตัวเลือก ประเภทที่เก็บข้อมูล
ตั้งค่า พาธท้องถิ่นแบบสัมบูรณ์ เป็น /yolo/datasets/one/images หรือ c:yolodatasetsoneimages บน Windows
คลิก Add storage
ตรวจสอบรายละเอียดเพิ่มเติมเกี่ยวกับ Local Storages ในเอกสารประกอบ
ก่อนที่จะนำเข้าคำอธิบายประกอบที่แปลงแล้วจาก YOLO โปรดตรวจสอบให้แน่ใจว่าคุณสามารถเข้าถึงรูปภาพจากที่จัดเก็บในเครื่องของคุณผ่าน Label Studio เปิดแท็บเบราว์เซอร์ใหม่และป้อน URL ต่อไปนี้:
http://localhost:8080/data/local-files/?d=one/images/.jpg
แทนที่ one/images/ ด้วยเส้นทางไปยังรูปภาพใดรูปภาพหนึ่งของคุณ รูปภาพควรแสดง ในแท็บใหม่ของเบราว์เซอร์ หากคุณไม่สามารถเปิดภาพได้ แสดงว่าการกำหนดค่า Local Storage ไม่ถูกต้อง สาเหตุที่เป็นไปได้มากที่สุดคือคุณทำผิดพลาดเมื่อระบุ Path ในการตั้งค่า Local Storage หรือใน LABEL_STUDIO_LOCAL_FILES_DOCUMENT_ROOT
หมายเหตุ: เส้นทาง URL จาก ?d= ควรสัมพันธ์กับ LABEL_STUDIO_LOCAL_FILES_DOCUMENT_ROOT=/yolo/datasets ซึ่งหมายความว่าเส้นทางจริงจะเป็น /yolo/datasets/one/images/ และรูปภาพนี้ควรมีอยู่บนฮาร์ดของคุณ ขับ.
ใช้ label-studio-converter เพื่อแปลงคำอธิบายประกอบ YOLO เป็นรูปแบบที่ Label Studio เข้าใจได้:
label-studio-converter import yolo -i /yolo/datasets/one -o output.json --image-root-url "/data/local-files/?d=one/images"
ตอนนี้นำเข้าไฟล์ output.json ไปยัง Label Studio:
ไปที่โปรเจ็กต์ Label Studio ของคุณ
จากตัวจัดการข้อมูล คลิก นำเข้า
เลือกไฟล์ output.json และนำเข้า
หลังจากนำเข้า คุณจะเห็นรูปภาพพร้อมกรอบขอบที่มีคำอธิบายประกอบล่วงหน้าใน Label Studio ตรวจสอบว่าคำอธิบายประกอบถูกต้องและทำการปรับเปลี่ยนที่จำเป็น
หากคุณพบปัญหาเกี่ยวกับเส้นทางหรือการเข้าถึงรูปภาพ ตรวจสอบให้แน่ใจว่า:
LABEL_STUDIO_LOCAL_FILES_DOCUMENT_ROOT ได้รับการตั้งค่าอย่างถูกต้อง
--image-root-url ในคำสั่งการแปลงตรงกับเส้นทางสัมพัทธ์:
`Absolute local path from Local Storage Settings` - `LABEL_STUDIO_LOCAL_FILES_DOCUMENT_ROOT` = `path for --image_root_url`
เช่น:
/yolo/datasets/one/images - /yolo/datasets/ = one/images
Local Storage ใน Label Studio ได้รับการตั้งค่าอย่างถูกต้องด้วยเส้นทาง Absolute Local ไปยังรูปภาพของคุณ ( /yolo/datasets/one/images )
สำหรับรายละเอียดเพิ่มเติม โปรดดูเอกสารประกอบเกี่ยวกับการนำเข้าข้อมูลที่มีคำอธิบายประกอบล่วงหน้าและการตั้งค่า Cloud Storages
เราต้องการความช่วยเหลือจากคุณในการสร้างตัวแปลงเป็นรุ่นอื่นๆ โปรดอย่าลังเลที่จะสร้างคำขอดึง
แนวทางการมีส่วนร่วม
หลักจรรยาบรรณ
