labelme-pre-annotation

使用训练好的YOLOv11模型对图片进行预标注，输出符合labelme格式的JSON文件。

项目概述

本项目旨在提高图像分割标注的效率，通过使用已训练的YOLOv11模型进行预标注，然后使用labelme工具进行人工检验和编辑。

工作流程

1. 预推理: 使用YOLOv11模型对新图片进行推理
2. 格式转换: 将YOLO检测结果转换为labelme格式
3. 人工检验: 使用labelme工具检验和编辑预标注结果

环境要求

• Python 3.8+
• conda环境管理（推荐使用yolov8环境）
• 训练好的YOLOv11模型权重文件

安装和设置

1. 环境准备

# 激活conda环境
conda activate yolov8

# 安装依赖
pip install -r requirements.txt

2. 模型权重文件

将训练好的YOLOv11模型权重文件放置在：

src/weights/emergency_lane_seg_11l.pt

3. 测试安装

cd src
python test_inference.py

使用方法

快速开始

cd src
python batch_inference.py --input /Users/lucas/Downloads/output_frames --output /Users/lucas/Downloads/output_frames/results --save-yolo

详细使用说明

请参考 使用示例文档 获取完整的使用指南。

主要参数

• --input, -i: 输入图片文件夹路径（必需）
• --output, -o: 输出结果文件夹路径
• --model, -m: 模型权重文件路径
• --confidence, -c: 置信度阈值（默认0.25）
• --save-yolo: 保存YOLO格式txt文件
• --save-json: 保存详细JSON结果（默认开启）

项目结构

labelme-pre-annotation/
├── src/
│   ├── inference/
│   │   └── yolo_inference.py      # 核心推理模块
│   ├── config/
│   │   └── settings.py            # 配置文件
│   ├── weights/
│   │   ├── README.md              # 权重文件说明
│   │   └── emergency_lane_seg_11l.pt  # 模型权重（需自行放置）
│   ├── batch_inference.py         # 批量推理脚本
│   └── test_inference.py          # 测试脚本
├── docs/
│   ├── target_format.json         # labelme格式示例
│   └── usage_example.md           # 使用示例文档
├── requirements.txt               # 依赖文件
└── README.md                      # 项目说明

推理 + 转换一步完成

# 推理 + 转换一步完成
python yolo_to_labelme_pipeline.py pipeline \
  --input /Users/lucas/Downloads/output_frames \
  --output ./results \
  --confidence 0.25 \
  --save-yolo-txt

数据扩增整理优化逻辑

• 从视频抽帧成图片项目地址
• label2yolo 格式转换项目地址

贡献指南

欢迎提交问题和改进建议！