### 关于 Labelme JSON 文件格式及其解析 Labelme 是一种广泛应用于机器学习和深度学习领域中的图像标注工具，其生成的 JSON 文件包含了丰富的元数据信息，例如图片路径、尺寸以及标注对象的具体位置等[^1]。这些信息对于构建高质量的数据集至关重要。 #### JSON 文件结构概述 典型的 Labelme JSON 文件通常具有以下字段： - **version**: 表示当前使用的 labelme 版本号。 - **flags**: 用户定义的一些标志位，可以为空。 - **shapes**: 这是一个列表，其中每个元素代表一个标注区域的信息，包括 `label` (类别名称)，`points` (多边形顶点坐标)，以及其他属性如线宽 (`line_color`) 和填充颜色 (`fill_color`)。 - **imagePath**: 图像文件相对于 JSON 文件的位置。 - **imageData**: Base64 编码形式存储的原始图像数据，便于直接加载而无需依赖外部资源。 - **imageHeight**, **imageWidth**: 描述图像的高度和宽度。 以下是简化版的 JSON 示例代码片段： ```json { "version": "4.5.7", "flags": {}, "shapes": [ { "label": "cat", "points": [[100, 200], [300, 400]], "group_id": null, "shape_type": "rectangle", "flags": {} } ], "imagePath": "example.jpg", "imageData": "base64_encoded_string_here==", "imageHeight": 800, "imageWidth": 600 } ``` 上述例子展示了如何通过矩形框标注一只猫的位置，并记录下该图像是分辨率为 600×800 的 JPG 文件。 #### 如何利用 Python 处理 Labelme JSON 数据？ 为了高效地读取并操作由 Labelme 创建的 JSON 文件内容，在实际应用中可采用如下方法实现自动化脚本开发工作流: 1. 加载 JSON 文件； 2. 提取消息体内的必要参数； 3. 转换成其他框架所需的输入格式(如果需要的话)； 下面给出一段简单的 python 实现来展示这一过程的一部分功能——即从多个 json 文件里提取所有 shape labels 并统计每种类别的数量分布情况： ```python import os import json from collections import Counter def count_labels(json_dir): counts = Counter() for filename in os.listdir(json_dir): if not filename.endswith('.json'): continue filepath = os.path.join(json_dir, filename) with open(filepath, 'r', encoding='utf-8') as f: data = json.load(f) shapes = data.get('shapes', []) labels = [s['label'] for s in shapes] counts.update(labels) return dict(counts) if __name__ == "__main__": result = count_labels('./path/to/json/files') print(result) ``` 此函数遍历指定目录下的每一个 .json 文件，逐个分析它们内部所含有的形状标签种类及频次，最终返回汇总的结果字典^。 另外值得注意的是当涉及到不同模型间的数据交换时可能还需要额外考虑一些细节问题比如边界框坐标的标准化处理等等[^4]. ###