LabelMe & LabelImg 详细使用教程（新手零基础入门，附避坑指南）
在计算机视觉领域，数据集标注是模型训练的基础——没有高质量的标注数据，再强大的算法也无从谈起。而 LabelMe 和 LabelImg 作为两款最主流的开源图像标注工具，几乎是所有CV初学者的入门必备。
很多新手会混淆这两款工具：有人用 LabelImg 去做语义分割标注，有人用 LabelMe 画简单矩形框，反而降低了效率。其实核心区别很简单：LabelImg 专注矩形框标注，适合目标检测任务；LabelMe 支持多形态标注，适合语义分割、实例分割等精细标注场景。
这篇博客将从「工具定位→环境安装→完整操作→格式解析→技巧避坑」，手把手教你掌握两款工具的使用，无论你是CV新手，还是需要快速上手标注任务的开发者，看完这篇就能直接落地实操。
一、工具前置认知：LabelMe vs LabelImg 核心区别
在开始操作前，先明确两款工具的适用场景，避免用错工具走弯路，具体区别如下（新手必看）：
|
对比维度 |
LabelImg |
LabelMe |
|---|---|---|
|
核心功能 |
专注2D矩形框（Bounding Box）标注 |
支持多边形、矩形、圆形、点、线段等多种标注形态 |
|
适用场景 |
目标检测（如YOLO、Faster R-CNN等模型） |
语义分割、实例分割、姿态估计、关键点检测等 |
|
输出格式 |
默认Pascal VOC（XML），可一键切换YOLO（TXT） |
默认JSON格式，需转换为掩码图（PNG）用于模型训练 |
|
特点 |
轻量、启动快、操作简单，适合大规模快速标注 |
功能丰富、标注精细，支持复杂场景，可自定义扩展 |
总结：做目标检测，用 LabelImg 效率最高；做分割类任务，用 LabelMe 最适配。两款工具可单独使用，也可根据项目需求搭配使用。
二、环境准备：通用前置条件（两款工具通用）
两款工具均基于 Python 开发，因此无论使用哪款，都需要先搭建 Python 环境，新手推荐用 Anaconda 搭建虚拟环境，避免与其他项目依赖冲突。
2.1 安装 Anaconda（推荐）
-
前往 Anaconda 官网，下载对应操作系统（Windows/macOS/Linux）的版本，默认安装即可（安装时勾选“Add Anaconda to PATH”，方便后续调用）。
-
安装完成后，Windows 打开「Anaconda Prompt」，macOS/Linux 打开「终端」，输入
conda --version，出现版本号即安装成功。
2.2 创建并激活虚拟环境
建议创建一个专门的标注环境，避免依赖冲突，命令如下（所有系统通用）：
# 创建名为 label_env 的虚拟环境（Python 3.6-3.10 兼容性最好）
conda create --name=label_env python=3.8
# 确认安装（输入 y 回车）
# 激活环境
conda activate label_env
# 激活成功后，命令行前会显示 (label_env)后续安装和启动两款工具，都需在这个激活的虚拟环境中操作。
三、LabelImg 详细使用教程（目标检测标注首选）
LabelImg 是目标检测标注的“神器”，操作简单、轻量化，支持主流标注格式，无需后期手动转换，新手可快速上手。
3.1 安装 LabelImg
在激活的虚拟环境中，有两种安装方式，新手推荐第一种，快捷高效。
方式一：Pip 一键安装（推荐）
# 直接安装 labelimg
pip install labelimg
# 可选：用国内清华源加速（下载更快，避免超时）
pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple方式二：源码安装（进阶，适合二次开发）
# 克隆 GitHub 仓库
git clone https://github.com/HumanSignal/labelImg.git
# 进入仓库目录
cd labelImg
# 安装依赖
pip install pyqt5 lxml
# 编译资源文件（仅需一次）
pyrcc5 -o libs/resources.py resources.qrc
# 启动程序
python labelImg.py安装验证
在虚拟环境中输入 labelimg 并回车，若弹出 LabelImg 图形界面，说明安装成功。
3.2 LabelImg 完整操作流程（新手实操）
核心流程：启动工具→设置参数→加载图片→标注矩形框→保存标注→切换下一张，全程可视化操作，步骤如下：
步骤1：启动工具并设置基础参数
-
启动：虚拟环境中输入
labelimg，打开界面（默认英文，可在 View 菜单中勾选“Chinese”切换中文）。 -
加载图片文件夹：点击菜单栏「Open Dir」，选择存放原始图片的文件夹（建议将所有待标注图片放在同一个文件夹，方便管理）。
-
设置保存目录：点击「Change Save Dir」，选择一个专门存放标注文件的文件夹（建议与原始图片分开存放，避免文件混乱）。
-
切换标注格式：界面底部有「PascalVOC」和「YOLO」两个按钮，根据模型需求切换（默认 PascalVOC，生成 XML 文件；YOLO 模型选 YOLO，生成 TXT 文件）。
步骤2：开始标注（核心操作）
-
创建矩形框：点击左侧工具栏「Create RectBox」（或按快捷键
W），进入标注模式。 -
绘制矩形框：在图片中目标物体上，按下鼠标左键拖拽，绘制一个刚好包裹目标的矩形框（不宜过大或过小，尽量贴合目标边缘），松开鼠标。
-
输入标签：松开鼠标后，会弹出标签输入框，输入目标类别（如“car”“person”“cat”），点击「OK」（同类目标标签必须完全一致，如统一用“car”，不要混用“Car”“cars”）。
-
编辑标注：若矩形框位置偏差，可点击左侧「Edit RectBox」，拖动矩形框或边角调整大小；若标注错误，按
Del键删除当前标注。
步骤3：保存与批量标注
-
保存标注：单张图片标注完成后，点击「Save」（或按快捷键
Ctrl+S），会自动生成对应格式的标注文件（XML/TXT），文件名与原始图片一致。 -
切换下一张：点击「Next Image」（或按快捷键
D），可加载下一张图片；若勾选 View 菜单中的「Auto Save mode」，切换图片时会自动保存当前标注，无需手动点击。 -
批量标注：重复步骤2-3，直至所有图片标注完成，标注文件会自动保存到之前设置的保存目录中。
3.3 标注格式解析（关键，适配模型训练）
LabelImg 最便捷的优势的是“一键切换格式”，无需手动转换，两种主流格式解析如下：
1. PascalVOC 格式（XML 文件，默认）
可读性强，存储了图片尺寸、目标坐标、标签等完整信息，可直接用于 Faster R-CNN 等模型，核心内容如下：
<annotation>
<filename>car_01.jpg</filename> <!-- 原始图片文件名 -->
<size> <!-- 图片尺寸 -->
<width>1920</width> <!-- 宽度 -->
<height>1080</height> <!-- 高度 -->
<depth>3</depth> <!-- 通道数（RGB为3） -->
</size>
<object> <!-- 标注的目标 -->
<name>car</name> <!-- 目标标签 -->
<bndbox> <!-- 矩形框坐标（像素值） -->
<xmin>100</xmin> <!-- 左上角x坐标 -->
<ymin>200</ymin> <!-- 左上角y坐标 -->
<xmax>400</xmax> <!-- 右下角x坐标 -->
<ymax>500</ymax> <!-- 右下角y坐标 -->
</bndbox>
</object>
</annotation>2. YOLO 格式（TXT 文件）
专为 YOLO 模型设计，存储归一化后的相对坐标（范围 0~1），无需手动转换，核心格式如下：
每行代表一个目标，格式：class_id x_center y_center width height
-
class_id：类别索引（从0开始，需提前定义类别列表，如0=car、1=person）；
-
x_center、y_center：矩形框中心点的归一化坐标；
-
width、height：矩形框宽度和高度的归一化值；
示例（TXT 文件内容）：0 0.25 0.35 0.15 0.20，LabelImg 会自动计算归一化坐标，无需手动计算。
3.4 LabelImg 实用技巧与避坑指南
-
快捷键高效操作（必记）：W=创建矩形框、D=下一张、A=上一张、Del=删除标注、Ctrl+S=保存、Ctrl+Z=撤销；
-
标签统一：标注前先定义好所有类别（如“cat”“dog”），避免大小写、单复数混乱（如“Cat”和“cat”会被识别为两个类别）；
-
闪退问题（Python 3.10+）：若打开后绘制矩形框闪退，需修改两个文件（路径：虚拟环境目录\Lib\site-packages\libs）：
-
canvas.py：第526、530、531行，将坐标值改为int类型（如 int(left_top.x())）；
-
shape.py：第131行，将 painter.drawText 后的坐标改为int类型（如 int(min_x), int(min_y)）。
-
四、LabelMe 详细使用教程（分割类标注首选）
LabelMe 功能比 LabelImg 更丰富，支持多边形、点、线段等多种标注形态，核心用于语义分割、实例分割等需要精细勾勒目标轮廓的场景，标注结果需转换为掩码图后用于模型训练。
4.1 安装 LabelMe
同样在激活的虚拟环境中操作，推荐 Pip 一键安装，步骤如下：
# 先安装界面依赖 PyQt5（避免后续报错）
pip install pyqt5
# 安装 LabelMe
pip install labelme
# 可选：清华源加速
pip install labelme pyqt5 -i https://pypi.tuna.tsinghua.edu.cn/simple安装验证
虚拟环境中输入 labelme 并回车，弹出 LabelMe 图形界面，即安装成功。
注意：LabelMe 版本过高可能导致后续格式转换报错，若出现 ValueError: Too many dimensions 错误，可参考下文“避坑指南”解决，无需降级版本。
4.2 LabelMe 完整操作流程（新手实操）
核心流程：启动工具→加载图片→选择标注工具→勾勒目标轮廓→保存JSON→格式转换，重点在于“精细勾勒”和“格式转换”，步骤如下：
步骤1：启动工具并加载图片
-
启动：虚拟环境中输入
labelme，打开界面（默认英文，可在 Edit→Preferences 中切换中文）。 -
加载图片：有两种方式，一是点击「Open」加载单张图片，二是点击「Open Dir」加载整个图片文件夹（批量标注推荐）。
步骤2：选择标注工具并勾勒轮廓（核心操作）
LabelMe 提供多种标注工具，常用的有3种，根据场景选择：
-
Create Polygons（多边形工具，最常用）：用于语义/实例分割，勾勒目标完整轮廓，快捷键
P； -
Create Rectangles（矩形工具）：用于简单目标框选，类似 LabelImg，快捷键
R； -
Create Points（点工具）：用于关键点检测（如人脸关键点、姿态关键点），快捷键
O。
以最常用的「多边形标注」为例，操作如下：
-
点击左侧「Create Polygons」，或按快捷键
P，进入标注模式； -
在目标物体边缘，依次点击鼠标左键，绘制多边形顶点（点越密集，轮廓越精细）；
-
撤销错误顶点：按
Ctrl+Z撤销上一个顶点； -
闭合轮廓：当最后一个顶点与第一个顶点重合时，会自动闭合多边形，此时弹出标签输入框，输入目标标签（如“leaf”“tumor”），点击「OK」；
-
编辑轮廓：点击左侧「Edit Polygons」，可拖动顶点调整轮廓位置，或添加/删除顶点（右键顶点可删除）。
步骤3：保存标注文件
单张图片标注完成后，点击「Save」（或按 Ctrl+S），会生成一个与原始图片同名的 .json 文件，该文件包含了标注的所有信息（顶点坐标、标签、图片尺寸等）。
注意：JSON 文件不能直接用于模型训练，需转换为像素级的掩码图（PNG格式）。
4.3 标注结果格式转换（关键步骤）
LabelMe 标注后生成的 JSON 文件，需转换为掩码图（Label Mask）才能用于分割模型训练，分为「单文件转换」和「批量转换」两种方式。
方式1：单文件转换（适合少量标注）
在虚拟环境中，执行以下命令，将单个 JSON 文件转换为掩码图：
# 格式：labelme_json_to_dataset 你的JSON文件路径
labelme_json_to_dataset ./annotations/car_01.json执行后，会生成一个同名文件夹，里面包含5个文件，核心是 label.png（掩码图），每个像素值对应一个类别，用于模型训练。
方式2：批量转换（适合大量标注，推荐）
当有大量 JSON 文件时，手动转换效率低，可使用 LabelMe 源码中的 labelme2voc.py 脚本批量转换，步骤如下：
-
克隆 LabelMe 源码：
git clone https://github.com/wkentaro/labelme； -
进入源码目录：
cd labelme； -
创建 labels.txt 文件：在源码目录中，新建
labels.txt，写入所有标注类别（每行一个，第一行写__ignore__，第二行写_background_，后续写自定义类别），示例：__ignore___background_carpersoncat -
执行批量转换命令：
# 格式：python labelme2voc.py 输入JSON目录 输出目录 --labels labels.txtpython labelme2voc.py ./json_dir ./output_dir --labels labels.txt -
转换完成后，输出目录中会生成
JPEGImages（原始图片）和SegmentationClass（掩码图），可直接用于模型训练。
4.4 LabelMe 实用技巧与避坑指南
-
带洞目标标注：若目标内部有空洞（如甜甜圈、带孔零件），先标注外部轮廓（标签为目标类别），再标注内部空洞轮廓（标签设为
_background_），转换后空洞会被识别为背景； -
格式转换报错解决：若出现「ValueError: Too many dimensions: 3 > 2」，无需降级 LabelMe，只需修改转换脚本，将
lbl = utils.shapes_to_label(...)改为lbl, ins = utils.shapes_to_label(...)（lbl 为类别掩码，ins 为实例掩码）； -
中文乱码（Windows）：查看转换后的可视化图片时，若标签中文乱码，找到 LabelMe 安装目录下的
label_file.py，在第36行左右，修改文件读取编码为 UTF-8； -
快捷键高效操作：P=多边形标注、R=矩形标注、O=点标注、Ctrl+Z=撤销、Ctrl+S=保存、D=下一张、A=上一张。
五、总结与拓展建议
LabelImg 和 LabelMe 都是开源免费、功能强大的标注工具，核心区别在于适用场景：
-
目标检测（画矩形框）：优先用 LabelImg，轻量、高效，无需手动转换格式；
-
分割类任务（画轮廓）：优先用 LabelMe，标注精细，支持多种形态，转换后可直接用于模型训练。
对于新手来说，建议先掌握 LabelImg 的基础操作，完成简单的目标检测标注任务，再学习 LabelMe 的多边形标注和格式转换，逐步提升标注效率和精度。
拓展建议：
-
标注规范：标注前制定统一的标签规范，避免标签混乱，提升数据集质量；
-
批量处理：当数据集规模较大时，可结合脚本（如 Python 批量重命名图片），搭配两款工具的批量功能，提升标注效率；
-
问题排查：若遇到安装或操作报错，可查看工具的 GitHub Issues 或官方文档，大部分常见问题都有解决方案。
最后，标注是一个“细致活”，高质量的标注才能训练出高精度的模型。希望这篇教程能帮你快速上手 LabelImg 和 LabelMe，少走弯路，高效完成标注任务～
AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。
更多推荐
2
0- 0
已为社区贡献1条内容
所有评论(0)