labelme资源文件，包含labelme用于ai标注的预训练模型，labelme的json文件向yolo格式和mmseg格式进行转化的文件

共175个文件

png：53个

jpg：40个

json：35个

版权申诉

labelme

yolo

语义分割

92 浏览量 2025-01-31 13:50:55 上传评论收藏 737.5MB ZIP 举报

在深度学习和计算机视觉领域，数据标注是一项基础而重要的工作，它为后续的模型训练提供了必要的标签信息。Labelme是一个流行的图像标注工具，它允许用户为图像中的物体或者区域绘制边界框，并给出相应的标签。这不仅对于物体检测任务至关重要，也对图像分割、场景理解等任务有着重要的应用。本资源文件集包含了多个与labelme相关的重要文件，为AI标注工作提供了方便。它包含了用于人工智能标注的预训练模型。这些模型通常是深度神经网络，已经经过大量的数据训练，可以识别出图像中的基本物体和特征。有了这些预训练模型，用户在进行新数据标注时，可以利用模型的预测结果作为辅助信息，从而提高标注的效率和准确性。本资源还提供了labelme的json文件，这是一个包含图像标注信息的结构化数据格式。它记录了标注者绘制的多边形边界框、标注的类别等信息。这些json文件可以作为训练数据，直接用于机器学习模型的训练过程中。更为重要的是，该资源文件集还包含了一系列用于将labelme的json文件转换为其他格式的工具脚本。例如，它能够将labelme的json文件转换为yolo格式。Yolo（You Only Look Once）是一种流行的实时目标检测系统，它的格式要求标注数据以特定的方式组织，以便训练。通过这样的转换，标注者可以将图像及其标注信息更方便地用于yolo模型的训练中。此外，资源文件集还支持将json文件转换为mmseg格式，mmseg是PaddlePaddle框架中用于语义分割的一个模块。语义分割是计算机视觉中的一个任务，它旨在对图像中的每个像素进行分类，从而实现对图像的像素级别理解。转换为mmseg格式的文件，使得可以更便捷地利用PaddlePaddle框架进行语义分割模型的训练和应用。本资源文件集为AI图像标注工作提供了全面的支持，从预训练模型到标注数据的格式转换，再到具体的工具脚本，为AI标注和训练流程的各环节提供了便利，使得研究者和开发者可以更加专注于模型算法的创新和优化，而不是繁琐的数据处理工作。

资源推荐

资源详情

资源评论

收起资源包目录

labelme资源文件，包含labelme用于ai标注的预训练模型，labelme的json文件向yolo格式和mmseg格式进行转化的文件（175个子文件）

labels.cache 14KB

labels.cache 3KB

33.jpg 52KB

29.jpg 37KB

18.jpg 34KB

4.jpg 34KB

15.jpg 32KB

12.jpg 30KB

241.jpg 30KB

6.jpg 27KB

21.jpg 26KB

9.jpg 22KB

10.jpg 22KB

45.jpg 21KB

34.jpg 19KB

5.jpg 19KB

27.jpg 18KB

399.jpg 16KB

23.jpg 16KB

411.jpg 9KB

7.jpg 8KB

35.jpg 7KB

Case-2-U-2-3.json 90KB

Case-4-U-8-1.json 86KB

Case-4-U-8-0.json 84KB

Case-3-U-5-0.json 84KB

Case-3-U-5-2.json 83KB

Case-5-U-10-1.json 83KB

Case-3-U-5-3.json 81KB

33.json 80KB

Case-5-U-10-0.json 79KB

Case-2-U-2-2.json 78KB

Case-1-U-1-1.json 66KB

29.json 58KB

4.json 54KB

4.json 52KB

18.json 51KB

241.json 50KB

15.json 48KB

12.json 47KB

6.json 43KB

21.json 43KB

6.json 42KB

9.json 38KB

45.json 34KB

10.json 34KB

5.json 32KB

399.json 31KB

34.json 30KB

5.json 30KB

27.json 29KB

23.json 27KB

411.json 17KB

7.json 15KB

35.json 14KB

sam_vit_h_4b8939.quantized.encoder.onnx 625.84MB

efficient_sam_vits.onnx 101.21MB

sam_vit_b_01ec64.quantized.encoder.onnx 95.2MB

efficient_sam_vits_encoder.onnx 85.41MB

efficient_sam_vitt.onnx 39.45MB

efficient_sam_vitt_encoder.onnx 23.65MB

efficient_sam_vits_decoder.onnx 15.8MB

efficient_sam_vitt_decoder.onnx 15.8MB

sam_vit_h_4b8939.quantized.decoder.onnx 8.34MB

sam_vit_b_01ec64.quantized.decoder.onnx 8.34MB

img.png 306KB

Case-2-U-2-3.png 306KB

img.png 293KB

Case-4-U-8-1.png 293KB

img.png 283KB

Case-4-U-8-0.png 283KB

img.png 279KB

Case-5-U-10-1.png 279KB

img.png 271KB

Case-5-U-10-0.png 271KB

img.png 271KB

Case-2-U-2-2.png 271KB

img.png 270KB

共 175 条

0 0.924812 0.997500 0.914787 0.996250 0.907268 0.997500 0.676692 0.993750 0.491228 0.996250 0.482456 0.987500 0.457393 0.907500 0.459900 0.867500 0.449875 0.847500 0.444862 0.780000 0.422306 0.720000 0.417293 0.680000 0.404762 0.645000 0.388471 0.626250 0.370927 0.626250 0.369674 0.612500 0.360902 0.606250 0.355890 0.613750 0.293233 0.613750 0.288221 0.621250 0.255639 0.613750 0.234336 0.595000 0.219298 0.560000 0.214286 0.507500 0.239348 0.467500 0.244361 0.435000 0.259398 0.425000 0.264411 0.395000 0.264411 0.382500 0.249373 0.365000 0.251880 0.355000 0.263158 0.338750 0.276942 0.335000 0.286967 0.292500 0.332080 0.222500 0.284461 0.092500 0.288221 0.073750 0.313283 0.076250 0.421053 0.181250 0.443609 0.181250 0.483709 0.166250 0.506266 0.166250 0.522556 0.155000 0.540100 0.115000 0.552632 0.042500 0.568922 0.001250 0.679198 0.001250 0.687970 0.010000 0.725564 0.087500 0.735589 0.137500 0.745614 0.157500 0.750627 0.200000 0.776942 0.208750 0.788221 0.220000 0.808271 0.245000 0.810777 0.262500 0.820802 0.275000 0.835840 0.365000 0.870927 0.475000 0.892231 0.506250 0.909774 0.513750 0.931078 0.530000 0.928571 0.535000 0.937343 0.543750 0.946115 0.545000 0.942356 0.551250 0.964912 0.556250 0.993734 0.577500 0.986216 0.582500 0.993734 0.587500 0.991228 0.627500 0.996241 0.635000 0.991228 0.660000 0.996241 0.665000 0.996241 0.840000 0.989975 0.848750 0.979950 0.848750 0.986216 0.842500 0.977444 0.841250 0.974937 0.848750 0.958647 0.850000 0.966165 0.855000 0.964912 0.861250 0.969925 0.853750 0.978697 0.855000 0.974937 0.863750 0.961153 0.865000 0.966165 0.870000 0.961153 0.875000 0.972431 0.878750 0.911028 0.882500 0.949875 0.883750 0.943609 0.890000 0.957393 0.891250 0.954887 0.896250 0.893484 0.897500 0.911028 0.902500 0.909774 0.911250 0.893484 0.912500 0.899749 0.923750 0.911028 0.925000 0.893484 0.930000 0.897243 0.938750 0.911028 0.940000 0.893484 0.945000 0.895990 0.970000 0.902256 0.971250 0.907268 0.963750 0.911028 0.970000 0.895990 0.977500 0.924812 0.978750

评论收藏

内容反馈

版权申诉