用户需预先采集好用于训练、评估和测试的图片，并使用数据标注工具LabelMe完成数据标注，最后用我们提供的数据转换脚本将LabelMe产出的数据格式转换为模型训练时所需的数据格式。
用户在采集完用于训练、评估和预测的图片之后，需使用数据标注工具LabelMe完成数据标注。LabelMe支持在Windows/macOS/Linux三个系统上使用，且三个系统下的标注格式是一样。具体的安装流程请参见官方安装指南。
打开终端输入labelme会出现LableMe的交互界面，可以先预览LabelMe给出的已标注好的图片，再开始标注自定义数据集。
图1 LableMe交互界面的示意图
- 预览已标注图片
获取LabelMe的源码：
git clone https://github.com/wkentaro/labelme
终端输入labelme会出现LableMe的交互界面，点击OpenDir打开<path/to/labelme>/examples/semantic_segmentation/data_annotated，其中<path/to/labelme>为克隆下来的labelme的路径，打开后示意的是语义分割的真值标注。
图2 已标注图片的示意图
- 开始标注
请按照下述步骤标注数据集：
(1) 点击OpenDir打开待标注图片所在目录，点击Create Polygons，沿着目标的边缘画多边形，完成后输入目标的类别。在标注过程中，如果某个点画错了，可以按撤销快捷键可撤销该点。Mac下的撤销快捷键为command+Z。
图3 标注单个目标的示意图
(2) 右击选择Edit Polygons可以整体移动多边形的位置，也可以移动某个点的位置；右击选择Edit Label可以修改每个目标的类别。请根据自己的需要执行这一步骤，若不需要修改，可跳过。
图4 修改标注的示意图
(3) 图片中所有目标的标注都完成后，点击Save保存json文件，请将json文件和图片放在同一个文件夹里，点击Next Image标注下一张图片。
LableMe产出的真值文件可参考我们给出的文件夹data_annotated。
图5 LableMe产出的真值文件的示意图
- 我们用于完成语义分割的数据集目录结构如下：
my_dataset # 根目录
|-- JPEGImages # 数据集图片
|-- SegmentationClassPNG # 数据集真值
| |-- xxx.png # 像素级别的真值信息
| |...
|-- class_names.txt # 数据集的类别名称
图6 训练所需的数据集目录的结构示意图
- 运行转换脚本需要依赖labelme和pillow，如未安装，请先安装。Labelme的具体安装流程请参见官方安装指南。Pillow的安装：
pip install pillow- 运行以下代码，将标注后的数据转换成满足以上格式的数据集：
python labelme2seg.py <path/to/label_json_file> <path/to/output_dataset>
其中，<path/to/label_json_files>为图片以及LabelMe产出的json文件所在文件夹的目录，<path/to/output_dataset>为转换后的数据集所在文件夹的目录。需注意的是：<path/to/output_dataset>不用预先创建，脚本运行时会自动创建，否则会报错。
转换得到的数据集可参考我们给出的文件夹my_dataset。其中，文件class_names.txt是数据集中所有标注类别的名称，包含背景类；文件夹JPEGImages保存的是数据集的图片；文件夹SegmentationClassPNG保存的是各图片的像素级别的真值信息，背景类_background_对应为0，其它目标类别从1开始递增，至多为255。
图7 训练所需的数据集各目录的内容示意图