wkentaro/labelme

labelme – 圖像標註圖形化工具

是什麼 – 一個使用 Python + Qt 編寫的桌面應用程式，可在影像或影片幀上繪製邊界框、多邊形、圓形、線條、點以及分類旗標。標註資料以簡單的 JSON 檔案格式儲存，可直接被機器學習流程使用。

為何重要 – 高品質的標註資料是電腦視覺模型（語意/實例分割、物件偵測、分類等）開發的瓶頸。labelme 提供了一種免費且跨平台的方式來建立這些標籤，並可匯出為大多數訓練框架所期待的 VOC 或 COCO 格式。

主要功能

• 多邊形、矩形、圓形、線條、點繪製；基於旗標的分類。
• 影片幀標註。
• GUI 自訂（預先定義的標籤清單、自動儲存、驗證）。
• 匯出為 VOC 風格資料集（語意/實例分割）與 COCO 風格資料集（實例分割）。
• 最新 AI 輔助功能：SAM/EfficientSAM（點→遮罩），YOLO-World/SAM-3（文字→標註）。
• 多語系 UI（約 20 種語言）。
• 獨立可執行檔（無需 Python/Qt）與 pip 可安裝套件。

安裝

1. pip – pip install labelme（最新程式碼可使用 pip install git+https://github.com/wkentaro/labelme.git）。支援 Python 3.12–3.14 與 Qt6（PySide6）。
2. 獨立應用 – 從專案網站下載預先建構的二進位檔（一次性付費，無相依性）。
3. Linux 套件 – 多個發行版透過其原生套件管理員提供 labelme（參見 Repology 標籤）。

典型工作流程

# 在單一影像上開啟 GUI
labelme my_image.jpg

# 標註整個資料夾
labelme data_folder/ --labels labels.txt

# 將原始影像資料包含在 JSON 中（便於分享）
labelme img.png --with-image-data

產生的 <image>.json 包含形狀、標籤與可選的影像資料。examples/utils.py 中的範例工具展示了如何將這些 JSON 檔案讀取為 NumPy 陣列以供訓練使用。

匯出 – 標註完成後，可執行內建的匯出工具（或 examples/ 目錄中的輔助腳本），產生可直接用於 PyTorch-Vision、Detectron2 或 TensorFlow 等框架的 VOC 或 COCO 資料集結構。

社群與支援 – 專案擁有 CI 標籤、Discord 伺服器與公開的問題追蹤器。README 指出，公開介面僅限於 CLI、JSON 格式與 ~/.labelmerc 設定檔；Python 匯入介面為內部使用，可能變動。

---

以上所有資訊均直接取自倉儲的 README。