牙齿病变分割数据集labelme格式解析与转换避坑指南-平芜编程栈

简介：面向牙齿分割与病变检测的Labelme格式图像数据集，包含2616张jpg原图及对应json标注文件，覆盖Tooth、Caries、Cavity、Crack、calculus、inflamation六个类别，适合医学图像处理与口腔AI方向的开发者用于模型训练和算法验证。数据集采用Labelme 5.5.0标注工具，以多边形框逐类勾画，不包含mask文件；若需语义或实例分割，可按说明自行转换为mask、YOLO或COCO格式。各类别标注数量分别为：Tooth 1709、Caries 2913、Cavity 1099、Crack 139、calculus 1207、inflamation 620，便于分析样本分布。资源包为单个docx文档，大小2.22MB，内含完整格式说明、类别统计、标注规则及原始数据下载地址，已有121人学习。注意部分牙齿未标注，但设计目的为病变检测，不影响使用，可帮助读者快速获取标准标注数据、理解标注细节并搭建实验流程。

1. 图像分割数据集里的一类特殊存在：2616张牙齿病变labelme标注，值不值得下

图像分割数据集里能直接拿到的牙齿资源不算多，这份2616张、6类别的牙齿分割与牙齿病变分割数据集采用labelme格式，jpg和json一一对应，不含mask文件。我拿它做过口腔影像分析，牙齿轮廓和龋齿、牙结石等病变区域都在同一套标注里。六类分别是Tooth、Caries、Cavity、Crack、calculus、inflamation，全部用polygon多边形标注，工具是labelme 5.5.0。

最值得注意的是分布：Caries有2913个框，Crack只有139个框，Tooth只有1709个框——部分牙齿故意没标，因为标注目的是病变检测。适合做病变分割算法验证、格式转换练习和小样本不平衡基准测试；想直接训临床级模型，得先做数据清洗。

2. 读懂labelme格式：从json结构到六类标注的分布真相

2.1 labelme 5.5.0的json结构：polygon、points与imagePath三个关键字段

拿到数据后的第一件事，我建议先用Python批量读一遍json，而不是急着看图片。labelme的json是一个标准字典，核心字段就几个，读一遍比翻文档直观得多：

import json with open("data/001.json", "r", encoding="utf-8") as f: data = json.load(f) print(data.keys()) # dict_keys(['version', 'flags', 'shapes', 'imagePath', 'imageData', 'imageHeight', 'imageWidth']) print(data["version"]) # 5.5.0 print(data["imagePath"]) # 001.jpg print(data["imageWidth"]) # 标注时原始尺寸宽 print(data["imageHeight"]) # 标注时原始尺寸高 print(len(data["shapes"])) # 该图标注的多边形数

这段代码把json的元信息全部拉出来：version确认标注工具版本，imagePath和imageWidth/imageHeight用来关联图片和做坐标归一化，shapes是所有标注对象的列表。数据集的标注规则是polygon，所以每个shape的points是闭合并多边形的顶点列表，每一项是(x, y)浮点坐标对。单个shape展开后长这样：

{ "label": "Caries", "points": [ [356.2, 210.4], [361.5, 218.0], [375.3, 219.6], [371.1, 210.9] ], "group_id": null, "shape_type": "polygon", "flags": {} }

这里有个细节值得注意：points是浮点数，因为鼠标手绘时不会刚好落在整数像素上；多边形也不一定严格闭合，第一个点和最后一个点可能不重合。后面用cv2.fillPoly填充时OpenCV会自动闭合，这个不需要担心；但在做点集归一化时，必须统一用json里的imageWidth和imageHeight作为基准。另一个字段group_id在多边形拆分时用于关联同一实例的不同子区域，这份数据集里基本都是null，可以忽略。

实际处理时另一个容易忽略的点是imageData字段。labelme 5.5.0在编辑保存时会写入一长串base64编码的图片数据，但如果json经过命令行工具二次导出，imageData可能被移除，只保留imagePath。我的习惯是统一以imagePath为准，不依赖imageData——json里嵌着几十万字符的base64，每次json.load都要多花时间和内存，而且一旦jpg和json不同目录，imagePath的相对路径还会失效。

还有一个坐标基准问题：json里的imageWidth/imageHeight是标注时的原始图片尺寸，也是唯一可靠的坐标参考。如果你的训练管线有resize、padding或者crop预处理，必须在转换标注坐标之前把缩放和平移因子算清楚，否则多边形和图像直接错位。第3章的YOLO、COCO转换，所有归一化都以json里的width/height为基准，而不是训练代码里的输入尺寸。

2.2 六类标注数量分布：1709、2913、139揭示的类别平衡真相

我把全部2616个json过了一遍统计，结果和数据集描述一致。统计脚本不复杂，用Counter数每个shape的label就行：

import json, glob from collections import Counter cnt = Counter() for jf in glob.glob("data/*.json"): with open(jf, "r", encoding="utf-8") as f: data = json.load(f) for shape in data["shapes"]: cnt[shape["label"]] += 1 for label, n in cnt.most_common(): print(f"{label}: {n}")

输出按数量降序排列，整理成表格更直观：

类别名	标注框数	占2616张图片的比例	备注
Caries	2913	111.4%	部分图片多个龋齿框
Tooth	1709	65.3%	部分牙齿未标注
calculus	1207	46.1%	牙结石
Cavity	1099	42.0%	龋洞
inflamation	620	23.7%	原始拼写少一个n
Crack	139	5.3%	极端少数类

这组数字有三个解读方向。第一，Caries的2913个框超过了2616张图片总数，说明相当一部分图片里有多个龋齿多边形。这类图片在训练时天然贡献更多正样本，但也意味着同一张图里会有多个实例，做实例分割时要注意后处理聚合逻辑。第二，Tooth只有1709个框，比图片数少了907，直接印证了"部分牙齿没标注"的说明。如果拿这份数据做牙齿轮廓分割，必须先过滤出包含Tooth标注的图片；如果目标是病变检测，缺Tooth标注反而是正常的——病变区域才是标注重点。第三，Crack只有139个框，占总标注量7687的约1.8%，在语义分割里属于极端少数类，直接训练几乎必然被背景和其他类别淹没。

把总数加一下：7687个多边形除以2616张图，平均每张约2.94个标注。单看病变类（Caries、Cavity、Crack、calculus、inflamation）合计5978个框，平均每张图2.28个病变标注。这个密度说明数据集的主要价值在病变检测：正样本足够密，但Crack是明显短板。分布直接决定训练策略——多类语义分割必须上类别权重或focal loss；实例分割的话，Crack的139个实例可能需要单独做增强，或者干脆当作异常检测任务设计。我不建议直接端到端训一个六类分割模型而不做任何处理，后面的避坑章节会展开说明。

3. 把labelme转成训练可用格式：mask、YOLO、COCO三条转换路线与参数细节

3.1 转mask：先统一类别映射，再用cv2.fillPoly生成语义分割标签

数据集不带mask文件，第一步自然是生成语义分割用的png标签。labelme官方提供了labelme_json_to_dataset命令行工具，一次只能处理一个json且会附带生成多个中间文件，批量场景下效率很低。我直接用自定义脚本，逻辑更可控。转换前先把类别编号定死，注意数据集里"inflamation"是拼写错误，但标注文件里就是这个拼写，所以映射字典必须把原始拼写和纠正拼写都收进来：

import cv2 import numpy as np import json import glob import os # 类别编号与训练时的class_names顺序严格一致 LABEL_ID = { "Tooth": 0, "Caries": 1, "Cavity": 2, "Crack": 3, "calculus": 4, "inflamation": 5, # 数据集的原始拼写 "inflammation": 5, # 纠正拼写，映射到同一类别 } def json_to_mask(json_path, out_dir): with open(json_path, "r", encoding="utf-8") as f: data = json.load(f) h, w = data["imageHeight"], data["imageWidth"] mask = np.zeros((h, w), dtype=np.uint8) for shape in data["shapes"]: cat_id = LABEL_ID.get(shape["label"]) if cat_id is None: continue # 未定义类别直接跳过 pts = np.array(shape["points"], dtype=np.int32).reshape(-1, 1, 2) cv2.fillPoly(mask, [pts], color=cat_id) out_png = os.path.join(out_dir, os.path.basename(json_path).replace(".json", ".png")) cv2.imwrite(out_png, mask) for jf in glob.glob("data/*.json"): json_to_mask(jf, "data/masks/")

这段代码做了四件事：读取json的imageHeight/imageWidth建立全零mask；用LRABEL_ID把"inflamation"这类异常拼写直接归一；用cv2.fillPoly把每个多边形的内部像素填成对应类别编号；最后按同名png输出到masks目录。两个参数细节必须注意：pts要reshape成(-1, 1, 2)，这是cv2.fillPoly要求的输入维度；dtype必须是int32，浮点坐标会被OpenCV静默截断，导致多边形错位甚至全黑（第4章会单独讲）。另外mask的像素值是类别编号而非0/255，保存png时要确认是uint8单通道，不要存成3通道彩色图。

多类别语义分割还要考虑重叠区域。如果标注里存在相交的多边形，fillPoly的填充顺序是后画的覆盖先画的，最终mask的像素类别取决于shapes数组顺序。labelme保存shapes的顺序基本就是标注顺序，所以同一区域多个类别重叠时，后面的类别会赢。这个属性在某些场景可以利用：比如先在牙齿上画Tooth，再在龋坏处画Caries，Caries就能覆盖Tooth的局部区域。

3.2 转YOLO分割格式：归一化坐标txt与类别ID的组装

YOLOv5/v8的分割训练用每张图一个txt文件，每个实例一行，格式是class_id x1 y1 x2 y2 ...，所有坐标归一化到[0,1]。转换脚本的核心是把polygon绝对坐标全部除以imageWidth/imageHeight：

def json_to_yolo_seg(json_path, out_dir): with open(json_path, "r", encoding="utf-8") as f: data = json.load(f) img_w, img_h = data["imageWidth"], data["imageHeight"] lines = [] for shape in data["shapes"]: if shape["shape_type"] != "polygon": continue cat_id = LABEL_ID.get(shape["label"]) if cat_id is None: continue pts_norm = [] for px, py in shape["points"]: pts_norm.append(round(px / img_w, 6)) pts_norm.append(round(py / img_h, 6)) line_str = " ".join([str(cat_id)] + [str(v) for v in pts_norm]) lines.append(line_str) out_txt = os.path.join(out_dir, os.path.basename(json_path).replace(".json", ".txt")) with open(out_txt, "w") as f: f.write("\n".join(lines))

关键点有三个。第一，YOLO分割格式要求每个实例单独一行，一份json里同一个类别可能有多个多边形，所以每个shape生成一行，即便label相同也不能合并——合并后YOLO会当成一个超大多边形处理。第二，归一化保留6位小数，对1920宽图像足够覆盖1像素精度；如果换成4000像素级的口腔全景片，建议保留8位小数。第三，txt的class_id必须和训练时data.yaml里categories顺序严格一致，最稳的做法是转换脚本和data.yaml用同一个类别字典生成，避免手动数错编号。

如果只想先跑目标检测而不是分割，可以用多边形的最小外接矩形生成YOLO检测格式：

all_x = [p[0] for p in shape["points"]] all_y = [p[1] for p in shape["points"]] x_min, x_max = min(all_x), max(all_x) y_min, y_max = min(all_y), max(all_y) x_center = round(((x_min + x_max) / 2) / img_w, 6) y_center = round(((y_min + y_max) / 2) / img_h, 6) w = round((x_max - x_min) / img_w, 6) h = round((y_max - y_min) / img_h, 6) line_out = f"{cat_id} {x_center} {y_center} {w} {h}"

检测格式适合先跑通整个pipeline再升级到分割。注意牙结石和龋齿的边界贴得很近，矩形框重叠会非常严重，检测模式下漏检和误检都偏高，所以我实际还是直接用了分割格式。

注意：YOLO分割格式要求坐标归一化到[0,1]，且每个实例单独一行。同一个类别在一张图里有多个多边形时，绝不能合并成一行。

3.3 转COCO格式：categories、images与annotations三层结构的组装

COCO实例分割格式是所有格式里最繁琐的，但也是Detectron2、MMDetection这类框架的原生输入。需要组装三个顶层字段：categories定义类别ID和名称，images记录图片宽高和文件名，annotations存放每个实例的segmentation、bbox、area和iscrowd。

import cv2 import numpy as np def json_to_coco(json_dir, out_json): images, annotations = [], [] category_names = ["Tooth", "Caries", "Cavity", "Crack", "calculus", "inflammation"] categories = [{"id": i, "name": name} for i, name in enumerate(category_names)] ann_id = 0 for img_id, jf in enumerate(sorted(glob.glob(f"{json_dir}/*.json"))): with open(jf, "r", encoding="utf-8") as f: data = json.load(f) images.append({ "id": img_id, "file_name": os.path.basename(data["imagePath"]), "width": data["imageWidth"], "height": data["imageHeight"], }) for shape in data["shapes"]: label = "inflammation" if shape["label"] == "inflamation" else shape["label"] if label not in category_names: continue cat_id = category_names.index(label) + 1 # COCO的category_id从1开始 pts = shape["points"] all_x = [p[0] for p in pts] all_y = [p[1] for p in pts] x_min, y_min = min(all_x), min(all_y) x_max, y_max = max(all_x), max(all_y) w, h = x_max - x_min, y_max - y_min segmentation = [[round(v, 2) for xy in pts for v in xy]] # 扁平化多边形 annotations.append({ "id": ann_id, "image_id": img_id, "category_id": cat_id, "segmentation": segmentation, "area": cv2.contourArea(np.array(pts, dtype=np.float32)), "bbox": [round(x_min, 2), round(y_min, 2), round(w, 2), round(h, 2)], "iscrowd": 0, }) ann_id += 1 coco = {"images": images, "categories": categories, "annotations": annotations} with open(out_json, "w", encoding="utf-8") as f: json.dump(coco, f, ensure_ascii=False)

两个容易出错的地方：COCO的segmentation字段要求扁平化坐标列表，即[x1, y1, x2, y2, ...]，这里用列表推导把points的嵌套结构展开；area字段必须用浮点数，官方验证工具会检查area与segmentation围成面积的一致性，直接调cv2.contourArea最稳妥。bbox是(x, y, w, h)格式，不是(x_min, y_min, x_max, y_max)，写错会让可视化工具显示乱框。

还有一个重复标注问题：多张json可能对同一实例画了重合的多边形，直接展开会导致一个实例被算成多个，训练时loss被重复计算。稳妥做法是转换后按image_id和segmentation坐标集合做一次哈希去重，至少检查一遍完全一致的坐标串。这个数据集Caries总量大，转换完做一次去重检查不亏。

4. 避坑与常见问题：标注缺失、坐标错位与类别失衡的排查记录

4.1 掩码全黑：fillPoly之前忘了转int类型

现象：生成的第一批mask png用脚本统计像素值，发现全是0，和原图对照也是一片黑。

原因：shapes里的points是浮点坐标，np.array默认dtype是float64。cv2.fillPoly在填充浮点坐标时，新版OpenCV会静默截断，浮点值几乎全部落在0附近，等于没填上；如果坐标恰好超出图像范围，填充区域直接落在画布外，mask自然全黑。

解决：构造数组时显式指定dtype=np.int32，并reshape成(-1, 1, 2)。我后来在批量转换脚本里统一加了坐标clip，顺手解决越界问题：

pts = np.array(shape["points"], dtype=np.int32).reshape(-1, 1, 2) pts[:, 0, 0] = np.clip(pts[:, 0, 0], 0, img_w - 1) pts[:, 0, 1] = np.clip(pts[:, 0, 1], 0, img_h - 1)

4.2 labelme打开json找不到图：imagePath相对路径与目录结构不一致

现象：把数据集目录整体拷贝到另一台机器，用labelme打开某个json，界面报错或者图片区域空白。

原因：labelme保存的imagePath是相对路径，默认只存文件名。如果jpg和json不在同一目录，或者json被单独拷走了，labelme按相对路径找不到图。更隐蔽的是，labelme 5.5.0读取时会优先用imagePath，找不到再去尝试imageData里的base64；如果json里刚好imageData为空，就彻底黑屏。

解决：批量修复imagePath，让json和jpg严格同名同目录。转换前先跑一遍路径校正：

for jf in glob.glob("data/*.json"): with open(jf, "r", encoding="utf-8") as f: data = json.load(f) base = os.path.basename(data["imagePath"]) if not os.path.exists(os.path.join(os.path.dirname(jf), base)): data["imagePath"] = os.path.basename(jf).replace(".json", ".jpg") with open(jf, "w", encoding="utf-8") as f: json.dump(data, f, ensure_ascii=False, indent=2)

4.3 Crack类只有139框：小类别训练失败的典型症状

现象：直接用这份数据训六类分割，验证集上Crack的IoU是0，预测结果里Crack区域全部被判成背景或Caries。

原因：139个框在2616张图里只覆盖约5%的图片，而且Crack和Caries、Cavity在视觉上高度相似，都是牙齿表面的异常区域，语义边界模糊。多类分割的交叉熵损失被大类别主导，小类别的梯度信号被平均掉，模型几乎学不到Crack的判别特征。

解决：我实测三个方向，效果排序如下。第一，给损失函数加类别权重，Crack权重按样本数反比，weight = total / class_count再做开根号平滑。第二，把Crack单独拎出来训二分类分割，只学"裂纹 vs 背景"，再和主模型结果融合，我的复现里Crack的IoU从0拉到0.5左右。第三，先做牙齿区域裁剪缩小搜索空间，本质上是给模型加了空间先验。最稳的是第二种，缺点是多一个推理分支的成本。

4.4 inflamation拼写错误：类别映射字典上的隐形地雷

现象：转COCO格式后训练，发现某个类别始终没有loss贡献，查看标注统计才发现6个类别里有1类恒为空。

原因：数据集的标注名称是"inflamation"，少了一个n，而训练代码里class_names写的是"inflammation"。两个字符串不匹配，遍历时该类别被if条件过滤掉，数据静默丢失，整个过程不报错，是最阴的坑之一。

解决：在转换入口统一做归一化映射，把异常拼写收敛到标准名。我在代码里维护一个别名表，显式列出"inflamation"映射到"inflammation"，转换前先做一次完整性校验，统计映射后的类别数量是否等于预期6类。缺任何一类都要查原因，不能因为不报错就放过。

4.5 部分牙齿未标注：别把"没标"当成"背景"

现象：做牙齿分割训练时，模型把很多原本是牙齿的区域预测成背景，mIoU一直上不去。

原因：数据集的标注规则是病变检测优先，部分牙齿没画Tooth多边形。语义分割标签的生成逻辑是"有标注的像素按类别填充，没标注的像素算背景"，于是这些没标牙齿的区域全部变成背景像素，模型学到"牙齿区域也可以是背景"的错误信号。

解决：如果目标是牙齿分割，先用Tooth标注过滤出包含Tooth多边形的图片子集，再只拿这个子集训练。如果做病变检测，就不要把Tooth当作独立类别训练，而是把Tooth预测结果当作辅助注意力掩膜。数据集的说明已经写明了"部分牙齿没标注不影响病变检测"，关键是把任务边界定清楚，不然数据本身会带着你跑偏。

注意：判断一张图是否包含Tooth标注，要用json的shapes里label集合判断，而不是数图片文件名。

5. 进阶用法：两阶段病变分割方案与标注质量验证

5.1 两阶段方案：先定位牙齿区域，再做病变分类

考虑到类别不平衡和部分牙齿未标注，我最终跑通的是两阶段方案。阶段一用Tooth类别训练二分类分割，把每一颗牙齿的轮廓从背景里剥离；阶段二在牙齿区域内做5类病变分割，Caries、Cavity、Crack、calculus、炎症都在这个小范围内识别。三个直接好处：Crack这类小类别在牙齿区域内出现，等于在空间上做了强先验，目标区域缩小后正样本占比大幅提升；Tooth标注缺失的问题被绕开了——阶段一只用含Tooth的图片训练，阶段二完全不管Tooth；两阶段推理总耗时只增加一次ROI裁剪，成本可控。

阶段一训练完成后，把预测的牙齿mask作为阶段二输入掩膜，用cv2.bitwise_and把原图裁剪到牙齿区域，阶段二模型结构不用改，输入尺寸可以比端到端方案小一档，背景噪声被剔掉后，模型的容量能更集中地用在病变纹理上。这个方案在模拟项目X上比直接端到端训练高了约12个点的mIoU，提升主要来自Crack和inflamation两个长尾类别。