如何在Python（Jupyter）中从SAM生成的CVAT XML提取标注为掩码文件

所需依赖库 #

先安装并导入必要的工具库：

import xml.etree.ElementTree as ET
import numpy as np
from PIL import Image

核心实现步骤 #

1. 解析CVAT XML标注文件

用Python内置XML解析库读取文件，遍历每个图片的标注节点：

# 替换为你的标注XML路径
tree = ET.parse('cvat_annotations.xml')
root = tree.getroot()

# 遍历所有图片的标注信息
for image_node in root.findall('image'):
    # 获取图片基本信息
    img_name = image_node.get('name')
    img_w = int(image_node.get('width'))
    img_h = int(image_node.get('height'))
    
    # 遍历当前图片下的所有掩码标注（重点：找<mask>节点而非<box>）
    for mask_node in image_node.findall('mask'):
        target_label = mask_node.get('label')
        rle_raw = mask_node.get('rle')
        
        # 清理RLE字符串中的换行、多余空格，转成整数列表
        rle_list = [int(num.strip()) for num in rle_raw.replace('\n', '').split(',') if num.strip()]

2. 解码RLE格式为二维掩码

CVAT中SAM生成的掩码用**行程长度编码（RLE）**存储，规则是交替记录「跳过的背景像素数」和「保留的前景像素数」，解码代码如下：

# 初始化一维掩码数组
        mask_flat = np.zeros(img_w * img_h, dtype=np.uint8)
        current_idx = 0
        rle_idx = 0
        
        while rle_idx < len(rle_list):
            # 跳过背景像素
            skip_pixels = rle_list[rle_idx]
            current_idx += skip_pixels
            # 标记前景像素（用255表示）
            keep_pixels = rle_list[rle_idx + 1]
            if current_idx + keep_pixels <= len(mask_flat):
                mask_flat[current_idx:current_idx + keep_pixels] = 255
            current_idx += keep_pixels
            rle_idx += 2
        
        # 转成与原图尺寸一致的二维掩码
        mask_2d = mask_flat.reshape((img_h, img_w))

3. 掩码的保存与可视化

在Jupyter中可以直接显示掩码，或者保存为文件：

# 可视化掩码（Jupyter环境下）
        display(Image.fromarray(mask_2d))
        
        # 保存掩码到本地（可选）
        mask_img = Image.fromarray(mask_2d)
        mask_img.save(f'{img_name}_{target_label}_mask.png')

关键注意事项 #

• 你之前得到边界框是因为多数教程默认提取<box>节点，但SAM生成的标注存在<mask>节点中，必须遍历<mask>而非<box>。
• 如果只需要提取特定类别掩码，添加判断条件：if target_label == '你的目标类别': 再执行后续解码逻辑。
• 若RLE字符串存在格式异常（比如多余空值），清理步骤要确保过滤无效数据。

内容的提问来源于stack exchange，提问作者user23281936