当前位置： 首页 > news >正文

网站设置反爬虫的常用方法有哪些,做电商图的设计网站,高端电商网站建设,网站建设用到的技术一般都是用labeleme进行标注 标注格式都是json 然后根据不同的格式进行数据标注转换#xff1a; 1.逐个json转xml: 当我们在使用数据集训练计算机视觉模型时#xff0c;常常会遇到有的数据集只给了单个的json annotation文件#xff0c;而模型所需要的annotation是基于每…一般都是用labeleme进行标注 标注格式都是json 然后根据不同的格式进行数据标注转换 1.逐个json转xml: 当我们在使用数据集训练计算机视觉模型时常常会遇到有的数据集只给了单个的json annotation文件而模型所需要的annotation是基于每个图片的xml annotation文件

translate coco_json to xml

import os import time import json import pandas as pd from tqdm import tqdm from pycocotools.coco import COCOdef trans_id(category_id):names []namesid []for i in range(0, len(cats)):names.append(cats[i][name])namesid.append(cats[i][id])# print(id:{1}\t {0}.format(names[i], namesid[i]))index namesid.index(category_id)return indexroot r # 你下载的 COCO 数据集所在目录 dataType 2019 anno r # annotation json 文件所在位置 xml_dir r # 导出的xml文件所在的位置coco COCO(anno) # 读文件 cats coco.loadCats(coco.getCatIds()) # 这里loadCats就是coco提供的接口获取类别# Create anno dir dttm time.strftime(%Y%m%d%H%M%S, time.localtime())

if os.path.exists(xml_dir):

os.rename(xml_dir, xml_dir dttm)

os.mkdir(xml_dir)with open(anno, r) as load_f:f json.load(load_f)imgs f[images] # json文件的img_id和图片对应关系 imgs列表表示多少张图cat f[categories]

df_cate pd.DataFrame(f[categories]) # json中的类别 df_cate_sort df_cate.sort_values([id], ascendingTrue) # 按照类别id排序 categories list(df_cate_sort[name]) # 获取所有类别名称 print(categories , categories) df_anno pd.DataFrame(f[annotations]) # json中的annotationfor i in tqdm(range(len(imgs))): # 大循环是images所有图片xml_content []file_name imgs[i][file_name] # 通过img_id找到图片的信息height imgs[i][height]img_id imgs[i][id]width imgs[i][width]# xml文件添加属性xml_content.append(annotation)xml_content.append( folderVOC2007/folder)xml_content.append( filename file_name.split(/)[1].split(.)[0] .jpg /filename)xml_content.append( size)xml_content.append( width str(width) /width)xml_content.append( height str(height) /height)xml_content.append( /size)xml_content.append( segmented0/segmented)# 通过img_id找到annotationsannos df_anno[df_anno[image_id].isin([img_id])] # (2,8)表示一张图有两个框for index, row in annos.iterrows(): # 一张图的所有annotation信息bbox row[bbox]category_id row[category_id]# cate_name categories[trans_id(category_id)]cate_name cat[category_id-1][name]# add new objectxml_content.append(object)xml_content.append(name cate_name /name)xml_content.append(poseUnspecified/pose)xml_content.append(truncated0/truncated)xml_content.append(difficult0/difficult)xml_content.append(bndbox)xml_content.append(xmin str(int(bbox[0])) /xmin)xml_content.append(ymin str(int(bbox[1])) /ymin)xml_content.append(xmax str(int(bbox[0] bbox[2])) /xmax)xml_content.append(ymax str(int(bbox[1] bbox[3])) /ymax)xml_content.append(/bndbox)xml_content.append(/object)xml_content.append(/annotation)x xml_contentxml_content [x[i] for i in range(0, len(x)) if x[i] ! \n]### list存入文件xml_path os.path.join(xml_dir, file_name.replace(.jpg, .xml))with open(xml_path, w, encodingutf8) as f:f.write(\n.join(xml_content))xml_content[:] [] 2.逐个xml转txt:

xml_to_yolo_txt.py

此代码和VOC_KITTI文件夹同目录

import os import xml.etree.ElementTree as ET

这里的类名为我们xml里面的类名顺序a按照Readme文件,或者也可以不考虑顺序

其中thermal类别比rgb类别多了dog和deer生成txt注意区分 # 我统一都写成thermal的类别了

class_names [person,bike,car,motor, bus, train,truck,light,hydrant, sign,dog,deer,skateboard,stroller, scooter, other vehicle]

class_names [person,bike,car,motor, bus, train,truck,light,hydrant, sign,

skateboard,stroller,scooter,other vehicle ]

xml文件路径

path G:/红外数据集-FLIR2/FLIR2_yolo_xml/images_rgb_val/data/

转换一个xml文件为txt

def single_xml_to_txt(xml_file):tree ET.parse(os.path.join(path, xml_file))root tree.getroot()# 保存的txt文件路径txt_file os.path.join(G:/红外数据集-FLIR2/FLIR2_yolo_txt/images_rgb_val/data/, xml_file.split(.)[0].txt)with open(txt_file, w) as txt_file:for member in root.findall(object):#filename root.find(filename).textpicture_width int(root.find(size)[0].text)picture_height int(root.find(size)[1].text)class_name member[0].text# 类名对应的indexclass_num class_names.index(class_name)box_x_min int(member[4][0].text) # 左上角横坐标box_y_min int(member[4][1].text) # 左上角纵坐标box_x_max int(member[4][2].text) # 右下角横坐标box_y_max int(member[4][3].text) # 右下角纵坐标# 转成相对位置和宽高x_center float(box_x_min box_x_max) / (2 * picture_width)y_center float(box_y_min box_y_max) / (2 * picture_height)width float(box_x_max - box_x_min) / picture_widthheight float(box_y_max - box_y_min) / picture_height# print(class_num, x_center, y_center, width, height)txt_file.write(str(class_num) str(x_center) str(y_center) str(width) str(height) \n)

转换文件夹下的所有xml文件为txt

def dir_xml_to_txt(path):files os.listdir(path)for xml_file in files:single_xml_to_txt(xml_file) dir_xml_to_txt(path)3. 逐个json转txt  生成coco数据集/yolo数据集格式 (1.) 这里首先对xx.jpg,xx.json统一成coco格式生成instances_train2017/instances_val2017 定义lables.txt是注意_background_是-1 background person car bicycle UAV motorcycle xxx 目录结构  |– images | |— 1.jpg | |— 1.json | |— 2.jpg | |— 2.json | |— ……. |– labelmejson2coco.py |– labels.txt 2labelmejson2coco.py文件,整理成coco数据集格式

命令行执行 python labelme2coco.py –input_dir images –output_dir coco –labels labels.txt

输出文件夹必须为空文件夹import argparse

import collections import datetime import glob import json import os import os.path as osp import sys import uuid import imgviz import numpy as np import labelme import cv2 from sklearn.model_selection import train_test_splittry:import pycocotools.mask except ImportError:print(Please install pycocotools:\n\n pip install pycocotools\n)sys.exit(1)def to_coco(args, label_files, train):# 创建 总标签datanow datetime.datetime.now()data dict(infodict(descriptionNone,urlNone,versionNone,yearnow.year,contributorNone,date_creatednow.strftime(%Y-%m-%d %H:%M:%S.%f),),licenses[dict(urlNone, id0, nameNone, )],images[# license, url, file_name, height, width, date_captured, id],typeinstances,annotations[# segmentation, area, iscrowd, image_id, bbox, category_id, id],categories[# supercategory, id, name],)# 创建一个 {类名 : id} 的字典并保存到 总标签data 字典中。class_name_to_id {}for i, line in enumerate(open(args.labels).readlines()):class_id i - 1 # starts with -1class_name line.strip() # strip() 方法用于移除字符串头尾指定的字符(默认为空格或换行符)或字符序列。if class_id -1:assert class_name background # background:0, class1:1, ,,continueclass_name_to_id[class_name] class_iddata[categories].append(dict(supercategoryNone, idclass_id, nameclass_name, ))if train:out_ann_file osp.join(args.output_dir, annotations, instances_train2017.json)else:out_ann_file osp.join(args.output_dir, annotations, instances_val2017.json)for image_id, filename in enumerate(label_files):label_file labelme.LabelFile(filenamefilename)base osp.splitext(osp.basename(filename))[0] # 文件名不带后缀if train:out_img_file osp.join(args.output_dir, train2017, base .jpg)else:out_img_file osp.join(args.output_dir, val2017, base .jpg)print(| , out_img_file)# ************************** 对图片的处理开始 ******************************************# 将标签文件对应的图片进行保存到对应的 文件夹。train保存到 train2017/ test保存到 val2017/img labelme.utils.img_data_to_arr(label_file.imageData) # .json文件中包含图像用函数提出来# 对数据进行增强图像数据本身不会随图像的变换而变换。所以直接在json文件里面使用图像的ID作为键将图像和标注数据进行匹配和关联。如果裁剪就用下面代码# image_path os.path.join(filename).replace(.json, .jpg)# img cv2.imread(image_path)imgviz.io.imsave(out_img_file, img) # 将图像保存到输出路径# ************************** 对图片的处理结束 ******************************************# ************** ************ 对标签的处理开始 ******************************************# 读取原始的JSON文件 # 如果裁剪下面这两行就取消掉with open(filename, r) as f:data_json json.load(f)data[images].append(dict(license0,urlNone,file_nameosp.relpath(out_img_file, osp.dirname(out_ann_file)),# out_img_file /coco/train2017/1.jpg# out_ann_file /coco/annotations/annotations_train2017.json# osp.dirname(out_ann_file) /coco/annotations# file_name ..\train2017\1.jpg out_ann_file文件所在目录下 找 out_img_file 的相对路径heightimg.shape[0], # 如果裁剪就用img调用widthimg.shape[1],# heightdata_json[imageHeight],# widthdata_json[imageWidth],date_capturedNone,idimage_id,))masks {} # for areasegmentations collections.defaultdict(list) # for segmentationfor shape in label_file.shapes:points shape[points]label shape[label]group_id shape.get(group_id)shape_type shape.get(shape_type, polygon)mask labelme.utils.shape_to_mask(img.shape[:2], points, shape_type)if group_id is None:group_id uuid.uuid1()instance (label, group_id)if instance in masks:masks[instance] masks[instance] | maskelse:masks[instance] maskif shape_type rectangle:(x1, y1), (x2, y2) pointsx1, x2 sorted([x1, x2])y1, y2 sorted([y1, y2])points [x1, y1, x2, y1, x2, y2, x1, y2]else:points np.asarray(points).flatten().tolist()segmentations[instance].append(points)segmentations dict(segmentations)for instance, mask in masks.items():cls_name, group_id instanceif cls_name not in class_name_to_id:continuecls_id class_name_to_id[cls_name]mask np.asfortranarray(mask.astype(np.uint8))mask pycocotools.mask.encode(mask)area float(pycocotools.mask.area(mask))bbox pycocotools.mask.toBbox(mask).flatten().tolist()data[annotations].append(dict(idlen(data[annotations]),image_idimage_id,category_idcls_id,segmentationsegmentations[instance],areaarea,bboxbbox,iscrowd0,))# ************************** 对标签的处理结束 ******************************************# ************************** 可视化的处理开始 ******************************************if not args.noviz:labels, captions, masks zip([(class_name_to_id[cnm], cnm, msk)for (cnm, gid), msk in masks.items()if cnm in class_name_to_id])viz imgviz.instances2rgb(imageimg,labelslabels,masksmasks,captionscaptions,font_size15,line_width2,)out_viz_file osp.join(args.output_dir, visualization, base .jpg)imgviz.io.imsave(out_viz_file, viz)# ************************** 可视化的处理结束 *******************************************with open(out_ann_file, w) as f: # 将每个标签文件汇总成data后保存总标签data文件json.dump(data, f)# 主程序执行 def main():parser argparse.ArgumentParser(formatter_classargparse.ArgumentDefaultsHelpFormatter)parser.add_argument(–input_dir, helpinput annotated directory, defaultrE:/老师和教研室相关/揭榜挂帅挑战杯/海陆/)parser.add_argument(–output_dir, helpoutput dataset directory, defaultrE:/老师和教研室相关/揭榜挂帅挑战杯/海陆/coco)parser.add_argument(–labels, helplabels file, defaultE:/老师和教研室相关/揭榜挂帅挑战杯/海陆/0labels.txt)parser.add_argument(–noviz, helpno visualization, actionstore_true)args parser.parse_args()if osp.exists(args.output_dir):print(Output directory already exists:, args.output_dir)sys.exit(1)os.makedirs(args.output_dir)print(| Creating dataset dir:, args.output_dir)if not args.noviz:os.makedirs(osp.join(args.output_dir, visualization))# 创建保存的文件夹if not os.path.exists(osp.join(args.output_dir, annotations)):os.makedirs(osp.join(args.output_dir, annotations))if not os.path.exists(osp.join(args.output_dir, train2017)):os.makedirs(osp.join(args.output_dir, train2017))if not os.path.exists(osp.join(args.output_dir, val2017)):os.makedirs(osp.join(args.output_dir, val2017))# 获取目录下所有的.jpg文件列表# feature_files glob.glob(osp.join(args.input_dir, *.jpg))feature_files glob.glob(osp.join(args.input_dir, *.png))print(| Image number: , len(feature_files))# 获取目录下所有的joson文件列表label_files glob.glob(osp.join(args.input_dir, *.json))print(| Json number: , len(label_files))# feature_files:待划分的样本特征集合 label_files:待划分的样本标签集合 test_size:测试集所占比例# x_train:划分出的训练集特征 x_test:划分出的测试集特征 y_train:划分出的训练集标签 y_test:划分出的测试集标签x_train, x_test, y_train, y_test train_test_split(feature_files, label_files, test_size0.3, random_state1)print(| Train number:, len(y_train), \t Value number:, len(y_test))# 把训练集标签转化为COCO的格式并将标签对应的图片保存到目录 /train2017/print(— * 50)print(| Train images:)to_coco(args, y_train, trainTrue)# 把测试集标签转化为COCO的格式并将标签对应的图片保存到目录 /val2017/print(— * 50)print(| Test images:)to_coco(args, y_test, trainFalse)if name main:print(— * 50)main()print(— * 50) coco数据集格式如下 |– annotations | |— instances_train2017.json | |— instances_val2017.json |– train2017 | |— 2.jpg | |— 5.jpg | |— ……. |– val2017 | |— 1.jpg | |— 3.jpg | |— ……. |– visualization | |— 1.jpg | |— 2.jpg | |— ……. 3 cocojson2yolotxt 是对统一的coco格式利用instances_train2017/instances_val2017形成yolo的txt格式   这里得 classes.txt 没有background 只有自己设定的类别 #COCO 格式的数据集转化为 YOLO 格式的数据集 #–json_path 输入的json文件路径 #–save_path 保存的文件夹名字默认为当前目录下的labels。import os import json from tqdm import tqdm import argparseparser argparse.ArgumentParser() #这里根据自己的json文件位置换成自己的就行 parser.add_argument(–json_path, defaultF:/CutLER-main/output/imagenet_train_fixsize480_tau0.2_N3.json,typestr, helpinput: coco format(json)) #这里设置.txt文件保存位置 parser.add_argument(–save_path, defaultF:/CutLER-main/output/yolo_my_mask/labels/, typestr, helpspecify where to save the output dir of labels) arg parser.parse_args()def convert(size, box):dw 1. / (size[0])dh 1. / (size[1])x box[0] box[2] / 2.0y box[1] box[3] / 2.0w box[2]h box[3] #round函数确定(xmin, ymin, xmax, ymax)的小数位数x round(x * dw, 6)w round(w * dw, 6)y round(y * dh, 6)h round(h * dh, 6)return (x, y, w, h)if name main:json_file arg.json_path # COCO Object Instance 类型的标注ana_txt_save_path arg.save_path # 保存的路径data json.load(open(json_file, r))if not os.path.exists(ana_txt_save_path):os.makedirs(ana_txt_save_path)id_map {} # coco数据集的id不连续重新映射一下再输出with open(os.path.join(ana_txt_save_path, classes.txt), w) as f:# 写入classes.txtfor i, category in enumerate(data[categories]):f.write(f{category[name]}\n)id_map[category[id]] i# print(id_map)#这里需要根据自己的需要更改写入图像相对路径的文件位置。list_file open(os.path.join(ana_txt_save_path, train2017.txt), w)for img in tqdm(data[images]):filename img[file_name]img_width img[width]img_height img[height]img_id img[id]head, tail os.path.splitext(filename)ana_txt_name head .txt # 对应的txt名字与jpg一致f_txt open(os.path.join(ana_txt_save_path, ana_txt_name), w)for ann in data[annotations]:if ann[image_id] img_id:box convert((img_width, img_height), ann[bbox])f_txt.write(%s %s %s %s %s\n % (id_map[ann[category_id]], box[0], box[1], box[2], box[3]))f_txt.close()#将图片的相对路径写入train2017或val2017的路径list_file.write(./images/train2017/%s.jpg\n %(head))list_file.close()4  cocojson2yolotxt_seg  是对统一的coco格式利用instances_train2017/instances_val2017形成yolo-segment的txt格式用于实例分割的最好一般都用这个来转换 import os import json import shutildef write_yolo_txt_file(txt_file_path, label_seg_x_y_list):if not os.path.exists(txt_file_path):with open(txt_file_path, w) as file:for element in label_seg_x_y_list:file.write(str(element) )file.write(\n)else:with open(txt_file_path, a) as file:for element in label_seg_x_y_list:file.write(str(element) )file.write(\n)def read_json(in_json_path, img_dir, target_dir):with open(in_json_path, r, encodingutf-8) as f:# json.load数据到变量json_datajson_data json.load(f)# print(len(json_data[annotations]))# print(len(json_data[images]))# print(len(json_data[categories]))for annotation in json_data[annotations]: # 遍历标注数据信息# print(annotation)category_id annotation[category_id]image_id annotation[image_id]for image in json_data[images]: # 遍历图片相关信息if image[id] image_id:width image[width] # 图片宽height image[height] # 图片高img_file_name image[file_name] # 图片名称img_file_name img_file_name.split(/)[-1]filename os.path.splitext(os.path.basename(img_file_name))[0]# img_file_nameimg_file_name[:-4]# txt_file_name img_file_name.split(.)[0] .txttxt_file_name filename .txt # 要保存的对应txt文件名break# print(width,height,img_file_name,txt_file_name)segmentation annotation[segmentation] # 图像分割点信息[[x1,y1,x2,y2,…,xn,yn]]seg_x_y_list [i / width if num % 2 0 else i / height for num, i inenumerate(segmentation[0])] # 归一化图像分割点信息label_seg_x_y_list seg_x_y_list[:]label_seg_x_y_list.insert(0, category_id) # 图像类别与分割点信息[label,x1,y1,x2,y2,…,xn,yn]# print(label_seg_x_y_list)# 写txt文件txt_file_path target_dir txt_file_name# print(txt_file_path)write_yolo_txt_file(txt_file_path, label_seg_x_y_list)# # 选出txt对应img文件# img_file_path img_dir img_file_name# # print(img_file_path)# shutil.copy(img_file_path, target_dir)if name main:img_dir E:/老师和教研室相关/揭榜挂帅挑战杯/海陆/yolo/images/train2017/target_dir E:/老师和教研室相关/揭榜挂帅挑战杯/海陆/yolo/labels/train2017/if not os.path.exists(target_dir):os.mkdir(target_dir)in_json_path E:/老师和教研室相关/揭榜挂帅挑战杯/海陆/coco/annotations/instances_train2017.jsonread_json(in_json_path, img_dir, target_dir) 4.逐个txt转json 注意这里面lcassesname 要txt里面的目标类别对应判断对应的标签名称写入json文件中 import os import json import base64 import cv2def read_txt_file(txt_file):with open(txt_file, r) as f:lines f.readlines()data []for line in lines:line line.strip().split()class_name line[0]bbox [coord for coord in line[1:]]data.append({class_name: class_name, bbox: bbox})return datadef convert_to_labelme(data, image_path, image_size):labelme_data {version: 4.5.6,flags: {},shapes: [],imagePath: json_image_path,imageData: None,imageHeight: image_size[0],imageWidth: image_size[1]}for obj in data:dx obj[bbox][0]dy obj[bbox][1]dw obj[bbox][2]dh obj[bbox][3]w eval(dw) * image_size[1]h eval(dh) * image_size[0]center_x eval(dx) * image_size[1]center_y eval(dy) * image_size[0]x1 center_x - w/2y1 center_y - h/2x2 center_x w/2y2 center_y h/2if obj[class_name] 0: #判断对应的标签名称写入json文件中label str(People)elif obj[class_name] 1: #判断对应的标签名称写入json文件中label str(Car)elif obj[class_name] 2: #判断对应的标签名称写入json文件中label str(Bus)elif obj[class_name] 3: #判断对应的标签名称写入json文件中label str(Lamp)elif obj[class_name] 4: #判断对应的标签名称写入json文件中label str(Motorcycle)elif obj[class_name] 5: #判断对应的标签名称写入json文件中label str(Truck)shape_data {label: label,points: [[x1, y1], [x2, y2]],group_id: None,shape_type: rectangle,flags: {}}labelme_data[shapes].append(shape_data)return labelme_datadef save_labelme_json(labelme_data, image_path, output_file):with open(image_path, rb) as f:image_data f.read()labelme_data[imageData] base64.b64encode(image_data).decode(utf-8)with open(output_file, w) as f:json.dump(labelme_data, f, indent4)# 设置文件夹路径和输出文件夹路径 txt_folder rG:/datasets/yolo_M3FD_Detection/labels # 存放txt文件的文件夹路径 output_folder rG:/datasets/yolo_M3FD_Detection/jsons/ img_folder rG:/datasets/yolo_M3FD_Detection/ir/# 创建输出文件夹 if not os.path.exists(output_folder):os.makedirs(output_folder)# 遍历txt文件夹中的所有文件 for filename in os.listdir(txt_folder):if filename.endswith(.txt):# 生成对应的输出文件名output_filename os.path.splitext(filename)[0] .json# 读取txt文件txt_file os.path.join(txt_folder, filename)data read_txt_file(txt_file)# 设置图片路径和尺寸# image_filename os.path.splitext(filename)[0] .jpg # 图片文件名与txt文件名相同后缀为.jpgimage_filename os.path.splitext(filename)[0] .png # 图片文件名与txt文件名相同后缀为.jpg# image_path os.path.join(img_folder, image_filename)image_path os.path.join(image_filename) # 直接文件名 方便后面json转换# image_size (1280, 720) # 根据实际情况修改json_image_path image_path.split(\)[-1]print(image_path:, image_path)image_path_folder os.path.join(img_folder, image_filename)image_size cv2.imread(image_path_folder).shape# 转化为LabelMe格式labelme_data convert_to_labelme(data, image_path, image_size)# 保存为LabelMe JSON文件output_file os.path.join(output_folder, output_filename)save_labelme_json(labelme_data, image_path_folder, output_file) 5.逐个txt转coco的json 相当于直接把coco的数据集instances格式弄出来 import os import json import cv2 import random import time from PIL import Image# 生成全部的Json_all 分train/val/test coco_format_save_pathG:datasets/yolo_ir_jz/jsons/test/ #要生成的标准coco格式标签所在文件夹 yolo_format_classes_pathG:datasets/yolo_ir_jz/classes.txt #类别文件一行一个类 yolo_format_annotation_pathG:datasets/yolo_ir_jz/labels/test/ #yolo格式标签所在文件夹 img_pathDirG:datasets/yolo_ir_jz/images/test/ #图片所在文件夹with open(yolo_format_classes_path,r) as fr: #打开并读取类别文件lines1fr.readlines()

print(lines1)

categories[] #存储类别的列表 for j,label in enumerate(lines1):labellabel.strip()categories.append({id:j1,name:label,supercategory:None}) #将类别信息添加到categories中

print(categories)write_json_contextdict() #写入.json文件的大字典

write_json_context[info] {description: , url: , version: , year: 2024, contributor: gc, date_created: 2024-09-27} write_json_context[licenses][{id:1,name:None,url:None}] write_json_context[categories]categories write_json_context[images][] write_json_context[annotations][]#接下来的代码主要添加images和annotations的key值 imageFileListos.listdir(img_pathDir) #遍历该文件夹下的所有文件并将所有文件名添加到列表中 for i,imageFile in enumerate(imageFileList):imagePath os.path.join(img_pathDir,imageFile) #获取图片的绝对路径image Image.open(imagePath) #读取图片然后获取图片的宽和高W, H image.sizeimg_context{} #使用一个字典存储该图片信息#img_nameos.path.basename(imagePath) #返回path最后的文件名。如果path以/或\结尾那么就会返回空值img_context[file_name]imageFileimg_context[height]Himg_context[width]Wimg_context[date_captured]2024-09-27img_context[id]i #该图片的idimg_context[license]1img_context[color_url]img_context[flickr_url]write_json_context[images].append(img_context) #将该图片信息添加到image列表中txtFileimageFile[:5].txt #获取该图片获取的txt文件with open(os.path.join(yolo_format_annotation_path,txtFile),r) as fr:linesfr.readlines() #读取txt文件的每一行数据lines2是一个列表包含了一个图片的所有标注信息for j,line in enumerate(lines):bbox_dict {} #将每一个bounding box信息存储在该字典中# line line.strip().split()# print(line.strip().split( ))class_id,x,y,w,hline.strip().split( ) #获取每一个标注框的详细信息class_id,x, y, w, h int(class_id), float(x), float(y), float(w), float(h) #将字符串类型转为可计算的int和float类型xmin(x-w/2)*W #坐标转换ymin(y-h/2)*Hxmax(xw/2)*Wymax(yh/2)*Hww*Whh*Hbbox_dict[id]i*10000j #bounding box的坐标信息bbox_dict[image_id]ibbox_dict[category_id]class_id1 #注意目标类别要加一bbox_dict[iscrowd]0height,widthabs(ymax-ymin),abs(xmax-xmin)bbox_dict[area]height*widthbbox_dict[bbox][xmin,ymin,w,h]bbox_dict[segmentation][[xmin,ymin,xmax,ymin,xmax,ymax,xmin,ymax]]write_json_context[annotations].append(bbox_dict) #将每一个由字典存储的bounding box信息添加到annotations列表中name os.path.join(coco_format_save_path,train .json) with open(name,w) as fw: #将字典信息写入.json文件中json.dump(write_json_context,fw,indent2) 6.根据txt划分yolo数据集格式 训练集验证集测试集 721 比例可以自己定义 import os, shutil, random from tqdm import tqdm 标注文件是yolo格式txt文件 训练集验证集测试集 721 def split_img(img_path, label_path, split_list):try:Data G:\datasets/yolo_my_enhance# Data是你要将要创建的文件夹路径路径一定是相对于你当前的这个脚本而言的# os.mkdir(Data)train_img_dir Data /images/trainval_img_dir Data /images/valtest_img_dir Data /images/testtrain_label_dir Data /labels/trainval_label_dir Data /labels/valtest_label_dir Data /labels/test# 创建文件夹os.makedirs(train_img_dir)os.makedirs(train_label_dir)os.makedirs(val_img_dir)os.makedirs(val_label_dir)os.makedirs(test_img_dir)os.makedirs(test_label_dir)except:print(文件目录已存在)train, val, test split_listall_img os.listdir(img_path)all_img_path [os.path.join(img_path, img) for img in all_img]# all_label os.listdir(label_path)# all_label_path [os.path.join(label_path, label) for label in all_label]train_img random.sample(all_img_path, int(train * len(all_img_path)))train_img_copy [os.path.join(train_img_dir, img.split(\)[-1]) for img in train_img]train_label [toLabelPath(img, label_path) for img in train_img]train_label_copy [os.path.join(train_label_dir, label.split(\)[-1]) for label in train_label]for i in tqdm(range(len(train_img)), desctrain , ncols80, unitimg):_copy(train_img[i], train_img_dir)_copy(train_label[i], train_label_dir)all_img_path.remove(train_img[i])val_img random.sample(all_img_path, int(val / (val test) * len(all_img_path)))val_label [toLabelPath(img, label_path) for img in val_img]for i in tqdm(range(len(val_img)), descval , ncols80, unitimg):_copy(val_img[i], val_img_dir)_copy(val_label[i], val_label_dir)all_img_path.remove(val_img[i])test_img all_img_pathtest_label [toLabelPath(img, label_path) for img in test_img]for i in tqdm(range(len(test_img)), desctest , ncols80, unitimg):_copy(test_img[i], test_img_dir)_copy(test_label[i], test_label_dir)def _copy(from_path, to_path):shutil.copy(from_path, to_path)def toLabelPath(img_path, label_path):img img_path.split(\)[-1]label img.split(.jpg)[0] .txtreturn os.path.join(label_path, label)if name main:img_path G:/datasets/yolo_my_enhance/yolo_my_enhance # 你的图片存放的路径路径一定是相对于你当前的这个脚本文件而言的label_path ./YoloLabels # 你的txt文件存放的路径路径一定是相对于你当前的这个脚本文件而言的split_list [0.7, 0.2, 0.1] # 数据集划分比例[train:val:test]split_img(img_path, label_path, split_list)