本文主要是介绍labelme标注格式的数据集转COCO格式脚本,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
1. MyEncoder 类
- 这是一个自定义的 JSON 编码器类,用于处理 NumPy 数据类型。
- 当将 NumPy 数组或其他 NumPy 数据类型转换为 JSON 格式时,默认的 JSON 编码器无法正确处理。这个自定义的编码器可以解决这个问题。
2. labelme2coco 类
- 这是执行从 Labelme JSON 格式到 COCO JSON 格式转换的主要类。
__init__
- 初始化类实例,传入 Labelme JSON 文件列表和保存 COCO JSON 文件的路径。
- **data_transfer**:
- 处理每个 Labelme JSON 文件,提取图像信息、类别信息和标注信息。
- **image、categorie、annotation**:
- 分别从 Labelme JSON 文件中提取图像信息、类别信息和标注信息。
- **getcatid**:
- 根据标签获取类别 ID。
- **getbbox、mask2box**:
- 计算给定点集或掩码的边界框。
- **polygons_to_mask**:
- 将多边形转换为掩码。
- **data2coco**:
- 将提取的信息组合成 COCO 格式的字典。
- **save_json**:
- 将 COCO 格式的字典保存为 JSON 文件。
3. **主代码块**:
- 从 `D:\\desktop\\2023\\Pigseg\\images` 目录下获取 Labelme JSON 文件列表。
- 调用 `labelme2coco` 类,将 Labelme JSON 文件转换为 COCO JSON 格式,并保存到 `D:\\desktop\\2023\\Pigseg\\train.json` 路径下。
,这个脚本的主要功能是将 Labelme 标注格式的 JSON 文件转换为 COCO 标注格式的 JSON 文件,以便在 COCO 数据集框架下使用这些标注数据。这种转换对于将Labelme 创建的标注应用于 COCO 数据集相关的计算机视觉任务非常有帮助。
如果要分为训练集train、验证集val,按一定的比例如7:3,
我数据集中是一张图片对应一个json文件,则把70%的json文件和图片放到一个文件夹train,把剩下的30%的json文件放到val.下面的脚本文件需要放置对应的路径,记得分别修改路径和对应的train.json和val.json.
脚本运行后则会生成train.json和val.json两个文件夹,这两个文件夹中对应的就是整合的每张图片的大的json文件,之后就可以到coco格式的模型上进行训练,还需要修改部分函数如coco.py,num_classes.py等。
如果数据集图片是png,则修改一下脚本中的相应位置即可。
# coding=gbk
import argparse
import json
import matplotlib.pyplot as plt
import skimage.io as io
import cv2
import labelme.utils as utils
import numpy as np
import glob
import PIL.Image
import os# import PIL#
这篇关于labelme标注格式的数据集转COCO格式脚本的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!