制作数据集时,利用python对标注信息进行数据清洗和可视化
文前白话
使用labelimg标注工具对图片进行标注后,为了防止标注的信息有误,或者标注类别不准确,会影响训练的正常进行,有必要进行标注信息的清洗与核查。进行数据清洗步骤之前,将标注的好的xml文件和数据原图分别存放在不同的文件夹中。
Ⅰ、涉及的脚本代码
Step1: 检查所标注的xml文件中是否有命名不合规范的存在
脚本代码:
# 代码描述:数据清洗第一步--- 检查所标注的xml文件中是否有命名不合规范的存在
#
# 创建时间: 2021-01-08
# 创建人: Kenn Wu
# 修改时间:
# 版本:
import os
from tqdm import tqdm
xml_path = 'E:/Desktop/dataset/Vehicle/xml/' # 标注文件路径
image_path = 'E:/Desktop/dataset/Vehicle/jpg/' # 数据原图路径
image_lst = os.listdir(image_path)
xml_lst = os.listdir(xml_path)
print("image list:", len(image_lst))
print("xml list:", len(xml_lst))
for xml in xml_lst:
if len(xml) != 10:
print(xml)
效果:
Step2: 对比数据源图(jpg)与所保存的标注的xml文件,打印缺失的xml图片序号
脚本代码:
# 代码描述:数据清洗第二步--- 对比数据源图(jpg)与所保存的标注的xml文件,打印缺失的xml图片序号
#
# 创建时间: 2021-01-08
# 创建人: Kenn Wu
# 修改时间:
# 版本:
import os
from tqdm import tqdm
xml_path = 'E:/Desktop/dataset/Vehicle/xml/' # 标注文件路径
image_path = 'E:/Desktop/dataset/Vehicle/jpg/' # 数据原图路径
image_lst = os.listdir(image_path)
xml_lst = os.listdir(xml_path)
print("image list:", len(image_lst))
print("xml list:", len(xml_lst))
missing_index = []
for image in tqdm(image_lst):
xml = image[:-4] + '.xml'
if xml not in xml_lst:
missing_index.append(xml[:-4])
print(len(missing_index))
print(missing_index)
效果:
Step3: 删除没有对应xml文件的jpg文件
脚本代码:
# 代码描述:数据清洗第三步--- 删除没有对应xml文件的jpg文件
#
# 创建时间: 2021-01-08
# 创建人: Kenn Wu
# 修改时间:
# 版本:
import os
from tqdm import tqdm
xml_path = 'E:/Desktop/dataset/Vehicle/xml/' # 标注文件路径
image_path = 'E:/Desktop/dataset/Vehicle/jpg/' # 数据原图路径
image_lst = os.listdir(image_path)
xml_lst = os.listdir(xml_path)
missing_index = []
for image in tqdm(image_lst):
xml = image[:-4] + '.xml'
if xml not in xml_lst:
missing_index.append(xml[:-4])
for index in missing_index:
image = index + '.jpg'
os.remove(image_path + image)
Step4: 将标注的所有xml文件信息写入一个excel表格,后期数据分析使用
脚本代码:
# 代码描述:数据清洗第四步--- 将所有xml文件信息写入一个excel表格,后期数据分析使用
#
# 创建时间: 2021-01-08
# 创建人: Kenn Wu
# 修改时间:
# 版本:
import os
import glob
import pandas as pd
import xml.etree.ElementTree as ET
def xml_to_csv(path):
xml_list = []
for xml_file in glob.glob(path + '*.xml'):
print(xml_file)
tree = ET.parse(xml_file)
root = tree.getroot()
for member in root.findall('object'):
value = (root.find('filename').text,
int(root.find('size')[0].text),
int(root.find('size')[1].text),
member[0].text,
int(member[4][0].text),
int(member[4][1].text),
int(member[4][2].text),
int(member[4][3].text)
)
xml_list.append(value)
column_name = ['filename', 'width', 'height', 'class', 'xmin', 'ymin', 'xmax', 'ymax']
xml_df = pd.DataFrame(xml_list, columns=column_name)
return xml_df
if __name__ == "__main__":
xml_path = 'E:/Desktop/dataset/Vehicle/xml/' # 标注文件路径
xml_df = xml_to_csv(xml_path)
xml_df.to_csv('dataset_Vehicle.csv', index=None)
print('Successfully converted xml to csv.')
效果:
Step5: 数据分析,查看xml文件统计信息,生成网页数据报告
# 代码描述:数据清洗第五步--- 数据分析,查看xml文件统计信息,生成数据报告
#
# 创建时间: 2021-01-08
# 创建人: Kenn Wu
# 修改时间:
# 版本:
import pandas_profiling
import pandas as pd
def eda(in_file, out_file):
data = pd.read_csv(in_file, sep=',')
pfr = pandas_profiling.ProfileReport(data)
pfr.to_file(out_file)
if __name__ == '__main__':
in_file = 'dataset_Vehicle.csv.csv'
out_file = 'dataset_Vehicle.csv.html'
eda(in_file, out_file)
print('eda done!')
运行效果:
在浏览器中打开,可以查看生成的报告:
如果有错误标注:
Step6: 改写 label 标错的xml文件
# 代码描述:数据清洗第六步--- 改写标注时候 label 标错的xml文件
#
# 创建时间: 2021-01-08
# 创建人: Kenn Wu
# 修改时间:
# 版本:
import glob
import xml.etree.ElementTree as ET
def main(path):
wrong_class_lst1, wrong_class_lst2, w_lst = [], [], []
for xml_file in glob.glob(path + '*.xml'):
print(xml_file)
tree = ET.parse(xml_file)
root = tree.getroot()
for member in root.findall('object'):
value = member[0].text
if value == 'chemical_vehical' or value == 'chemcial_vehicle' or value == 'chemical_vehicel':
wrong_class_lst1.append(root.find('filename').text)
member[0].text = 'chemical_vehicle'
if value == 'chemical_sigh':
wrong_class_lst2.append(root.find('filename').text)
member[0].text = 'chemical_sign'
if value == 'w':
w_lst.append(root.find('filename').text)
tree.write(xml_file)
print('wrong_class_list1:', wrong_class_lst1)
print('wrong_class_list2:', wrong_class_lst1)
print('w_list:', w_lst)
if __name__ == "__main__":
xml_path = 'E:/Desktop/dataset/Vehicle/xml/'
main(xml_path)
Ⅱ、实际操作补充
实际操作的时候,可以把这6个脚本文件放在同一个文件夹中,设置好相应的文件路径,依次进行即可。当然,喜欢省事又不介意动手的小伙伴,不妨进行合并,在一个脚本中利用函数的调用实现整体的功能!