CV计算机视觉的数据集分析python脚本：数据集中的标签信息可视化，将标签文件中定义的边界框（Bbox）绘制到对应的图像上，并保存这些带有边界框的图像。

这段代码的主要目的是处理一个数据集中的图像和标签文件，将标签文件中定义的边界框（Bbox）绘制到对应的图像上，并保存这些带有边界框的图像。通过这种方式，可以将数据集中的标签信息可视化，便于进一步的分析和处理。常用于CV中的目标检测数据集的标签质量检查。

这是我们常见是标签格式是yolo的数据集的格式：
目录:
dataset：绝对路径："C:\Desktop\dataset"
--images：绝对路径："C:\Desktop\dataset\images"
----.jpg
--labels：绝对路径："C:\Desktop\dataset\labels"
.....txt

.txt文件的标签格式yolo格式（例子）：
3 0.385417 0.498148 0.0625 0.033333

数据集是这样子的，同时给出了标签的格式。labels目录中的.txt中的数据是目标检测的标签数据，每一行数据分别对应一个GT框，每一行数据从左到右分别是：id, x，y，w，h。列1 - 目标类别id ，  列2 - 目标中心位置x， 列3 - 目标中心位置y， 列4 - 目标宽度w，列5 - 目标高度h。x，y，w，h是小于1的浮点数，因为是经过对图像进行了归一化处理得到的值，也就是目标的真实的x，w值除以图像的宽度，y，h除以图像的高度。

以下是代码的详细思路和步骤：

1. 定义路径：

   • root_dir：数据集的根目录路径（需要用户自行指定）。
   • images_dir：存放原始图像的目录路径。
   • labels_dir：存放标签文件的目录路径。
   • output_images_plot_dir：存放绘制了边界框的图像的输出目录路径。

2. 创建输出目录：

   • 使用os.makedirs确保输出目录存在，exist_ok=True参数表示如果目录已存在则不抛出异常。

3. 读取并处理标签文件：

   • 遍历labels_dir目录中的所有文件，筛选出以.txt结尾的标签文件。
   • 对于每个标签文件：
     • 读取文件内容，每行数据被分割并去除空白字符，存储为标签列表。
     • 将标签文件名中的.txt替换为.jpg，获取对应的图像文件名。

4. 读取并检查图像文件：

   • 拼接图像文件的完整路径，并检查文件是否存在。
   • 如果图像文件不存在，则打印一条消息并跳过当前标签文件。

5. 读取图像：

   • 使用cv2.imread读取图像文件，如果图像未被正确加载（即image is None），则打印一条消息并跳过当前图像。

6. 绘制边界框和标签：

   • 遍历标签列表中的每个标签，假设每个标签包含5个元素（类别ID，x中心，y中心，宽度，高度）。
   • 将归一化的边界框坐标转换为实际的像素坐标。
   • 使用cv2.rectangle在图像上绘制矩形框，颜色为绿色，线宽为2像素。
   • 使用cv2.putText在矩形框的左上角绘制类别ID，字体颜色为红色。

7. 保存绘制了边界框的图像：

   • 拼接输出图像的完整路径，并使用cv2.imwrite将图像保存到输出目录。

8. 完成处理：

   • 打印一条消息，表示所有图像的处理已完成

import os
import cv2

# 根目录地址
root_dir =       #此处给出需要画出Bbox的数据集路径
# 图片目录
images_dir = os.path.join(root_dir, 'images_cf')
# 标签目录
labels_dir = os.path.join(root_dir, 'labels')
# 输出目录，用于存放绘制了标签的图片
output_images_plot_dir = os.path.join(root_dir, 'images_plot')
os.makedirs(output_images_plot_dir, exist_ok=True)

# 读取标签文件并绘制框
for label_file in os.listdir(labels_dir):
    if label_file.endswith('.txt'):
        # 读取标签文件
        with open(os.path.join(labels_dir, label_file), 'r') as f:
            labels = [line.strip().split() for line in f.readlines() if line.strip()]

        # 读取对应的图片
        image_file = label_file.replace('.txt', '.jpg')  # 确保是.jpg文件
        image_path = os.path.join(images_dir, image_file)

        # 确保图像文件存在
        if not os.path.isfile(image_path):
            print(f"图像文件 {image_path} 不存在，跳过。")
            continue

        # 读取图像
        image = cv2.imread(image_path)

        # 确保图像被正确加载
        if image is None:
            print(f"无法加载图像 {image_path}，跳过。")
            continue

        # 绘制框和标记ID
        for label in labels:
            if len(label) == 5:
                # 解析标签数据
                _, x_center, y_center, width, height = map(float, label)
                # 将归一化坐标转换为实际坐标
                x_min = int((x_center - width / 2) * image.shape[1])
                y_min = int((y_center - height / 2) * image.shape[0])
                x_max = int((x_center + width / 2) * image.shape[1])
                y_max = int((y_center + height / 2) * image.shape[0])

                # 绘制矩形框，颜色为绿色
                cv2.rectangle(image, (x_min, y_min), (x_max, y_max), (0, 255, 0), 2)

                # 提取类别ID，假设第一个元素是ID
                id = int(label[0])

                # 在框的左上角标记ID，字体颜色为红色
                label_text = str(id)  # 将ID转换为字符串
                text_size, _ = cv2.getTextSize(label_text, cv2.FONT_HERSHEY_SIMPLEX, 0.5, 1)
                text_x = x_min
                text_y = y_min - text_size[1] - 5  # 留出一些空间避免重叠
                cv2.putText(image, label_text,
                            (text_x, text_y),
                            cv2.FONT_HERSHEY_SIMPLEX,
                            0.5,
                            (0, 0, 255),  # 红色文本
                            1)

        # 保存图片到输出目录
        output_image_path = os.path.join(output_images_plot_dir, os.path.basename(image_file))
        cv2.imwrite(output_image_path, image)

print("所有图片已处理完成。")