ccpd数据集转coco格式

最新推荐文章于 2024-05-12 15:38:22 发布
最新推荐文章于 2024-05-12 15:38:22 发布
阅读量482 收藏 5
点赞数
文章标签： 深度学习 人工智能 python 计算机视觉
原文链接：https://www.cnblogs.com/ytwang/p/15789914.html
版权

参考自Pytorch_CCPD2019_to_CoCO_2_YOLO数据集 - 辰令 - 博客园

CCPD2019数据集 CCPD: Chinese City Parking Dataset介绍

步骤：
 prepare_data 
    python reformat_CCPD.py 
	python dataset_provider.py

 # Base	200	正常车牌
 # FN		20	距离摄像头相当的远或者相当近
 # DB		20	光线暗或者比较亮
 # Rotate	10	水平倾斜20-25°，垂直倾斜-10-10°
 # Tilt	10	水平倾斜15-45°，垂直倾斜15-45°
 # Weather	10	在雨天，雪天，或者雾天
 # Blur	5	由于相机抖动造成的模糊
 # Challenge	10	其他的比较有挑战性的车牌
 # NP		5	没有车牌的新车
 	
 	
 # 0236-16_34-222&408_398&520-377&473_222&520_243&455_398&408-0_0_28_14_33_32_29-69-74.jpg	
 	
 每个名称可以分为七个字段。这些字段解释如下。
 
 面积：牌照面积与整个图片区域的面积比。
 倾斜度：水平倾斜程度和垂直倾斜度。
 边界框坐标：左上和右下顶点的坐标。
 四个顶点位置：整个图像中LP的四个顶点的精确（x，y）坐标。这些坐标从右下角->左下角->左上角->右上角	
 	
 面积    0236
 倾斜度    16_34
 边界框坐标   222&408_398&520
 四个顶点位置    377&473_222&520_243&455_398&408
 是车牌号每个字符的索引    0_0_28_14_33_32_29
 亮度    69
 模糊程度   74
 
 
 车牌号 号码由一个汉字，一个字母和五个字母或数字组成
 provinces = ["皖", "沪", "津", "渝", "冀", "晋", "蒙", "辽", "吉", "黑", "苏", "浙", "京", "闽", "赣", "鲁", "豫", "鄂", "湘", "粤", "桂", "琼", "川", "贵", "云", "藏", "陕", "甘", "青", "宁", "新", "警", "学", "O"]
 alphabets = ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'J', 'K', 'L', 'M', 'N', 'P', 'Q', 'R', 'S', 'T', 'U', 'V', 'W',
              'X', 'Y', 'Z', 'O']
 ads = ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'J', 'K', 'L', 'M', 'N', 'P', 'Q', 'R', 'S', 'T', 'U', 'V', 'W', 'X',
        'Y', 'Z', '0', '1', '2', '3', '4', '5', '6', '7', '8', '9', 'O']

格式变换

import os
import cv2
import random
import os.path


def annotation_from_name(file_name):
    # 图片的名称就是标签，由"_"字符分隔
    # # 0236-16_34-222&408_398&520-377&473_222&520_243&455_398&408-0_0_28_14_33_32_29-69-74.jpg
    file_name = file_name[:-4]
    # 0236-16_34-222&408_398&520-377&473_222&520_243&455_398&408-0_0_28_14_33_32_29-69-74
    name_split = file_name.split('-')
    location = name_split[2]
    # 边界框坐标 222&408_398&520
    location = location.split('_')
    # 222&408
    left_top = location[0].split('&')
    # 398&520
    right_bottom = location[1].split('&')
    x1 = int(left_top[0])
    y1 = int(left_top[1])
    x2 = int(right_bottom[0])
    y2 = int(right_bottom[1])
    # 四个顶点位置  377&473_222&520_243&455_398&408
    x1y1 = name_split[3].split('_')[0].split('&')
    x2y2 = name_split[3].split('_')[1].split('&')
    x3y3 = name_split[3].split('_')[2].split('&')
    x4y4 = name_split[3].split('_')[3].split('&')
    # 边界框两个顶点以及四个顶点位置 0-11
    return (x1, y1, x2, y2, int(x1y1[0]), int(x1y1[1]), int(x2y2[0]), int(x2y2[1]), int(x3y3[0]), int(x3y3[1]), int(x4y4[0]), int(x4y4[1]))


def generate_data_list(ccpd_path= r'D:\data\CCPD2019' ):
    # D:\data\CCPD2019\
    # Base	200	正常车牌
    # Blur	5	由于相机抖动造成的模糊
    # Challenge	10	其他的比较有挑战性的车牌
    # DB		20	光线暗或者比较亮
    # FN		20	距离摄像头相当的远或者相当近
    # Rotate	10	水平倾斜20-25°，垂直倾斜-10-10°
    # Tilt	10	水平倾斜15-45°，垂直倾斜15-45°
    # Weather	10	在雨天，雪天，或者雾天
    # NP		5	没有车牌的新车
    # 输入的数据集
    image_roots = [os.path.join(ccpd_path , 'ccpd_base'),
                   os.path.join(ccpd_path ,'ccpd_blur'),
                   os.path.join(ccpd_path ,'ccpd_challenge'),
                   os.path.join(ccpd_path ,'ccpd_db'),
                   os.path.join(ccpd_path ,'ccpd_fn'),
                  # os.path.join(ccpd_path ,'ccpd_np'),
                   os.path.join(ccpd_path ,'ccpd_rotate'),
                   os.path.join(ccpd_path ,'ccpd_tilt'),
                   os.path.join( ccpd_path, 'ccpd_weather')]
    #输出
    train_list_file_path = r'D:\data\data_folder\data_list_CCPD_train.txt'
    test_list_file_path = r'D:\data\data_folder\data_list_CCPD_test.txt'
    if not os.path.exists(os.path.dirname(train_list_file_path)):
        os.makedirs(os.path.dirname(train_list_file_path))
    fout_train = open(train_list_file_path, 'w')
    fout_test = open(test_list_file_path, 'w')
    # train_proportion:标注数据中用于train的比例 -取值 0到1之间
    train_proportion = 1
    # 训练图片的序数
    train_counter = 0
    test_counter = 0
    for root in image_roots:
        print(root)
        # 图片的名称列表
        file_name_list = [name for name in os.listdir(root) if name.endswith('.jpg')]
        # shuffle 重新随机图片列表
        random.shuffle(file_name_list)
        # 训练集 和测试集 数据
        file_name_list_train = file_name_list[:int(len(file_name_list) * train_proportion)]
        file_name_list_test = file_name_list[int(len(file_name_list) * train_proportion):]


        for file_name in file_name_list_train:
            location_annotation = annotation_from_name(file_name)
            line = os.path.join(root, file_name) + ',1,1,' + str(location_annotation[0]) + ',' + str(location_annotation[1]) + ',' + str(location_annotation[2]) + ',' + str(location_annotation[3])\
             +',' + str(location_annotation[4]) + ',' + str(location_annotation[5]) + ',' + str(location_annotation[6]) + ',' + str(location_annotation[7]) + ',' + str(location_annotation[8])\
             +',' + str(location_annotation[9]) + ',' + str(location_annotation[10]) + ',' + str(location_annotation[11])
            
            fout_train.write(line + '\n')
            train_counter += 1
            print(train_counter)

        for file_name in file_name_list_test:
            location_annotation = annotation_from_name(file_name)
            print("test",file_name)
            line = os.path.join(root, file_name) + ',1,1,' + str(location_annotation[0]) + ',' + str(location_annotation[1]) + ',' + str(location_annotation[2]) + ',' + str(location_annotation[3])\
             +',' + str(location_annotation[4]) + ',' + str(location_annotation[5]) + ',' + str(location_annotation[6]) + ',' + str(location_annotation[7]) + ',' + str(location_annotation[8])\
             +',' + str(location_annotation[9]) + ',' + str(location_annotation[10]) + ',' + str(location_annotation[11])            
            
            fout_test.write(line + '\n')
            test_counter += 1
            print(test_counter)

    fout_train.close()
    fout_test.close()



if __name__ == '__main__':
    # 返回值 [image absolute path],[pos/neg flag],[num of bboxes],[x1],[y1],[width1],[height1],[x2],[y2],[width2],[height2]......
    generate_data_list(ccpd_path=r'D:\data\CCPD2019')

 import sys
 sys.path.append("D:/Detection/Pytorch_Retina_License_Plate-master")  

# -*- coding: utf-8 -*-#
#     python ccpd_2_coco.py --data "./data"

import datetime
import json
import cv2
from random import randint
import numpy as np
from pathlib import Path
from PIL import Image
import os
import argparse

parser = argparse.ArgumentParser()
parser.add_argument("--data",
                    default=None,
                    type=str,
                    required=True,
                    help="The input data dir. Should contain all the images")
args = parser.parse_args()
IMAGE_DIR = Path(args.data)

INFO = {
    "description": "CCPD Dataset in COCO Format",
    "url": "",
    "date_created": datetime.datetime.utcnow().isoformat(' ')  # 显示此刻时间，格式：'2019-04-30 02:17:49.040415'
}

LICENSES = [
    {
        "id": 1,
        "name": "ALL RIGHTS ",
        "url": ""
    }
]
CATEGORIES = [
    {
        'id': 1,
        'name': 'license plate',
        'supercategory': 'shape',
    },
    {
        'id': 2,
        'name': 'background',
        'supercategory': 'shape',
    }
]


def random_color(class_id):
    '''预定义12种颜色，基本涵盖kjdz所有label类型
    颜色对照网址：https://tool.oschina.net/commons?type=3'''
    colorArr = [(255,0,0), # 红色
                (255,255,0), # 黄色
                (0, 255, 0), # 绿色
                (0,0,255), # 蓝色
                (160, 32, 240), # 紫色
                (165, 42, 42), # 棕色
                (238, 201, 0), # gold
                (255, 110, 180), # HotPink1
                (139, 0 ,0), #DarkRed
                (0 ,139 ,139),#DarkCyan
                (139, 0 ,139),#	DarkMagenta
                (0 ,0 ,139) # dark blue
                ]
    if class_id < 11:
        return colorArr[class_id]
    else: # 如有特殊情况，类别数超过12，则随机返回一个颜色
        rm_col = (randint(0,255),randint(0,255),randint(0,255))
        return rm_col

# 获取 bounding-box， segmentation 信息
# 输入：image path
# 返回：
#   bounding box
#   four locations

def get_info(im_file):
    img_name = str(im_file)
    lbl = img_name.split('/')[-1].rsplit('.', 1)[0].split('-')[-3] # label: '16_2_32_30_25_29_6'
    iname = img_name.rsplit('/', 1)[-1].rsplit('.', 1)[0].split('-')
    [leftUp, rightDown] = [[float(eel) for eel in el.split('&')] for el in iname[2].split('_')] # bounding box
    height = rightDown[1]-leftUp[1]
    width = rightDown[0]-leftUp[0]
    left = leftUp[0]
    top = leftUp[1]
    segmentation = [[float(eel) for eel in el.split('&')] for el in iname[3].split('_')] # four vertices locations
    return [left, top, width, height], segmentation


# 计算任意多边形的面积，顶点按照顺时针或者逆时针方向排列
def compute_polygon_area(points):
    point_num = len(points)
    if(point_num < 3):
        return 0.0
    s = points[0][1] * (points[point_num-1][0] - points[1][0])
    #for i in range(point_num): # (int i = 1 i < point_num ++i):
    for i in range(1, point_num):
        s += points[i][1] * (points[i-1][0] - points[(i+1)%point_num][0])
    return abs(s/2.0)


def main():
    # coco lable文件（如training2017.json）需要存储的信息
    coco_output = {
        "info": INFO,
        "licenses": LICENSES,
        "categories": CATEGORIES,
        "images": [],
        "annotations": []
    }

    # 初始化id（以后依次加一）
    image_id = 1
    annotation_id = 1


    # 加载图片信息
    im_files = [f for f in IMAGE_DIR.iterdir()]
    im_files.sort(key=lambda f: f.stem,reverse=True)  # 排序，防止顺序错乱、数据和标签不对应
    # print("im-length:",len(im_files),"\n im_files：",im_files)

    for im_file in im_files:
        # 写入图片信息（id、图片名、图片大小）,其中id从1开始
        image = Image.open(im_file)
        #im_info = pycococreatortools.create_image_info( image_id, im_file.name, image.size) # 图片信息
        im_info =  {
            "id" : image_id,   # 图像id，可从0开始
            "width" :  image.size[0],   # 图像的宽
            "height" : image.size[1],  # 图像的高
            "file_name" : im_file.name,   # 文件名
            "license" : None,   # 遵循哪个协议
            "flickr_url" : None,   # flickr图片链接url
            "coco_url" : None,   # COCO图片链接url
            "date_captured" : "2019/05/20", # 获取数据的日期
        }
        coco_output['images'].append(im_info) # 存储图片信息（id、图片名、大小）


        annotation_info_list = []  # 存储标注信息
        # 处理label信息， 包括左上角、右下角、四个角点（用于分割）
        bounding_box, segmentation = get_info(im_file)
        class_id = 1  # id 为数字形式，如 1,此时是list形式，后续需要转换 # 指定为1，因为只有”是车牌“这一类
        area = compute_polygon_area(segmentation) # 当前segmentation的面积（比bounding box更精确）
        annot ={
            "id" : annotation_id,  # 注释id编号
            "image_id" : image_id,  # 图像id编号
            "category_id" : class_id,  # 类别id编号
            "segmentation" : segmentation,  # 分割具体数据
            "area" : area,  # 目标检测的区域大小
            "bbox" : bounding_box,
            "iscrowd" : 0 ,  # 目标是否被遮盖，默认为0
        }
        annotation_info_list.append(annot)

        # 上面得到单张图片的所有bounding-box信息，接下来每单张图片存储一次
        for annotation_info in annotation_info_list:
            if annotation_info is not None:
                coco_output['annotations'].append(annotation_info)
        print(image_id)
        image_id += 1
       
    # 保存成json格式
    print("[INFO] Storing annotations json file...")
    output_json = Path(f'D:\data\CCPD2019\ccpd_annotations.json')
    with output_json.open('w', encoding='utf-8') as f:
        json.dump(coco_output, f)
    print("[INFO] Annotations JSON file saved in：", str(output_json))


if __name__ == "__main__":
    main()
SummerMiko_
关注
【深度学习】【Python】【CCPD2019】 YOLOv5训练CCPD2019数据集 数据转化
q742971636的博客
07-20 3392
很近或者很远的环境contains1000pictureswherethedistancefromtheLPtotheshootinglocationisrelativelyfarorverynear.很亮或者很暗的环境contains1000pictureswhereilluminationsontheLPareaaredarkorextremelybright.写datayaml。
YOLOv5车牌+关键点检测
sybh的博客
02-21 1011
在车牌检测任务中，最简单的流程就是车牌检测+车牌识别两个步骤，但当镜头没有正对车牌的时候，图片中的车牌会有透视变形，增加识别任务的难度。针对拍摄角度引起的透视变形，可再增加一步车牌校正的流程，整个任务流为：车牌检测、车牌校正、车牌识别对于车牌检测部分，使用常用的检测算法yolo，可以输出目标的检测框和分类概率，但检测框还不能简化校正工作，若能识别出车牌的4个角点就能直接进行矫正了。与yoloface一样，可在yolo框架中添加关键点回归分支，从而实现对车牌4个角点的检测。
8-9(CCPD车牌数据集)
stupid_miao的博客
08-09 5396
数据集中文件命名： 025-95_113-154&383_386&473-386&473_177&454_154&383_363&402-0_0_22_27_27_33_16-37-15.jpg". 则：（以‘-’分界） 025 车牌占全图面积比 95_113 水平倾斜度和垂直倾斜度 154&383 、386&473 LP左上顶点和...
ccpd转coco的json格式以及代码执行的方法
SummerMiko_的博客
09-14 435
以上是完整的转换代码，运行的时候不要直接点运行，可能会报错说--data需要传入。注意--data 与后面的数据路径空一格。
CCPD车牌检测识别数据集
最新发布
AI学长
05-12 2010
CCPD (Chinese City Parking Dataset, ECCV)是中国城市车牌数据集，共有两个CCPD2019和CCPD2020 数据集，总数据量约35W左右，可用于车牌检测和识别模型算法开发。 CCPD 发表的论文: https://arxiv.org/abs/1709.08828 CCPD2020 数据集包含约1万，主要是新能源绿牌数据。 CCPD2019数据集主要是蓝牌数据，将近34W 张图片、图片尺寸为720x1160x3，共包含8种类型图片
【开源数据集】智慧城市之CCPD车牌数据集
hzg19930513的博客
05-09 2671
传统车牌检测和识别都是在小规模数据集上进行实验和测试，所获得的算法模型无法胜任环境多变、角度多样的车牌图像检测和识别任务。为此，中科大团队建立了CCPD数据集，这是一个用于车牌识别的大型国内停车场车牌数据集——CCPD(Chinese City Parking Dataset)，数据集主要在合肥市的停车场采集得来，采集时间早上7:30到晚上10:00，手工标注车牌位置。拍摄的车牌照片涉及多种复杂环境，包括模糊、倾斜、阴雨天、雪天等等。CCPD数据集一共包含将近30万张图片。
[深度学习] CCPD车牌数据集介绍
热门推荐
You and Me
06-09 5万+
CCPD是一个大型的、多样化的、经过仔细标注的中国城市车牌开源数据集。CCPD数据集主要分为CCPD2019数据集和CCPD2020(CCPD-Green)数据集。CCPD2019数据集车牌类型仅有普通车牌(蓝色车牌)，CCPD2020数据集车牌类型仅有新能源车牌(绿色车牌)。 在CCPD数据集中，每张图片仅包含一张车牌，车牌的车牌省份主要为皖。CCPD中的每幅图像都包含大量的标注信息，但是CCPD数据集没有专门的标注文件，每张图像的文件名就是该图像对应的数据标注。标注最困难的部分是注释四个顶点的位置。为了
自动驾驶的隐私保护数据集
1206PP4AV：隐私保护自动驾驶的基准数据集Linh TrinhR1，Dongong Pham1，Hoang Trinh1，NguyenBach1，Dung Nguyen2，Giang Nguyen1和Huy Nguyen11VinFast，河内，越南诉{linhtk13，phuongpadong，hoangtn，nguyenbh1...
[调研] 人脸/车牌脱敏 调研
qq_44690067的博客
08-09 2219
人脸/车牌脱敏的调研
【智慧交通项目实战】 《 OCR车牌检测与识别》（二）：基于YOLO的车牌检测
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
06-09 1万+
💚导读：本项目为新系列【智慧交通项目实战】《OCR车牌检测和识别》(二)--基于YOLO的车牌检测，该系列将分为多篇文章展开分别对项目流程、数据集、检测、识别算法、可视化进行详细介绍。本篇为该系列第二篇，将着重介绍车牌检测流程，对环境安装、训练流程、配置进行详细解读，后续该系列文章将陆续更新。
CCPD-master.zip
03-12
数据集：CCPD数据集，正样本约20w张，负样本约3w张
CCPD2019.zip
12-03
CCPD2019数据集的车牌裁剪代码，可以实现批量加载图片，然后将车牌区域裁剪出来，车牌图片的名称以车牌号码命名
CCPD2019车牌数据集，共10000张图片，含YOLO格式标签
02-20
CCPD2019车牌数据集，10000张图片，已制作YOLO格式标签，可以直接训练
车牌数据，已经打包成voc数据集，标准3w张
03-07
车牌数据，转换3W车牌。已经做成voc数据集。车牌数据，转换3W车牌。已经做成voc数据集车牌数据，转换3W车牌。已经做成voc数据集车牌数据，转换3W车牌。已经做成voc数据集车牌数据，转换3W车牌。已经做成voc数据集车牌数据，转换3W车牌。已经做成voc数据集
license-plate-dataset-master.zip
05-11
200张图片，160张训练集，40张测试集，已标注好，为.xml文件，适合YOLO系列，标注格式为vocabulary
前端本地启动php项目流程
陈坚泓的博客
10-23 1万+
前端本地启动php项目步骤git clone项目到本地项目目录下 执行 composer install安装依赖安装composer执行 php artisan serve启动项目配置信息.env文件放到项目根目录下phpStudy调整配置信息 最近接手一个保险站点项目,原本用vue,nuxt开发页面,node,egg开发后端接口,但是据说几个月时间百度收录只有10个, 后面改为php,laravel渲染,不到一个星期,百度收录到30+了 这里记录下本地跑php项目流程 项目站点正式线地址如下 吃个保险瓜-
CCPD数据集处理（目标检测和文本识别）
qq_55068938的博客
07-17 6459
CCPD数据集处理
【py脚本】（小记）Lableme 的json转yolo的txt（仅方框）/多边形labelme转coco/关键点检测labelme转coco/yolo-voc-yolo
jingzilideniu的博客
05-16 3366
Lableme 的json转txt（仅方框）用于yolo5训练/关键点检测labelme转coco
CCPD数据集+yolov5+智能驾驶车牌检测
weixin_47531501的博客
03-14 1745
使用CCPD2019中的子数据集(CCPD-DB、CCPD-Blur、CCPD-FN、CCPD-Rotate、CCPD-Tilt、CCPD-Challenge)进行测试。在此我使用的是7z工具打包的，可以在/data/aimonitor/data/datasets/car_license/1002/license_use/目录下使用Linux命令：7za x CCPD.7z解压包。CCPD-Rotate 车牌水平倾斜20到50度，竖直倾斜-10到10度 10k。
将ccpd数据集转换成voc格式
07-11
将CCPD数据集转换成VOC格式需要进行以下步骤： 1. 首先，我们需要将CCPD数据集中的图像和标注框信息加载到内存中。 2. 然后，创建一个VOC格式的文件夹结构，包括Annotations、ImageSets、JPEGImages、...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值