使用 ultralytics 官方工具 json2yolo 完成标注格式转换（应用于南京旷视科技的 RPC：retail_product_checkout 数据集）

准备工作

用自己的数据集训练 YOLO 模型可能会出现数据集标签格式不一样的问题，比如你的数据集如果使用 .json （可以是所有图片写在单个 json ）存储那么就是 coco 格式；又比如VOC 数据集使用 .txt （每张 image 对应一个）存储标签，那它就是 yolo 格式。

以下是 coco 格式 RPC 数据集的例子：

以下是 yolo 格式 VOC 数据集的例子： 

以下是 COCO JSON 和 YOLO 的目录结构，实际可能会有一点区别，比如缺少 annotations 这一级目录：

COCO_JSON/
├── 2017train/
│   └── *.jpg # 训练集图片
├── 2017val/
│   └── *.jpg # 验证集图片
├── 2017test/
│   └── *.jpg # 测试集图片
└── annotations/
    ├── instances_train.json # 训练集标注
    ├── instances_val.json # 验证集标注
    └── instances_test.json # 测试集标注

YOLO/
├── images/
│   ├── train/
│   │   └── *.jpg # 训练集图片
│   ├── val/
│   │   └── *.jpg # 验证集图片
│   └── test/
│       └── *.jpg # 测试集图片
└── labels/
    ├── train/
    │   └── *.txt # 训练集标签
    ├── val/
    │   └── *.txt # 验证集标签
    └── test/
        └── *.txt # 测试集标签

copy from：xiaohangguo/JSON_YOLO_intertwined: COCO JSON 格式 和YOLO 相互转化的代码，包含YOLO2JSON 和JSON2YOLO，在很多数据集上测试有效。

有很多博主分享了自己的 json2yolo 的代码（比如以上这个github项目），但其实官方自己有 json2yolo 的工具，而且使用起来十分方便，我将使用 RPC 数据集为例演示一下如何使用。

RPC数据集：

Project Page：RPC-Dataset Project Page

kaggle：Retail Product Checkout Dataset

官方工具：ultralytics/JSON2YOLO: Convert JSON annotations into YOLO format.

（使用 git clone 或download zip）

使用

首先，RPC 数据集是缺少 annotations 目录的，可以自己补上：

然后我们查看一下已经下载好的官方工具代码

打开 general_json2yolo.py：

官方为我们提供了多种格式的 json2yolo 如 infolks_json、vott_json等，这里我们使用 coco_json :

def convert_coco_json(json_dir="../coco/annotations/", use_segments=False, cls91to80=False):
    """Converts COCO JSON format to YOLO label format, with options for segments and class mapping."""
    save_dir = make_dirs()  # output directory
    coco80 = coco91_to_coco80_class()

    # Import json
    for json_file in sorted(Path(json_dir).resolve().glob("*.json")):
        fn = Path(save_dir) / "labels" / json_file.stem.replace("instances_", "")  # folder name
        fn.mkdir()
        with open(json_file) as f:
            data = json.load(f)

        # Create image dict
        images = {"{:g}".format(x["id"]): x for x in data["images"]}
        # Create image-annotations dict
        imgToAnns = defaultdict(list)
        for ann in data["annotations"]:
            imgToAnns[ann["image_id"]].append(ann)

        # Write labels file
        for img_id, anns in tqdm(imgToAnns.items(), desc=f"Annotations {json_file}"):
            img = images[f"{img_id:g}"]
            h, w, f = img["height"], img["width"], img["file_name"]

            bboxes = []
            segments = []
            for ann in anns:
                if ann["iscrowd"]:
                    continue
                # The COCO box format is [top left x, top left y, width, height]
                box = np.array(ann["bbox"], dtype=np.float64)
                box[:2] += box[2:] / 2  # xy top-left corner to center
                box[[0, 2]] /= w  # normalize x
                box[[1, 3]] /= h  # normalize y
                if box[2] <= 0 or box[3] <= 0:  # if w <= 0 and h <= 0
                    continue

                cls = coco80[ann["category_id"] - 1] if cls91to80 else ann["category_id"] - 1  # class
                box = [cls] + box.tolist()
                if box not in bboxes:
                    bboxes.append(box)
                # Segments
                if use_segments:
                    if len(ann["segmentation"]) > 1:
                        s = merge_multi_segment(ann["segmentation"])
                        s = (np.concatenate(s, axis=0) / np.array([w, h])).reshape(-1).tolist()
                    else:
                        s = [j for i in ann["segmentation"] for j in i]  # all segments concatenated
                        s = (np.array(s).reshape(-1, 2) / np.array([w, h])).reshape(-1).tolist()
                    s = [cls] + s
                    if s not in segments:
                        segments.append(s)

            # Write
            with open((fn / f).with_suffix(".txt"), "a") as file:
                for i in range(len(bboxes)):
                    line = (*(segments[i] if use_segments else bboxes[i]),)  # cls, box or segments
                    file.write(("%g " * len(line)).rstrip() % line + "\n")

函数定义中的3个参数分别为：

json_dir ：.json 文件所在的目录

use_segments：是否使用分割信息，如果只做目标检测则没有分割信息

cls91to80：是否使用 COCO91 to COCO80，将91种类别映射到常见的80种类别

 主函数：

if __name__ == "__main__":

    source = "COCO"

    if source == "COCO":
        convert_coco_json(
            "/root/dataset/retail_product_checkout/annotations",  # directory with *.json
            use_segments=False,
            cls91to80=False,
        )

    elif source == "infolks":  # Infolks https://infolks.info/
        convert_infolks_json(name="out", files="../data/sm4/json/*.json", img_path="../data/sm4/images/")

    elif source == "vott":  # VoTT https://github.com/microsoft/VoTT
        convert_vott_json(
            name="data",
            files="../../Downloads/athena_day/20190715/*.json",
            img_path="../../Downloads/athena_day/20190715/",
        )  # images folder

    elif source == "ath":  # ath format
        convert_ath_json(json_dir="../../Downloads/athena/")  # images folder

我们只关注 source=coco 的情况，我们需要修改 .json 文件目录，第二个参数如果不用分割信息就 false，而最后一个参数是false，因为我使用的RPC数据集一共有200个类别，并且也不是COCO91，所以不需要将它映射到80个类别。

修改完后，接下来就可以直接执行这个文件，它将在你数据集的目录下生成一个 new_dir 的文件夹，转换后的 .txt 标签已经放在 labels 文件夹下：

到此使用官方工具进行 josn2yolo 的转换已经完成了。

最后，如需正常使用数据集，记得按 yolo 格式目录结构整理一下自己的目录。