目标检测实战教程01-使用labelimg标注目标检测数据集|voc转COCO数据集

目标检测实战教程01-使用labelimg标注目标检测数据集|voc转COCO数据集

b站视频演示：B站视频教学

对图像进行编号

将收集到的图像进行编号方便统一管理，编号代码如下

import os
path = "E:\\image1"
filelist = os.listdir(path) #该文件夹下所有的文件（包括文件夹）
count=0
for file in filelist:
    print(file)
for file in filelist:   #遍历所有文件
    Olddir=os.path.join(path,file)   #原来的文件路径
    if os.path.isdir(Olddir):   #如果是文件夹则跳过
        continue
    filename=os.path.splitext(file)[0]   #文件名
    filetype=os.path.splitext(file)[1]   #文件扩展名
    Newdir=os.path.join(path,str(count).zfill(6)+filetype)  #用字符串函数zfill 以0补全所需位数
    os.rename(Olddir,Newdir)#重命名
    count+=1

安装labelimg图像标注软件

在cmd命令框输入

pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple

labelimg使用方法

基础功能如下表：

open	打开单张图片
opendir	打开图像文件夹
change save dir	修改标注保存文件夹
save	保存标注文件
a键	上一张图片
d键	下一张图片
w键	绘制矩形框

更多使用技巧（自动保存、连续标注、单一类别）讲解，请观看视频学习。

划分数据集

将已经标注好的标注文件按照比例划分为训练集与测试集，分别放在两个文件夹中，方便下一步的转化。

VOC转COCO

因为COCO数据集在算法训练的时候可以调用coco api，所以评价指标相比voc的map50指标种类过多，如果做研究的话，coco评价指标可以自动获取不同IoU阈值下的mAP值，并且支持对大中小三种尺寸目标物的评估指标，所以我通常会将标注好的VOC格式的数据集转化为COCO格式。

代码如下：

"""
需要修改的地方
1. category_set = ['TBC']此处的类别信息需要修改
2. 代码末尾处的voc标注文件夹
3. 带末尾处对应生成的json文件名
注：训练集与测试集中类别的顺序必须保持一致，因此最好事先确定category的顺序，书写在category_set中
"""

import xml.etree.ElementTree as ET
import os
import json
import collections

coco = dict()
coco['images'] = []
coco['type'] = 'instances'
coco['annotations'] = []
coco['categories'] = []

# category_set = dict()
image_set = set()
image_id = 1  # train:2018xxx; val:2019xxx; test:2020xxx
category_item_id = 1
annotation_id = 1
category_set = ['TBC']

def <