理解COCO数据集中的关键点标注

hjxu2016

已于 2023-07-17 19:35:38 修改

阅读量1.5w

点赞数 22

分类专栏：计算机视觉|关键点检测文章标签：计算机视觉人工智能深度学习

于 2020-12-04 11:03:45 首次发布

本文链接：https://blog.csdn.net/hjxu2016/article/details/110629987

版权

计算机视觉|关键点检测专栏收录该内容

4 篇文章 7 订阅

订阅专栏

一、COCO中目标关键点的标注格式

打开person_keypoints_val2017.json文件。
从头至尾按照顺序分为以下段落，看起来和目标检测差不多。
在这里插入图片描述 1、info 类型，没什么好讲的，就是一些信息记录，如下
2、licenses、包含多个license的数组，姑且看成是一种版权许可证吧
3、images、记录了一些关键信息，如图像的文件名、宽、高，图像ID等信息

4、annotation、包含了目标检测中annotation所有字段，另外额外增加了2个字段。

新增的keypoints是一个长度为 $3 * k$ 的数组，其中 $k$ 是 $c a t e g ory$ 中 $k ey p o in t s$ 的总数量。每一个 $k ey p o in t$ 是一个长度为3的数组，第一和第二个元素分别是 $x$ 和 $y$ 坐标值，第三个元素是个标志位 $v$ ， $v$ 为 $0$ 时表示这个关键点没有标注（这种情况下 $x = y = v = 0$ ）， $v$ 为 $1$ 时表示这个关键点标注了但是不可见（被遮挡了）， $v$ 为 $2$ 时表示这个关键点标注了同时也可见。

num_keypoints表示这个目标上被标注的关键点的数量（ $v > 0 ）$ ，比较小的目标上可能就无法标注关键点。
在这里插入图片描述从person_keypoints_val2017.json文件中摘出一个annotation的实例如下：

{
	"segmentation": [[125.12,539.69,140.94,522.43,100.67,496.54,84.85,469.21,73.35,450.52,104.99,342.65,168.27,290.88,179.78,288,189.84,286.56,191.28,260.67,202.79,240.54,221.48,237.66,248.81,243.42,257.44,256.36,253.12,262.11,253.12,275.06,299.15,233.35,329.35,207.46,355.24,206.02,363.87,206.02,365.3,210.34,373.93,221.84,363.87,226.16,363.87,237.66,350.92,237.66,332.22,234.79,314.97,249.17,271.82,313.89,253.12,326.83,227.24,352.72,214.29,357.03,212.85,372.85,208.54,395.87,228.67,414.56,245.93,421.75,266.07,424.63,276.13,437.57,266.07,450.52,284.76,464.9,286.2,479.28,291.96,489.35,310.65,512.36,284.76,549.75,244.49,522.43,215.73,546.88,199.91,558.38,204.22,565.57,189.84,568.45,184.09,575.64,172.58,578.52,145.26,567.01,117.93,551.19,133.75,532.49]],
	"num_keypoints": 10,
	"area": 47803.27955,
	"iscrowd": 0,
	"keypoints": [0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,142,309,1,177,320,2,191,398,2,237,317,2,233,426,2,306,233,2,92,452,2,123,468,2,0,0,0,251,469,2,0,0,0,162,551,2],
	"image_id": 425226,"bbox": [73.35,206.02,300.58,372.5],"category_id": 1,
	"id": 183126
},

5、categories字段、对于每一个category结构体，相比目标检测中的中的category新增了2个额外的字段， $k ey p o in t s$ 是一个长度为k的数组，包含了每个关键点的名字； $s k e l e t o n$ 定义了各个关键点之间的连接性（比如人的左手腕和左肘就是连接的，但是左手腕和右手腕就不是）。目前，COCO的keypoints只标注了person category （分类为人）。

在这里插入图片描述从person_keypoints_val2017.json文件中摘出一个category的实例如下：

{
	"supercategory": "person",
	"id": 1,
	"name": "person",
	"keypoints": ["nose","left_eye","right_eye","left_ear","right_ear","left_shoulder","right_shoulder","left_elbow","right_elbow","left_wrist","right_wrist","left_hip","right_hip","left_knee","right_knee","left_ankle","right_ankle"],
	"skeleton": [[16,14],[14,12],[17,15],[15,13],[12,13],[6,12],[7,13],[6,7],[6,8],[7,9],[8,10],[9,11],[2,3],[1,2],[1,3],[2,4],[3,5],[4,6],[5,7]]
}

二、读取Coco数据集，并显示关键点到图像上

这里有两种方法显示，一种是直接利用pycocotools.coco中的
COCO.showAnns()函数，这种方式虽然能将关键点显示在图像上，但如果不去看源码的话，很难理解关键点标注的内容。
笔者提供另外一种方法，用Opencv加载图像，并且将关键点标注在原图上。

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""                  
*  * *** *  * *  *      
*  *  *   **  *  *             
****  *   **  *  *                 
*  *  *   **  *  *         
*  * **  *  * ****  

@File     :KeyPointStu/showPoint.py  
@Date     :2020/12/3 下午7:07  
@Require  :numpy、pycocotools、opencv
@Author   :hjxu2016， https://blog.csdn.net/hjxu2016/
@Funtion  :读取Coco数据集，并显示关键点到图像上
"""
import numpy as np
from pycocotools.coco import COCO
import cv2

aColor = [(0, 255, 0, 0), (255, 0, 0, 0), (0, 0, 255, 0), (0, 255, 255, 0)]
annFile = './coco/2017/annotations/person_keypoints_val2017.json'
img_prefix = './coco/2017/val2017'

# initialize COCO api for instance annotations
coco = COCO(annFile)

# getCatIds(catNms=[], supNms=[], catIds=[])
# 通过输入类别的名字、大类的名字或是种类的id，来筛选得到图片所属类别的id
catIds = coco.getCatIds(catNms=['person'])
print("catIds: ", catIds)
# getImgIds(imgIds=[], catIds=[])
# 通过图片的id或是所属种类的id得到图片的id
# 得到图片的id信息后，就可以用loadImgs得到图片的信息了
# 在这里我们随机选取之前list中的一张图片
imgIds = 425226
img = coco.loadImgs(imgIds)[0]
matImg = cv2.imread('%s/%s' % (img_prefix, img['file_name']))
# # 通过输入图片的id、类别的id、实例的面积、是否是人群来得到图片的注释id
annIds = coco.getAnnIds(imgIds=img['id'], catIds=catIds, iscrowd=None)

# # 通过注释的id，得到注释的信息
anns = coco.loadAnns(annIds)
print(anns)
for ann in anns:
    sks = np.array(coco.loadCats(ann['category_id'])[0]['skeleton']) - 1
    kp = np.array(ann['keypoints'])

    x = kp[0::3]
    y = kp[1::3]
    v = kp[2::3]

    for sk in sks:
        # c = (np.random.random((1, 3)) * 0.6 + 0.4).tolist()[0]
        c = aColor[np.random.randint(0, 4)]
        if np.all(v[sk] > 0):
            # 画点之间的连接线
            cv2.line(matImg, (x[sk][0], y[sk][0]), (x[sk][1], y[sk][1]), c, 1)
    for i in range(x.shape[0]):
        c = aColor[np.random.randint(0, 4)]
        cv2.circle(matImg, (x[i], y[i]), 2, c, lineType=1)

cv2.imshow("show", matImg)
cv2.waitKey(0)

在这里插入图片描述
参考自：
COCO数据集的标注格式
 COCO数据集介绍及使用cocoapi对COCO数据集人体关键点进行可视化

hjxu2016

关注

22
点赞
踩
110

收藏

觉得还不错? 一键收藏
22
评论
理解COCO数据集中的关键点标注

一、COCO中目标关键点的标注格式打开person_keypoints_val2017.json文件。从头至尾按照顺序分为以下段落，看起来和目标检测差不多。1、info 类型，没什么好讲的，就是一些信息记录，如下2、licenses、包含多个license的数组，姑且看成是一种版权许可证吧3、images、记录了一些关键信息，如图像的文件名、宽、高，图像ID等信息4、annotation、包含了目标检测中annotation所有字段，另外额外增加了2个字段。新增的keypoints是一个长
复制链接

扫一扫