自用代码 | 数据集画框代码（txt、xml、json三种格式画框）

最新推荐文章于 2022-09-21 16:38:01 发布
最新推荐文章于 2022-09-21 16:38:01 发布
阅读量1k 收藏 10
点赞数 4
分类专栏： # 实验代码
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/mary_0830/article/details/109284020
版权

1. json–>>txt–>>画框

https://blog.csdn.net/mary_0830/article/details/103212958

更新于2021.3.24

import cv2
import pandas as pd
import json
import os
 
# ground-truth
# def select(json_path, outpath, image_path):
#     json_file = open(json_path)
#     infos = json.load(json_file)
#     images = infos["images"]
#     annos = infos["annotations"]
#     assert len(images) == len(images)
#     # import pdb;pdb.set_trace()
#     for i in range(len(images)):
#         im_id = images[i]["id"]
#         im_path = image_path + images[i]["file_name"]
#         img = cv2.imread(im_path)
#         for j in range(len(annos)):
#             if annos[j]["image_id"] == im_id:
#                 x, y, w, h = annos[j]["bbox"]
#                 x, y, w, h = int(x), int(y), int(w), int(h)
#                 x2, y2 = x + w, y + h
#                 # object_name = annos[j][""]
#                 img = cv2.rectangle(img, (x, y), (x2, y2), (0, 255, 0), thickness=1)
#                 img_name = outpath + images[i]["file_name"]
#                 # import pdb;pdb.set_trace()
#                 cv2.imwrite(img_name, img)
#                 # continue
#         # print(i)

# predict
def select(json_path, outpath, image_path):
    json_file = open(json_path)
    infos = json.load(json_file)
    for i in range(len(infos)):
        im_id = infos[i]["image_id"]
        im_path = image_path + str(infos[i]["image_id"]) + '.jpg' 
        # import pdb;pdb.set_trace()
        img_name = outpath + str(infos[i]["image_id"]) + '.jpg'
        score = str(infos[i]["score"])
        if not os.path.exists(img_name):
            img = cv2.imread(im_path)
        else: 
            img = cv2.imread(img_name)
        if float(score) < 0.2 or float(score) > 0.5:
            continue
        else:
            x, y, w, h = infos[i]["bbox"]
            x, y, w, h = int(x), int(y), int(w), int(h)
            x2, y2 = x + w, y + h
            c_x, c_y = int((x + x2) / 2), int((y + y2) / 2)
            cla = str(infos[i]["category_id"])
            cv2.rectangle(img, (x, y), (x2, y2), (0, 255, 0), thickness=1)
            cv2.putText(img, score, (x, y + 5), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 2)
            cv2.putText(img, cla,(c_x, c_y), cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 0, 0), 2)
        img_name = outpath + str(infos[i]["image_id"]) + '.jpg'
        cv2.imwrite(img_name, img)
    print("Done!")


if __name__ == "__main__":
    json_path = 'XXX.json'
    image_path = '/X/'
    outpath = '/X/'
    select(json_path, outpath, image_path)

更新于2021.4.13

#coding:utf-8
import numpy as np
import os
import cv2
# from Constants import final_detect_result,VIII_visual_dir
import json


def compute_IOU(rec1,rec2):
    """
    计算两个矩形框的交并比。
    :param rec1: (x0,y0,x1,y1)      (x0,y0)代表矩形左上的顶点，（x1,y1）代表矩形右下的顶点。下同。
    :param rec2: (x0,y0,x1,y1)
    :return: 交并比IOU.
    """
    left_column_max  = max(rec1[0],rec2[0])
    right_column_min = min(rec1[2],rec2[2])
    up_row_max       = max(rec1[1],rec2[1])
    down_row_min     = min(rec1[3],rec2[3])
    #两矩形无相交区域的情况
    if left_column_max>=right_column_min or down_row_min<=up_row_max:
        return 0
    # 两矩形有相交区域的情况
    else:
        S1 = (rec1[2]-rec1[0])*(rec1[3]-rec1[1])
        S2 = (rec2[2]-rec2[0])*(rec2[3]-rec2[1])
        S_cross = (down_row_min-up_row_max)*(right_column_min-left_column_max)
        return S_cross/(S1+S2-S_cross)
        
def readNameId():
    fp = open("name_id_val.txt","r")
    lines = [i.strip('\n').split(",") for i in fp.readlines()]
    data = {}
    for line in lines:
        name,newid = line
        data[newid] = name
    
    return data 

    
def draw_bboxes(image, bboxes, font_size=0.5, thresh=0.5, colors=None):
    image = image.copy()
    
    coco_cls_names = [
        'pedestrian','people',
        'bicycle','car','van','truck','tricycle',
        'awning-tricycle','bus','motor'
    ]

    if colors is None:
        color = np.random.random((3, )) * 0.6 + 0.4
        color = (color * 255).astype(np.int32).tolist()

    for box in bboxes:
        if box[4] <thresh:
            continue
        # print(box[4])
        cat_name = coco_cls_names[box[5]-1]
        cat_size  = cv2.getTextSize(cat_name, cv2.FONT_HERSHEY_SIMPLEX, font_size, 2)[0]
        
        bbox = np.array([box[0],box[1],box[2],box[3]]).astype(int)
        # if bbox[1] - cat_size[1] - 2 < 0:
        #     cv2.rectangle(image,
        #         (bbox[0], bbox[1] + 2),
        #         (bbox[0] + cat_size[0], bbox[1] + cat_size[1] + 2),
        #         (255,0,0), -1
        #     )
        #     cv2.putText(image, cat_name,
        #         (bbox[0], bbox[1] + cat_size[1] + 2),
        #         cv2.FONT_HERSHEY_SIMPLEX, font_size, (0, 0, 0), thickness=1
        #     )
        # else:
        #     cv2.rectangle(image,
        #         (bbox[0], bbox[1] - cat_size[1] - 2),
        #         (bbox[0] + cat_size[0], bbox[1] - 2),
        #         (255,0,0), -1
        #     )
        #     cv2.putText(image, cat_name,
        #         (bbox[0], bbox[1] - 2),
        #         cv2.FONT_HERSHEY_SIMPLEX, font_size, (0, 0, 0), thickness=1
        #     )
        cv2.rectangle(image,
            (bbox[0], bbox[1]),
            (bbox[2], bbox[3]),
            (0,255,255), 2
        )
    return image

def readFinalResult():
    fp = open('xxx.json') 
   
    boxes = json.load(fp)
    
    data = {}
    
    for bbox in boxes:
        img_id = bbox["image_id"]
        x1,y1,x2,y2 = bbox["bbox"]
        cat_id = bbox["category_id"]
        score = bbox["score"]
        
        if not img_id in data.keys():
            data[img_id] = []
        
        data[img_id].append([x1,y1,x1+x2,y1+y2,score,cat_id])
    # import pdb; pdb.set_trace()

    return data

if __name__ =="__main__":
    imgDir = "/images/"
    nameIdArr = readNameId()
    # import pdb; pdb.set_trace()
    
    images = [i for i in os.listdir(imgDir) if '.jpg' in i]
    print('find image', len(images))
    
    data = readFinalResult()

    
    for idx,img_name in enumerate(images):
        if idx>550:
            break
        
        imgpath = os.path.join(imgDir, img_name)
        img_data = cv2.imread(imgpath, -1)  
        # print("img path:",imgpath)
        height, width = img_data.shape[:2]  
        # import pdb; pdb.set_trace()
        # newimg = draw_bboxes(img_data, data[nameIdArr[img_name[:-4]]])
        newimg = draw_bboxes(img_data, data[int(img_name[:-4])])
        save_path = os.path.join('/',img_name)
        cv2.imwrite(save_path , newimg)
    print('Done!')

2. xml–>>画框

https://blog.csdn.net/mary_0830/article/details/108776419（第五点）

import os
import os.path
import xml.etree.cElementTree as ET
import cv2
def draw(image_path, xml_path, root_saved_path):
    """
    图片根据标注画框
    """
    src_img_path = image_path
    src_ann_path = xml_path
    for file in os.listdir(src_ann_path):
        # print(file)
        file_name, suffix = os.path.splitext(file)
        # import pdb
        # pdb.set_trace()
        if suffix == '.xml':
            # print(file)
            xml_path = os.path.join(src_ann_path, file)
            image_path = os.path.join(src_img_path, file_name+'.jpg')
            img = cv2.imread(image_path)
            tree = ET.parse(xml_path)
            root = tree.getroot()
            # import pdb
            # pdb.set_trace()
            for obj in root.iter('object'):
                name = obj.find('name').text
                xml_box = obj.find('bndbox')
                x1 = int(xml_box.find('xmin').text)
                x2 = int(xml_box.find('xmax').text)
                y1 = int(xml_box.find('ymin').text)
                y2 = int(xml_box.find('ymax').text)
                cv2.rectangle(img, (x1, y1), (x2, y2), (255, 0, 0), thickness=2)
                # 字为绿色
                # cv2.putText(img, name, (x1, y1), cv2.FONT_HERSHEY_COMPLEX, 0.7, (0, 255, 0), thickness=2)
            cv2.imwrite(os.path.join(root_saved_path, file_name+'.jpg'), img)


if __name__ == '__main__':
    image_path = "D:/datasets/VisDrone/VisDrone2019-DET-train/images_600"
    xml_path = "D:/datasets/VisDrone/VisDrone2019-DET-train/annotations_600"
    root_saved_path = "D:/datasets/VisDrone/VisDrone2019-DET-train/result"
    draw(image_path, xml_path, root_saved_path)

3. json–>>画框

visualization_results.py

import json
import shutil
import cv2
# ---------------------------json画框
def select(json_path, outpath, image_path):
    json_file = open(json_path, 'r')
    infos = json.load(json_file)
    for i in infos:
        images = i["image_id"]
        if i['score'] >= 0.5:
            if i['image_id']!= images:
                img = cv2.imread(image_path + images + '.jpg')
            else:
                # 换成你自己的类别
                img = cv2.imread(outpath + images + '.jpg')
            x1, y1 = int(i['bbox'][0]), int(i['bbox'][1])
            w, h = int(i['bbox'][2]), int(i['bbox'][3])
            x2, y2 = x1 + w, y1 + h
            img = cv2.rectangle(img, (x1, y1), (x2, y2), (255, 255, 0), thickness=1)
            
            img_name = outpath + images + '.jpg'
            # import pdb
            # pdb.set_trace()
            cv2.imwrite(img_name, img)

if __name__ == "__main__":
    json_path = "xxx/results_cluster.json"
    out_path = "xxx/visualization_output/"
    image_path = "xxx/images_cluster/"
    select(json_path, out_path, image_path)

更新于2021.5.10

import cv2
# import pandas as pd
import json
import os
 
# ground-truth
# def select(json_path, outpath, image_path):
#     json_file = open(json_path)
#     infos = json.load(json_file)
#     images = infos["images"]
#     annos = infos["annotations"]
#     assert len(images) == len(images)
#     # import pdb;pdb.set_trace()
#     for i in range(len(images)):
#         im_id = images[i]["id"]
#         im_path = image_path + images[i]["file_name"]
#         img = cv2.imread(im_path)
#         for j in range(len(annos)):
#             if annos[j]["image_id"] == im_id:
#                 x, y, w, h = annos[j]["bbox"]
#                 x, y, w, h = int(x), int(y), int(w), int(h)
#                 x2, y2 = x + w, y + h
#                 # object_name = annos[j][""]
#                 img = cv2.rectangle(img, (x, y), (x2, y2), (0, 255, 0), thickness=1)
#                 img_name = outpath + images[i]["file_name"]
#                 # import pdb;pdb.set_trace()
#                 cv2.imwrite(img_name, img)
#                 # continue
#         # print(i)

# predict
def select(json_path, outpath, image_path):
    json_file = open(json_path)
    infos = json.load(json_file)
    for i in range(len(infos)):
        im_id = infos[i]["image_id"]
        im_path = image_path + str(infos[i]["image_id"]) + '.jpg' 
        # import pdb;pdb.set_trace()
        img_name = outpath + str(infos[i]["image_id"]) + '.jpg'
        score = str(infos[i]["score"])
        if not os.path.exists(img_name):
            img = cv2.imread(im_path)
        else: 
            img = cv2.imread(img_name)
        # if float(score) < 0.5:
        #     continue
        # else:
        x, y, w, h = infos[i]["bbox"]
        x, y, w, h = int(x), int(y), int(w), int(h)
        x2, y2 = x + w, y + h
        c_x, c_y = int((x + x2) / 2), int((y + y2) / 2)
        cla = str(infos[i]["category_id"])
        # import pdb;pdb.set_trace()
        # img = cv2.rectangle(img, (x, y), (x2, y2), (0, 255, 255), thickness=2)
        if float(score) <= 0.3:
            cv2.circle(img, (c_x, c_y), 5, (0,0,int(255*float(score))), -1) # red
            continue
        elif float(score) > 0.3 and float(score) <= 0.6:
            cv2.circle(img, (c_x, c_y), 5, (int(255*float(score)),255,0), -1)  # green
        elif float(score) > 0.6:
            cv2.circle(img, (c_x, c_y), 5, (0,int(255*float(score)),255), -1)   # yellow
            # cv2.rectangle(img, (x, y), (x2, y2), (0, 0, 255), thickness=2)
            # cv2.putText(img, score, (x, y + 5), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 2)
            # cv2.putText(img, cla,(c_x, c_y), cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 0, 0), 2)
        img_name = outpath + str(infos[i]["image_id"]) + '.jpg'
        # import pdb;pdb.set_trace()
        cv2.imwrite(img_name, img)
    print("Done!")


if __name__ == "__main__":
    json_path = 'results.json'
    image_path = '/images/'
    outpath = '/output/'
    select(json_path, outpath, image_path)
Liaojiajia-2020
关注
  • 4
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
GRCNN抓取网络学习1【Jacquard数据集等效制作】
vor234的博客
08-26 3053
首先了解Jacquard数据集的参数组成通过上面的步骤可以获取自己抓取数据集，输入到GRCNN中是三种文件grasps.txtRGB.png接下来会教大家如何训练自己的GRCNN网络啦！参考文献：pybullet GGCNN数据集制作。
python 去除 txt 文件中，周围检测框的重复框
tutu96177的博客
11-11 474
去重 CV 检测框的 50 pix 像素值内的重复框： 如果缺陷类型一样，有重复框则取检测分数最大的框； 如果缺陷类型不一致，则保留两个框； 思想： 先找到每一个缺陷的几何中心 50 pix 内的所有框； 按照框进行缺陷类型分组：做去重处理； 删除位于同一范围内的缺陷； 合并小于 50 像素值和大于 50 pix 的框； 用法：依赖以下 3 个方法，直接调用第 3 个方法 remove_d...
读取一般json文件，并在图上画出框
AWhiteDongDong的博客
09-08 2050
首先看下，我的json文件格式，我的json文件格式和coco的格式不同，我的是一张图片对应一个json文件，像下面这样 代码如下： import json import os import numpy as np import cv2 json_path = '/home/zhaotongdong/goole_download/mmdetection/normal_predic_false/' json_path_list = os.listdir(json_path) img_path = '/ho
根据位置(从json)绘制人脸框图
姬小野的博客
05-03 1693
今天做了一个人脸检测的网站，调用了face++的API。效果还不错。 github地址：https://github.com/JameyWoo/face_detect 网站地址：face.fiveplus.top (网址可能会变更，今天是2019/5/3) 网站界面 API返回的是一个json字符串，其中有一项属性是人脸的位置 解析json文件的时候会出现一个问题是：它返回的引号是单引号...
json多边形标签转yolo标签，yolo标签可视化并批量保存
balabala_333的博客
09-21 1465
多边形json标签转矩形yolo标签，矩形yolo标签可视化图片上并保存
自用-nsvf格式数据集制作流程
12-18
自用-nsvf格式数据集制作流程
花卉数据集4种1000张自用毕业论文
最新发布
04-28
这个名为“花卉数据集4种1000张自用毕业论文”的资源正是一种这样的数据集，专为毕业设计或论文研究而准备。这个数据集包含了1000张花卉图片，共分为四种不同的花卉类别，这为开发图像识别或分类模型提供了基础素材...
合工大数据结构 高分自用 全部实验代码合集
10-10
本合集“合工大数据结构 高分自用 全部实验代码合集”聚焦于C/C++语言实现的数据结构实验，由教师张先宜指导，适用于2021年的教学大纲。这个压缩包包含了所有的实验代码，为学习者提供了一个宝贵的实践平台。 首先...
自用-nerf合成数据集的制作流程
12-18
自用-nerf合成数据集的制作流程
各种光谱数据预处理代码matlab_光谱数据MATLAB_光谱_光谱预处理_拉曼光谱预处理代码自用_光谱数据
09-10
本资源集包含了多种光谱数据的预处理代码，使用MATLAB编程语言实现，旨在帮助研究人员对光谱数据进行有效的处理和分析。MATLAB作为一种强大的数值计算和可视化工具，是进行此类工作理想的平台。 光谱数据预处理是...
通过label文件夹的txt文件展示数据集GT
10-08
通过数据集label文件夹的txt文件一次性或者依次展示数据集标注的GT
数据可视化大屏的css背景+边框+demo.rar
04-01
7套数据可视化源码和8套数据可视化大屏图片+自定义的部分border+css，非常酷炫，开箱即用，做大数据的可以使用哦
根据图片和xml文件进行画框
11-13
通过使用数据文件夹和标注文件夹（格式如voc一样）进行整合，对原始图片进行画框操作，并保存画框后的图片
用plt.gca()画框及打标签
热门推荐
weixin_43338538的博客
04-03 1万+
import os import cv2 import json from matplotlib import pyplot as plt #%matplotlib inline 代码： jsonPath = 'E:/bdd/bdd/100k/train/0000f77c-6257be58.json' with open(jsonPath,'r') as f: data=json.loa...
统计数据集中真实标记框的分布情况
m0_37857151的博客
04-16 2930
目标检测的数据集中的ground truth box的分布情况很重要。 一般原始图片在送入网络前会进行缩放（等比例缩放，固定尺寸缩放等），则我们使用lableImg等标记工具打的标签框对应的区域的大小也会缩放。统计其数据分布情况，可以为网络优化提供参考（比如说，如果缩放后，都分布于特别大的范围或者特别小的范围，那么就将网络中检测其他范围大小的层数删除，进行模型的裁剪） 下面的实例代码，是将图片...
把txt文本框的坐标信息合到一个文本里面
zxw的博客
02-22 387
f1=open('list.txt','r') #每个坐标位置信息txt路径 f2=open('temp.txt','w') #把所有的坐标信息合到一起 for line in f1: name=line.split('\n') f=open(name[0],'r') a=f.read() f2.write(a+'\n') f.close() f1.close() f2.clo...
如何将文本框里面的内容保存到txt文件中
xiaoxiao的博客
11-28 7142
如何将文本框里面的内容保存到txt文件中   //保存到所选文件中 var save = new SaveFileDialog(); save.Filter = "日志文件 (*.txt)|*.txt"; save.FileName = "日志_" + DateTime.Now.ToString("yyyyMMddHHmmss");//年月日时分秒 if (sav
python图像文件处理——图像画框、剪切图像、json文件转txt
weixin_45633243的博客
11-05 1901
目录导航给图像画框labels文件【可以不看接口介绍简单程序剪切图像接口介绍简单程序处理文件json文件转txt生成list文件 之前做一个AI项目，处理训练集时写了一些python处理图像的脚本。项目告一段落，整理一下。 使用到的数据集是Kaggle官方猫狗分类数据集，这里不联系模型训练，所以只是介绍一下文件的树形结构。 (也有自己标注的文件，另外不要问我这样处理有什么意义，没有意义) +dataset -images -labels 给图像画框 labels文件【可以不看 使用到的数据集已经给出了
Python 根据生成的txt对多目标跟踪结果画框可视化显示
qq_51682716的博客
10-20 2308
draw_mot.py import os.path import numpy as np from sort_gt import sort_output import cv2 def draw_mot(video_id): txt_name = 'D:/project/code/result/' + video_id + '.txt' # txt文本内容 file_path_img = 'D:/project/datasets/trainData/Multi-object-track
golang 数据集管理框架
05-30
Golang 的数据集管理框架有很多，以下是其中一些比较受欢迎的： 1. Gota：Gota 是一个 Golang 的数据集管理框架，它提供了类似于 Pandas 的数据帧和序列的数据结构，可以帮助你轻松地进行数据分析和数据处理。 2. Golum：Golum 是一个 Golang 的数据管理框架，它提供了许多数据结构和算法，例如平衡树、哈希表、排序等，可以帮助你轻松地管理和处理数据集。 3. GoNum：GoNum 是一个 Golang 的数值计算框架，它提供了许多数值计算的库和算法，例如线性代数、统计分析、傅里叶变换等，可以帮助你进行高效的数值计算和数据分析。 4. Datablocks：Datablocks 是一个 Golang 的数据集管理框架，它提供了高效的数据集加载和处理功能，可以帮助你轻松地进行数据分析和数据处理。 以上是一些比较受欢迎的 Golang 的数据集管理框架，你可以根据自己的需求和项目特点来选择适合自己的框架。
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