Detectron：训练自己的数据集——将自己的数据格式转换成COCO格式

2021/7/6更新：Detectron已经升级为Detectron2，还是windows上面用起来比较舒服！如果不习惯linux的话，可以在Windows上面安装Detectron2：

WIN10安装基于Pytorch1.8.1、Cuda11.1.1的Detectron2（0.1或0.4.1）

以下为原文：

---

Detectron系列：

1. Detectron:assert len(cfg_list) % 2 == 0 AssertionError

2. Detectron：用自己训练好的模型进行测试

目录

1.前情提要   

2.COCO数据集格式 

3.转化自己的数据集

  3.1数据放置方式

  3.2转换自己的数据

附：完整程序获取

---

1.前情提要   

    Fackbook的开源检测框架Detectron已开源了一段时间：

    https://github.com/facebookresearch/Detectron

    但苦于之前都是用Keras和Tensorflow，没接触过caffe2，所以一直没有尝试，~~~并且之前没用过linux系统，对于命令基本不懂~~，好在会用浏览器，遇到问题就查查，也算是把坑都给踩遍了，最后总算有惊无险，用上了强大的Detectron啦。

    关于安装caffe2和Detectron等有空了在写~！   这篇文章主要说一下如何制作该框架所需的标注格式！但是呢~~~由于自定义自己的数据集比较繁琐，推荐使用Detectron自带的COCO数据集名称，并将自己的数据集转化为COCO数据集的格式，当然如果你是大佬，忽略这个~~现在，没错，就是现在~~~来分享一下如何生成这种COCO格式~~~

2.COCO数据集格式 

    首先，通过COCO - Common Objects in Context（COCO官网）了解了coco数据集的格式如下：

​

    对于目标检测的话，还需要关注BBOX格式如下：

​

    那么，我们只要将我们的数据格式转换为以上即可~

3.转化自己的数据集

  3.1数据放置方式

    我们需要创建一个文件夹，用于存放图片以及标注数据，具体的放置方式如下：

    ├── annos.txt
    ├── annotations
    ├── classes.txt
    └── images

    其中，annos放置数据集的原始标注文件，可能是txt，或者csv格式；classes.txt放置你标注的类别名称，每行一个类别，不含背景；images放置数据集的原始图像文件。annotations预备放置与COCO数据集格式的标注文件。下面需要将我们自己的标注文件生成COCO格式的标注文件。

  3.2转换自己的数据

    我自己的数据如下所示：

​

    每行对应一条BBOX标记：filename，label， x_min， y_min， x_max， y_max ，下面开始转换:

    我们使用os提取images文件夹中的图片名称，并且将BBox都读进去：

import json
import os
import cv2

# 根路径，里面包含images(图片文件夹)，annos.txt(bbox标注)，classes.txt(类别标签),以及annotations文件夹(如果没有则会自动创建，用于保存最后的json)
root_path = 'E:\dogcat\\f_train\data\\get_json\\'
# 用于创建训练集或验证集
phase = 'val'
# 训练集和验证集划分的界线
split = 8000

# 打开类别标签
with open(os.path.join(root_path, 'classes.txt')) as f:
  classes = f.read().strip().split()

# 建立类别标签和数字id的对应关系
for i, cls in enumerate(classes, 1):
  dataset['categories'].append({'id': i, 'name': cls, 'supercategory': 'mark'})

# 读取images文件夹的图片名称
indexes = [f for f in os.listdir(os.path.join(root_path, 'images'))]

# 判断是建立训练集还是验证集
if phase == 'train':
  indexes = [line for i, line in enumerate(_indexes) if i <= split]
elif phase == 'val':
  indexes = [line for i, line in enumerate(_indexes) if i > split]

# 读取Bbox信息
with open(os.path.join(root_path, 'annos.txt')) as tr:
    annos = tr.readlines()

接着将，按照COCO格式将以上数据转换为COCO所需要的，并对一个图有着多个框的情况判断一下，接着将结果保存：

# 保存结果的文件夹
folder = os.path.join(root_path, 'annotations')
if not os.path.exists(folder):
  os.makedirs(folder)
json_name = os.path.join(root_path, 'annotations/{}.json'.format(phase))
with open(json_name, 'w') as f:
  json.dump(dataset, f)

查看结果：

​

附：完整程序获取

        1.百度网盘下载我提供的工具：Detectron转COCO数据格式：

        链接：https://pan.baidu.com/s/1P1OmBTmdm6m_UNjX7kz9qQ?pwd=afz6 提取码：afz6

注意：不要直接点击，右键复制后打开！！！

下载后打开“微信支付.png”使用微信扫码支付：

       获取压缩包密码：

               付款后微信留言购买的资源名称（上方橙色文字），博主会微信回复你解压密码（推荐，不需要加好友）：

                         →  → 

               

都看到这里了，还不赶紧点赞，评论，收藏走一波？