labelme json转换为coco json 格式 包含area面积

最新推荐文章于 2023-10-23 15:08:19 发布
最新推荐文章于 2023-10-23 15:08:19 发布
阅读量9.7k 收藏 21
点赞数 4
分类专栏： 深度学习 文章标签： labelme json 转换 coco
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/qq_35608277/article/details/79873456
版权

reference
提供了转换代码，需要改写部分
https://github.com/fengzhongyouxia/TensorExpand/tree/master/TensorExpand/Object detection/Data_interface/MSCOCO/labelme data

注：命名时候尽量按照要求，按照"父_子类_num"样式去命名，否则会报错list 越界（吃了大亏，改程序手改标定。。。）
同时发现，似乎不加area 参数，只用image\annotation\category就能进行训练（所以在labelme2coco.py中，就是只转换了这三个）
coco.json说明
https://blog.csdn.net/yeyang911/article/details/78675942
https://blog.csdn.net/wc781708249/article/details/79603522#可视化
这里写一个class实现以下功能，labelme2COCO.py中 的部分代码如下：

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

import argparse
import json
import matplotlib.pyplot as plt
import skimage.io as io
import cv2
from labelme import utils
import numpy as np
import glob
import PIL.Image

class labelme2coco(object):
    def __init__(self,labelme_json=[],save_json_path='./new.json'):
        '''
        :param labelme_json: 所有labelme的json文件路径组成的列表
        :param save_json_path: json保存位置
        '''
        self.labelme_json=labelme_json
        self.save_json_path=save_json_path
        self.images=[]
        self.categories=[]
        self.annotations=[]
        # self.data_coco = {}
        self.label=[]
        self.annID=1
        self.height=0
        self.width=0

        self.save_json()

    def data_transfer(self):
        for num,json_file in enumerate(self.labelme_json):
            with open(json_file,'r') as fp:
                data = json.load(fp)  # 加载json文件
                self.images.append(self.image(data,num))
                for shapes in data['shapes']:
                    label=shapes['label'].split('_')
                    if label[1] not in self.label:
                        self.categories.append(self.categorie(label))
                        self.label.append(label[1])
                    points=shapes['points']
                    self.annotations.append(self.annotation(points,label,num))
                    self.annID+=1

    def image(self,data,num):
        image={}
        img = utils.img_b64_to_array(data['imageData'])  # 解析原图片数据
        # img=io.imread(data['imagePath']) # 通过图片路径打开图片
        # img = cv2.imread(data['imagePath'], 0)
        height, width = img.shape[:2]
        img = None
        image['height']=height
        image['width'] = width
        image['id']=num+1
        image['file_name'] = data['imagePath'].split('/')[-1]

        self.height=height
        self.width=width

        return image

    def categorie(self,label):
        categorie={}
        categorie['supercategory'] = label[1]
        categorie['id']=len(self.label)+1 # 0 默认为背景
        categorie['name'] = label[1]
        return categorie

    def annotation(self,points,label,num):
        annotation={}
        annotation['segmentation']=[list(np.asarray(points).flatten())]
        annotation['iscrowd'] = 0
        annotation['image_id'] = num+1
        # annotation['bbox'] = str(self.getbbox(points)) # 使用list保存json文件时报错（不知道为什么）
        # list(map(int,a[1:-1].split(','))) a=annotation['bbox'] 使用该方式转成list
        annotation['bbox'] = list(map(float,self.getbbox(points)))

        annotation['category_id'] = self.getcatid(label)
        annotation['id'] = self.annID
        return annotation

    def getcatid(self,label):
        for categorie in self.categories:
            if label[0]==categorie['name']:
                return categorie['id']
        return -1

    def getbbox(self,points):
        # img = np.zeros([self.height,self.width],np.uint8)
        # cv2.polylines(img, [np.asarray(points)], True, 1, lineType=cv2.LINE_AA)  # 画边界线
        # cv2.fillPoly(img, [np.asarray(points)], 1)  # 画多边形 内部像素值为1
        polygons = points
        mask = self.polygons_to_mask([self.height,self.width], polygons)
        return self.mask2box(mask)

    def mask2box(self, mask):
        '''从mask反算出其边框
        mask：[h,w]  0、1组成的图片
        1对应对象，只需计算1对应的行列号（左上角行列号，右下角行列号，就可以算出其边框）
        '''
        # np.where(mask==1)
        index = np.argwhere(mask == 1)
        rows = index[:, 0]
        clos = index[:, 1]
        # 解析左上角行列号
        left_top_r = np.min(rows)  # y
        left_top_c = np.min(clos)  # x

        # 解析右下角行列号
        right_bottom_r = np.max(rows)
        right_bottom_c = np.max(clos)

        # return [(left_top_r,left_top_c),(right_bottom_r,right_bottom_c)]
        # return [(left_top_c, left_top_r), (right_bottom_c, right_bottom_r)]
        # return [left_top_c, left_top_r, right_bottom_c, right_bottom_r]  # [x1,y1,x2,y2]
        return [left_top_c, left_top_r, right_bottom_c-left_top_c, right_bottom_r-left_top_r]  # [x1,y1,w,h] 对应COCO的bbox格式

    def polygons_to_mask(self,img_shape, polygons):
        mask = np.zeros(img_shape, dtype=np.uint8)
        mask = PIL.Image.fromarray(mask)
        xy = list(map(tuple, polygons))
        PIL.ImageDraw.Draw(mask).polygon(xy=xy, outline=1, fill=1)
        mask = np.array(mask, dtype=bool)
        return mask

    def data2coco(self):
        data_coco={}
        data_coco['images']=self.images
        data_coco['categories']=self.categories
        data_coco['annotations']=self.annotations
        return data_coco

    def save_json(self):
        self.data_transfer()
        self.data_coco = self.data2coco()
        # 保存json文件
        json.dump(self.data_coco, open(self.save_json_path, 'w'), indent=4)  # indent=4 更加美观显示

#labelme_json=glob.glob('./test_img/*.json')
labelme_json=glob.glob('./bird.json')
# labelme_json=['./1.json']

labelme2coco(labelme_json,'./new.json')

一个更改生成：

# -*- coding:utf-8 -*-

import json
import cv2
import numpy as np

labelme_json='./bird.json'
data=json.load(open(labelme_json))

data_coco={}

# images
images=[]
image={}
file_name=data['imagePath'].split('\\')[-1] # windows \\ ;linux /
image['file_name']=file_name
image['id']=0 # 每张图片对应的id都是唯一的

# img=cv2.imread(data['imagePath'])
img=cv2.imread('./eagle.jpg')
image['height']=img.shape[0]
image['width']=img.shape[1]
img=None

images.append(image)

data_coco['images']=images

# categories
categories=[]

categorie={}
categorie['supercategory']='bird'
categorie['id']=1 # id 唯一 0 默认为背景
categorie['name']='eagle' # 波斯猫
categories.append(categorie)
'''
categorie={}
categorie['supercategory']='cat'
categorie['id']=2
categorie['name']='garden Cat' # 田园猫
categories.append(categorie)
'''
data_coco['categories']=categories

# annotations
annotations=[]
annotation={}

annotation['segmentation']=[list(np.asarray(data['shapes'][0]['points']).flatten())]   # data['shapes'][0]['points']
annotation['iscrowd']=0
annotation['image_id']=image['id']
annotation['bbox']=[] # 先空着，需要反算出定位框
annotation['category_id']=1
annotation['id']=1 # 第一个对象 这个ID也不能重复，如果下一张图，id不能取1，需从1 开始往下取
annotations.append(annotation)
'''
annotation={}
annotation['segmentation']=[list(np.asarray(data['shapes'][1]['points']).flatten())]
annotation['iscrowd']=0
annotation['image_id']=image['id']
annotation['bbox']=[] # 先空着，需要反算出定位框
annotation['category_id']=2
annotation['id']=2 # 第一个对象 这个ID也不能重复，如果下一张图，id不能取1，需从1 开始往下取
annotations.append(annotation)
'''
data_coco['annotations']=annotations

# 保存json文件
json.dump(data_coco,open('./new_instances_bird.json','w'),indent=4) # indent=4 更加美观显示

这里写图片描述

增加area
from shapely.geometry import Polygon
area_ = round(poly.area,6)
annotation[‘area’] = area_

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

import argparse
import json
import matplotlib.pyplot as plt
import skimage.io as io
import cv2
from labelme import utils
import numpy as np
import glob
import PIL.Image
from shapely.geometry import Polygon#https://shapely.readthedocs.io/en/latest/manual.html#geometric-objects

class labelme2coco(object):
    def __init__(self,labelme_json=[],save_json_path='D:/haidee/new/'):
        '''
        :param labelme_json: 所有labelme的json文件路径组成的列表
        :param save_json_path: json保存位置
        '''
        self.labelme_json=labelme_json#所有的json文件
        self.save_json_path=save_json_path#输出文件new.json的路径
        self.images=[]
        self.categories=[]
        self.annotations=[]
        # self.data_coco = {}
        self.label=[]
        self.annID=1
        self.height=0
        self.width=0

        self.save_json()

#我的数据用label标注的名称格式是：car_car_1,car_car_2,...修改label的截断以符合自己的数据,或者按照我的命名
    def data_transfer(self):
        for num,json_file in enumerate(self.labelme_json):
            with open(json_file,'r') as fp:
                data = json.load(fp)  # 加载json文件
                self.images.append(self.image(data,num))
                for shapes in data['shapes']:
                    label=shapes['label'].split('_')
                    if label[1] not in self.label:
                        self.categories.append(self.categorie(label))
                        self.label.append(label[1])
                    points=shapes['points']
                    self.annotations.append(self.annotation(points,label,num))
                    self.annID+=1
    
    def image(self,data,num):
        image={}
        img = utils.img_b64_to_arr(data['imageData'])  # 解析原图片数据
        # img=io.imread(data['imagePath']) # 通过图片路径打开图片
        # img = cv2.imread(data['imagePath'], 0)
        height, width = img.shape[:2]
        img = None
        image['height']=height
        image['width'] = width
        image['id']=num+1
        image['file_name'] = data['imagePath'].split('/')[-1]

        self.height=height
        self.width=width

        return image

    def categorie(self,label):
        categorie={}
        categorie['supercategory'] = label[1]
        categorie['id']=len(self.label)+1 # 0 默认为背景
        categorie['name'] = label[1]
        return categorie

    def annotation(self,points,label,num):
        annotation={}
        annotation['segmentation']=[list(np.asarray(points).flatten())]
        poly = Polygon(points)
        annotation['iscrowd'] = 0
        annotation['image_id'] = num+1
        area_ = round(poly.area,6)
        annotation['area'] = area_

        # annotation['bbox'] = str(self.getbbox(points)) # 使用list保存json文件时报错（不知道为什么）
        # list(map(int,a[1:-1].split(','))) a=annotation['bbox'] 使用该方式转成list
        annotation['bbox'] = list(map(float,self.getbbox(points)))

        annotation['category_id'] = self.getcatid(label)
        annotation['id'] = self.annID
        return annotation

    def getcatid(self,label):
        for categorie in self.categories:
            if label==categorie['name']:
                return categorie['id']
        return -1

    def getbbox(self,points):
        # img = np.zeros([self.height,self.width],np.uint8)
        # cv2.polylines(img, [np.asarray(points)], True, 1, lineType=cv2.LINE_AA)  # 画边界线
        # cv2.fillPoly(img, [np.asarray(points)], 1)  # 画多边形 内部像素值为1
        polygons = points
        mask = self.polygons_to_mask([self.height,self.width], polygons)
        return self.mask2box(mask)

    def mask2box(self, mask):
        '''从mask反算出其边框
        mask：[h,w]  0、1组成的图片
        1对应对象，只需计算1对应的行列号（左上角行列号，右下角行列号，就可以算出其边框）
        '''
        # np.where(mask==1)
        index = np.argwhere(mask == 1)
        rows = index[:, 0]
        clos = index[:, 1]
        # 解析左上角行列号
        left_top_r = np.min(rows)  # y
        left_top_c = np.min(clos)  # x

        # 解析右下角行列号
        right_bottom_r = np.max(rows)
        right_bottom_c = np.max(clos)
        return [left_top_c, left_top_r, right_bottom_c-left_top_c, right_bottom_r-left_top_r]  # [x1,y1,w,h] 对应COCO的bbox格式

    def polygons_to_mask(self,img_shape, polygons):
        mask = np.zeros(img_shape, dtype=np.uint8)
        mask = PIL.Image.fromarray(mask)
        xy = list(map(tuple, polygons))
        PIL.ImageDraw.Draw(mask).polygon(xy=xy, outline=1, fill=1)
        mask = np.array(mask, dtype=bool)
        return mask

    def data2coco(self):
        data_coco={}
        data_coco['images']=self.images
        data_coco['categories']=self.categories
        data_coco['annotations']=self.annotations
        return data_coco

    def save_json(self):
        self.data_transfer()
        self.data_coco = self.data2coco()
        # 保存json文件
        json.dump(self.data_coco, open(self.save_json_path, 'w'), indent=4)  # indent=4 更加美观显示

labelme_json=[]
for i in range(0,92):#遍历所有的labelme 标准的json，载入并转换

    #ind='./test_img/val_img/s{index}.json'.format(index=i)
    ind='E:/Data_Set/mask-cai/four_cls/s{index}.json'.format(index=i)

    labelme_json.append(ind)

lab = labelme2coco(labelme_json,'./sileiv2_with_area.json')#调用labelme2coco类
print('Saved to :',lab.save_json_path)#保存
rrr2
关注
  • 4
    点赞
  • 踩
  • 21
    收藏
    觉得还不错? 一键收藏
  • 27
    评论
专栏目录
Python实战：解析labelme标注数据——如何将数据转换为COCO格式
weixin_50547796的博客
06-12 59
是一个简单易用的自由标注工具，被广泛应用于图像语义分割、目标检测、实例分割等领域。然而，标注数据并不总是以我们需要的格式存在，因此需要进行适当的转换，本文将详细介绍如何将Labelme标注数据转换为COCO格式。首先，我们需要安装相关的Python库，包括labelme、numpy、matplotlib、pillow等。在安装完成后，我们需要设置数据路径，并读取Labelme标注数据。为COCO格式，方便后续的模型训练和评估。在计算机视觉中，标注数据是非常重要的，而。
将labelme格式数据转化为标准的coco数据集格式方式
12-20
**将LabelMe格式数据转换为COCO数据集格式** LabelMe是一款强大的图像标注工具，它生成的标注数据保存在JSON文件中。然而，许多深度学习模型和算法使用的是COCO（Common Objects in Context）数据集格式。COCO格式...
【COCO数据集】Annotations标注解析
qq_35831906的博客
04-12 1万+
COCO dataset是计算机视觉领域中最流行的数据集之一，用于对各种视觉任务进行基准测试，例如目标检测、分割、关键点检测等。 在数据集中，有118K张图像用于训练，5K张图像用于验证。下载数据集后，目录中内容如下： COCO Annotations，COCO标注的基础信息，在大多数情况下, COCO API 可以用于帮助我们从复杂的json注释文件中轻松访问数据和标签。 instances_train2017.json的数据结构如下： { "info": { "d.
coco格式数据集中area的计算
weixin_42445581的博客
04-06 3837
假如你有RLE的分割标注，如下图 要计算annotation中的area coco的api可以计算，但官方给出的例程，完全是坑，会让你怀疑人生。 把segmentation放进pycocotools.mask.area，会出各种各样的错误。后来才在其他工具包里看到，要先将上面的segmentation编码，在放进area函数里面计算。代码如下 def annToRLE(ann...
labelme标注的数据分析
热门推荐
风吴痕的博客
03-17 4万+
参考： github地址：https://github.com/wkentaro/labelme 安装安装方式：详情参考官网安装# Ubuntu 14.04 sudo apt-get install python-qt4 pyqt4-dev-tools sudo pip install labelme # python2 works# Ubuntu 16.04 sudo apt-get insta
Labelme做数据标签、批量处理json文件转换为png方法
qq_47191797的博客
10-16 4089
分别为：原始数据图、label（一般数据标签只需要这个，可单独存放一个文件夹），label的txt文本格式信息、label与原始图覆盖重叠。打开数据图像后，点击鼠标右键选择所需的标签方式进行打标签，若采用第一个，请记得第一个点与最后一个点重合！具体标注方式可百度~~~只需在labeme环境下，输入命令(路径切换为自己的安装路径)进入json_to_dataset.py所在位置。标注制作完毕，既可以点击左上角“file”-“save”或者“save as” 将标注好的图像进行保存。批量处理json文件。
labelme的json文件转换为VOC数据集的png
qq_43718758的博客
11-28 6273
labelme的json数据转换为voc格式的数据集
Win10系统下安装labelme及json文件批量转化方法
09-18
主要介绍了Win10系统下安装labelme及json文件批量转化的方法，文中较详细的给大家介绍了安装过程 ,需要的朋友可以参考下
labelme(.json)2coco和coco(.json)2xml.zip
05-17
本文将详细讲解如何将`LabelMe`的`.json`文件转换为`COCO`的`.json`格式，以及反过来将`COCO`的`.json`转换为`.xml`格式，这对于在不同平台或模型间共享数据非常有用。 1. `LabelMe(.json)2COCO(.json)` `LabelMe`...
将labelme转换成 coco
11-03
coco数据集主要是images,categories,annotations,把所有图片的信息都整合在一起了，形成dictionary.
labelme标注数据集转化为coco格式
03-07
在`labelme2coco.py`这个脚本中，我们将看到如何利用`labelme`库将`Labelme`的JSON标注文件转换为`COCO`格式的JSON文件。 首先，我们需要安装`labelme`库，通常可以通过运行`pip install labelme`来完成。`labelme`...
把labelme得到的json文件转换成yolov8需要的格式，划分数据集
weixin_42367693的博客
07-06 3257
【代码】把labelme得到的json文件转换成yolov8需要的格式。
Labelme——的安装，使用及json文件转换成数据文件
杨老师的小跟班(*∩_∩*)
06-02 948
Labelme——的安装，使用及json文件转换成数据文件
COCO数据集格式总结（COCO提供与模型输出需提供的JSON格式）
小鹏AI
07-03 3589
标注信息是使用 JSON 存储的，为此，在使用COCO数据集前，需要了解原始数据集的JSON格式。COCO提供的JSON格式（包含检测和分割）结果文件需提供的JSON格式（目标检测任务）结果文件需提供的JSON格式（目标分割任务）结果文件需提供的JSON格式。结果文件需提供的JSON格式。结果文件需提供的JSON格式。结果文件需提供的JSON格式。COCO提供的JSON格式。COCO提供的JSON格式。COCO提供的JSON格式。COCO提供的JSON格式。
labelme：将json格式的标注文件转为png格式
最新发布
qq_52756320的博客
10-23 2324
单个转 使用labelme中的labelme_json_to_dataset命令。 1、首先创建labelme虚拟环境。 conda create --name=labelme python=3.6 2、如果你创建了labelme虚拟环境，先激活此环境再安装。 conda activate labelme pip install labelme conda activate + 虚拟环境名称 我的叫labelme，当然你如果在base环境下安装的labelme就不用此步骤了。红色区域
制作道路提取标签 | labelme批量处理json文件为png格式 （语义分割 | 二值分割 | 地表覆盖 | 土地利用 | 水体提取 ）
qq_42102191的博客
11-23 5143
使用labelme自制道路提取数据集，批量将标注得到的json文件转换为png格式标记图。
labelme数据集，json转png格式
weixin_52127098的博客
05-20 1707
利用lableme制作的数据集为json文件格式，利用python进行批量转成png格式。
标准COCO格式json文件内容
HIT_Vanni的博客
05-11 1031
coco标注文件的格式为.json文件，且所有图片的标注信息在一个.json文件里，该json文件由字典组成，该字典有五个key，其中coco的坐标信息为(xmin,ymin,w,h)，(xmin,ymin)表示标注框的左上角坐标，这四个值都是绝对值，下面将描述每个key对应value
labelme-json文件转化为dataset的方法
YeZi_9868的博客
11-17 2028
将labelme标注后生成的json文件转换为图片格式方便数据集制作
怎么将labelme格式json文件转换为coco格式数据集
05-24
将labelme格式json文件转换为coco格式数据集，需要经过以下几个步骤： 1. 安装labelme和cocoapi库 ``` pip install labelme pip install pycocotools ``` 2. 使用labelme工具制作标注数据，并将标注数据保存为json格式文件 3. 将json格式文件转换为coco格式数据集 ``` labelme2coco.py /path/to/labelme/json/files /path/to/save/coco/dataset ``` 其中，`/path/to/labelme/json/files` 是标注数据的json文件夹路径，`/path/to/save/coco/dataset` 是转换后的COCO数据集路径。 4. 可以使用COCO API中的`pycocotools.coco.COCO`类来读取和处理coco格式数据集。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 27
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