json转xml转txt，coco转yolo转voc

已于 2023-07-27 15:26:11 修改
阅读量118 收藏 2
点赞数 1
文章标签： json xml YOLO 计算机视觉 目标检测
于 2023-07-26 14:46:52 首次发布
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_43248104/article/details/131938189
版权

json转xml转txt，coco转yolo转voc

介绍

json转xml格式，代码1代码2适用于两种json格式
其他转换：
自动xml转txt，最简单，不报错

txt格式转换xml格式数据集，yolo转voc

自动xml转json，voc转coco格式

json转xml转txt，coco转yolo转voc

代码

代码1

最常见的json格式，coco数据集标准格式，包含images,categories,annotations，
以下是instances_val2017.json的具体内容：

{
    "images": [
        {
            "file_name": "20230707_151435.png",
            "height": 1080,
            "width": 1920,
            "id": 1
        },
        {
            "file_name": "20230707_151559.png",
            "height": 1080,
            "width": 1920,
            "id": 2
        },
        {
            "file_name": "20230710_101945.png",
            "height": 1080,
            "width": 1920,
            "id": 3
        },
        {
            "file_name": "20230710_101949.png",
            "height": 1080,
            "width": 1920,
            "id": 4
        }
    ],
    "categories": [
        {
            "supercategory": "3_2",
            "id": 1,
            "name": "3_2"
        },
        {
            "supercategory": "9_1",
            "id": 2,
            "name": "9_1"
        },
        {
            "supercategory": "2_1",
            "id": 3,
            "name": "2_1"
        },
        {
            "supercategory": "8",
            "id": 4,
            "name": "8"
        },
        {
            "supercategory": "10_1",
            "id": 5,
            "name": "10_1"
        },
        {
            "supercategory": "10_2",
            "id": 6,
            "name": "10_2"
        },
        {
            "supercategory": "9_2",
            "id": 7,
            "name": "9_2"
        },
        {
            "supercategory": "2_2",
            "id": 8,
            "name": "2_2"
        },
        {
            "supercategory": "3_1",
            "id": 9,
            "name": "3_1"
        }
    ],
    "annotations": [
        {
            "image_id": 1,
            "bbox": [
                761,
                409,
                191,
                422
            ],
            "category_id": 7,
            "iscrowd": 0,
            "id": 1,
            "area": 80602
        },
        {
            "image_id": 1,
            "bbox": [
                924,
                395,
                177,
                427
            ],
            "category_id": 7,
            "iscrowd": 0,
            "id": 2,
            "area": 75579
        },
        {
            "image_id": 1,
            "bbox": [
                1094,
                393,
                163,
                430
            ],
            "category_id": 2,
            "iscrowd": 0,
            "id": 3,
            "area": 70090
        },
        {
            "image_id": 1,
            "bbox": [
                1262,
                399,
                154,
                431
            ],
            "category_id": 2,
            "iscrowd": 0,
            "id": 4,
            "area": 66374
        },
        {
            "image_id": 2,
            "bbox": [
                818,
                257,
                214,
                458
            ],
            "category_id": 7,
            "iscrowd": 0,
            "id": 5,
            "area": 98012
        },
        {
            "image_id": 2,
            "bbox": [
                998,
                263,
                197,
                470
            ],
            "category_id": 7,
            "iscrowd": 0,
            "id": 6,
            "area": 92590
        },
        {
            "image_id": 2,
            "bbox": [
                1188,
                261,
                173,
                475
            ],
            "category_id": 2,
            "iscrowd": 0,
            "id": 7,
            "area": 82175
        },
        {
            "image_id": 2,
            "bbox": [
                1364,
                255,
                176,
                477
            ],
            "category_id": 2,
            "iscrowd": 0,
            "id": 8,
            "area": 83952
        },
        {
            "image_id": 3,
            "bbox": [
                766,
                386,
                200,
                434
            ],
            "category_id": 2,
            "iscrowd": 0,
            "id": 9,
            "area": 86800
        },
        {
            "image_id": 3,
            "bbox": [
                932,
                390,
                198,
                445
            ],
            "category_id": 2,
            "iscrowd": 0,
            "id": 10,
            "area": 88110
        },
        {
            "image_id": 3,
            "bbox": [
                1109,
                343,
                189,
                479
            ],
            "category_id": 5,
            "iscrowd": 0,
            "id": 11,
            "area": 90531
        },
        {
            "image_id": 3,
            "bbox": [
                1306,
                347,
                192,
                495
            ],
            "category_id": 6,
            "iscrowd": 0,
            "id": 12,
            "area": 95040
        },
        {
            "image_id": 4,
            "bbox": [
                820,
                299,
                206,
                432
            ],
            "category_id": 2,
            "iscrowd": 0,
            "id": 13,
            "area": 88992
        },
        {
            "image_id": 4,
            "bbox": [
                986,
                281,
                186,
                446
            ],
            "category_id": 2,
            "iscrowd": 0,
            "id": 14,
            "area": 82956
        },
        {
            "image_id": 4,
            "bbox": [
                1164,
                293,
                189,
                485
            ],
            "category_id": 5,
            "iscrowd": 0,
            "id": 15,
            "area": 91665
        },
        {
            "image_id": 4,
            "bbox": [
                1358,
                269,
                186,
                484
            ],
            "category_id": 6,
            "iscrowd": 0,
            "id": 16,
            "area": 90024
        }
    ]
}

转换代码

import os
import json
import xml.dom.minidom as minidom

CLASSES=['9','8' ,'7']


def convert_json_to_xml(json_file, output_folder):
    with open(json_file, "r") as f:
        json_data = json.load(f)

    # Create XML document
    doc = minidom.Document()

    # Create root element
    root = doc.createElement("annotation")
    doc.appendChild(root)

    # Add object information for each detection

    bboxes = json_data["bboxes"]
    labels = json_data["labels"]
    scores = json_data["scores"]

    for bbox, label, score in zip(bboxes, labels, scores):
        object_element = doc.createElement("object")
        root.appendChild(object_element)

        name = doc.createElement("name")
        name.appendChild(doc.createTextNode(CLASSES[int(label)]))
        object_element.appendChild(name)

        score_element = doc.createElement("score")
        score_element.appendChild(doc.createTextNode(str(score)))
        object_element.appendChild(score_element)

        bndbox = doc.createElement("bndbox")
        object_element.appendChild(bndbox)

        xmin = doc.createElement("xmin")
        xmin.appendChild(doc.createTextNode(str(int(bbox[0]))))
        bndbox.appendChild(xmin)

        ymin = doc.createElement("ymin")
        ymin.appendChild(doc.createTextNode(str(int(bbox[1]))))
        bndbox.appendChild(ymin)

        xmax = doc.createElement("xmax")
        xmax.appendChild(doc.createTextNode(str(int(bbox[2]))))
        bndbox.appendChild(xmax)

        ymax = doc.createElement("ymax")
        ymax.appendChild(doc.createTextNode(str(int(bbox[3]))))
        bndbox.appendChild(ymax)

    # Save XML file with formatting
    json_filename = os.path.basename(json_file)
    xml_filename = os.path.splitext(json_filename)[0] + ".xml"
    xml_path = os.path.join(output_folder, xml_filename)

    with open(xml_path, "w", encoding="utf-8") as f:
        doc.writexml(f, addindent="\t", newl="\n")

    print(f"Converted {json_file} to {xml_path}")


def batch_convert_json_to_xml(input_folder, output_folder):
    os.makedirs(output_folder, exist_ok=True)

    for file_name in os.listdir(input_folder):
        if file_name.endswith(".json"):
            json_file = os.path.join(input_folder, file_name)
            convert_json_to_xml(json_file, output_folder)


# 批量转换JSON文件为VOC XML格式
input_folder = r"C:\Users\GW\Desktop\mmd\outputs\preds"
output_folder = r"C:\Users\GW\Desktop\mmd\outputs\xmls"

batch_convert_json_to_xml(input_folder, output_folder)

代码2

目标检测生成的json文件，格式如下：

{"labels": [
    ["9", [852, 100, 1052, 525], 0.8942],
    ["9", [1009, 74, 1195, 502], 0.932], 
    ["9", [1172, 59, 1347, 509], 0.8437],
    ["9", [1331, 50, 1497, 475], 0.9314]]}

分别对应classes，bbox，score

转换代码

import os
import json
import xml.dom.minidom as minidom


def convert_json_to_xml(json_file, output_folder):
    with open(json_file, "r") as f:
        json_data = json.load(f)

    # Create XML document
    doc = minidom.Document()

    # Create root element
    root = doc.createElement("annotation")
    doc.appendChild(root)

    # Add filename
    filename = os.path.splitext(os.path.basename(json_file))[0] + ".png"
    filename_element = doc.createElement("filename")
    filename_element.appendChild(doc.createTextNode(filename))
    root.appendChild(filename_element)

    # Add object information for each detection
    for output in json_data["labels"]:
        label, bbox, score = output

        object_element = doc.createElement("object")
        root.appendChild(object_element)

        name = doc.createElement("name")
        # label is already a correct class name, no need for int conversion
        name.appendChild(doc.createTextNode(label))
        object_element.appendChild(name)

        score_element = doc.createElement("score")
        score_element.appendChild(doc.createTextNode(str(score)))
        object_element.appendChild(score_element)

        bndbox = doc.createElement("bndbox")
        object_element.appendChild(bndbox)

        xmin = doc.createElement("xmin")
        xmin.appendChild(doc.createTextNode(str(int(bbox[0]))))
        bndbox.appendChild(xmin)

        ymin = doc.createElement("ymin")
        ymin.appendChild(doc.createTextNode(str(int(bbox[1]))))
        bndbox.appendChild(ymin)

        xmax = doc.createElement("xmax")
        xmax.appendChild(doc.createTextNode(str(int(bbox[2]))))
        bndbox.appendChild(xmax)

        ymax = doc.createElement("ymax")
        ymax.appendChild(doc.createTextNode(str(int(bbox[3]))))
        bndbox.appendChild(ymax)

    # Save XML file with formatting
    json_filename = os.path.basename(json_file)
    xml_filename = os.path.splitext(json_filename)[0] + ".xml"
    xml_path = os.path.join(output_folder, xml_filename)

    with open(xml_path, "w", encoding="utf-8") as f:
        doc.writexml(f, addindent="\t", newl="\n")

    print(f"Converted {json_file} to {xml_path}")


def batch_convert_json_to_xml(input_folder, output_folder):
    os.makedirs(output_folder, exist_ok=True)

    for file_name in os.listdir(input_folder):
        if file_name.endswith(".json"):
            json_file = os.path.join(input_folder, file_name)
            convert_json_to_xml(json_file, output_folder)


# 批量转换JSON文件为VOC XML格式
input_folder = r"C:\Users\GW\Desktop\20230725\2-2"
output_folder = r"C:\Users\GW\Desktop\20230725\2-2"

batch_convert_json_to_xml(input_folder, output_folder)
最后的菜鸡
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
目标检测中将xml数据集转换为txt，超简便
weixin_47289438的博客
10-13 3430
VOC格式的数据集转换为txt，便于yolov5训练
检测之YOLO转VOC
dddeee的专栏
01-28 1358
目标检测时yolo转voc
自动xml转json，voc转coco格式
qq_43248104的博客
07-26 220
将xml转json，标注文件转coco格式，自动xml转txt，最简单，不报错。
检测之VOC转COCO
dddeee的专栏
07-25 1257
VOC数据转coco，目标检测有时需要统一数据格式，这时可以用到本文代码
基于python实现voc转yolo格式voc转coco格式源码+项目说明.zip
07-19
目标检测数据集制作:VOC,COCO,YOLO等常用数据集格式的制作和互相转换脚本,demo/目录提供的原始的voc格式的20张原图和对应20个.xml标注． 下面的脚本都可以通过这个demo数据跑通. voc_split_trainVal.py 该脚本用于...
目标检测三大数据格式介绍
02-19
本篇文章将详细阐述三种常用的目标检测数据格式：VOC、COCO和YOLO。 **PASCAL VOC（Pattern Analysis, Statistical Modelling and Computational Learning, Visual Object Classes）** PASCAL VOC是一种早期流行的...
AI数据集格式转换Python源码
02-19
Yolo、FasterRCNN等深度学习需要的数据集格式转换，包括csv、coco、json、xml之间的转换，新版labelme标定生成json文件，可以完美转换成VOC2007的xml文件，并生成目录，其他格式按需也有
CV脚本工具，检测，分割，划分数据集，json2xml，voc，coco格式转换，数据增强
07-06
这个名为“CV脚本工具”的压缩包提供了一系列实用工具，旨在帮助开发者更高效地处理图像数据集，包括检测、分割、数据集划分以及不同数据格式之间的转换，如json到xml、VOC到COCO格式，并且支持数据增强。...
公共数据集（VOC等）的转换(xml2json,json2xml,yolo2voc)，读取视频，分离训练验证集等.zip
01-13
给定的压缩包文件"公共数据集（VOC等）的转换(xml2json,json2xml,yolo2voc)，读取视频，分离训练验证集等.zip"包含了一系列用于处理和转换常用深度学习数据集的脚本。下面我们将详细讨论这些功能及其重要性。 1. ...
微信小程序安装vant组件库和使用
qq_61132537的博客
07-23 658
van-button type="primary">主要按钮</van-button>
本地部署SearXNG
m0_62458145的博客
07-23 483
当您安装 SearXNG 时，默认的输出格式是 HTML 格式。请将以下行添加到 settings.yml 文件中。如前面的示例所示，settings.yml 文件位于 ${PWD}/searxng/settings.yml。SearXNG 是一个免费的互联网元搜索引擎，整合了各种搜索服务的结果。用户不会被跟踪，也不会被分析。中填写访问地址，例如：http://x.x.x.x:8080，如果你想通过其他方式安装 SearXNG，请参考。3. 在 Dify 中集成 SearXNG。
HTTP请求入参类型解读
Bekind2010的专栏
07-24 1055
在HTTP请求中，请求头用于指示资源的MIME类型，即请求体的媒体类型。它告诉服务器实际发送的数据类型是什么，以便服务器能够正确地解析和处理这些数据。可以有多种值，每种值都对应着不同的媒体类型。以下是一些常见的?enctypeenctypeform-datatext/plaintext/plaintext/htmltext/htmltext/xmltext/xmltext/xml每种都对应着不同的数据格式和用途，选择合适的对于确保数据被正确解析和处理至关重要。
PyCharm 常用 的插件
最新发布
u013934107的博客
07-27 72
PyCharm 常用 的插件
Gson使用TypeAdapterFactory和TypeAdapter实现Json中的Key统一修改
Zorro的博客
07-23 231
【代码】Gson使用TypeAdapterFactory和TypeAdapter实现Json中的Key统一修改。
express进阶用法如：静态资源中间件，路由中间件的用法等
x15514104477的博客
07-23 1015
express进阶用法：有路由，中间件，静态管理，请求对象，响应对象，模板引擎，错误处理，性能优化等8个方面的知识总结
Java的@DateTimeFormat注解与@JsonFormat注解的使用对比
訾博（ZiBo）的博客
07-27 435
在Spring和Jackson框架中，日期和时间格式化是一个常见需求。注解主要用于Spring的表单绑定，而注解则用于Jackson的JSON序列化和反序列化。了解这两个注解的使用场景和方法，可以帮助开发者更高效地处理日期和时间。和是处理日期和时间格式化的两个重要注解。主要用于Spring MVC的请求参数绑定，而主要用于Jackson的JSON序列化和反序列化。了解它们的使用场景和功能，可以帮助开发者更高效地处理日期和时间格式化需求。通过本文的介绍，希望读者能够更清晰地理解和。
js 替换json中的转义字符 \
qq_31683775的博客
07-27 32
在控制台测试,字符串先赋给变量,还是直接调用replace方法的结果又不同。正则表达式 /\\\\/g 和 /\//g 按理说也匹配到每个 \。其中 /\\/g 正则表达式 会选中 所有 \。但是在工具中测试,总会保留一个 \。
运营商二要素核验在生活中的作用
lupai的博客
07-25 456
运营商二要素核验在生活中扮演着至关重要的角色，它主要通过验证用户提交的手机号码和姓名（或身份证信息，但在此处主要讨论手机号码和姓名的验证）来确认用户身份的真实性。信息安全：二要素核验过程中，仅收集和核验关键信息（手机号码和姓名），不存储和泄露用户的更多个人隐私数据，从而保护用户的个人信息安全。金融安全：在互联网金融、银行等领域，进行开户、提现、大额交易等操作时，二要素核验能够确保交易双方身份的真实性，降低欺诈风险。红色部分代表参数值，appid默认为1，请修改为自己的appid值，去我的应用查看以及密钥。
yolo-txt转coco-json工具
07-10
### 回答1： yolo-txt转coco-json工具是一种将YOLO格式的文本标注文件转换为COCO格式的JSON标注文件的工具。YOLO（You Only Look Once）是一种目标检测算法，而COCO（Common Objects in Context）是一个常见的目标检测和图像分割数据集。有时候我们从YOLO标注工具中获得的标注结果是文本文件的形式，而在使用COCO数据集进行训练和评估时，我们需要将标注结果转化为COCO格式的JSON文件。 这个工具可以实现这样的转换过程，首先读取YOLO格式的文本文件并解析每个物体的位置、类别和边界框信息。然后根据这些信息结构化生成COCO JSON文件，其中包含了每个物体的类别、标签和位置信息。这样转换之后，我们就可以直接使用COCO数据集上的目标检测算法进行训练或者评估。 使用yolo-txt转coco-json工具可以大大简化我们在YOLO和COCO之间进行标注格式转换的过程，省去了手动编写转换代码的复杂性和耗时。此外，将标注结果转换为COCO格式也使得我们能够更加方便地使用COCO数据集的相关工具和算法进行目标检测任务的处理。 总之，yolo-txt转coco-json工具是一个方便实用的工具，可以帮助我们轻松地将YOLO格式的文本标注文件转换为COCO格式的JSON标注文件，提高了目标检测任务的效率和准确性。 ### 回答2： yolo-txt转coco-json工具是一种用于将YOLO格式的标注文件转换为COCO格式的工具。YOLO（You Only Look Once）是一种目标检测算法，其标注文件是以txt格式存储的，而COCO（Common Objects in Context）是一种通用的目标检测数据集格式，其标注文件以json格式存储。 使用yolo-txt转coco-json工具可以方便地将YOLO标注文件转换为COCO格式，以便于在COCO格式下进行目标检测任务或者使用COCO预训练模型进行迁移学习。 这个工具的主要功能是将YOLO标注文件中的目标边界框的位置信息、类别信息等提取出来，并按照COCO格式的要求，将这些信息整理为json格式的标注文件。 具体使用这个工具的步骤是：首先，将YOLO标注文件和对应的图片放置在同一个目录下；然后，运行工具提供的命令或脚本，指定输入目录和输出目录；最后，工具会自动遍历输入目录下的所有YOLO标注文件，将其转换为相应的COCO格式，并输出到指定的输出目录中。 通过使用yolo-txt转coco-json工具，可以减少手动地从YOLO格式转换为COCO格式的工作量，提高工作效率。同时，转换后的COCO格式标注文件可以更方便地与其他基于COCO格式的目标检测算法或工具进行兼容和集成，便于进一步的数据处理和模型训练。 ### 回答3： yolo-txt转coco-json工具是一种用于将YOLO格式的标注文件转换为COCO格式的标注文件的工具。YOLO格式的标注文件通常是一种纯文本文件，其中包含了每个目标物体的类别、位置和大小等信息。而COCO格式的标注文件是一种结构化的JSON文件，用于存储目标检测任务中的图像标注信息。 这个工具的主要功能是将YOLO格式的标注文件解析，并根据解析结果生成对应的COCO格式的标注文件。在转换过程中，它会将YOLO的坐标信息进行转换，以适应COCO标注的要求。同时，它还会将目标物体的类别信息转换为COCO数据集中所使用的类别编码。转换完成后，可以方便地使用生成的COCO格式的标注文件进行目标检测任务的训练和评估。 使用这个工具的好处是可以快速、准确地将YOLO格式的标注文件转换为COCO格式的标注文件，从而方便地在COCO数据集上进行目标检测任务。这对于需要使用COCO格式数据集训练模型的研究人员和开发者来说非常有帮助。 总之，yolo-txt转coco-json工具是一种方便的工具，用于将YOLO格式的标注文件转换为COCO格式的标注文件，使得目标检测任务的数据处理更加便捷高效。
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