COCO Dataset person_keypoints.json 解析

最新推荐文章于 2024-07-25 17:43:26 发布
最新推荐文章于 2024-07-25 17:43:26 发布
阅读量8.5k 收藏 31
点赞数 6
分类专栏： DataSet 文章标签： Dataset COCO keypoint openpose
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/u011291667/article/details/84329990
版权

DataSet

COCO json–person_keypoints

person_keypoins.json 结构

在这里插入图片描述
“info”, “licenses”,"categories"全局通用
“images”跟“annotations”放着图片跟label信息，用image id匹配。
具体结构请看下文：

one image

pick one image, we will show what this image information is

person_keypoint.json

{
    "categories": [
        {
            "skeleton": [
                [16,14],
                [14,12],
                [17, 5],
                [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]
            ],
            "name": "person", # 子类（具体类别）
            "supercategory": "person", # 主类
            "id": 1, # class id
            "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"
            ]
        }
    ],
    "licenses": [
        {
            "id": 1,
            "name": "Attribution-NonCommercial-ShareAlike License",
            "url": "http://creativecommons.org/licenses/by-nc-sa/2.0/"
        },
        {
            "id": 2,
            "name": "Attribution-NonCommercial License",
            "url": "http://creativecommons.org/licenses/by-nc/2.0/"
        },
        {
            "id": 3,
            "name": "Attribution-NonCommercial-NoDerivs License",
            "url": "http://creativecommons.org/licenses/by-nc-nd/2.0/"
        },
        {
            "id": 4,
            "name": "Attribution License",
            "url": "http://creativecommons.org/licenses/by/2.0/"
        },
        {
            "id": 5,
            "name": "Attribution-ShareAlike License",
            "url": "http://creativecommons.org/licenses/by-sa/2.0/"
        },
        {
            "id": 6,
            "name": "Attribution-NoDerivs License",
            "url": "http://creativecommons.org/licenses/by-nd/2.0/"
        },
        {
            "id": 7,
            "name": "No known copyright restrictions",
            "url": "http://flickr.com/commons/usage/"
        },
        {
            "id": 8,
            "name": "United States Government Work",
            "url": "http://www.usa.gov/copyright.shtml"
        }
    ],
    "annotations": [
        {
            "iscrowd": 0,
            "bbox": [
                339.88, 22.16, 153.88, 300.73 # [x,y,w,h] 对象定位框
            ],
            "image_id": 391895, # match the images: "id" 
            "segmentation": [
                [
                    352.55, 146.82, # 多边形(对象mask)第一个点 x，y, 如果对象被遮挡，对象被分成多个区域
                    353.61, 137.66,
                    356.07, 112.66,
                    ......
                    353.61, 152.25,
                    353.26, 149.43
                ],
                [
                    450.45, 196.54,
                    461.71, 195.13,
                    466.29, 209.22,
                    ......
                    449.04, 229.57,
                    448.33, 199.29
                ]
            ],
            "num_keypoints": 14,
            "id": 202758,
            "category_id": 1, 
            "keypoints": [
           		# 如果关键点在物体segment内，则认为可见.
           		# v=0 表示这个关键点没有标注（这种情况下x=y=v=0）
           		# v=1 表示这个关键点标注了但是不可见(被遮挡了）
           		# v=2 表示这个关键点标注了同时也可见
                368,  61,   1,
                369,  52,   2,
                0,     0,   0,
                382,  48,   2,
                0,     0,   0,
                368,  84,   2,
                435,  81,   2,
                362, 125,   2,
                446, 125,   2,
                360, 153,   2,
                0,     0,   0,
                397, 167,   1,
                439, 166,   1,
                369, 193,   2,
                461, 234,   2,
                361, 246,   2,
                474, 287,   2
            ],
            "area": 14107.2713
        },
        {
            "iscrowd": 0,
            "bbox": [
                471.64,
                172.82,
                35.92,
                48.1
            ],
            "image_id": 391895,
            "segmentation": [
                [
                    477.41, 217.71,
                    475.06, 212.15,
                    ......
                    478.27, 218.57
                ]
            ],
            "num_keypoints": 0,
            "id": 1260346,
            "category_id": 1,
            "keypoints": [
                0,0,0,
                0,0,0,
                0,0,0,
                0,0,0,
                0,0,0,
                0,0,0,
                0,0,0,
                0,0,0,
                0,0,0,
                0,0,0,
                0,0,0,
                0,0,0,
                0,0,0,
                0,0,0,
                0,0,0,
                0,0,0,
                0,0,0
            ],
            "area": 708.26055
        }
    ],
    "images": [
        {
            "id": 391895, # match the annotations: "image_id" 
            "date_captured": "2013-11-14 11:18:45",
            "coco_url": "http://images.cocodataset.org/val2014/COCO_val2014_000000391895.jpg",
            "height": 360,
            "flickr_url": "http://farm9.staticflickr.com/8186/8119368305_4e622c8349_z.jpg",
            "file_name": "COCO_val2014_000000391895.jpg",
            "license": 3,
            "width": 640
        }
    ],
    "info": {
        "version": "1.0",
        "description": "COCO 2014 Dataset",
        "year": 2014,
        "contributor": "COCO Consortium",
        "url": "http://cocodataset.org",
        "date_created": "2017/09/01"
    }
}

keypoint

“keypoints”是长度为3K的数组，K是对某类定义的关键点总数，这里人体的keypoint就是17个.位置为[x,y]，关键点可见性v.
(1-‘nose’ 2-‘left_eye’ 3-‘right_eye’ 4-‘left_ear’ 5-‘right_ear’ 6-‘left_shoulder’ 7-‘right_shoulder’ 8-‘left_elbow’ -‘right_elbow’ 10-‘left_wrist’ 11-‘right_wrist’ 12-‘left_hip’ 13-‘right_hip’ 14-‘left_knee’ 15-‘right_knee’ 16-‘left_ankle’ 17-‘right_ankle’ )
在这里插入图片描述

OpenPose的姿态识别用了COCO数据库,coco有17个keypoint, OpenPose增加了一个, 用两侧肩膀生成一个中心点代表脖子，就是如下图openpose编号为1的人体中心点.
在这里插入图片描述

Display above image(ID=391895) label

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

from __future__ import print_function
from pycocotools.coco import COCO
import os, sys, zipfile
import shutil
import numpy as np
import skimage.io as io
import matplotlib.pyplot as plt
import pylab
pylab.rcParams['figure.figsize'] = (8.0, 10.0)

annFile='./pickOne_person_keypoints_2014_.json'
coco=COCO(annFile)

# display COCO categories and supercategories
cats = coco.loadCats(coco.getCatIds())
nms=[cat['name'] for cat in cats]
print('COCO categories: \n{}\n'.format(' '.join(nms)))

nms = set([cat['supercategory'] for cat in cats])
print('COCO supercategories: \n{}'.format(' '.join(nms)))

imgIds = coco.getImgIds(imgIds = [391895])
# imgIds = coco.getImgIds()
img = coco.loadImgs(imgIds[0])[0]
dataDir = '../data/mscoco2014'
dataType = 'val2014'
I = io.imread('%s/%s/%s'%(dataDir,dataType,img['file_name']))

plt.axis('off')
plt.imshow(I)
plt.show()


# load and display instance annotations
# 加载实例掩膜
# catIds = coco.getCatIds(catNms=['person','dog','skateboard']);
# catIds=coco.getCatIds()
catIds=[]
for ann in coco.dataset['annotations']:
    if ann['image_id']==imgIds[0]:
        catIds.append(ann['category_id'])

plt.imshow(I); plt.axis('off')
annIds = coco.getAnnIds(imgIds=img['id'], catIds=catIds, iscrowd=None)
anns = coco.loadAnns(annIds)
coco.showAnns(anns)

# initialize COCO api for person keypoints annotations
annFile = '{}/annotations/person_keypoints_{}.json'.format(dataDir,dataType)
coco_kps=COCO(annFile)

# load and display keypoints annotations
# 加载肢体关键点
plt.imshow(I); plt.axis('off')
ax = plt.gca()
annIds = coco_kps.getAnnIds(imgIds=img['id'], catIds=catIds, iscrowd=None)
anns = coco_kps.loadAnns(annIds)
coco_kps.showAnns(anns)

# initialize COCO api for caption annotations
annFile = '{}/annotations/captions_{}.json'.format(dataDir,dataType)
coco_caps=COCO(annFile)

# load and display caption annotations
# 加载文本描述
annIds = coco_caps.getAnnIds(imgIds=img['id']);
anns = coco_caps.loadAnns(annIds)
coco_caps.showAnns(anns)
plt.imshow(I); plt.axis('off'); plt.show()

original image
在这里插入图片描述

segment & kepoints
在这里插入图片描述

caption annotations
A man with a red helmet on a small moped on a dirt road.
Man riding a motor bike on a dirt road on the countryside.
A man riding on the back of a motorcycle.
A dirt path with a young person on a motor bike rests to the foreground of a verdant area with a bridge and a background of cloud-wreathed mountains.
A man in a red shirt and a red hat is on a motorcycle on a hill side.

git: https://github.com/Frizy-up/openpose-plus/tree/master

OoFrizyoO
关注
专栏目录
keypoints.json
03-13
一个openpose的json 文件结构，就是可以参考来编写代码，人体姿势结构文件，可以做参考。
COCO 格式
weixin_38740463的博客
10-20 3335
COCO的 全称是Common Objects in COntext，是微软团队提供的一个可以用来进行图像识别的数据集。MS COCO数据集中的图像分为训练、验证和测试集。COCO通过在Flickr上搜索80个对象类别和各种场景类型来收集图像，其使用了亚马逊的Mechanical Turk（AMT）。 比如标注image captions（看图说话）这种类型的步骤如下： （AMT上COCO标注步骤） COCO通过大量使用Amazon Mechanical Turk来收集数据。COCO数据集现在有3
【Python 逆向简书滑块】逆向简书滑块，速度可比自动化快，但别玩过头了
最新发布
₰₯₮ 的博客
07-25 1306
用Python + Node.js 逆向简书的滑块验证，过程略微复杂，要切割背景图，还要OCR识别，但速度快，无需使用自动化工具
COCO数据集格式（详解）及COCO标注可视化。json转COCO等代码
Vertira的博客
02-16 2万+
coco数据集JSON文件格式分为一下几个字段。 { "info": info, # dict "licenses": [license], # list ，内部是dict "images": [image], # list ，内部是dict "annotations": [annotation], # list ，内部是dict "categories": # list ，内部是dict } 注意 ：对于深度学习训练，实际有用的字段，只有一下三个
coco数据集解析（person_keypoints）
qq_39066502的博客
05-30 1224
解析分割： ... ,归一化。解析目标检测： ,归一化。annotations/instances_val2017.json是5000张图片的标注信息。存储类别名和类别id之间的映射关系。此处的类别id不是0-79,需要用CLASSES转换一下。images下是5000张图片。
CoCo转Voc后，提取person类。
qq_49838648的博客
06-29 677
COCO转Voc并提取其中所需类别，亲测好用。
COCO数据集person_keypoints_val2017.json标注文件的使用方式
qq_37025073的博客
06-17 4420
对于每个标注文件，都会有anns, cats, imgs，imgToAnns, catToImgs 这5类字典dict数据结构需要生成。其具体过程如下： import json from collections import defaultdict annotation_file = '../../annotations/instances_val2017.json' dataset = json.load(open(annotation_file, 'r')) # print(dataset) #共有5
dataset_coco.json
03-14
图像描述网络训练文件
dataset_coco.json+dataset_flickr8k.json+dataset_flickr30k.json
04-30
标题中的"dataset_coco.json+dataset_flickr8k.json+dataset_flickr30k.json"表明这是一组用于图像 caption 任务的数据集，其中包含了COCO（Common Objects in Context）、Flickr8k 和 Flickr30k 这三个知名数据集的...
Sarcasm_Headlines_Dataset.json.zip
08-24
《理解与应用：Kaggle“Sarcasm_Headlines_Dataset.json.zip”训练数据集》 在IT领域，尤其是在自然语言处理（NLP）和机器学习（ML）的实践中，数据是至关重要的资源。"Sarcasm_Headlines_Dataset.json.zip"是一个...
yelp_academic_dataset.zip
11-26
yelp_academic_dataset_business.json+yelp_academic_dataset_review.json+yelp_academic_dataset_user.json文件
批量转换json_to_dataset.py
04-16
用labelme标注图片的时候只能进行一张图片的转换，将此代码放入E:\anaconda\Lib\site-packages\labelme\cli（conda安装目录下labelme的文件夹）替换掉原始的json_to_dataset.py 在想要得到转换后文件的文件夹中打开...
coco 2017数据集 类别提取并转换为yolo数据集
网络架构
03-28 3433
annotations：训练集中所有标注信息，包括标注ID、图片ID、类别ID、边界框坐标等。categories：所有类别的信息，包括类别ID、类别名称、超类别名称等。images：训练集中所有图片的信息，包括图片ID、文件名、高度、宽度等。licenses：数据集的许可证信息，包括许可证ID、许可证名称等。info：数据集的相关信息，包括数据集名称、版本、作者、年份等。其中，images存放的是训练集、验证集的图片原图；转换代码 cocotoyolo.py。提取代码 getanimal.py。
MS COCO数据集介绍以及pycocotools使用
guoqingru0311的博客
09-20 2387
MS COCO数据集介绍以及pycocotools使用
coco关键点标注json_COCO数据集的下载以及姿态关键点的数据处理
weixin_35849182的博客
02-01 517
{"url":"http:\/\/creativecommons.org\/licenses\/by-nc-sa\/2.0\/", "id":1, "name":"Attribution-NonCommercial-ShareAlike License" },第三部、认识Object Keypoint 类型的标注格式1，整体JSON文件格式比如上图中的person_keypoints_train2...
yolox訓練coco
qq_36302310的博客
09-02 845
使用yolox训练coco数据集格式的模型 yolox訓練cocococo数据集格式数据集准备数据训练修改yolo_s.py修改yolo_base.py修改coco.py修改coco_classes.py开始训练总结 coco数据集格式 标准格式： coco —annotations(存放json文件) ——train2017.json ——val2017.json —train2017 (存放训练图片) —val2017 （存放测试图片） 修改合并格式： coco —annotations （存放jso
【利用yolo5-x训练只含有person标签的coco数据集】
qq_53568112的博客
12-18 330
会话中，运行想要在后台持续运行的程序。例如，如果有一个 Python 脚本，可以像平时一样在这个会话中运行它。源码下完后，下面开始安装Yolov5所需模块，首先输入cd进入yolov5的子目录，再输入等待安装完成。新建会话session，session-name自己命名，就会进入新建的会话窗口中。是一个非常有用的工具，可以在关闭命令行窗口后继续运行程序。会话，这样即使关闭了终端窗口，程序也会继续运行。，程序可以在后台安全地运行，即使退出了 SSH 会话或关闭了终端窗口。会话和其中的程序会在后台继续运行。
COCO 标注详解
热门推荐
911的专栏
11-30 4万+
COCO数据集的标注格式 COCO的 全称是Common Objects in COntext，是微软团队提供的一个可以用来进行图像识别的数据集。MS COCO数据集中的图像分为训练、验证和测试集。COCO通过在Flickr上搜索80个对象类别和各种场景类型来收集图像，其使用了亚马逊的Mechanical Turk（AMT）。 比如标注image captions（看图说话）这
从coco2017数据集中提取语义分割mask
AI数据工厂
12-30 9801
提供一个脚本，可以从coco2017数据集中提取语义分割的信息，并保存mask为png图片。
karpathy splits file dataset_coco.json的注解格式
02-01
karpathy splits file dataset_coco.json的注解格式主要分为两部分：图像和注解。 在JSON文件中，图像部分包含了图像的ID、文件名、宽高等信息。而注解部分则包含了与图像相关联的所有注解的信息。每个注解由注解ID、图像ID、类别ID、注解文本等字段组成。 注解格式中还包括了一些额外的信息，例如类别信息、属性信息等。类别信息用于标识每个类别的ID和名称，而属性信息则用于描述每个类别的属性。这些信息有助于对注解进行更全面的理解和分析。 此外，注解格式还包括了一些与图像和注解相关的元数据，例如创建时间、修改时间等。这些元数据信息有助于跟踪注解的来源和变化过程，对于数据管理和质量控制非常重要。 总的来说，karpathy splits file dataset_coco.json的注解格式是非常全面和结构化的，它包含了丰富的图像和注解信息，有助于对数据集进行有效的管理和分析。
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