目标检测voc数据集制作

目标检测之voc数据集制作

1.voc数据集结构

Annotations：存放检测物体在图片上的坐标位置xml文件

JPEGImages：存放训练和验证的图片

ImageSets：文件下有三个子文件夹，Layout、Main和Segmentation，其中我们关注Main文件夹就OK了，Main文件夹里train.txt，val.txt，trainval.txt，test.txt这四个txt文件，存放不带后缀的图片名

2.制作步骤

2.1图片重命名：首先将训练用的图片放在JPEGImages文件夹下，图片名称建议重命名成000001.jpg这样的格式

import os

def image_rename(img_path):
    imglist=os.listdir(img_path)
    i=1
    for file in imglist:
        Oldname=os.path.join(img_path,file)
        filename=os.path.splitext(file)[0]
        filetype=os.path.splitext(file)[1]
        Newname=os.path.join(img_path,str(i).zfill(6)+filetype)#用字符串函数zfill 以0补全所需位数
        os.rename(Oldname,Newname)
        i=i+1

if __name__ == "__main__":
    imgs_path = "C:/Users/Administrator/Desktop/VOC2007/img"
    image_rename(imgs_path)

 

 2.2 生成xml文件：使用LabelImg软件生成物体坐标的xml文件，xml文件的名称与图片名称相同，包含了图片名称，图片中object的类别及其bounding box坐标。

 

2.3  生成txt文件：生成Main文件夹下的四个文件了（train.txt，val.txt，trainval.txt，test.txt）。

 

import os
import random

trainval_percent = 0.8
train_percent = 0.7
xmlfilepath = 'C:/Users/Administrator/Desktop/VOC2007/Annotations'
txtsavepath = 'C:/Users/Administrator/Desktop/VOC2007/ImageSets/Main'
xmllist = os.listdir(xmlfilepath)

num = len(xmllist)
list = range(num)
tv = int(num*trainval_percent)
tr = int(tv*train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)

ftrainval = open('C:/Users/Administrator/Desktop/VOC2007/ImageSets/Main/trainval.txt', 'w')
ftest = open('C:/Users/Administrator/Desktop/VOC2007/ImageSets/Main/test.txt', 'w')
ftrain = open('C:/Users/Administrator/Desktop/VOC2007/ImageSets/Main/train.txt', 'w')
fval = open('C:/Users/Administrator/Desktop/VOC2007/ImageSets/Main/val.txt', 'w')

for i in list:
    name = xmllist[i][:-4]+'\n'
    if i in trainval:
        ftrainval.write(name)
        if i in train:
            ftrain.write(name)
        else:
            fval.write(name)
    else:
        ftest.write(name)

ftrainval.close()
ftrain.close()
fval.close()
ftest .close()