【Dataset】VOC注释格式与COCO注释格式的区别

最新推荐文章于 2024-05-16 22:29:32 发布
最新推荐文章于 2024-05-16 22:29:32 发布
阅读量3.8k 收藏 19
点赞数 3
分类专栏： 自动驾驶 Dataset
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/weixin_38705903/article/details/102003604
版权
VOC注释格式

本文介绍Annotations文件夹内容，更详细可参考 PASCAL VOC数据集分析
VOC的注释保存形式为.xml，下图为其中一个例子：
在这里插入图片描述
对应注释为：
在这里插入图片描述

整体结构
  • 图片基本信息：例如文件名（folder、filename）、图片来源（source）；
  • 图片尺寸（size）：包含长、宽、通道数、以及是否有对应的语义注释；
最低0.47元/天 解锁文章
Vincent__Lai
关注
  • 3
    点赞
  • 踩
  • 19
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
PASCAL VOC2012 数据集 Dataset
starlight1231的博客
01-30 251
数据集Dataset
voc2coco：将VOC格式的XML转换为COCO格式的json
02-06
voc2coco 这是用于将VOC格式的XML转换为COCO格式的json（例如coco_eval.json）的脚本。为什么我们需要将VOC xmls转换为COCO格式json？ 我们可以使用COCO API，这非常有用（例如，计算mAP）。如何使用1.制作labels....
目标检测任务中常用的数据集格式(voc、coco、yolo)
ytusdc的博客
07-28 2448
从这篇文章中，我们了解了这个数据集以scene understanding为目标，主要从复杂的日常场景中截取，图像中的目标通过精确的segmentation进行位置的标定。COCO数据集有91类，虽然比ImageNet和SUN类别少，但是每一类的图像多，这有利于获得更多的每类中位于某种特定场景的能力，对比PASCAL VOC，其有更多类和图像。├── Annotations #存放xml文件，与JPEGImages中的图片一一对应，每个xml对应JPEGImage中的一张图片描述了图片信息。
VOC数据集介绍以及读取（目标检测object detection）
就是氧气的博客
07-04 8362
VOC（Visual Object Classes）数据集是一个广泛使用的计算机视觉数据集，主要用于目标检测、图像分割和图像分类等任务。VOC数据集最初由英国牛津大学的计算机视觉小组创建，并在PASCAL VOC挑战赛中使用。VOC数据集包含各种不同类别的标记图像，每个图像都有与之相关联的边界框（bounding box）和对象类别的标签。数据集中包括了20个常见的目标类别，例如人、汽车、猫、狗等。此外，VOC数据集还提供了用于图像分割任务的像素级标注。
VOC数据集转换为CoCo数据集（亲测有效）
最新发布
ohligay的博客
05-16 552
VOC数据集转换为CoCo数据集（亲测有效）
pytorch实现自定义数据集（Dataset）以VOC数据集为例
weixin_44422920的博客
03-22 2949
VOC数据集（2012） VOC数据集由Annotation(标注)、ImageSets(train.txt、val.txt…)、JPEGImages(原始图像)、SegmentationClass(语义分割标签)、SegmentationObject(实例分割标签)五部分组成。 Annotation(标注)文件由.xml文件组成。 使用pytorch定义自己的数据集首先需要继承torch.utils.data中的Dataset类。 解析xml文件 # parse_xml_to_dict 解析xml文件
pytorch炼金术-DataSet-PASCAL VOC 简介
wujing1_1的博客
05-10 929
PASCAL VOC 数据集简介 数据集在语义分割上SOTA模型 1. 简介 1.1 简介 该挑战赛的竞赛项目主要包括 图像分类与检测（Classification/Detection Competitions）、图像分割（Segmentation Competition）、人体动作分类（Action Classification Competition）、人体部位检测（Person Layout Taster Competition）等四项主要的视觉挑战赛。 VOC2007 包含9963张标注过的
讲解目标检测数据集--------VOC数据集和COCO数据集的使用
Superman980527的博客
09-19 2570
VOC数据集和COCO数据集的使用
CUHK Occlusion Dataset数据集 yolo格式+VOC格式 包括划分好的训练集和数据集
12-22
CUHK Occlusion Dataset数据集,用于行人检测，做好了yolo格式数据集的训练和划分，同时上传了yolo和voc两个格式的标签集。 包括：1.VOC格式（.xml文件）的数据集 2.yolo格式（.txt文件）的数据集 3.划分好的yolo...
将训练集转换成VOC格式
03-09
该文件主要将训练集转换成voc格式，很多深度学习框架都是用VOC数据集格式，例如YOLO。 一般voc解压出来后都包括Annotations, ImageSets, JPEFImages, SegmentationClass , SegmentationObject;详情见链接...
labelme2Datasets:用于将LabelMe标注好的数据转换为VOC格式和COCO格式的数据集
04-30
简介仓库中的脚本用于将Labelme标注的数据转换为PASCAL VOC格式或MS COCO格式的标准数据集，便于直接利用现有的训练框架进行训练。使用须知: 脚本写的其实并不复杂，有基础的同学可以过一下脚本的流程，确保在自己...
voc格式转coco格式并增强python代码
08-16
voc格式转coco格式并使用albumentations增强python代码
适用于YOLO的COCO2017与VOC数据集
03-09
网盘下载，已经转化为可以直接使用与darknet训练的格式，可以直接使用。
C# DataSet的内容写成XML时如何格式化字段数据
09-06
许多读者经常询问一个问题，那就是在将DataSet的内容写成XML时，如何格式化字段数据。最常见的需求，就是希望日期时间值与数值数据能够以所需的格式呈现于XML中。
目标检测数据集格式介绍（voc和coco）
windmyself的专栏
04-22 5535
目标检测数据集格式介绍（voc和coco）1.voc数据格式xml文件中包含以下字段：1.coco数据格式json文件中存放5个信息： 1.voc数据格式 VOC数据格式的目标检测数据，是指每个图像文件对应一个同名的xml文件，xml文件中标记物体框的坐标和类别等信息。 Pascal VOC比赛对目标检测任务，对目标物体是否遮挡、是否被截断、是否是难检测物体进行了标注。对于用户自定义数据可根据实际情况对这些字段进行标注。 xml文件中包含以下字段： 我们对Markdown编辑器进行了一些功能拓展与语法支持，
数据集voc，coco注释格式，详情大全
weixin_51015047的博客
03-05 2826
文章目录前言一、VOC注释格式二、COCO注释格式总结 前言 啊啊啊啊啊，不太理解任务 （百脸懵逼） 一、VOC注释格式 整体结构 图片基本信息：例如文件名（folder、filename）、图片来源（source）； 图片尺寸（size）：包含长、宽、通道数、以及是否有对应的语义注释； 物体信息（object）：图中单个物体的具体信息。因为一张图中不只有一个物体，因此object是可以有多个的（图中有四个object的信息）。 二、COCO注释格式 .json主体结构如图 info：对数据集的描述； l
coco数据类型与voc数据类型的相互转换以及这两种类型的详细介绍。
qq_62679853的博客
05-20 5163
声明：本文为作者将多篇文章以及自己的理解缝合而出的文章，仅用于交流与学习，本文代码均为转载，侵删。参考文章：将 .json 格式 转换成 .xml格式_轮子去哪儿了的博客-CSDN博客_json转xml Python将voc数据格式转化为coco数据格式_萤-火的博客-CSDN博客_voc转coco数据集 coco数据集格式介绍_ Clear butterfly的博客-CSDN博客_coco格式数据集 VOC数据集格式介绍_望天边星宿的博客-CSDN博客_voc数据集格式 在实现coco数据格式与v
目标检测中将已有的.xml数据集转换成.txt数据集(附代码，归一化后供YOLO格式使用)
ai_faker的博客
07-30 9469
1.准备工作 IDE:vscode或者pycharm 1.1新建项目 我新建了data目录并新建Annotations, images, ImageSets, JPEGImages, labels 五个文件夹。 其中images和JPEGImages存放的是原始的图片数据集，Annotations存放的是标记后生成的xml文件，labels存放的是保存标记内容的txt文件，ImageSets存放的是训练数据集和测试数据集的分类情况。 其中Annotations 文件夹 放我们想要转换的xml数据集。如下图
voc格式转换为coco格式
08-14
### 回答1： 将 VOC 格式转换为 COCO 格式的步骤如下： 1. 首先需要安装 COCO API，可以参考官方文档进行安装。 2. 创建 COCO 数据集的目录结构，其中包括 `annotations` 和 `images` 两个文件夹。`annotations` 文件夹下存放的是 COCO 数据集的标注文件，`images` 文件夹下存放的是 COCO 数据集的图片文件。 3. 将 VOC 格式的标注文件转换为 COCO 格式的标注文件，可以使用以下 Python 代码： ```python import xml.etree.ElementTree as ET import json def voc2coco(xml_path, save_path): tree = ET.parse(xml_path) root = tree.getroot() images = [] annotations = [] categories = [{'id': 1, 'name': 'class_name'}] # 将 class_name 替换为实际的类别名称 for i, child in enumerate(root): if child.tag == 'filename': filename = child.text image = {'id': i, 'file_name': filename} images.append(image) elif child.tag == 'object': bbox = [] class_id = 1 # 将 1 替换为实际的类别 ID for subchild in child: if subchild.tag == 'name': class_name = subchild.text elif subchild.tag == 'bndbox': for subsubchild in subchild: bbox.append(float(subsubchild.text)) annotation = { 'id': i, 'image_id': i, 'category_id': class_id, 'bbox': bbox, 'area': bbox[2] * bbox[3], 'iscrowd': 0 } annotations.append(annotation) data = { 'images': images, 'annotations': annotations, 'categories': categories } with open(save_path, 'w') as f: json.dump(data, f) ``` 其中，`xml_path` 是 VOC 格式的标注文件路径，`save_path` 是 COCO 格式的标注文件保存路径。 4. 将 VOC 格式的图片文件复制到 COCO 数据集的 `images` 文件夹下。 5. 运行以下 Python 代码，生成 COCO 数据集的 `instances_train.json`： ```python from pycococreatortools import create_coco_dataset image_dir = 'path/to/images' annotation_dir = 'path/to/annotations' output_dir = 'path/to/output' create_coco_dataset(image_dir, annotation_dir, output_dir) ``` 其中，`image_dir` 是 COCO 数据集的 `images` 文件夹路径，`annotation_dir` 是 COCO 数据集的 `annotations` 文件夹路径，`output_dir` 是 COCO 数据集的输出路径。 6. 最后，将生成的 COCO 数据集的 `instances_train.json` 与 COCO API 中的其他文件一起使用，可以进行训练和评估。 ### 回答2： 将VOC格式转换为COCO格式可以通过以下步骤实现： 1. 首先，需要将VOC格式的标注文件.xml转换为相应的COCO格式标注文件.json。可以使用Python的xml.etree.ElementTree模块来解析.xml文件，并提取出包含目标类别、边界框坐标等信息。 2. 在转换过程中，需要为每个目标类别分配一个唯一的整数ID，并将其映射为COCO格式中的类别名。可以在转换过程中创建一个类别映射字典，将VOC格式的类别名映射为COCO格式。 3. 在提取目标边界框信息时，需要将VOC格式中的坐标值转换为相对于图像宽度和高度的比例值，并计算每个边界框的面积。 4. 在生成COCO格式标注文件时，需要依照COCO格式的要求，构建相应的数据结构，包括images、annotations和categories等字段。其中，images字段包含图像的文件名、宽度、高度等信息，annotations字段包含目标边界框的ID、坐标、类别ID等信息，categories字段包含类别ID和类别名。 5. 最后，将生成的COCO格式标注文件.json保存下来，以便后续使用。 值得注意的是，在处理VOC格式转换为COCO格式的过程中，需要注意数据的一致性和准确性，以确保目标类别、边界框等信息的正确性，并根据具体需求进行相应的适配和调整。 ### 回答3： 将voc格式转换为coco格式是一种常见的数据格式转换过程，可以用于目标检测任务的数据准备。下面是一个简要的步骤来实现这个转换过程。 首先，我们需要了解voc格式和coco格式的基本概念。 VOC格式是一种用于图像识别和目标检测的数据集格式，其中包含图像文件和对应的标签文件。标签文件中通常包含目标的位置、类别、边界框等信息。 COCO格式是一种用于图像识别、目标检测和语义分割的数据集格式，它将图像和标签信息合并在一个JSON文件中。JSON文件中包含了图像的ID、文件名、图片大小，以及目标的类别、边界框等信息。 下面是将voc格式转换为coco格式的步骤： 1. 首先，我们需要读取voc格式的标签文件，提取其中的目标类别、边界框等信息，并记录对应的图像文件路径。 2. 然后，创建一个空的coco格式的JSON文件，并定义coco格式的基本结构，包括图像信息和目标信息。 3. 遍历每张图像，将图像信息添加到JSON文件中的“images”字段中，并生成该图像的唯一ID。 4. 对于每个目标，提取其类别、边界框等信息，并将其添加到JSON文件的“annotations”字段中。同样地，为每个目标生成唯一ID，并将其与图像ID关联。 5. 最后，将生成的JSON文件保存下来，即可完成voc格式到coco格式的转换。 综上所述，将voc格式转换为coco格式需要将voc格式的标签信息读取并整理，然后按照coco格式的结构重新组织数据，并生成一个新的JSON文件。这样就完成了voc格式到coco格式的转换。

“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 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