list排序时报json异常_生成labelme能查看的json格式文件

labelme是数据标注中最常用到的标注工具。可以标注矩形框、圆形、线条、不规则图形等等。所以这种多功能的标注工具，也应用广泛。

但是，有时候我们也会从别处获取一些已经标注好的数据，或只是坐标点。那如何用labelme查看呢？今天这篇文章就介绍，如何生成能labelme直接打开的json文件。

本文阅读大约需要2min，但建议收藏，动手实践之。

1.保存四边形矩形框bbox标注信息

任意四边形坐标标记格式：tl_x,tl_y,tr_x,tr_y,br_x,br_y,bl_x,bl_y。从左上点开始顺时针旋转的四个顶点的坐标，如下图所示：

将TXT文档中标注信息，存储到labelme标注的json文件内，代码如下：

import json
import base64
from PIL import Image
import io
import os
import cv2
import numpy as np


def generate_json(file_dir, file_name):
    str_json = {}
    shapes = []
    # 读取坐标
    fr = open(os.path.join(file_dir, file_name))
    for line in fr.readlines():  # 逐行读取，滤除空格等
        print(line.strip())
        print(type(line.strip()))
        lineArr = line.strip().split(',')
        print("lineArr:", lineArr)
        points = []
        points.append([float(lineArr[0]), float(lineArr[1])])
        points.append([float(lineArr[2]), float(lineArr[3])])
        points.append([float(lineArr[4]), float(lineArr[5])])
        points.append([float(lineArr[6]), float(lineArr[7])])
        print(points)  # 从左上点开始顺时针旋转的四个顶点的坐标
        shape = {}
        shape["label"] = "plate_1"
        shape["points"] = points
        shape["line_color"] = []
        shape["fill_color"] = []
        shape["flags"] = {}
        shapes.append(shape)
    str_json["version"] = "3.14.1"
    str_json["flags"] = {}
    str_json["shapes"] = shapes
    str_json["lineColor"] = [0, 255, 0, 128]
    str_json["fillColor"] = [255, 0, 0, 128]
    picture_basename = file_name.replace('.txt', '.png')
    str_json["imagePath"] = picture_basename
    img = cv2.imread(os.path.join(file_dir, picture_basename))
    str_json["imageHeight"] = img.shape[0]
    str_json["imageWidth"] = img.shape[1]
    str_json["imageData"] = base64encode_img(os.path.join(file_dir, picture_basename))
    return str_json


def base64encode_img(image_path):
    src_image = Image.open(image_path)
    output_buffer = io.BytesIO()
    src_image.save(output_buffer, format='JPEG')
    byte_data = output_buffer.getvalue()
    base64_str = base64.b64encode(byte_data).decode('utf-8')
    return base64_str

if __name__=="__main__":
    """
    txt文件和图像(png)文件，均存储在下面这个文件夹下
    生成的json文件，也保存到这个文件夹下
    """
    file_dir = r"E:\temp"
    file_name_list = [file_name for file_name in os.listdir(file_dir) \
                      if file_name.lower().endswith('txt')]

    for file_name in file_name_list:
        str_json = generate_json(file_dir, file_name)
        json_data = json.dumps(str_json, indent=2, ensure_ascii=False)
        jsonfile_name = file_name.replace(".txt", ".json")
        f = open(os.path.join(file_dir, jsonfile_name), 'w')
        f.write(json_data)
        f.close()

检验下生成的json，是否成功。用labelme打开，查看标注结果，进行检验：

2.保存不规则边框polygon标注信息

这里与bbox的区别就在于：

• bbox只有四个坐标点，按顺时针一次排布；

• polygon是大于2个点都可以的，坐标的排序也是按照顺时针进行排布的。

所以，在poly中坐标点的数量是不固定的。在读取时候，依次将坐标点存储进来就行

import json
import base64
from PIL import Image
import io
import os
import cv2
import numpy as np


def generate_json(file_dir, file_name):
    str_json = {}
    shapes = []
    # 读取坐标
    fr = open(os.path.join(file_dir, file_name))
    for line in fr.readlines():  # 逐行读取，滤除空格等
        print(line.strip())
        print(type(line.strip()))
        lineArr = line.strip().split(',')
        print("lineArr:", lineArr)
        points = []
        for i in range(0, len(lineArr), 2):
            points.append([float(lineArr[i]), float(lineArr[i+1])])
        print(points)  # 从左上点开始顺时针旋转的四个顶点的坐标
        shape = {}
        shape["label"] = "plate_1"
        shape["points"] = points
        shape["line_color"] = []
        shape["fill_color"] = []
        shape["flags"] = {}
        shapes.append(shape)
    str_json["version"] = "3.14.1"
    str_json["flags"] = {}
    str_json["shapes"] = shapes
    str_json["lineColor"] = [0, 255, 0, 128]
    str_json["fillColor"] = [255, 0, 0, 128]
    picture_basename = file_name.replace('.txt', '.png')
    str_json["imagePath"] = picture_basename
    img = cv2.imread(os.path.join(file_dir, picture_basename))
    str_json["imageHeight"] = img.shape[0]
    str_json["imageWidth"] = img.shape[1]
    str_json["imageData"] = base64encode_img(os.path.join(file_dir, picture_basename))
    return str_json


def base64encode_img(image_path):
    src_image = Image.open(image_path)
    output_buffer = io.BytesIO()
    src_image.save(output_buffer, format='JPEG')
    byte_data = output_buffer.getvalue()
    base64_str = base64.b64encode(byte_data).decode('utf-8')
    return base64_str

if __name__=="__main__":
    """
    txt文件和图像(png)文件，均存储在下面这个文件夹下
    生成的json文件，也保存到这个文件夹下
    """
    file_dir = r"E:\temp\polygon"
    file_name_list = [file_name for file_name in os.listdir(file_dir) \
                      if file_name.lower().endswith('txt')]

    for file_name in file_name_list:
        str_json = generate_json(file_dir, file_name)
        json_data = json.dumps(str_json, indent=2, ensure_ascii=False)
        jsonfile_name = file_name.replace(".txt", ".json")
        with open(os.path.join(file_dir, jsonfile_name), 'w') as f:
            f.write(json_data)

同样，labelme打开，查看标注结果：

参考链接：https://blog.csdn.net/skye_95/article/details/103635846

课程推荐：NumPy 手码一层神经网络，训练猫咪二分类

神经网络越写越深，参数容量越来越大。那只有一层的神经网络，能不能训练用于识别可爱的猫咪呢？ 

这篇文章不再用 TensorFlow、PyTorch 等人工智能的框架，采用最基础的数学库 NumPy，手把手带你一步步吃透深度学习最基础知识点： 

1. 数据的读取与分析

2. NumPy 定义一层网络的权重 w 和偏置 b，并初始化网络

3. 定义损失函数、参数梯度优化

4. 整体梳理数据的流向和计算

5. 总结

学完本Chat，希望能帮助你对深层、复杂的神经网络有更加深刻的理解。对网络中的数据流向、参数优化有更加清晰的认识。

获取链接方式：

1.点击“

2.可在公众号聊天框，回复关键字“gitchat”，获取直达链接。

往期回顾

1. Python数据系列(一)- 列表List：Python的“苦力”

2. Python数据系列(二)- 字典Dictionary：Python的“大胃王”

3. Python数据系列(三)- 元组Tuple：Python的“不可变序列”

4. Python数据系列(四)- 数组array-NumPy：Python的“运算加速氮气”

5. 深度学习常见评价指标(一)- 图像语义分割

6. 深度学习常见评价指标(二)- 图像分类任务

7. 【Git笔记1】本地项目与GitHub远程仓库互联