python人像精细分割_Supervisely 人像分割数据集格式转换

Supervisely 数据集的读取和解析有两种方法：1. 读取 json 文件自己解析；2. 使用 supervisely_lib 解析。

人像分割数据集中人像的标注有两种几何类型：位图(bitmap)，多边形(polygon)。自己解析需要对这两种类型进行处理，参考 “Supervisely 人像分割数据集格式解析”。个人建议使用方法2。supervisely_lib 提供了统一的API，你不需要关心几何类型，它们(位图，多边形)都可以使用相同的API获取 mask，轮廓，box。

这里以生成 Mask 图像为例。

一、安装 supervisely_lib

安装方法参见项目主页(README.md)。

安装过程中会依赖一些第三方库，其中要求 opencv-python 版本小于4.0.0。因为我的Python环境中已安装 opencv-python 4.2.0，所以我对 supervisely 稍微的修改，差异如下：

diff --git a/setup.py b/setup.py

index dad24a3..4cc0698 100644

--- a/setup.py

+++ b/setup.py

@@ -25,7 +25,7 @@ setup(

"jsonschema>=2.6.0,<3.0.0",

"matplotlib>=3.0.0",

"numpy>=1.14.3",

- "opencv-python>=3.4.1,<4.0.0",

+ "opencv-python>=3.4.1",

"pandas>=1.0.3",

"pascal-voc-writer>=0.1.4",

"PTable>=0.9.2",

diff --git a/supervisely_lib/geometry/bitmap.py b/supervisely_lib/geometry/bitmap.py

index 30880b8..ab51919 100644

--- a/supervisely_lib/geometry/bitmap.py

+++ b/supervisely_lib/geometry/bitmap.py

@@ -117,7 +117,7 @@ class Bitmap(BitmapBase):

self.to_bbox().get_cropped_numpy_slice(bitmap)[self.data] = color

def _draw_contour_impl(self, bitmap, color, thickness=1, config=None):

- _, contours, _ = cv2.findContours(self.data.astype(np.uint8), cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)

+ contours, _ = cv2.findContours(self.data.astype(np.uint8), cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)

if contours is not None:

for cont in contours:

cont[:, :] += (self.origin.col, self.origin.row) # cont with shape (rows, ?, 2)

二、准备数据集

数据集下载后解压并重命名，这里重命名为person。

我的目录结构如下：

├── code

├── person

│   ├── ds#

│   │   ├── ann

│   │   └── img

│ └── meta.json

└── person_mask

注："#" 取[1, 13]，code 和 person_mask 是我自己创建的。

注意：person 为数据集目录，该目录下不可创建新的目录，否则 supervisely_lib 加载 Project 时会报错。

三、生成 mask

code 目录下新建文件 gen_mask.py，文件内容如下：

import os

import numpy as np

import cv2

import tqdm

import supervisely_lib as sly

from matplotlib import pyplot as plt

def genMask(dataset_root_dir="./person",

output_dir="./person_mask",

label_color=[255,255,255]):

''' 生成Mask

dataset_root_dir: 数据集根目录

output_dir: 生成mask的保存目录

label_color: mask 标注的颜色[R, G, B]

'''

project = sly.Project(dataset_root_dir, sly.OpenMode.READ)

# 打印数据集信息

print(f"Project name : {project.name}")

print(f"Project directory: {project.directory}")

print(f"Total images : {project.total_items}")

print(f"Dataset names : {project.datasets.keys()}")

print()

print(project.meta)

pbar = tqdm.tqdm(total=project.total_items)

for dataset in project:

for item_name in dataset:

# 更新进度条

pbar.update(1)

# 获取原始图像和标注文件路径

item_paths = dataset.get_item_paths(item_name)

# 加载注释文件

ann = sly.Annotation.load_json_file(item_paths.ann_path, project.meta)

# 创建一个用于渲染标注的3通道黑色画布，

ann_render = np.zeros(ann.img_size + (3,), dtype=np.uint8)

# 渲染所有的标注(该数据集只有人)

ann.draw(ann_render, color=label_color)

# ann_render shape: (h, w, c), pixel: (R, G, B)

# RGB -> BGR，用于Opencv

ann_render = ann_render[..., ::-1]

# mask 保存目录不存在，则创建

save_dir = os.path.join(output_dir, dataset.name)

if not os.path.exists(save_dir):

os.makedirs(save_dir)

# 保存mask

mask_path = os.path.join(save_dir, item_name)

cv2.imwrite(mask_path, ann_render)

pbar.close()

if __name__ == '__main__':

import fire

fire.Fire(genMask, name='gen_mask')

'''

Usage:

# 1. 使用默认配置

python code/gen_mask.py

# 2. 指定数据库目录和mask输出目录

python gen_mask.py --dataset_root_dir ../person --output_dir ../person_mask

'''

gen_mask.py 使用方法，请参考上面代码的最后 "Usage" 部分。