SSDvoc数据集xml格式标注文件转yolo模型txt格式

SSDvoc数据集xml格式标注文件转yolo模型txt格式

前提:将原图片文件夹、voc标注文件夹、txt格式标注的label文件夹放入同一根目录下。

python代码

#coding:utf-8
from __future__ import print_function
 
import os
import random
import glob
import xml.etree.ElementTree as ET
 
def xml_reader(filename):
    """ Parse a PASCAL VOC xml file """
    tree = ET.parse(filename)
    size = tree.find('size')
    width = int(size.find('width').text)
    height = int(size.find('height').text)
    objects = []
    for obj in tree.findall('object'):
        obj_struct = {}
        obj_struct['name'] = obj.find('name').text
        bbox = obj.find('bndbox')
        obj_struct['bbox'] = [int(bbox.find('xmin').text),
                              int(bbox.find('ymin').text),
                              int(bbox.find('xmax').text),
                              int(bbox.find('ymax').text)]
        objects.append(obj_struct)
    return width, height, objects
 
 
def voc2yolo(filename):
    classes_dict = {}
    with open("classes.names") as f:
        for idx, line in enumerate(f.readlines()):
            class_name = line.strip()
            classes_dict[class_name] = idx
    
    width, height, objects = xml_reader(filename)
 
    lines = []
    for obj in objects:
        x, y, x2, y2 = obj['bbox']
        class_name = obj['name']
        label = classes_dict[class_name]
        cx = (x2+x)*0.5 / width
        cy = (y2+y)*0.5 / height
        w = (x2-x)*1. / width
        h = (y2-y)*1. / height
        line = "%s %.6f %.6f %.6f %.6f\n" % (label, cx, cy, w, h)
        lines.append(line)
 
    txt_name = filename.replace(".xml", ".txt").replace("labels_voc", "labels")
    with open(txt_name, "w") as f:
        f.writelines(lines)
 
 
def get_image_list(image_dir, suffix=['jpg', 'jpeg', 'JPG', 'JPEG','png']):
    '''get all image path ends with suffix'''
    if not os.path.exists(image_dir):
        print("PATH:%s not exists" % image_dir)
        return []
    imglist = []
    for root, sdirs, files in os.walk(image_dir):
        if not files:
            continue
        for filename in files:
            filepath = "data/custom/" + os.path.join(root, filename) + "\n"
            if filename.split('.')[-1] in suffix:
                imglist.append(filepath)
    return imglist
 
 
def imglist2file(imglist):
    random.shuffle(imglist)
    train_list = imglist[:-100]
    valid_list = imglist[-100:]
    with open("train.txt", "w") as f:
        f.writelines(train_list)
    with open("valid.txt", "w") as f:
        f.writelines(valid_list)
 
 
if __name__ == "__main__":
    xml_path_list = glob.glob("labels_voc/*.xml")
    for xml_path in xml_path_list:
        voc2yolo(xml_path)
 
 
    imglist = get_image_list("images")
    imglist2file(imglist)
  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
SSDD(Scene Text Detection and Recognition)数据集换成Yolo格式需要以下步骤: 1. 下载和准备数据集:首先,从官方网站或相关资源中下载SSDD数据集。确保数据集中包含图像和相应的标注文件。将它们存储在合适的文件夹中。 2. 理解SSDD数据集标注格式SSDD数据集标注文件通常是以XML或JSON格式存储的。该文件中包含了每张图像中的文本区域的坐标和标签等信息。 3. 解析标注文件:使用适当的解析工具(如Python中的xml或json解析库),读取标注文件,提取图像路径,文本区域的坐标和标签等信息。 4. 图像预处理:对于每张图像,进行必要的预处理,如调整大小、归一化或增强等操作。 5. 换为Yolo格式:根据Yolo的要求,将每个文本区域的坐标和标签换为Yolo格式Yolo格式通常包含类别的索引、边界框中心点相对于图像宽度和高度的归一化值,以及边界框的宽度和高度相对于图像宽度和高度的归一化值。 6. 生成Yolo标签文件:将Yolo格式的信息保存到与对应图像相同的文件名的TXT文件中。每个文本区域的Yolo信息占据一行。 7. 拆分训练集和测试集:根据自己的需求,将数据集分为训练集和测试集,并分别创建包含图像路径和对应标签信息的TXT文件。 8. 配置Yolo模型:根据创建的数据集和标签文件的路径,修改Yolo模型的配置文件。设置类别的数量、路径和其他相关参数。 9. 训练和测试:通过使用修改后的Yolo模型配置文件,训练模型并在测试集上进行测试。 10. 验证结果:将模型检测到的文本区域的坐标和标签信息进行解析和验证,以确保换成功。 以上步骤提供了将SSDD数据集换为Yolo格式的一般过程。根据实际情况,可能需要进行一些适应性的调整和修改。

“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
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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