如何将自己的关键点数据集转换成 COCO 的JSON 格式

最新推荐文章于 2024-07-16 10:34:03 发布
最新推荐文章于 2024-07-16 10:34:03 发布
阅读量2.9k 收藏 36
点赞数 7
分类专栏： 学习 配置应用 coco 文章标签： python
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_43462370/article/details/109752375
版权
学习 同时被 3 个专栏收录
6 篇文章 0 订阅
订阅专栏
配置应用
4 篇文章 0 订阅
订阅专栏
coco
1 篇文章 0 订阅
订阅专栏

这里写自定义目录标题

教程

这篇文章的代码是基于这个代码的：Code
他的文章将 COCO 格式讲的很清晰了，但是，他的代码部分讲的不够细致，原始数据的格式也没有给出，导致后面的代码也对不上，所以我将其中一些部分修改并注释了。
不过目前的代码还比较冗余，后期会进行优化

数据格式

  1. 文件排列格式
    test1/anno_process
    ├── anno.txt (标注文件位置)
    ├── images (图片存放位置)

  2. 标注文件内容格式
    上面的 test1/anno_process/anno.txt 是记录你自己信息的标注文件，文件内容如下：

000000009448.jpg 47,94,410,546 212,190,229,167,195,173,263,185,172,196,308,258,166,298,360,224,172,435,263,270,257,514,314,514,223,531,326,634,229,634,297,276,223,549,
000000016598.jpg 8,1,478,636 266,166,280,126,220,140,306,126,160,160,373,325,81,345,479,511,67,617,439,345,21,630,379,630,207,630,74,617,47,338,419,338,47,630,
000000054654.jpg 37,74,370,521 232,139,252,117,222,117,283,122,206,128,319,220,237,198,335,345,196,209,232,339,139,225,299,448,252,432,309,589,257,589,324,589,257,589,
000000054931.jpg 104,145,323,495 305,201,314,196,296,196,319,201,278,196,314,248,269,248,310,320,261,320,341,335,287,289,301,377,278,377,274,480,314,480,225,578,332,588,

上面每行的含义为：

图片名字 x,y,width,height "nose"(x,y),"left_eye"(x,y),"right_eye"(x,y),"left_ear"(x,y),"right_ear"(x,y),"left_shoulder"(x,y),"right_shoulder"(x,y),"left_elbow"(x,y),"right_elbow"(x,y),"left_wrist"(x,y),"right_wrist"(x,y),"left_hip"(x,y),"right_hip"(x,y),"left_knee"(x,y),"right_knee"(x,y),"left_ankle"(x,y),"right_ankle"(x,y)

代码

Talking is cheap, show me the code!

转换文件 convet2coco(modify).py 如下（已经加了很详细的注解，应该能看懂了吧）：

# *_* : coding: utf-8 *_*

"""
将数据转换成想要的 coco 数据的 json 格式
需要：文件名 标注框 关键点 类别

datasets process for object detection project.
for convert customer dataset format to coco data format,
"""

import traceback
import argparse
import datetime
import json
import cv2
import os

__CLASS__ = ['__background__', 'person']   # class dictionary, background must be in first index.

def argparser():
    parser = argparse.ArgumentParser("define argument parser for pycococreator!")
    # 根目录
    # parser.add_argument("-r", "--root_path", default="test1/ccpd_300x300", help="path of root directory")
    parser.add_argument("-r", "--root_path", default="test1/anno_process", help="path of root directory")

    # 三个文件夹：train, val, test
    parser.add_argument("-p", "--phase_folder", default=["test"], help="datasets path of [train, val, test]")

    # 判断是否有关键点
    parser.add_argument("-po", "--have_points", default=True, help="if have points we will deal with it!")

    # 图片文件夹
    parser.add_argument("-im", "--images", default="images", help="folder of images")

    # 标注文件路径
    parser.add_argument("-anno", "--annotations", default="anno.txt", help="file of annotations")

    return parser.parse_args()

def MainProcessing(args):
    '''main process source code.'''
    annotations = {}                                                # annotations dictionary, which will dump to json format file.
    root_path = args.root_path                                      # "test1/anno_process"
    phase_folder = args.phase_folder                                # ["test"]
    images_folder = os.path.join(root_path, args.images)            # 图片文件夹 "test1/anno_process/images"
    anno_path = os.path.join(root_path, args.annotations)           # 标注文件路径 "test1/anno_process/anno.txt"

    # coco annotations info.
    annotations["info"] = {
        "description": "customer dataset format convert to COCO format",
        "url": "http://cocodataset.org",
        "version": "1.0",
        "year": 2020,
        "contributor": "lqqq",
        "date_created": "2020"
    }
    # coco annotations licenses.
    annotations["licenses"] = [{
        "url": "https://www.apache.org/licenses/LICENSE-2.0.html",
        "id": 1,
        "name": "Apache License 2.0"
    }]
    # coco annotations categories.
    annotations["categories"] = []
    for cls, clsname in enumerate(__CLASS__):
        if clsname == '__background__':
            continue
        annotations["categories"].append(
            {
                "supercategory": "person",
                "id": cls,
                "name": clsname
            }
        )
        for catdict in annotations["categories"]:
            if "lpr" == catdict["name"] and args.have_points:
                catdict["keypoints"] = ["nose", "left_eye", "right_eye", "left_ear", "right_ear",
                                        "left_shoulder", "right_shoulder", "left_elbow", "right_elbow",
                                        "left_wrist", "right_wrist", "left_hip", "right_hip", "left_knee",
                                        "right_knee", "left_ankle", "right_ankle"]                          # 关键点
                catdict["skeleton"] = [[16, 14], [14, 12],[17, 15],[15, 13],[12, 13],[6, 12],
                                       [7, 13],[6, 7],[6, 8],[7, 9],[8, 10],[9, 11],[2, 3],
                                       [1, 2],[1, 3],[2, 4],[3, 5],[4, 6],[5, 7]]                           # 骨架

    for phase in phase_folder:
        annotations["images"] = []
        annotations["annotations"] = []

        if os.path.isfile(anno_path) and os.path.exists(images_folder):
            print("convert datasets {} to coco format!".format(phase))
            fd = open(anno_path, "r")
            # fd_w = open(filename_mapping_path, "w")
            step = 0
            for id, line in enumerate(fd.readlines()):
                if line:
                    label_info = line.split()

                    image_name = label_info[0]                              # 图片名
                    bbox = [int(x) for x in label_info[1].split(",")]       # 标注框 bbox
                    # cls = int(label_info[-1])                             # 类别编号，这里为 0

                    filename = os.path.join(images_folder, image_name)      # 图片文件
                    img = cv2.imread(filename)
                    height, width, _ = img.shape                            # 读取图片大小
                    x1 = bbox[0]
                    y1 = bbox[1]                                            # bbox 中心点
                    # bw = bbox[2] - bbox[0]                                # 右侧内边距
                    # bh = bbox[3] - bbox[1]                                # 上册内边距
                    bw = bbox[2]                                            # 宽 w
                    bh = bbox[3]                                            # 高 h

                    # coco annotations images.
                    file_name = str(image_name)                                       # annotation["images"] 下 “file_name” 的值

                    annotations["images"].append(
                        {
                            "license": 1,
                            "file_name": file_name,
                            "coco_url": "",
                            "height": height,
                            "width": width,
                            "date_captured": datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S'),
                            "flickr_url": "",
                            "id": id
                        }
                    )
                    # coco annotations annotations.
                    annotations["annotations"].append(
                        {
                            "id": id,
                            "image_id": id,
                            "category_id": 1,           # 类别编号，对于人体关键点检测任务，他只有一个类别，所以恒为 1
                            "segmentation": [[]],
                            "area": 0,                  # 这个 area 是图像分割的东西，置为 0 就行
                            "bbox": [x1, y1, bw, bh],
                            "iscrowd": 0,               # 目标是否被遮盖，默认为0
                        }
                    )
                    if args.have_points:
                        v = 2                           # v 字段表示关键点属性，0表示未标注，1表示已标注但不可见，2表示已标注且可见
                        catdict = annotations["annotations"][id]
                        if "lpr" == __CLASS__[catdict["category_id"]]:
                            # points = [int(p) for p in label_info[2].split(",")]
                            points = label_info[2].split(",")[:-1]                  # [:-1]是为了去掉尾部空格
                            # print(points)
                            # print(len(points))
                            pp =[]
                            for i in range(0, len(points), 2):
                                pp.append(int(points[i]))
                                pp.append(int(points[i + 1]))
                                pp.append(2)
                            # catdict["keypoints"] = [points[0], points[1], v, points[2], points[3], v, points[4]]
                            catdict["keypoints"] = pp

                            catdict["num_keypoints"] = int(len(points) / 2)      # 一般是 17

                    step += 1
                    if step % 100 == 0:
                        print("processing {} ...".format(step))
            fd.close()
            # fd_w.close()
        else:
            print("WARNNING: file path incomplete, please check!")

        json_path = os.path.join(root_path, phase+".json")
        with open(json_path, "w") as f:
            json.dump(annotations, f)


if __name__ == "__main__":
    print("beginning to convert customer format to coco format!")
    args = argparser()
    try:
        MainProcessing(args)
    except Exception as e:
        traceback.print_exc()
    print("successful to convert customer format to coco format")

结果

他最后输出的 json 格式是压缩过了的，不太方便观察，可以在网上打开一个 json 解析网站看就很直观。最后附上结果：
test.json

{
	"info": {
		"description": "customer dataset format convert to COCO format",
		"url": "http://cocodataset.org",
		"version": "1.0",
		"year": 2020,
		"contributor": "lqqq",
		"date_created": "2020"
	},
	"licenses": [{
		"url": "https://www.apache.org/licenses/LICENSE-2.0.html",
		"id": 1,
		"name": "Apache License 2.0"
	}],
	"categories": [{
		"supercategory": "person",
		"id": 1,
		"name": "lpr",
		"keypoints": ["nose", "left_eye", "right_eye", "left_ear", "right_ear", "left_shoulder", "right_shoulder", "left_elbow", "right_elbow", "left_wrist", "right_wrist", "left_hip", "right_hip", "left_knee", "right_knee", "left_ankle", "right_ankle"],
		"skeleton": [
			[16, 14],
			[14, 12],
			[17, 15],
			[15, 13],
			[12, 13],
			[6, 12],
			[7, 13],
			[6, 7],
			[6, 8],
			[7, 9],
			[8, 10],
			[9, 11],
			[2, 3],
			[1, 2],
			[1, 3],
			[2, 4],
			[3, 5],
			[4, 6],
			[5, 7]
		]
	}],
	"images": [{
		"license": 1,
		"file_name": "000000009448.jpg",
		"coco_url": "",
		"height": 640,
		"width": 551,
		"date_captured": "2020-11-19 20:29:12",
		"flickr_url": "",
		"id": 0
	}, {
		"license": 1,
		"file_name": "000000016598.jpg",
		"coco_url": "",
		"height": 640,
		"width": 478,
		"date_captured": "2020-11-19 20:29:12",
		"flickr_url": "",
		"id": 1
	}, {
		"license": 1,
		"file_name": "000000054654.jpg",
		"coco_url": "",
		"height": 640,
		"width": 407,
		"date_captured": "2020-11-19 20:29:12",
		"flickr_url": "",
		"id": 2
	}, {
		"license": 1,
		"file_name": "000000054931.jpg",
		"coco_url": "",
		"height": 640,
		"width": 427,
		"date_captured": "2020-11-19 20:29:12",
		"flickr_url": "",
		"id": 3
	}],
	"annotations": [{
		"id": 0,
		"image_id": 0,
		"category_id": 1,
		"segmentation": [
			[]
		],
		"area": 0,
		"bbox": [47, 94, 410, 546],
		"iscrowd": 0,
		"keypoints": [212, 190, 2, 229, 167, 2, 195, 173, 2, 263, 185, 2, 172, 196, 2, 308, 258, 2, 166, 298, 2, 360, 224, 2, 172, 435, 2, 263, 270, 2, 257, 514, 2, 314, 514, 2, 223, 531, 2, 326, 634, 2, 229, 634, 2, 297, 276, 2, 223, 549, 2],
		"num_keypoints": 17
	}, {
		"id": 1,
		"image_id": 1,
		"category_id": 1,
		"segmentation": [
			[]
		],
		"area": 0,
		"bbox": [8, 1, 478, 636],
		"iscrowd": 0,
		"keypoints": [266, 166, 2, 280, 126, 2, 220, 140, 2, 306, 126, 2, 160, 160, 2, 373, 325, 2, 81, 345, 2, 479, 511, 2, 67, 617, 2, 439, 345, 2, 21, 630, 2, 379, 630, 2, 207, 630, 2, 74, 617, 2, 47, 338, 2, 419, 338, 2, 47, 630, 2],
		"num_keypoints": 17
	}, {
		"id": 2,
		"image_id": 2,
		"category_id": 1,
		"segmentation": [
			[]
		],
		"area": 0,
		"bbox": [37, 74, 370, 521],
		"iscrowd": 0,
		"keypoints": [232, 139, 2, 252, 117, 2, 222, 117, 2, 283, 122, 2, 206, 128, 2, 319, 220, 2, 237, 198, 2, 335, 345, 2, 196, 209, 2, 232, 339, 2, 139, 225, 2, 299, 448, 2, 252, 432, 2, 309, 589, 2, 257, 589, 2, 324, 589, 2, 257, 589, 2],
		"num_keypoints": 17
	}, {
		"id": 3,
		"image_id": 3,
		"category_id": 1,
		"segmentation": [
			[]
		],
		"area": 0,
		"bbox": [104, 145, 323, 495],
		"iscrowd": 0,
		"keypoints": [305, 201, 2, 314, 196, 2, 296, 196, 2, 319, 201, 2, 278, 196, 2, 314, 248, 2, 269, 248, 2, 310, 320, 2, 261, 320, 2, 341, 335, 2, 287, 289, 2, 301, 377, 2, 278, 377, 2, 274, 480, 2, 314, 480, 2, 225, 578, 2, 332, 588, 2],
		"num_keypoints": 17
	}]
}
嘿hei嘿
关注
专栏目录
【mmdetection采坑记录】（一）将自己的数据转成COCO数据集的格式
麒麒哈尔的博客
11-05 5238
在转成COCO数据集格式的过程中，最麻烦的是生成annotations中的文件。这个过程我交给了小可爱去做，结果小可爱在转的时候，annotations字段中的每个字段中的id均设置为0。也就是说所有的annotations的id都一样，这会出现什么错误呢？ 在【mmdetection实践】构建自己的数据集中讲过，get_ann_info(self, idx)函数是负责在训练的时候加载img和la...
制作自己的coco关键点数据集
weilaicxy22的博客
04-21 5721
制作自己的coco关键点数据集 1、将我们需要标注的图片进行重命名，由于coco数据集图片的名称是12位数字，形式如 00000000001。代码如下： import os from tqdm import tqdm import codecs import json for root, _, path in os.walk(<保存图片的文件夹路径>): for s in tqdm(path): os.renames('<保存图片的文件夹路径>/{}'.for
VOC-＞COCO数据集格式转换：xml -＞ json
最新发布
qq_42248452的博客
07-16 182
首先确保已准备好：（1）images　->　train/val 文件夹，存放训练集／验证集图片文件；（2）annotations　->　train/val 文件夹，存放图片对应的xml文件。
Detectron：训练自己的数据集——将自己的数据格式转换成COCO格式
热门推荐
地理信息系统、摄影测量与遥感、人工智能
06-28 4万+
Detectron系列： Detectron:assert len(cfg_list) % 2 == 0 AssertionError Detectron：用自己训练好的模型进行测试 1.前情提要 Fackbook的开源检测框架Detectron已开源了一段时间： https://github.com/facebookresearch/De...............
根据自己的数据制作 coco annotations 类似的json文件
qq_26815239的博客
04-15 2905
自己的数据标签为txt文件，格式如下： Scene/Video/video0067/image_2860.png 7 1 368 342 100 91 1 468 355 64 72 1 700 216 43 46 1 712 149 35 38 1 771 115 28 32 1 790 140 21 20 1 643 65 11 13 图片路径 该图中框数(根据框数，后面的数5个一组，依次...
关于人体关键点数据集xml标注格式转json格式python实现
m0_37909240的博客
06-22 965
2020/6/21 Hey，拖更了两天，非常抱歉，不过最近这两天终于解决了一个困扰了我很久的难题，那就是如何将人体关键点数据集xml标注格式转换成json格式。也许是因为我第一次这样处理标注文件，又或是因为这个数据集的规模达到了与coco数据集类似的程度，总之为了编写这个转换的脚本我用了很多时间。 Xml的格式： json格式采用的是crowdpose数据集类似的格式具体可以参考：https://github.com/Jeff-sjtu/CrowdPose 实现思路：首先将数据集的图片重命.
将自己voc格式的旋转目标数据集转换为coco格式并重写dataloader
wt852561630的博客
07-19 1058
上一篇博客提到了voc转成coco格式的代码，现在要把旋转边框的voc转成coco格式，因为水平框和我自己的旋转框的voc的节点名字稍有不同，所以需要注意对读取xml里面节点名字的改变。然后在读取目标框坐标的时候注意增加一个角度。还有就是我的xml文件是用rolable标注的，得到的坐标是浮点数，在转换时需要注意先转换成float然后再转成int。 将标注文件转换好之后，我们还需要将coco格式的文件夹结构给处理好，这里不再赘述。 然后就需要修改dataloader ...
细胞核图像分割数据集(600张，json格式和coco格式标注)
06-26
COCO格式则是一个更通用的图像注解标准，它支持多类对象的实例分割、关键点检测等多种任务。COCO数据集通常包含图像元数据、类别信息、边界框和像素级别的语义分割掩码。在细胞核分割场景下，COCO标注文件会列出每个...
将labelme格式数据转化为标准的coco数据集格式方式
12-20
**将LabelMe格式数据转换为COCO数据集格式** LabelMe是一款强大的图像标注工具，它生成的标注数据保存在JSON文件中。然而，许多深度学习模型和算法使用的是COCO（Common Objects in Context）数据集格式。COCO格式...
voc中xml格式转coco数据json格式
06-08
转换后的COCO JSON格式数据集适用于许多深度学习框架，因为它提供了一种标准化的方式来组织和表示目标检测和分割任务的数据，便于模型训练和评估。通过这种方式，开发者可以充分利用已有的VOC数据，无需重新进行耗时...
labelme2coco_keypoints-master.zip
05-25
关键点检测 格式转换 将labelme标注的关键点数据转换为coco格式
labelme标注的数据集格式转换到COCO数据集格式
10-28
Mask_RCNN训练，labelme标注的数据集格式转换到COCO数据集格式。
CenterFusion数据集nuScence-COCO格式
06-27
这个数据集的特别之处在于它采用了nuScenes数据集的场景，并将其转换为了COCO（Common Objects in Context）的标准格式，以便于更广泛的社区进行研究和开发。 **1. CenterFusion数据集** CenterFusion是自动驾驶...
SSD系列(1)——制作自己的COCO格式Object Instance目标检测数据集
ryERO的博客
11-15 4028
本文主要介绍COCO数据集对detection任务的封装格式，并给出多进程的封装代码
Mask_RCNN训练自己的数据——制作COCO格式的数据集
地理信息系统、摄影测量与遥感、人工智能
12-01 3万+
matterport版mask_rcnn系列： 1.Mask_RCNN训练自己的数据 2.目标检测：使用Open_cv在图像上批量画bounding box 3.Mask_RCNN：使用COCO权重进行特定类别预测（只标记出你需要的类别） 4.Mask_RCNN:ValueError: Dimension 1 in both shapes ...............
mmdetection 使用自定义数据集训练 将数据集转为COCO格式
sunnyblogs的博客
11-29 1720
1.mmdet的安装与配置 按照官网来就好 2. 将数据转为COCO格式 3. 编写config配置文件 我想使用centernet进行训练，编写如下config脚本 改动的内容有：num_class 此外还需要改动 mmdet/datasets/coco.py # -*- coding: utf-8 -*- """ Created on Thu Nov 18 11:57:13 2021 @author: sxj96 """ _base_ = [ '../_base_/datasets/coco
人体关键点检测，标签格式转换Labelme转coco2017
m0_51318454的博客
05-11 478
import os import json import cv2 import numpy as np import os import json import glob from labelme import utils from sklearn.model_selection import train_test_split np.random.seed(41) classname_to_id = {"person": 1} labels = ["nose", # 1 "le
自己数据集转化为coco数据集
weixin_42076509的博客
05-01 2236
1.将图片copy到对应文件夹 %cd /home/aistudio !cp -r data/hand143_panopticdb/imgs/* data/coco/images/ 2.提取标签数据 import json import os import cv2 dataset = {'info':[],'categories':[],'images':[],'annotations':[]}...
json数据集转换成coco
07-12
要将JSON数据集转换为COCO格式，您可以按照以下步骤进行操作： 1. 了解COCO数据集格式：COCO数据集是一种通用的目标检测、分割和关键点检测数据集格式。它由一个JSON文件和图像文件组成。 2. 创建COCO JSON文件结构：COCO JSON文件具有以下几个主要部分： - info：数据集的一般信息，如名称、版本、创建者等。 - licenses：数据集的许可证信息。 - images：图像的元数据，包括图像ID、文件名、宽度、高度等。 - annotations：目标的注释信息，包括标注ID、图像ID、类别ID、边界框坐标等。 - categories：类别信息，包括类别ID和类别名称。 3. 解析原始JSON数据集：根据您的原始JSON数据集的结构，您需要编写代码来解析数据集并提取所需的信息，例如图像路径、目标类别和边界框。 4. 构建COCO数据结构：使用解析后的信息，您可以构建COCO数据集的数据结构，包括info、licenses、images、annotations和categories。 5. 将数据结构写入COCO JSON文件：将构建的COCO数据结构写入JSON文件中，并保存为COCO格式的数据集文件。 请注意，具体的转换过程可能因您的数据集结构而异。您可能需要根据您的数据集格式和需求进行适当的调整和扩展。
评论 20
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