yolo-pose模型输出的预标注txt标签（box+keypoint）转labelme的json标签

 代码如下，可自行根据labelme的version更改代码中的verson版本号，以及label类别，和图像的宽度和高度。

注意：代码中这部分：

for i in range(5, 16, 3):  # 每 3 个元素为一个关键点（x, y, confidence）# 这里的16指的是从0开始到最后一个数字（pose——txt标签）

 是我根据yolov8-pose模型输出额txt格式预标注标签来写的，我的标签中是一个框加四个关键点，所以5代表的是第一个关键点的第一个坐标，16代表总共数字的个数，3代表从5开始每隔3个取一个关键点

import os
import json
import base64

def convert_txt_to_json(txt_folder, json_folder, image_folder, image_width, image_height):
    # 确保 JSON 文件夹存在
    os.makedirs(json_folder, exist_ok=True)

    # 遍历 TXT 文件夹中的所有文件
    for filename in os.listdir(txt_folder):
        if filename.endswith('.txt'):
            txt_file_path = os.path.join(txt_folder, filename)

            # 读取 TXT 文件
            with open(txt_file_path, 'r', encoding='utf-8') as f:
                line = f.readline().strip()

            # 处理每一行
            parts = list(map(float, line.split()))

            # 确保数据格式正确
            if len(parts) >= 13:
                class_id = int(parts[0])
                x_center = parts[1] * image_width
                y_center = parts[2] * image_height
                width = parts[3] * image_width
                height = parts[4] * image_height

                # 计算矩形框的顶点
                x1 = x_center - width / 2
                y1 = y_center - height / 2
                x2 = x_center + width / 2
                y2 = y_center + height / 2

                # 读取关键点和置信度
                keypoints = []
                for i in range(5, 16, 3):  # 每 3 个元素为一个关键点（x, y, confidence）# 这里的16指的是从0开始到最后一个数字（pose——txt标签）
                    if i + 2 < len(parts):  # 确保有足够的数据
                        keypoints.append({
                            'label': str(len(keypoints) + 5),  # 关键点标签 5,6,7,8 # 若要1，2，3，4则将5改为1
                            'points': [[parts[i] * image_width, parts[i + 1] * image_height]],
                            'group_id': None,
                            'shape_type': 'point',
                            'flags':{}
                        })

                # 获取对应的图像文件名
                image_name = filename.replace('.txt', '.jpg')  # 假设图像格式为 jpg
                image_path = os.path.join(image_folder, image_name)

                # 读取图像数据并进行编码
                image_data = ""
                if os.path.exists(image_path):
                    with open(image_path, "rb") as img_file:
                        image_data = base64.b64encode(img_file.read()).decode('utf-8')

                # 创建 JSON 数据
                json_data = {
                    "version": "5.1.1",
                    "flags": {},
                    "shapes": [
                        {
                            "label": "pylon",  # 矩形框的标签
                            "points": [[x1, y1], [x2, y2]],
                            "group_id": None,
                            "shape_type": "rectangle",
                            "flags": {}
                        }
                    ] + keypoints,  # 添加关键点
                    "imagePath": image_name,  # 图片名称
                    "imageData": image_data,  # 图像的 base64 编码数据
                    "imageHeight": image_height,
                    "imageWidth": image_width
                }

                # 保存为 JSON 文件
                json_file_path = os.path.join(json_folder, filename.replace('.txt', '.json'))
                with open(json_file_path, 'w', encoding='utf-8') as f:
                    json.dump(json_data, f, ensure_ascii=False, indent=4)

                print(f"Converted: {txt_file_path} to {json_file_path}")


image_width = 720  # 替换为实际图像宽度
image_height = 1280  # 替换为实际图像高度



# 使用示例
txt_folder = r'C:\Users\Administrator\Desktop\orb_images_hanger_pylon\orb_train_table\labels_pylon_yolo'  # 替换为你的 TXT 文件夹路径
json_folder = r'C:\Users\Administrator\Desktop\orb_images_hanger_pylon\orb_train_table\labels_pylon_json'  # 替换为你的 JSON 文件夹路径
image_folder = r'C:\Users\Administrator\Desktop\orb_images_hanger_pylon\orb_train_table\images'  # 替换为你的图像文件夹路径

convert_txt_to_json(txt_folder, json_folder, image_folder, image_width, image_height)