COCO格式转化为YOLOv8格式

向右看齐 2024-02-17 08:42 19阅读 0赞

#### COCO格式转化为YOLOv8格式 ####

*  目录格式
 *  代码

## 目录格式 ##

yolov8仅支持YOLO格式的标签，COCO的默认标签为JSON格式，所以需要将COCO格式转换为YOLO格式。

如果训练COCO数据集的话一定要按照这个格式，摆放目录images，labels这两个目录名不可以改变

因为在内部已经写好了就这么去找数据，如果不按照这个规则写就会报错：No labels found in

datasets
        |
         coco
             |
              images
                    |
                    train2017
                    val2017
               labels
                     |
                     train2017
                     val2017

## 代码 ##

该代码可将COCO格式转换为YOLO格式并保存在labels/下。这里需要运行两次，train和val都需要转换。

import os 
    import json
    from tqdm import tqdm
    import argparse
     
    parser = argparse.ArgumentParser()
    parser.add_argument('--json_path', default='/home/ubuntu/data/coco2017/annotations/instances_train2017.json',type=str, help="input: coco format(json)")
    parser.add_argument('--save_path', default='/home/ubuntu/data/coco2017/labels/train2017', type=str, help="specify where to save the output dir of labels")
    arg = parser.parse_args()
     
    def convert(size, box):
        dw = 1. / (size[0])
        dh = 1. / (size[1])
        x = box[0] + box[2] / 2.0
        y = box[1] + box[3] / 2.0
        w = box[2]
        h = box[3]
     
        x = x * dw
        w = w * dw
        y = y * dh
        h = h * dh
        return (x, y, w, h)
     
    if __name__ == '__main__':
        json_file =   arg.json_path # COCO Object Instance 类型的标注
        ana_txt_save_path = arg.save_path  # 保存的路径
     
        data = json.load(open(json_file, 'r'))
        if not os.path.exists(ana_txt_save_path):
            os.makedirs(ana_txt_save_path)
        
        id_map = {
        } # coco数据集的id不连续！重新映射一下再输出！
        for i, category in enumerate(data['categories']): 
            id_map[category['id']] = i
     
        # 通过事先建表来降低时间复杂度
        max_id = 0
        for img in data['images']:
            max_id = max(max_id, img['id'])
        # 注意这里不能写作 [[]]*(max_id+1)，否则列表内的空列表共享地址
        img_ann_dict = [[] for i in range(max_id+1)] 
        for i, ann in enumerate(data['annotations']):
            img_ann_dict[ann['image_id']].append(i)
     
        for img in tqdm(data['images']):
            filename = img["file_name"]
            img_width = img["width"]
            img_height = img["height"]
            img_id = img["id"]
            head, tail = os.path.splitext(filename)
            ana_txt_name = head + ".txt"  # 对应的txt名字，与jpg一致
            f_txt = open(os.path.join(ana_txt_save_path, ana_txt_name), 'w')
            '''for ann in data['annotations']:
                if ann['image_id'] == img_id:
                    box = convert((img_width, img_height), ann["bbox"])
                    f_txt.write("%s %s %s %s %s\n" % (id_map[ann["category_id"]], box[0], box[1], box[2], box[3]))'''
            # 这里可以直接查表而无需重复遍历
            for ann_id in img_ann_dict[img_id]:
                ann = data['annotations'][ann_id]
                box = convert((img_width, img_height), ann["bbox"])
                f_txt.write("%s %s %s %s %s\n" % (id_map[ann["category_id"]], box[0], box[1], box[2], box[3]))
            f_txt.close()

[参考文章][Link 1]

[Link 1]: https://blog.csdn.net/qq_44992785/article/details/129724862