利用 labelme 将 jpg和json格式 转VOC数据集 及 数据集划分

时间:20220406
内容:labelme工具的安装和使用、jpg和json格式转VOC数据集

0 使用工具

labelme仓库: 里面有安装教程

https://gitcode.net/mirrors/wkentaro/labelme?utm_source=csdn_github_accelerator

新建环境labelme

conda create --name=labelme python=2.7(这一步python=*选择自己的Python版本)
activate labelme
conda install pyqt
pip install labelme

在终端输入labelme启动软件

activate labelme
labelme

如下图:
利用 labelme 将 jpg和json格式 转VOC数据集 及 数据集划分_第1张图片

1 数据集转换

准备好jpg+json数据集,一个jpg对应一个json,命名data_annotated。

把要处理的数据 data_annotated 和 要执行的python文件 labelme2voc.pylabels.txt放在一个文件夹下。

labelme2voc.py :

#!/usr/bin/env python

from __future__ import print_function

import argparse
import glob
import os
import os.path as osp
import sys

import imgviz
import numpy as np

import labelme


def main():
    parser = argparse.ArgumentParser(
        formatter_class=argparse.ArgumentDefaultsHelpFormatter
    )
    parser.add_argument("input_dir", help="input annotated directory")
    parser.add_argument("output_dir", help="output dataset directory")
    parser.add_argument("--labels", help="labels file", required=True)
    parser.add_argument(
        "--noviz", help="no visualization", action="store_true"
    )
    args = parser.parse_args()

    if osp.exists(args.output_dir):
        print("Output directory already exists:", args.output_dir)
        sys.exit(1)
    os.makedirs(args.output_dir)
    os.makedirs(osp.join(args.output_dir, "JPEGImages"))
    os.makedirs(osp.join(args.output_dir, "SegmentationClass"))
    os.makedirs(osp.join(args.output_dir, "SegmentationClassPNG"))
    if not args.noviz:
        os.makedirs(
            osp.join(args.output_dir, "SegmentationClassVisualization")
        )
    print("Creating dataset:", args.output_dir)

    class_names = []
    class_name_to_id = {}
    for i, line in enumerate(open(args.labels).readlines()):
        class_id = i - 1  # starts with -1
        class_name = line.strip()
        class_name_to_id[class_name] = class_id
        if class_id == -1:
            assert class_name == "__ignore__"
            continue
        elif class_id == 0:
            assert class_name == "_background_"
        class_names.append(class_name)
    class_names = tuple(class_names)
    print("class_names:", class_names)
    out_class_names_file = osp.join(args.output_dir, "class_names.txt")
    with open(out_class_names_file, "w") as f:
        f.writelines("\n".join(class_names))
    print("Saved class_names:", out_class_names_file)

    for filename in glob.glob(osp.join(args.input_dir, "*.json")):
        print("Generating dataset from:", filename)

        label_file = labelme.LabelFile(filename=filename)

        base = osp.splitext(osp.basename(filename))[0]
        out_img_file = osp.join(args.output_dir, "JPEGImages", base + ".jpg")
        out_lbl_file = osp.join(
            args.output_dir, "SegmentationClass", base + ".npy"
        )
        out_png_file = osp.join(
            args.output_dir, "SegmentationClassPNG", base + ".png"
        )
        if not args.noviz:
            out_viz_file = osp.join(
                args.output_dir,
                "SegmentationClassVisualization",
                base + ".jpg",
            )

        with open(out_img_file, "wb") as f:
            f.write(label_file.imageData)
        img = labelme.utils.img_data_to_arr(label_file.imageData)

        lbl, _ = labelme.utils.shapes_to_label(
            img_shape=img.shape,
            shapes=label_file.shapes,
            label_name_to_value=class_name_to_id,
        )
        labelme.utils.lblsave(out_png_file, lbl)

        np.save(out_lbl_file, lbl)

        if not args.noviz:
            viz = imgviz.label2rgb(
                lbl,
                imgviz.rgb2gray(img),
                font_size=15,
                label_names=class_names,
                loc="rb",
            )
            imgviz.io.imsave(out_viz_file, viz)


if __name__ == "__main__":
    main()

制作labels.txt文件:

__ignore__
_background_
class1
class2
...
classn

在终端cd到这一文件夹。
执行:

python ./labelme2voc.py data_annotated data_dataset_voc --labels labels.txt

利用 labelme 将 jpg和json格式 转VOC数据集 及 数据集划分_第2张图片
即可。
转换结果:
利用 labelme 将 jpg和json格式 转VOC数据集 及 数据集划分_第3张图片
也可以转换CoCo数据集。希望能帮到你。

2 补充 VOC数据集使用和训练集划分

除了生成的几个文件和文件夹,VOC数据集 还需要一个叫 在这里插入图片描述
的文件夹,里面是train.txt val.txt
这两个文件里面是没有后缀的文件名。

制作:

import os
import shutil
from random import randrange
import os.path as osp

import mmcv


def divide_img(scale, images_path, save_txt_path):
    modnum = randrange(scale)  # 首先随机生成一个随机数
    # 开始划分训练集和测试集并保存名字
    # 遍历根文件夹
    i = 0
    for imagename in os.listdir(images_path):  # 获取具体的文件名称
        # 去除后缀
        imagename_null = str(imagename[:-4])
        print(imagename_null)
        if i % scale == modnum:  # 划分为测试集
            # save_path = save_txt_path + '/'
            # shutil.copy(src=src_image, dst=save_path)
            with open(osp.join(save_txt_path, 'test.txt'), 'a') as f:
                #    train_length = int(len(filename_list))
                f.writelines(str(imagename_null) + '\n')
                print("write in!")
        elif i % scale == modnum + 1:
            with open(osp.join(save_txt_path, 'val.txt'), 'a') as f:
                #    train_length = int(len(filename_list))
                f.writelines(str(imagename_null) + '\n')
                print("write in!")
        else:  # 划分为训练集
            with open(osp.join(save_txt_path, 'train.txt'), 'a') as f:
                #    train_length = int(len(filename_list))
                f.writelines(str(imagename_null) + '\n')
                print("write in!")
            # 一轮结束
        if i % scale == 0 and i != 0:  # 将数据集划分,每次处理完scale张图片后变化一次随机数
            modnum = randrange(scale)
        i = i + 1


if __name__ == '__main__':
    ann_dir = 'img/SegmentationClassPNG'  # 即图片所在文件夹 img/SegmentationClassPNG
    txt_path = 'splits'  # 后为img/divide
    # 随机生成训练集和测试集,比例为8:1
    scale = 14
    divide_img(scale, ann_dir, txt_path)
    print("finish")


2022年9月1日:
划分的代码不够完善 补充了test集

你可能感兴趣的:(数据预处理,python,计算机视觉,图像处理)