转自：https://blog.csdn.net/qq_41375609/article/details/95202218
import os
import json
from PIL import Image
def load_file(fpath):#fpath是具体的文件 ，作用：#str to list
assert os.path.exists(fpath) #assert() raise-if-not
with open(fpath,'r') as fid:
lines = fid.readlines()
records = [json.loads(line.strip('\n')) for line in lines] #str to list
return records
'''
————————————————
原文链接：https://blog.csdn.net/qq_41375609/article/details/95202218
'''
def crowdhuman2coco(odgt_path, json_path): # 一个输入文件路径，一个输出文件路径
records = load_file(odgt_path) # 提取odgt文件数据
# 预处理
json_dict = {"images": [], "annotations": [], "categories": []} # 定义一个字典，coco数据集标注格式
START_B_BOX_ID = 1 # 设定框的起始ID
image_id = 1 # 每个image的ID唯一，自己设定start，每次++
bbox_id = START_B_BOX_ID
image = {} # 定义一个字典，记录image
annotation = {} # 记录annotation
categories = {} # 进行类别记录
record_list = len(records) # 获得record的长度，循环遍历所有数据。
print(record_list)
# 一行一行的处理。
for i in range(record_list):
file_name = records[i]['ID'] + '.jpg' # 这里是字符串格式 eg.273278,600e5000db6370fb
# image_id = int(records[i]['ID'].split(",")[0]) 这样会导致id唯一，要自己设定
im = Image.open("/data/crowd/Images/" + file_name)
# im = Image.open("../mmdetection/data/crowdhuman/Images/" + file_name)
# 根据文件名，获取图片，这样可以获取到图片的宽高等信息。因为再odgt数据集里，没有宽高的字段信息。
image = {'file_name': file_name, 'height': im.size[1], 'width': im.size[0],
'id': image_id} # im.size[0]，im.size[1]分别是宽高
json_dict['images'].append(image) # 这一步完成一行数据到字典images的转换。
gt_box = records[i]['gtboxes']
gt_box_len = len(gt_box) # 每一个字典gtboxes里，也有好几个记录，分别提取记录。
for j in range(gt_box_len):
category = gt_box[j]['tag']
if category not in categories: # 该类型不在categories，就添加上去
new_id = len(categories) + 1 # ID递增
categories[category] = new_id
category_id = categories[category] # 重新获取它的类别ID
fbox = gt_box[j]['fbox'] # 获得全身框
# 对ignore进行处理，ignore有时在key：extra里，有时在key：head_attr里。属于互斥的。
ignore = 0 # 下面key中都没有ignore时，就设为0，据观察，都存在，只是存在哪个字典里，需要判断一下
if "ignore" in gt_box[j]['head_attr']:
ignore = gt_box[j]['head_attr']['ignore']
if "ignore" in gt_box[j]['extra']:
ignore = gt_box[j]['extra']['ignore']
# 对字典annotation进行设值。
annotation = {'area': fbox[2] * fbox[3], 'iscrowd': ignore, 'image_id': # 添加hbox、vbox字段。
image_id, 'bbox': fbox, 'hbox': gt_box[j]['hbox'], 'vbox': gt_box[j]['vbox'],
'category_id': category_id, 'id': bbox_id, 'ignore': ignore, 'segmentation': []}
# area的值，暂且就是fbox的宽高相乘了，观察里面的数据，发现fbox[2]小、fbox[3]很大，刚好一个全身框的宽很小，高就很大。（猜测），不是的话，再自行修改
# segmentation怎么处理？博主自己也不知道，找不到对应的数据，这里就暂且不处理。
# hbox、vbox、ignore是添加上去的，以防有需要。
json_dict['annotations'].append(annotation)
bbox_id += 1 # 框ID ++
image_id += 1 # 这个image_id的递增操作，注意位置，博主一开始，放上面执行了，后面出了bug，自己可以理一下。
# annotations的转化结束。
# 下面这一步，对所有数据，只需执行一次，也就是对categories里的类别进行统计。
for cate, cid in categories.items():
# dict.items()返回列表list的所有列表项，形如这样的二元组list：［(key,value),(key,value),...］
cat = {'supercategory': 'none', 'id': cid, 'name': cate}
json_dict['categories'].append(cat)
# 到此，json_dict的转化全部完成，对于其他的key，
# 因为没有用到（不访问），就不需要给他们空间，也不需要去处理，字典是按key访问的，如果自己需要就自己添加上去就行
json_fp = open(json_path, 'w')
json_str = json.dumps(json_dict) # 写json文件。
json_fp.write(json_str)
json_fp.close()
if __name__=='__main__':
odgt_path='./labels/annotation_train.odgt'
json_path='./json/train.json'
crowdhuman2coco(odgt_path, json_path)