前言
继Yolopose关键点检测：自己标注数据集，制作数据集(一)后，完成了labelme下的JSON转coco格式的JSON，接下来需要介绍如何将coco格式的JSON文件转换成 yolo的txt文件，以及coco_kpts文件夹的内容布局。
一、coco2yolo.py
通过edgeai-yolov5-yolo-pose工程下的README.md可知，官方已经给了labels格式及coco_kpts文件夹的布局，下载labels文件后，随便找了一个txt查看，内容如下：
0代表的numclass，后面4个数代表bbox的四个值，有小数是因为通过图片的宽和高进行了归一化，后面就是关键点x,y,v为一组，x,y同样进行了归一化，v为2前一篇博文讲过，按照这个格式并修改出了以下的转换代码：
# COCO 格式的数据集转化为 YOLO 格式的数据集
# --json_path 输入的json文件路径
# --save_path 保存的文件夹名字，默认为当前目录下的labels。
import os
import json
from tqdm import tqdm
import argparse
parser = argparse.ArgumentParser()
# 这里根据自己的json文件位置，换成自己的就行
parser.add_argument('--json_path',
default=r'E:\val2017\annotations\val.json', type=str,
help="input: coco format(json)")
# 这里设置.txt文件保存位置
parser.add_argument('--save_path', default=r'E:\val2017\annotations', 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 = round(x * dw, 6)
w = round(w * dw, 6)
y = round(y * dh, 6)
h = round(h * dh, 6)
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！
with open(os.path.join(ana_txt_save_path, 'classes.txt'), 'w') as f:
# 写入classes.txt
for i, category in enumerate(data['categories']):
f.write(f"{category['name']}\n")
id_map[category['id']] = i
# print(id_map)
# 这里需要根据自己的需要，更改写入图像相对路径的文件位置。
list_file = open(os.path.join(ana_txt_save_path, 'train2017.txt'), 'w')
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" % (id_map[ann["category_id"]], box[0], box[1], box[2], box[3]))
counter=0
for i in range(len(ann["keypoints"])):
if ann["keypoints"][i] == 2 or ann["keypoints"][i] == 1 or ann["keypoints"][i] == 0:
f_txt.write(" %s " % format(ann["keypoints"][i],'6f'))
counter=0
else:
if counter==0:
f_txt.write(" %s " % round((ann["keypoints"][i] / img_width),6))
else:
f_txt.write(" %s " % round((ann["keypoints"][i] / img_height),6))
counter+=1
f_txt.write("\n")
f_txt.close()
# 将图片的路径写入train2017或val2017的路径
list_file.write('E:/edgeai-yolov5-yolo-pose/coco_kpts/images/train2017/%s.jpg\n' % (head))
list_file.close()
执行后会在E:\val2017\annotations文件夹下得到以下几个txt文件
trian2017.txt 内容为原图片的绝对路径
classes.txt 内容为person
而000000000001.txt的内容如下，和官方给的labels的内容格式一模一样
这是之前提到的官方内容格式
至此，coco格式的JSON文件转换成yolo的txt文件就完成了。
二、coco_kpts文件夹下的内容布局
README.md内容中给的格式如下图所示：
(.cache文件是训练的时候系统自动生成的，不用管)
1.images文件夹存放所有的图片：
2.labels文件夹存放trian2017、val2017、test2017，这些文件夹放已经转换好的txt文件如下图所示：
3.annotations文件夹存放3个coco格式的JSON文件，如下图所示，例如我这次案例train放了3张照片，val放了一张照片，test放了一张照片，那我train的coco格式JSON文件里面就应该包含3张图片的关键点及人物框的信息（个人尝试了一下这些JSON文件取其他文件名也不影响程序的运行，甚至可以没有！！！）。
4.train2017.txt、val2017.txt、test-dev2017.txt里面存放的是图片的绝对路径，这在转换代码里面是可以进行修改的，如下图所示：
coco_kpts文件夹的内容讲解就介绍完成了。
总结
试着跑了一下，其他的报错提示在CSDN上都能找到解决方法，训练的时候记得改一下coco_kpts.yaml文件里面的内容，记得换成你自己的路径。
train: E:/edgeai-yolov5-yolo-pose/coco_kpts/train2017.txt
val: E:/edgeai-yolov5-yolo-pose/coco_kpts/val2017.txt
test: E:/edgeai-yolov5-yolo-pose/coco_kpts/test-dev2017.txt
最后在输出权值文件的文件夹下可以看到验证的图片如下图所示：
个人数据集的标注及制作到此结束，有疑问的同学欢迎留言，相互交流、学习，谢谢！