#Esto es para convertir anotaciones de tipo dota en anotaciones de marco positivo coco
#La razón es hacer una detección de vehículos, anotaciones en formato coco, pero dota es más adecuado para el entrenamiento
#El siguiente es el código
#一些模块为了后面的可视化而增加
import os.path as osp
import os
from PIL import Image
import json
from matplotlib import pyplot as plt
#根据信息生成模板，此处要求bbox必须是xyxy标注
def coco_annotations(bbox,cid,bbox_id,img_id,iscrowd):
x1,y1,x2,y2=bbox
return {
'segmentation':[[x1,y1,x2,y1,x2,y2,x1,y2]],
'bbox':[x1,y1,x2-x1+1,y2-y1+1],
'category_id':cid,
'area':(y2-y1+1)*(x2-x1+1),
'iscrowd':iscrowd,
'image_id':img_id,
'id':bbox_id}
def coco_images(file_name,height,width,img_id):
return {
'file_name':file_name,
'height':height,
'width':width,
'id':img_id}
#从dota数据集中的txt格式标注中获取信息，函数中需要用到变量cls_name2id，categories
def deal_with_txt(label_path, img_id, anno_id):
annos = []
with open(label_path,'r') as gt:
gt_lines=gt.readlines()
for i in gt_lines:
iscrowd=int(i[-2])
i=i.split(' ')
cls_name=i[-2]
cid=cls_name2id[cls_name]
cood=i[:8]
cood=tuple(map(float,cood))
x1=min(cood[0],cood[2],cood[4],cood[6])
x2=max(cood[0],cood[2],cood[4],cood[6])
y1=min(cood[1],cood[3],cood[5],cood[7])
y2=max(cood[1],cood[3],cood[5],cood[7])
b=(x1,y1,x2,y2)
#下面使用coco_annotations函数把上面的读取数据输入
anno=coco_annotations(b,cid,anno_id,img_id,iscrowd)
annos.append(anno)
anno_id+=1
return annos,anno_id
def generate_coco_fmt(data_root,anno_root,categories,img_root):
'''
data_root是数据集路径
下面的路径是相对data_root的路径
anno_root是数据集的标注文件的路径
img_root是数据集的图片路径
categories需要事先得到
'''
img_id, anno_id = 0, 0
all_annos, all_images = [], []
for anno_txt in os.listdir(osp.join(data_root,anno_root)):
file_name=anno_txt.replace('txt','png')
label_path=osp.join(data_root,anno_root,anno_txt)
img_path=osp.join(data_root,img_root,file_name)
if osp.exists(img_path):
annos,anno_id=deal_with_txt(label_path,img_id,anno_id)
all_annos.extend(annos)
img=Image.open(img_path)
all_images.append(coco_images(osp.join(img_root,file_name),img.height,img.width,img_id))
img_id+=1
return{
'images':all_images,
"annotations": all_annos,
"categories": categories,
"type": "instance"
}
'''
这一部分的目的是为了获取必须提前获取的categories和cls_name2id
'''
classes=('plane', 'baseball-diamond', 'bridge', 'ground-track-field',
'small-vehicle', 'large-vehicle', 'ship', 'tennis-court',
'basketball-court', 'storage-tank', 'soccer-ball-field',
'roundabout', 'harbor', 'swimming-pool', 'helicopter')
cls_name2id={
}
categories=[]
for i in range(1,16):
cls_name2id.update({
classes[i-1]:i})
dict_cate={
'id':i,'name':classes[i-1],'supercategory':classes[i-1]}
categories.append(dict_cate)
#路径自己改一下记得
data_root='../data/DOTA1-split-1024'
anno_root='trainval1024/annfiles'
img_root='trainval1024/images'
dota_coco_fmt=generate_coco_fmt(data_root,anno_root,categories,img_root)
json.dump(dota_coco_fmt,open(osp.join(data_root,'train.json'),'a'),ensure_ascii=False)
Imagen del efecto: el
texto original contiene información:
['597.0 429.0 614.0 432.0 608.0 473.0 591.0 470.0 small-vehicle 1\n', '409.0 647.0 410.0 667.0 343.0 677.0 342.0 658 .0
small -vehículo 0\n',
'434.0 959.0 505.0 955.0 507.0 978.0 436.0 980.0 vehículo grande 0\n',
'697.0 757.0 718.0 754.0 743.0 881.0 721.0 886.0 vehículo grande 0\n', '556.0 790.0 580.0 786 .0 603.0 913.0 578.0 918.0 vehículo grande 0
\n',
'521.0 772,0 544,0 767,0 549,0 837,0 528,0 840,0 vehículo pequeño 0\n',
'456,0 790,0 479,0 789,0 505,0 939,0 483,0 940,0 vehículo grande 0\n', '480,0 7 81,0 503 ,0 773,0 539,0 929,0 509,0 941,0 vehículo grande 0\n
' ,
'607.0 729.0 633.0 723.0 680.0 898.0 647.0 909.0 vehículo grande 0\n',
'390.0 360.0 412.0 364.0 409.0 449.0 382.0 446.0 vehículo grande 0\n',
'751.0 21.0 747.0 43.0 584.0 0.0 669.0 0.0 vehículo grande 0\n',]
y visualice Después de la imagen:
Por supuesto, porque el formato de coco es todas las anotaciones Los archivos json unificados no se pueden mostrar aquí:
déjame mostrarte el resultado después de visualizar el marco frontal.
Si quieres saber el código de visualización, puedes ir a mi artículo de historia.
Si escribe su propia visualización, usar opencv es mucho más conveniente que el módulo Imagen. El módulo Imagen necesita cambiar entre numpy y opencv.
