1. 安装pycocotools

pip install pycocotools -i https:pypi.douban.com/simple

2.重新排序并命名

在转换之前，如果有图片和txt名字不符合要求，运行文件会报错，因此需要将文件进行重新排序，代码如下：

可以将文件重新排序并进行重命名
可以将没有标签的文件进行删除

#第一天学习
#第一天学习
#对文件名重新顺序命名
import os

imgpath = r'F:\sjh\code\my\datasets\VOC_five\images/'
labelpath = r'F:\sjh\code\my\datasets\VOC_five\labels/'

imglist = os.listdir(imgpath)
labellist = os.listdir(labelpath)
imgn = 00000
laben = 00000

# imglist.sort(key=lambda x: int(x[:-4])) #对‘.’进行切片，并取列表的第一个值（左边的文件名）转化整数型

# print(sorted(labellist))
for imaname in imglist:

    img_id = '%05d' %imgn
    imgname = imaname.strip('.jpg')
    oriimg= imgpath + imgname + '.jpg'
    newimname = str(img_id) + '.jpg'
    newimg = imgpath +newimname
    # print(oriimg,newimg)




    orilabel = labelpath + imgname + '.txt'
    newtxtname = str(img_id) + '.txt'
    newlabel = labelpath + newtxtname
    # print(orilabel,newlabel)
    imgn += 1
    if not os.path.exists(oriimg) or not os.path.exists(orilabel):
        print("no exists img",oriimg,orilabel)
        continue
    elif oriimg == newimg:
        print("Has been renamed：",oriimg,newimg)
        continue

    img_size = os.path.getsize(oriimg)
    label_size = os.path.getsize(orilabel)
    if img_size == 0 or label_size ==0:
        print('文件是空的')
        print(orilabel,'文件已删除')
        os.remove(orilabel)
        os.remove(oriimg)
        continue
    # print(newimg,newlabel)
    # os.rename(oriimg, newimg)
    # os.rename(orilabel, newlabel)

3. 将txt标签转换为json格式格式

之后将YOLO的txt文件生成需要使用的txt文件

import os
import cv2
'''
function:可将yolo格式的数据集转换为coco格式的(1)， 生成annos.txt

需要准备：
labels：yolo格式的标签，是txt格式，名字为图片名
images：原始标签对应的图片，需要有序号
'''

# 原始标签路径E:\pyCharmProject\AI\papercode\datasets\GTSDB
originLabelsDir = r'F:\sjh\code\my\datasets\VOC_five\labels'
# 转换后的文件保存路径
saveDir = r'F:\sjh\code\my\datasets\VOC_five/annos1.txt'
# 原始标签对应的图片路径
originImagesDir = r'F:\sjh\code\my\datasets\VOC_five\images'

txtFileList = os.listdir(originLabelsDir)
with open(saveDir, 'w') as fw:
    for txtFile in txtFileList:
        with open(os.path.join(originLabelsDir, txtFile), 'r') as fr:
            labelList = fr.readlines()
            for label in labelList:
                label = label.strip().split()
                x = float(label[1])
                y = float(label[2])
                w = float(label[3])
                h = float(label[4])

                # convert x,y,w,h to x1,y1,x2,y2
                imagePath = os.path.join(originImagesDir,
                                         txtFile.replace('txt', 'jpg'))
                print(imagePath)
                image = cv2.imread(imagePath)
                print(image.shape)
                H, W, _ = image.shape
                x1 = (x - w / 2) * W
                y1 = (y - h / 2) * H
                x2 = (x + w / 2) * W
                y2 = (y + h / 2) * H
                # 为了与coco标签方式对，标签序号从1开始计算
                fw.write(txtFile.replace('txt', 'jpg') + ' {} {} {} {} {}\n'.format(int(label[0]), x1, y1, x2, y2))

        print('{} done'.format(txtFile))

生成以下形式
在这里插入图片描述

2. 生成json

# -*- coding: utf-8 -*-
# @Time    : 2022/9/5
# @Author  : rickHan
# @Software: PyCharm
# @File    : yolo2coco2.py
import json
import os
import cv2

#-------------------可用-----------------------------------
'''
function:可将yolo格式的数据集转换为coco格式的(2)
需要准备：
classes.txt：一行就是一个类，不需要数字，只要类名称
annos.txt：由上一个.py文件生成
images：与annos.txt对应的图片，需要有序号

生成.json文件，在annotations文件下
'''

# ------------用os提取images文件夹中的图片名称，并且将BBox都读进去------------
# 根路径，里面包含images(图片文件夹)，annos.txt(bbox标注)，classes.txt(类别标签),
# 以及annotations文件夹(如果没有则会自动创建，用于保存最后的json)
root_path = r'F:\sjh\code\my\datasets\VOC_five'
# 用于创建训练集或验证集
phase = 'instances_val2017'  # 需要修正，保存后的json文件名

# dataset用于保存所有数据的图片信息和标注信息
dataset = {'categories': [], 'annotations': [], 'images': []}

# 打开类别标签
with open(os.path.join(root_path, 'classes.txt')) as f:
    classes = f.read().strip().split()

# 建立类别标签和数字id的对应关系
for i, cls in enumerate(classes, 1):
    dataset['categories'].append({'id': i, 'name': cls, 'supercategory': 'mark'})

# 读取images文件夹的图片名称
indexes = os.listdir(root_path+'/images/')

# 统计处理图片的数量
global count
count = 0

# 读取Bbox信息
with open(root_path+ '/annos1.txt') as tr:
    annos = tr.readlines()

    # ---------------接着将，以上数据转换为COCO所需要的格式---------------
    for k, index in enumerate(indexes):
        count += 1
        # 用opencv读取图片，得到图像的宽和高
        im = cv2.imread(root_path+'/images/' + index)
        height, width, _ = im.shape
        print(index)
        # 添加图像的信息到dataset中
        dataset['images'].append({'file_name': index.replace("\\", "/"),
                                  'id': int(index[:5]),  # 提取文件名 里的数字标号 必须是int类型，不能是str
                                  'width': width,
                                  'height': height})

        for ii, anno in enumerate(annos):
            parts = anno.strip().split()

            # 如果图像的名称和标记的名称对上，则添加标记
            if parts[0] == index:
                # 类别
                cls_id = parts[1]
                # x_min
                x1 = float(parts[2])
                # y_min
                y1 = float(parts[3])
                # x_max
                x2 = float(parts[4])
                # y_max
                y2 = float(parts[5])
                width = max(0, x2 - x1)
                height = max(0, y2 - y1)
                dataset['annotations'].append({
                    'area': width * height,
                    'bbox': [x1, y1, width, height],
                    'category_id': int(cls_id),
                    'id': ii,
                    'image_id': int(index[0:5]),	# 提取文件名里的数字标号  必须是int类型，不能是str
                    'iscrowd': 0,
                    # mask, 矩形是从左上角点按顺时针的四个顶点
                    'segmentation': [[x1, y1, x2, y1, x2, y2, x1, y2]]
                })

        print('{} images handled'.format(count))

# 保存结果的文件夹
folder = os.path.join(root_path, './valid/annotations')
if not os.path.exists(folder):
    os.makedirs(folder)
json_name = os.path.join(root_path, './valid/annotations/{}.json'.format(phase))
with open(json_name, 'w') as f:
    json.dump(dataset, f, ensure_ascii=False, indent=1)

3. 测试是否正确

# -*- coding: utf-8 -*-
# @Time    : 2022/9/5
# @Author  : rickHan
# @Software: PyCharm
# @File    : drawtest.py
import os
from pycocotools.coco import COCO
from PIL import Image, ImageDraw
import matplotlib.pyplot as plt
'''
function:绘制标注的数据集和对应图片的位置是否正确
绘制前三张，如果yoyo转换标注的json数据集没有问题，则也能在图上画出框

'''
json_path = r'F:\sjh\code\my\datasets\VOC_five\valid\annotations/instances_val2017.json'
# json_path = r'predictions.json'
img_path = r'F:\sjh\code\my\datasets\VOC_five\images'  #json对应的图片

# load coco data
coco = COCO(annotation_file=json_path)

# get all image index info
ids = list(sorted(coco.imgs.keys()))
print("number of images: {}".format(len(ids)))

# get all coco class labels
coco_classes = dict([(v["id"], v["name"]) for k, v in coco.cats.items()])

# 遍历前三张图像
for img_id in ids[:3]:
    # 获取对应图像id的所有annotations idx信息
    ann_ids = coco.getAnnIds(imgIds=img_id)

    # 根据annotations idx信息获取所有标注信息
    targets = coco.loadAnns(ann_ids)

    # get image file name
    path = coco.loadImgs(img_id)[0]['file_name']

    # read image
    img = Image.open(os.path.join(img_path, path)).convert('RGB')
    draw = ImageDraw.Draw(img)
    # draw box to image
    for target in targets:
        x, y, w, h = target["bbox"]
        x1, y1, x2, y2 = x, y, int(x + w), int(y + h)
        draw.rectangle((x1, y1, x2, y2))
        draw.text((x1, y1), coco_classes[target["category_id"]])

    # show image
    plt.imshow(img)
    plt.show()

测试没有问题，就可以使用了

4. 运行val.py

json文件存放位置，放到测试文件总目录下

.\annotations\instances_val2017.json

python val.py --save-json

结果
在这里插入图片描述

完整版本（一次运行所有）

import os
import cv2
import json
import os
from pycocotools.coco import COCO
from PIL import Image, ImageDraw
import matplotlib.pyplot as plt
'''
**************** first ****************
function:可将yolo格式的数据集转换为coco格式的(1)， 生成annos.txt
需要准备：
labels：yolo格式的标签，是txt格式，名字为图片名
images：原始标签对应的图片，需要有序号
'''
root_dir=r'F:\sjh\code\my\datasets\VOC_five'
def first_to_annostxt():
    # 原始标签路径E:\pyCharmProject\AI\papercode\datasets\GTSDB
    originLabelsDir = root_dir + '/labels'
    # 转换后的文件保存路径
    saveDir = root_dir + '/annos1.txt'
    # 原始标签对应的图片路径
    originImagesDir = root_dir + '/images'

    txtFileList = os.listdir(originLabelsDir)
    with open(saveDir, 'w') as fw:
        for txtFile in txtFileList:
            with open(os.path.join(originLabelsDir, txtFile), 'r') as fr:
                labelList = fr.readlines()
                for label in labelList:
                    label = label.strip().split()
                    x = float(label[1])
                    y = float(label[2])
                    w = float(label[3])
                    h = float(label[4])

                    # convert x,y,w,h to x1,y1,x2,y2
                    imagePath = os.path.join(originImagesDir,
                                             txtFile.replace('txt', 'jpg'))
                    print(imagePath)
                    image = cv2.imread(imagePath)
                    print(image.shape)
                    H, W, _ = image.shape
                    x1 = (x - w / 2) * W
                    y1 = (y - h / 2) * H
                    x2 = (x + w / 2) * W
                    y2 = (y + h / 2) * H
                    # 为了与coco标签方式对，标签序号从1开始计算
                    fw.write(txtFile.replace('txt', 'jpg') + ' {} {} {} {} {}\n'.format(int(label[0]), x1, y1, x2, y2))

            print('{} done'.format(txtFile))
def secon_tojson():
    #-------------------可用-----------------------------------
    '''
    function:可将yolo格式的数据集转换为coco格式的(2)
    需要准备：
    classes.txt：一行就是一个类，不需要数字，只要类名称
    annos.txt：由上一个.py文件生成
    images：与annos.txt对应的图片，需要有序号

    生成.json文件，在annotations文件下
    '''
    # ------------用os提取images文件夹中的图片名称，并且将BBox都读进去------------
    # 根路径，里面包含images(图片文件夹)，annos.txt(bbox标注)，classes.txt(类别标签),
    # 以及annotations文件夹(如果没有则会自动创建，用于保存最后的json)
    root_path = root_dir
    # 用于创建训练集或验证集
    phase = 'instances_val2017'  # 需要修正，保存后的json文件名

    # dataset用于保存所有数据的图片信息和标注信息
    dataset = {'categories': [], 'annotations': [], 'images': []}

    # 打开类别标签
    with open(os.path.join(root_path, 'classes.txt')) as f:
        classes = f.read().strip().split()

    # 建立类别标签和数字id的对应关系
    for i, cls in enumerate(classes, 1):
        dataset['categories'].append({'id': i, 'name': cls, 'supercategory': 'mark'})

    # 读取images文件夹的图片名称
    indexes = os.listdir(root_path+'/images/') #读取文件

    # 统计处理图片的数量
    global count
    count = 0

    # 读取Bbox信息
    with open(root_path+ '/annos1.txt') as tr: #读取文件
        annos = tr.readlines()

        # ---------------接着将，以上数据转换为COCO所需要的格式---------------
        for k, index in enumerate(indexes):
            count += 1
            # 用opencv读取图片，得到图像的宽和高
            im = cv2.imread(root_path+'/images/' + index) #读取文件
            height, width, _ = im.shape
            print(index)
            # 添加图像的信息到dataset中
            dataset['images'].append({'file_name': index.replace("\\", "/"),
                                      'id': int(index[:5]),  # 提取文件名 里的数字标号 必须是int类型，不能是str
                                      'width': width,
                                      'height': height})

            for ii, anno in enumerate(annos):
                parts = anno.strip().split()

                # 如果图像的名称和标记的名称对上，则添加标记
                if parts[0] == index:
                    # 类别
                    cls_id = parts[1]
                    # x_min
                    x1 = float(parts[2])
                    # y_min
                    y1 = float(parts[3])
                    # x_max
                    x2 = float(parts[4])
                    # y_max
                    y2 = float(parts[5])
                    width = max(0, x2 - x1)
                    height = max(0, y2 - y1)
                    dataset['annotations'].append({
                        'area': width * height,
                        'bbox': [x1, y1, width, height],
                        'category_id': int(cls_id),
                        'id': ii,
                        'image_id': int(index[0:5]),	# 提取文件名里的数字标号  必须是int类型，不能是str
                        'iscrowd': 0,
                        # mask, 矩形是从左上角点按顺时针的四个顶点
                        'segmentation': [[x1, y1, x2, y1, x2, y2, x1, y2]]
                    })

            print('{} images handled'.format(count))

    # 保存结果的文件夹
    folder = os.path.join(root_path, './annotations')
    if not os.path.exists(folder):
        os.makedirs(folder)
    json_name = os.path.join(root_path, './annotations/{}.json'.format(phase))
    with open(json_name, 'w') as f:
        json.dump(dataset, f, ensure_ascii=False, indent=1)

'''
function:绘制标注的数据集和对应图片的位置是否正确
绘制前三张，如果yoyo转换标注的json数据集没有问题，则也能在图上画出框

'''
def third_toview():
    json_path = root_dir+'/annotations/instances_val2017.json'
    # json_path = r'predictions.json'
    img_path = root_dir+'/images'  #json对应的图片
    
    # load coco data
    coco = COCO(annotation_file=json_path)
    
    # get all image index info
    ids = list(sorted(coco.imgs.keys()))
    print("number of images: {}".format(len(ids)))
    
    # get all coco class labels
    coco_classes = dict([(v["id"], v["name"]) for k, v in coco.cats.items()])
    
    # 遍历前三张图像
    for img_id in ids[:3]:
        # 获取对应图像id的所有annotations idx信息
        ann_ids = coco.getAnnIds(imgIds=img_id)
    
        # 根据annotations idx信息获取所有标注信息
        targets = coco.loadAnns(ann_ids)
    
        # get image file name
        path = coco.loadImgs(img_id)[0]['file_name']
    
        # read image
        img = Image.open(os.path.join(img_path, path)).convert('RGB')
        draw = ImageDraw.Draw(img)
        # draw box to image
        for target in targets:
            x, y, w, h = target["bbox"]
            x1, y1, x2, y2 = x, y, int(x + w), int(y + h)
            draw.rectangle((x1, y1, x2, y2))
            draw.text((x1, y1), coco_classes[target["category_id"]])
    
        # show image
        plt.imshow(img)
        plt.show()
first_to_annostxt()
secon_tojson()
third_toview()