YOLO2COCO
简体中文 | English
🎉 推出知识星球RapidAI私享群，这里的提问会优先得到回答和支持，也会享受到RapidAI组织后续持续优质的服务。欢迎大家的加入。
labelImg标注yolo格式数据 → YOLOV5格式
-
将labelImg库标注的yolo数据格式一键转换为YOLOV5格式数据
-
labelImg标注数据目录结构如下（详情参见
dataset/labelImg_dataset）：labelImg_dataset ├── classes.txt ├── images(13).jpg ├── images(13).txt ├── images(3).jpg ├── images(3).txt ├── images4.jpg ├── images4.txt ├── images5.jpg ├── images5.txt ├── images6.jpg # 注意这个是没有标注的 ├── images7.jpg └── images7.txt -
转换
python labelImg_2_yolov5.py --src_dir dataset/labelImg_dataset \ --out_dir dataset/labelImg_dataset_output \ --val_ratio 0.2 \ --have_test true \ --test_ratio 0.2--src_dir：labelImg标注后所在目录--out_dir： 转换之后的数据存放位置--val_ratio：生成验证集占整个数据的比例，默认是0.2--have_test：是否生成test部分数据，默认是True--test_ratio：test数据整个数据百分比，默认是0.2
-
转换后目录结构（详情参见
dataset/labelImg_dataset_output）：labelImg_dataset_output/ ├── classes.txt ├── images │ ├── images(13).jpg │ ├── images(3).jpg │ ├── images4.jpg │ ├── images5.jpg │ └── images7.jpg ├── labels │ ├── images(13).txt │ ├── images(3).txt │ ├── images4.txt │ ├── images5.txt │ └── images7.txt ├── non_labels # 这是没有标注图像的目录，自行决定如何处置 │ └── images6.jpg ├── test.txt ├── train.txt └── val.txt -
可以进一步直接对
dataset/labelImg_dataset_output目录作转COCO的转换python yolov5_2_coco.py --data_dir dataset/lablelImg_dataset_output
COCO格式数据 → labelImg
- 将COCO格式数据一键转换为labelImg标注的yolo格式数据
- COCO格式数据目录结构如下（详情参见：
dataset/YOLOV5_COCO_format）：YOLOV5_COCO_format ├── annotations │ ├── instances_train2017.json │ └── instances_val2017.json ├── train2017 │ ├── 000000000001.jpg │ └── 000000000002.jpg # 这个是背景图像 └── val2017 └── 000000000001.jpg - 转换
python coco_2_labelImg.py --data_dir dataset/YOLOV5_COCO_format
--data_dir: COCO格式数据集所在目录
- 转换后目录结构（详情参见：
dataset/COCO_labelImg_format）:COCO_labelImg_format ├── train │ ├── 000000000001.jpg │ ├── 000000000001.txt │ |-- 000000000002.jpg │ └── classes.txt └── val ├── 000000000001.jpg ├── 000000000001.txt └── classes.txt - 对转换之后的目录，可以直接用
labelImg库直接打开，更改标注，具体命令如下：$ cd dataset/COCO_labelImg_format $ labelImg train train/classes.txt # or $ labelImg val val/classes.txt
YOLOV5格式数据 → COCO
-
可以将一些背景图像加入到训练中，具体做法是：直接将背景图像放入
backgroud_images目录即可。 -
转换程序会自动扫描该目录，添加到训练集中，可以无缝集成后续YOLOX的训练。
-
YOLOV5训练格式目录结构（详情参见
dataset/YOLOV5）：YOLOV5 ├── classes.txt ├── background_images # 一般是和要检测的对象容易混淆的图像 │ └── bg1.jpeg ├── images │ ├── images(13).jpg │ └── images(3).jpg ├── labels │ ├── images(13).txt │ └── images(3).txt ├── train.txt └── val.txt -
train.txt和val.txt中图像路径，以下两种均可：
- 相对于根目录的路径
dataset/YOLOV5/images/images(3).jpg - 相对于dataset/YOLOV5的相对路径
images/images(3).jpg
- 相对于根目录的路径
-
转换
python yolov5_2_coco.py --data_dir dataset/YOLOV5 --mode_list train,val
--data_dir：整理好的数据集所在目录--mode_list：指定生成的json，前提是要有对应的txt文件，可单独指定。（e.g.train,val,test）
-
转换后目录结构（详情参见
dataset/YOLOV5_COCO_format）：YOLOV5_COCO_format ├── annotations │ ├── instances_train2017.json │ └── instances_val2017.json ├── train2017 │ ├── 000000000001.jpg │ └── 000000000002.jpg # 这个是背景图像 └── val2017 └── 000000000001.jpg
YOLOV5 YAML描述文件 → COCO
-
YOLOV5 yaml 数据文件目录结构如下（详情参见
dataset/YOLOV5_yaml）：YOLOV5_yaml ├── images │ ├── train │ │ ├── images(13).jpg │ │ └── images(3).jpg │ └── val │ ├── images(13).jpg │ └── images(3).jpg ├── labels │ ├── train │ │ ├── images(13).txt │ │ └── images(3).txt │ └── val │ ├── images(13).txt │ └── images(3).txt └── sample.yaml -
转换
python yolov5_yaml_2_coco.py --yaml_path dataset/YOLOV5_yaml/sample.yaml
darknet格式数据 → COCO
-
darknet训练数据目录结构（详情参见
dataset/darknet）：darknet ├── class.names ├── gen_config.data ├── gen_train.txt ├── gen_valid.txt └── images ├── train └── valid -
转换
python darknet_2_coco.py --data_path dataset/darknet/gen_config.data
可视化COCO格式下图像
python coco_visual.py --vis_num 1 \
--json_path dataset/YOLOV5_COCO_format/annotations/instances_train2017.json \
--img_dir dataset/YOLOV5_COCO_format/train2017--vis_num：指定要查看的图像索引--json_path：查看图像的json文件路径--img_dir: 查看图像所在的目录
COCO格式Object Instance示例
{
"info": {
"year": 2022,
"version": "1.0",
"description": "For object detection",
"date_created": "2022"
},
"licenses": [{
"id": 1,
"name": "Apache License v2.0",
"url": "https://github.com/RapidAI/YOLO2COCO/LICENSE"
}],
"images": [{
"date_captured": "2022",
"file_name": "000000000001.jpg",
"id": 1,
"height": 224,
"width": 224
}, {
"date_captured": "2022",
"file_name": "000000000002.jpg",
"id": 2,
"height": 424,
"width": 550
}],
"annotations": [{
"segmentation": [[18.00, 2.99, 105.00, 2.99, 105.00, 89.00, 18.00, 89.00]],
"area": 7482.011,
"iscrowd": 0,
"image_id": 1, // 对应images中的id
"bbox": [18.00, 2.99, 87.00, 86.00], // [x, y, w, h]其中(x,y)是左上角的值，w,h是框的宽和高
"category_id": 1, // 对应categories中的ID
"id": 1 // 唯一区分不同标注实例的编号
}, {
"segmentation": [
[126.99, 3.99, 210.99, 3.99, 210.99, 88.99, 126.99, 88.99]
],
"area": 7139.994,
"iscrowd": 0,
"image_id": 1,
"bbox": [126.99, 3.99, 84.0, 84.99],
"category_id": 1,
"id": 2
}],
"categories": [{
"supercategory": "stamp",
"id": 1,
"name": "stamp"
}]
}