曲阜建设公司网站,徐州市城乡建设局官方网站,十大搜索引擎网站,网页设计与网站建设区别目标检测脚本之mmpose json转yolo txt格式
一、需求分析
在使用yolopose及yolov8-pose 网络进行人体姿态检测任务时#xff0c;有时需要标注一些特定场景的中的人型目标数据#xff0c;用来扩充训练集#xff0c;提升自己训练模型的效果。因为单纯的人工标注耗时费力…目标检测脚本之mmpose json转yolo txt格式
一、需求分析
在使用yolopose及yolov8-pose 网络进行人体姿态检测任务时有时需要标注一些特定场景的中的人型目标数据用来扩充训练集提升自己训练模型的效果。因为单纯的人工标注耗时费力所以可以使用一些开源的大模型如mmpose来标注图片。以mmpose为例对下面图片进行预测后生成的结果图如下所示
1.预测图片
从预测图片可以看出预测的结果还是不错的目标框和关键点的位置预测的还是比较准确的。2. json 文件
从json 文件中可以看出包含4个字段Keyponts、keypoints_score、bbox、bbox_score注意其中keypoints只包含关键点的(x,y坐标值并没有yolo格式中的v值。keypoints_score表示每个关键点的得分bbox表示目标框的左上角和右下角坐标bbox_score表示目标框的得分。二、需求实现
1. 预计结果
如下图所示希望通过脚本文件可以批量将mmpose生成的json文件转为yolo的txt标签格式2. 源码实现
# 处理 mmpose 推理后的json文件生成coco格式关键点的标签文件
import json
import os
import cv2# 目标检测框 x1y1x2y2 转 为 cls,x_center,y_center,w,h
def convert_xywh(box,image_width,image_height):x1,y1 box[0],box[1]x2,y2 box[2],box[3]x (x2 x1) /(2*image_width)y (y2 y1) /(2*image_height)width (x2-x1) / image_widthheight (y2-y1) / image_heightclass_id 0return [class_id,round(x,4),round(y,4),round(width,4),round(height,4)]# 判断目标的尺寸是否太小这里设置了5以下返回True可以自行根据实际情况更改
def is_too_small(label,image_width,image_height):if label[4] * image_width 5 or label[3] * image_height 5:return Truedef json2txt(json_dir,image_dir,save_label_dir):根据输入的json文件夹图像文件夹和保存标签的文件夹生成coco格式的标签文件。Args:json_dir (str): 存放json文件的文件夹路径。image_dir (str): 存放图像文件的文件夹路径。save_label_dir (str): 保存标签文件的文件夹路径。Returns:Noneprint(save_label_dir)if not os.path.exists(save_label_dir):os.makedirs(save_label_dir)json_list os.listdir(json_dir)for json_file in json_list:image_file os.path.join(image_dir,json_file.split(.)[0].jpg)img cv2.imread(image_file)if img is None:continuewidth,height img.shape[1],img.shape[0]json_path os.path.join(json_dir,json_file)label_path os.path.join(save_label_dir,json_file.split(.)[0].txt)with open(json_path,r,encodingutf-8) as f:result json.load(f) # 读取json文件kepoints []kepoints_scores []boxes []for item in result:kepoints.append(item.get(keypoints))kepoints_scores.append(item.get(keypoint_scores))boxes.append(item.get(bbox))# print(len(boxes))coco_model_kepoints []coco_boxes []# 共有多少个目标也相当于多少组关键点评分for i in range(len(kepoints_scores)):coco_model_kepoints_temp []#每组关键点有17个每个关键点有2个值需要将每个关键点都转换成coco格式补充为3个值for j in range(len(kepoints_scores[i])): if kepoints_scores[i][j] 0.45:x kepoints[i][j][0]/width if kepoints[i][j][0]/width 0 else 0y kepoints[i][j][1]/height if kepoints[i][j][1]/height 0 else 0v 2else:x 0y 0v 0if x 1:x 1if y 1:y 1x round(x,4)y round(y,4)coco_model_kepoints_temp.append(x)coco_model_kepoints_temp.append(y)coco_model_kepoints_temp.append(v)if all(v 0 for v in coco_model_kepoints_temp) is False:coco_boxes.append(convert_xywh(boxes[i][0],width,height))coco_model_kepoints.append(coco_model_kepoints_temp)final_label [] for k in range(len(coco_model_kepoints)):temp_label []for item1 in coco_boxes[k]:temp_label.append(item1)for item2 in coco_model_kepoints[k]:temp_label.append(item2)final_label.append(temp_label)with open(label_path,w,encodingutf-8) as f1:for label in final_label:if is_too_small(label,width,height):continuefor item in label:f1.write(str(item) )f1.write(\n)if __name__ __main__:json_dir # 放置使用mmpose 预测出来的图片的json 文件路径image_dir # 放置用于预测的图片路径save_label_dir # 用来保存最终label文件的路径json2txt(json_dir,image_dir,save_label_dir)
