将数据集转成COCO格式，单个文件夹转为单个json文件，例如.../images/train转为instance_train.json

写在前面

• 参考链接：objectdetection-tricks/tricks_4.py
  • 相关视频教学：tricks_4 用于yolov5和v7中的yolo格式转换coco格式的脚本.(如何在v5和v7中输出ap_small,ap_middle,ap_large coco指标)
• 代码效果：将数据集转成COCO格式，单个文件夹转为单个json文件，例如…/images/train转为instance_train.json
• 我的数据集排布：

datasets
├─images
│  ├─test
│  ├─train
│  └─val
├─annotations
   ├─test
   ├─train
   └─val

代码

• 指定好四个参数即可
  • --root_dir：待转换的图像的路径，例如我传入的是训练集的路径...\images\train
  • --save_dir：保存转换后的json文件的路径
  • --classtxt_path：存放类别的文件路径
  • --save_name：转换后的json文件名

import os
import cv2
import json
from tqdm import tqdm
import argparse

parser = argparse.ArgumentParser()
parser.add_argument('--root_dir', default=r'F:\A_Publicdatasets\RDD2020-1202\train_valid\RDD2020_together\images\train', type=str, help="root path of images and labels, include ./images and ./labels and classes.txt")
parser.add_argument('--save_dir', type=str, default=r'F:\A_Publicdatasets\RDD2020-1202\train_valid\RDD2020_together', help="if not split the dataset, give a path to a json file")
parser.add_argument('--classtxt_path', type=str, default=r'G:\pycharmprojects\autodl-yolov7\yolov7-main-biyebase\TXTOCOCO\classes.txt', help="class filepath")
parser.add_argument('--save_name', type=str, default='instances_train.json', help="建议只修改后面的train为val、test等，否则自行改代码")

arg = parser.parse_args()

def yolo2coco(arg):

    with open(arg.classtxt_path, 'r') as f: # 获取类别名
        classes = list(map(lambda x: x.strip(), f.readlines()))

    indexes = []
    imagesdir = arg.root_dir
    for file in os.listdir(imagesdir):
        indexes.append(f'{imagesdir}/{file}')   # 绝对路径

    '''
    下面这段代码是对我自己有用的，看官可将其删除
    正常的文件排布应该为：
    -- images
       --- train
       --- val
       --- test
    而我的是：
    -- images
       --- Czech
            ---- train
            ---- val
            ---- test
       --- India ...
       --- Japan ...
    '''
    # --------------- lwd ---------------- #
    # cities = ['Czech', 'India', 'Japan']
    # setdir = arg.save_path.split('_')[-1].split('.')[0] # 'train' 'val' 'test'
    # indexes = []
    # for city in cities:
    #     city_imagedir = f'F:/A_Publicdatasets/RDD2020-1202/train_valid/{city}/images/{setdir}'
    #     for file in os.listdir(city_imagedir):
    #         indexes.append(f'{city_imagedir}/{file}')
    # --------------- lwd ---------------- #


    dataset = {'categories': [], 'annotations': [], 'images': []}
    for i, cls in enumerate(classes, 0):
        dataset['categories'].append({'id': i, 'name': cls, 'supercategory': 'mark'})

    # 标注的id
    ann_id_cnt = 0
    for k, index in enumerate(tqdm(indexes)):
        # 支持 png jpg 格式的图片。
        txtPath = index.replace('images', 'labels').replace('.jpg', '.txt')
        # 读取图像的宽和高
        im = cv2.imread(index)
        imageFile = index.split('/')[-1]    # img.jpg

        height, width, _ = im.shape
        # 添加图像的信息
        if not os.path.exists(txtPath):
            # 如没标签，跳过，只保留图片信息。
            continue
        dataset['images'].append({'file_name': imageFile,
                                  'id': int(imageFile[:-4]) if imageFile[:-4].isnumeric() else imageFile[:-4],
                                  'width': width,
                                  'height': height})
        with open(txtPath, '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
                H, W, _ = im.shape
                x1 = (x - w / 2) * W
                y1 = (y - h / 2) * H
                x2 = (x + w / 2) * W
                y2 = (y + h / 2) * H
                # 标签序号从0开始计算, coco2017数据集标号混乱，不管它了。
                cls_id = int(label[0])
                width = max(0, x2 - x1)
                height = max(0, y2 - y1)
                dataset['annotations'].append({
                    'area': width * height,
                    'bbox': [x1, y1, width, height],
                    'category_id': cls_id,
                    'id': ann_id_cnt,
                    'image_id': int(imageFile[:-4]) if imageFile[:-4].isnumeric() else imageFile[:-4],
                    '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]]
                })
                ann_id_cnt += 1

    # 保存结果
    save_path = os.path.join(arg.save_dir, arg.save_name)
    with open(save_path, 'w') as f:
        json.dump(dataset, f)
        print('Save annotation to {}'.format(save_path))


if __name__ == "__main__":
    yolo2coco(arg)