前言

最近，在做实时性计算的东西，最初用的语义分割unet，发现它在服务器级GPU下推理的特别慢，但是精度还不错，但是我们追求的是实时性，所以我们还是用一下目标检测，最终选定yolov5

yolov5的数据集大家都知道，是需要知道每个锚框的，需要image和txt，而我的语义分割数据集有json文件

如图所示

#!/usr/bin/python

下文的8标注文件夹底下就是一些json格式的文件

json格式的样子:

这里面是只有一类，points是当初给的图片(没有用labelme标过的)后来标的一些框的坐标，比如，我这块地有个鼠洞，我需要把他标出来，这样就生成了json格式的文件

-- coding: UTF-8 --

!H:\Anaconda3\envs\new_labelme\python.exe

import argparseimport jsonimport osimport os.path as ospimport base64import warningsimport PIL.Imageimport yamlfrom labelme import utilsdef main():json_file = "D:/sd/裁切/8标注"# freedomlist_path = os.listdir(json_file)print('freedom =', json_file)for i in range(0, len(list_path)):path = os.path.join(json_file, list_path[i])if os.path.isfile(path):data = json.load(open(path))img = utils.img_b64_to_arr(data['imageData'])lbl, lbl_names = utils.labelme_shapes_to_label(img.shape, data['shapes'])captions = ['%d: %s' % (l, name) for l, name in enumerate(lbl_names)]lbl_viz = utils.draw_label(lbl, img, captions)# out_dir = osp.basename(path).replace('.', '_')out_dir = osp.basename(path).split('.json')[0]save_file_name = out_dir# out_dir = osp.join(osp.dirname(path), out_dir)if not osp.exists(json_file + 'mask'):os.mkdir(json_file + 'mask')maskdir = json_file + 'mask'if not osp.exists(json_file + 'mask_viz'):os.mkdir(json_file + 'mask_viz')maskvizdir = json_file + 'mask_viz'out_dir1 = maskdir# if not osp.exists(out_dir1):#os.mkdir(out_dir1)# PIL.Image.fromarray(img).save(out_dir1 + '\\' + save_file_name + '_img.png')PIL.Image.fromarray(lbl).save(out_dir1 + '/' + save_file_name + '.png')PIL.Image.fromarray(lbl_viz).save(maskvizdir + '/' + save_file_name +'_label_viz.png')with open(osp.join(out_dir1, 'label_names.txt'), 'w') as f:for lbl_name in lbl_names:f.write(lbl_name + '\n')warnings.warn('info.yaml is being replaced by label_names.txt')info = dict(label_names=lbl_names)with open(osp.join(out_dir1, 'info.yaml'), 'w') as f:yaml.safe_dump(info, f, default_flow_style=False)print('Saved to: %s' % out_dir1)if __name__ == '__main__':# base64path = argv[1]main()

转换结果:

我们生成了与image相对应的txt文件

如100_0001_0007_1_4.jpg与上图中的txt相对应，所以我们这个做法省去了你用labelme一个一个标(如果一个一个标，估计要一年这么多要检测的物体),所以这个python脚本还是很成功的。

txt效果图:

第一个为类别，因为只有一类，以后的为每个锚框的数值