bdd100k数据集制作用于YOLOv3训练

这篇博文主要记录了将bdd100k数据集整理成yolo模型的要求来训练。这里的数据格式并非官网的darknet格式，而是一般的模型格式：

1. 以图片名作为ＴＸＴ名称
2. 将同一幅图中的ｌａｂｅｌ和对应的ｂｏｕｎｄｉｎｇ　ｂｏｘ整理在同一个ｔｘｔ中。

bdd100k数据集介绍

1.Annotations

1、 道路目标边界框：10万张图片，其中：训练集7万，测试集2万，验证集1万

2、 可行驶区域：10万张图片

3、 车道线标记：10万张图片

4、 全帧实例分割：1万张图片

Annotation包含了被标记对象的源图像的URL、类别标签、大小（起始坐标、结束坐标、宽度和高度）、截断、遮挡和交通灯颜色等信息。

json文件解析（转换成YOLO数据集格式）

转换code

import json
#数据集中包含的10个类别
categorys = ['car', 'bus', 'person', 'bike', 'truck', 'motor', 'train', 'rider', 'traffic sign', 'traffic light']

# 图片的分辨率
picture_width = 1282
picture_height = 720

def parseJson(jsonFile):
    '''
      params:
        jsonFile -- BDD00K数据集的一个json标签文件
      return:
        返回一个列表的列表，存储了一个json文件里面的方框坐标及其所属的类，
    '''
    objs = []
    obj = []
    info = jsonFile
    name = info['name']
    objects = info['labels']
    for i in objects:
        if(i['category'] in categorys):
            obj.append(int(i['box2d']['x1']))
            obj.append(int(i['box2d']['y1']))
            obj.append(int(i['box2d']['x2']))
            obj.append(int(i['box2d']['y2']))
            obj.append(i['category'])
            objs.append(obj)
            obj = []
    return name, objs
 
#test
file_handle = open('traindata.txt', mode='a')
f = open("/home/violet/Documents/dataset/bdd100k/label/train/bdd100k_labels_images_train.json") # json文件的绝对路径，换成自己的
info = json.load(f)
objects = info
n = len(objects)

# 将左上右下坐标转换成 中心x,y以及w  h
def bboxtrans(box_x_min, box_y_min, box_x_max, box_y_max):
    x_center = (box_x_min + box_x_max) / (2 * picture_width)
    y_center = (box_y_min + box_y_max) / (2 * picture_height)
    width = (box_x_max - box_x_min) / (2 * picture_width)
    height = (box_y_max - box_y_min) / (2 * picture_height)
    return x_center, y_center, width, height



for i in range(n):
    an = ""
    name, result = parseJson(objects[i])
    an = "./data/custom/images/train/" + name  # 这里我改成了图片的相对路径
    for j in range(len(result)):
        cls_id = categorys.index(result[j][4])
        x, y, w, h = bboxtrans(result[j][0], result[j][1], result[j][2], result[j][3])
        an = an + ' ' +str(cls_id) + ' '+str(x)+' '+str(y)+' '+str(w)+' '+str(h)
    an = an + '\n'
    file_handle.write(an)
    print(len(result))
    print(an)

数据整合code

with open('traindata.txt') as f:
    line = f.readline()
    while (line):
        data = line.strip().split()  # strip(): 删除前后空格、空行
        wf = open('./data/' + data[0][27:-4]+'.txt', 'a+')
        numofline = len(data) - 1
        for i in range(1, numofline, 5):
            for j in range(0, 5):
                idx = i + j
                wf.write(data[idx])  # class_index center_x cnter_y w h
                wf.write(' ')
            wf.write('\n')
        line = f.readline()