廉溪区建设局网站,山东金融行业网站开发,电子请帖免费制作app,超级商城Python将已标注的两张图片进行上下拼接并修改、合并其对应的Labelme标注文件#xff08;v2.0#xff09; 前言前提条件相关介绍实验环境上下拼接图片并修改、合并其对应的Labelme标注文件代码实现输出结果 前言 此版代码#xff0c;相较于Python将已标注的两张图片进行上下拼… Python将已标注的两张图片进行上下拼接并修改、合并其对应的Labelme标注文件v2.0 前言前提条件相关介绍实验环境上下拼接图片并修改、合并其对应的Labelme标注文件代码实现输出结果 前言 此版代码相较于Python将已标注的两张图片进行上下拼接并修改、合并其对应的Labelme标注文件将文件夹批量处理图片和json文件考虑进去而不是单个图片和json文件。由于本人水平有限难免出现错漏敬请批评改正。更多精彩内容可点击进入Python日常小操作专栏、OpenCV-Python小应用专栏、YOLO系列专栏、自然语言处理专栏或我的个人主页查看YOLOv8 Ultralytics使用Ultralytics框架训练RT-DETR实时目标检测模型基于DETR的人脸伪装检测YOLOv7训练自己的数据集口罩检测YOLOv8训练自己的数据集足球检测YOLOv5TensorRT加速YOLOv5模型推理YOLOv5IoU、GIoU、DIoU、CIoU、EIoU玩转Jetson Nano五TensorRT加速YOLOv5目标检测YOLOv5添加SE、CBAM、CoordAtt、ECA注意力机制YOLOv5yolov5s.yaml配置文件解读、增加小目标检测层Python将COCO格式实例分割数据集转换为YOLO格式实例分割数据集YOLOv5使用7.0版本训练自己的实例分割模型车辆、行人、路标、车道线等实例分割使用Kaggle GPU资源免费体验Stable Diffusion开源项目 前提条件 熟悉Python 相关介绍 Python是一种跨平台的计算机程序设计语言。是一个高层次的结合了解释性、编译性、互动性和面向对象的脚本语言。最初被设计用于编写自动化脚本(shell)随着版本的不断更新和语言新功能的添加越多被用于独立的、大型项目的开发。PyTorch 是一个深度学习框架封装好了很多网络和深度学习相关的工具方便我们调用而不用我们一个个去单独写了。它分为 CPU 和 GPU 版本其他框架还有 TensorFlow、Caffe 等。PyTorch 是由 Facebook 人工智能研究院FAIR基于 Torch 推出的它是一个基于 Python 的可续计算包提供两个高级功能1、具有强大的 GPU 加速的张量计算如 NumPy2、构建深度神经网络时的自动微分机制。YOLOv5是一种单阶段目标检测算法该算法在YOLOv4的基础上添加了一些新的改进思路使其速度与精度都得到了极大的性能提升。它是一个在COCO数据集上预训练的物体检测架构和模型系列代表了Ultralytics对未来视觉AI方法的开源研究其中包含了经过数千小时的研究和开发而形成的经验教训和最佳实践。Labelme是一款图像标注工具由麻省理工(MIT)的计算机科学和人工智能实验室(CSAIL)研发。它是用Python和PyQT编写的开源且免费。Labelme支持Windows、Linux和Mac等操作系统。这款工具提供了直观的图形界面允许用户在图像上标注多种类型的目标例如矩形框、多边形、线条等甚至包括更复杂的形状。标注结果以JSON格式保存便于后续处理和分析。这些标注信息可以用于目标检测、图像分割、图像分类等任务。总的来说Labelme是一款强大且易用的图像标注工具可以满足不同的图像处理需求。Labelme标注json文件是一种用于存储标注信息的文件格式它包含了以下几个主要的字段 version: Labelme的版本号例如4.5.6。flags: 一些全局的标志例如是否是分割任务是否有多边形等等。shapes: 一个列表每个元素是一个字典表示一个标注对象。每个字典包含了以下几个字段 label: 标注对象的类别名称例如dog。points: 一个列表每个元素是一个坐标对表示标注对象的边界点例如[[10, 20], [30, 40]]。group_id: 标注对象的分组编号用于表示属于同一组的对象例如1。shape_type: 标注对象的形状类型例如polygon“rectangle”“circle”等等。flags: 一些针对该标注对象的标志例如是否是难例是否被遮挡等等。 lineColor: 标注对象的边界线颜色例如[0, 255, 0, 128]。fillColor: 标注对象的填充颜色例如[255, 0, 0, 128]。imagePath: 图像文件的相对路径例如img_001.jpg。imageData: 图像文件的二进制数据经过base64编码后的字符串例如iVBORw0KGgoAAAANSUhEUgAA…。imageHeight: 图像的高度例如600。imageWidth: 图像的宽度例如800。 以下是一个Labelme标注json文件的示例
{version: 4.5.6,flags: {},shapes: [{label: dog,points: [[121.0,233.0],[223.0,232.0],[246.0,334.0],[121.0,337.0]],group_id: null,shape_type: polygon,flags: {}}],lineColor: [0,255,0,128],fillColor: [255,0,0,128],imagePath: img_001.jpg,imageData: iVBORw0KGgoAAAANSUhEUgAA...,imageHeight: 600,imageWidth: 800
}实验环境 Python 3.x 面向对象的高级语言 上下拼接图片并修改、合并其对应的Labelme标注文件 背景将标注好的数据集上下拼接图片以扩充数据集图片的形状大小更好的输入进去网络训练模型。目录结构示例 images要拼接的图片所在的文件夹。jsons图片对应Labelme标注Json文件所在的文件夹。 {version: 5.1.1,flags: {},shapes: [{label: 0,points: [[71.08019639934534,33.10965630114566],[81.55482815057283,110.68739770867431]],group_id: null,shape_type: rectangle,flags: {}}],imagePath: 1.png,imageData: null,imageHeight: 160,imageWidth: 160
}{version: 5.1.1,flags: {},shapes: [{label: 1,points: [[77.29950900163666,61.58756137479541],[87.11947626841243,97.59410801963993]],group_id: null,shape_type: rectangle,flags: {}}],imagePath: 2.png,imageData: null,imageHeight: 160,imageWidth: 160
}代码实现 此版代码相较于Python将已标注的两张图片进行上下拼接并修改、合并其对应的Labelme标注文件将文件夹批量处理图片和json文件考虑进去而不是单个图片和json文件。 import os
import cv2
import json
import mathdef xyxy2xywh(rect):(x1,y1,x2,y2) - (x,y,w,h)return [rect[0],rect[1],rect[2]-rect[0],rect[3]-rect[1]]def xywh2xyxy(rect):(x,y,w,h) - (x1,y1,x2,y2)return [rect[0],rect[1],rect[0]rect[2],rect[1]rect[3]]def is_RecA_RecB_interSect(RecA, RecB): # Rec [xmin,ymin,xmax,ymax]# 获取交集区域的[xmin,ymin,xmax,ymax]x_A_and_B_min max(RecA[0], RecB[0])y_A_and_B_min max(RecA[1], RecB[1])x_A_and_B_max min(RecA[2], RecB[2])y_A_and_B_max min(RecA[3], RecB[3])# 计算交集部分面积, 当(xmax - xmin)为负时说明A与B框无交集直接置为0。 (ymax - ymin)同理。interArea max(0, x_A_and_B_max - x_A_and_B_min) * max(0, y_A_and_B_max - y_A_and_B_min)return interArea 0def merge_RecA_RecB(RecA, RecB): # Rec [xmin,ymin,xmax,ymax]# 获取合并区域的[xmin,ymin,xmax,ymax]xmin min(RecA[0], RecB[0])ymin min(RecA[1], RecB[1])xmax max(RecA[2], RecB[2])ymax max(RecA[3], RecB[3])return [xmin,ymin, xmax,ymax]
递归是一个过程或函数在其定义或说明中有直接或间接调用自身的一种方法
它通常把一个大型复杂的问题层层转化为一个与原问题相似的规模较小的问题来求解。
因此递归过程最重要的就是查看能不能讲原本的问题分解为更小的子问题这是使用递归的关键。终止条件矩形框数为1或者为空。返回值 新合并的矩形框本级任务 每一级需要做的就是遍历从它开始的后续矩形框寻找可以和他合并的矩形
def merge_rect(box,labels):合并重叠框 输入参数: box :[[xmin,ymin,xmax,ymax],...]labels :[0, 0, 1, 1, 1, 2, 2, 2]返回:合并后的box:[[xmin,ymin,xmax,ymax],...]合并后的labels:[0, 1, 2]if len(box) 1 or len(box) 0 : # 矩形框数为1或者为空return box,labelsfor i in range(len(box)):RecA_xyxy box[i]labelA labels[i]for j in range(i1, len(box)):RecB_xyxy box[j]labelB labels[i]if is_RecA_RecB_interSect(RecA_xyxy, RecB_xyxy) and labelAlabelB:rect_xyxy merge_RecA_RecB(RecA_xyxy, RecB_xyxy)# 使用remove(elem)来移除元素box.remove(RecA_xyxy)box.remove(RecB_xyxy)box.append(rect_xyxy)labels.pop(i)labels.pop(j-1)labels.append(labelA)merge_rect(box,labels)# 返回上一级循环避免重复处理已合并的矩形return box,labelsreturn box,labelsdef xyxy2xminyminxmaxymax(rect):(x1,y1,x2,y2) - (xmin,ymin,xmax,ymax)xmin min(rect[0],rect[2])ymin min(rect[1],rect[3])xmax max(rect[0],rect[2])ymax max(rect[1],rect[3])return xmin,ymin,xmax,ymaxdef coord_recovery(res_list,img_height 80):for i in range(len(res_list)):for j in res_list[i][1]:j[1] j[1] i*img_heightj[3] j[3] i*img_height# res_list[i][1][0][1] res_list[i][1][0][1] i*img_height# res_list[i][1][0][3] res_list[i][1][0][3] i*img_heightreturn res_listdef read_write_json(in_json1_path,in_json2_path,output_json_path,out_img_name,new_img_height,new_img_width,json_dict {version: 4.5.6,flags: {},shapes: [],},):json_dict {version: 4.5.6,flags: {},shapes: [],}读取json文件with open(in_json1_path, r, encodingutf-8) as f:# json.load数据到变量json_datajson1_data json.load(f)with open(in_json2_path, r, encodingutf-8) as f:# json.load数据到变量json_datajson2_data json.load(f)img1_height json1_data[imageHeight]img1_width json1_data[imageWidth]img2_height json2_data[imageHeight]img2_width json2_data[imageWidth]labels []boxes []for i in json1_data[shapes]:labels.append(i[label])rect int(i[points][0][0]),int(i[points][0][1]),int(i[points][1][0]),int(i[points][1][1]) # x1,y1,x2,y2x1,y1,x2,y2 xyxy2xminyminxmaxymax(rect)boxes.append([x1,y1,x2,y2])for i in json2_data[shapes]:labels.append(i[label])rect int(i[points][0][0]),int(i[points][0][1])img1_height,int(i[points][1][0]),int(i[points][1][1])img1_height # x1,y1,x2,y2x1,y1,x2,y2 xyxy2xminyminxmaxymax(rect)boxes.append([x1,y1,x2,y2])merge_box,merge_labels merge_rect(boxes,labels) # 合并相交的矩形# print(merge_labels,merge_box,sep\n)for box,label in zip(merge_box,merge_labels):shapes_dict {label: , points: [], # [[x1,y1],[x2,y2]]group_id: None, shape_type: rectangle, flags: {}}shapes_dict[label] labelx1,y1,x2,y2 boxshapes_dict[points] [[x1,y1],[x2,y2]]json_dict[shapes].append(shapes_dict)写新的json文件json_dict[imagePath] out_img_namejson_dict[imageData] Nonejson_dict[imageHeight] new_img_heightjson_dict[imageWidth] new_img_widthwith open(output_json_path, w) as f:f.write(json.dumps(json_dict))def vconcat_img_json(img1_path,img2_path,json1_path,json2_path,output_dir):img1 cv2.imread(img1_path)img2 cv2.imread(img2_path)img1_img2_res cv2.vconcat([img1, img2])new_img_height,new_img_width img1_img2_res.shape[0],img1_img2_res.shape[1]img_type .pngout_img_name img1_path.split(/)[-1].split(.)[0] _ img2_path.split(/)[-1].split(.)[0]img_typeout_img_path os.path.join(output_dir,out_img_name)# print(out_img_path)out_json_name img1_path.split(/)[-1].split(.)[0] _ img2_path.split(/)[-1].split(.)[0].jsonout_json_path os.path.join(output_dir,out_json_name)# print(out_json_path)# 保存新的json文件read_write_json(json1_path,json2_path,out_json_path,out_img_name,new_img_height,new_img_width)# 保存图片cv2.imwrite(out_img_path,img1_img2_res)if __name____main__:output_dir outputif not os.path.exists(output_dir):os.mkdir(output_dir)in_img_dir imagesin_json_dir jsonsimgs_name_list [i for i in os.listdir(in_img_dir) if i.endswith(.png)]# 按picture_106_2023_12_14_11_12_23_986按106这个排序# imgs_name_list sorted(imgs_name_list, keylambda x: int(x.split(_)[1])) json_name_list [i for i in os.listdir(in_json_dir) if i.endswith(.json)]# 按picture_106_2023_12_14_11_12_23_986按106这个排序# json_name_list sorted(json_name_list, keylambda x: int(x.split(_)[1])) # print(imgs_name_list)# print(json_name_list)for i in range(len(imgs_name_list)-1):try:img1_name imgs_name_list[i]img2_name imgs_name_list[i1]img1_path in_img_dir / img1_namejson1_path in_json_dir / img1_name[:-4] .jsonimg2_path in_img_dir / img2_namejson2_path in_json_dir / img2_name[:-4] .jsonvconcat_img_json(img1_path,img2_path,json1_path,json2_path,output_dir)except Exception as e:print(e) 输出结果 output拼接后图片数据集和Labelme标注的Json文件所在的文件夹。 {version: 4.5.6,flags: {},shapes: [{label: 0,points: [[71,33],[81,110]],group_id: null,shape_type: rectangle,flags: {}},{label: 1,points: [[77,221],[87,257]],group_id: null,shape_type: rectangle,flags: {}}],imagePath: 1_2.png,imageData: null,imageHeight: 320,imageWidth: 160
}由于本人水平有限难免出现错漏敬请批评改正。更多精彩内容可点击进入Python日常小操作专栏、OpenCV-Python小应用专栏、YOLO系列专栏、自然语言处理专栏或我的个人主页查看YOLOv8 Ultralytics使用Ultralytics框架训练RT-DETR实时目标检测模型基于DETR的人脸伪装检测YOLOv7训练自己的数据集口罩检测YOLOv8训练自己的数据集足球检测YOLOv5TensorRT加速YOLOv5模型推理YOLOv5IoU、GIoU、DIoU、CIoU、EIoU玩转Jetson Nano五TensorRT加速YOLOv5目标检测YOLOv5添加SE、CBAM、CoordAtt、ECA注意力机制YOLOv5yolov5s.yaml配置文件解读、增加小目标检测层Python将COCO格式实例分割数据集转换为YOLO格式实例分割数据集YOLOv5使用7.0版本训练自己的实例分割模型车辆、行人、路标、车道线等实例分割使用Kaggle GPU资源免费体验Stable Diffusion开源项目
