本文共 3599 字，大约阅读时间需要 11 分钟。

注：本以为很难，详细的看了一下odgt文件的数据存放方式和json文件的数据存放方式后，发现其实就是个读文件写文件的操作。只要把它们之间的数据进行对上就好了。

上面两篇博客是博主在写转换函数 crowdhuman2coco.py的时候，先去对它们的数据格式了解并整理了一下，有需要了解的可以看看。（其中对于CrowdHuman数据集里的好多字段，博主也刚接触，了解得比较浅，后面了解更多后，再进行修改完善。）

直接附上代码：

加载odgt

def load_file(fpath):#fpath是具体的文件 ，作用：#str to list    assert os.path.exists(fpath)  #assert() raise-if-not    with open(fpath,'r') as fid:        lines = fid.readlines()    records = [json.loads(line.strip('\n')) for line in lines] #str to list    return records

crowdhuman2coco()函数

def crowdhuman2coco(odgt_path,json_path):#一个输入文件路径，一个输出文件路径    records = load_file(odgt_path)   #提取odgt文件数据    #预处理    json_dict = {
   "images":[], "annotations": [], "categories": []}#定义一个字典，coco数据集标注格式    START_B_BOX_ID = 1 #设定框的起始ID    image_id = 1  #每个image的ID唯一，自己设定start，每次++    bbox_id = START_B_BOX_ID    image = {
   } #定义一个字典，记录image    annotation = {
   } #记录annotation    categories = {
   }  #进行类别记录    record_list = len(records)  #获得record的长度，循环遍历所有数据。    print(record_list)    #一行一行的处理。    for i in range(record_list):        file_name = records[i]['ID']+'.jpg'  #这里是字符串格式  eg.273278,600e5000db6370fb        #image_id = int(records[i]['ID'].split(",")[0]) 这样会导致id唯一，要自己设定        im = Image.open("../mmdetection/data/crowdhuman/Images/"+file_name)        #根据文件名，获取图片，这样可以获取到图片的宽高等信息。因为再odgt数据集里，没有宽高的字段信息。        image = {
   'file_name': file_name, 'height': im.size[1], 'width': im.size[0],'id':image_id} #im.size[0]，im.size[1]分别是宽高        json_dict['images'].append(image) #这一步完成一行数据到字典images的转换。        gt_box = records[i]['gtboxes']          gt_box_len = len(gt_box) #每一个字典gtboxes里，也有好几个记录，分别提取记录。        for j in range(gt_box_len):            category = gt_box[j]['tag']            if category not in categories:  #该类型不在categories，就添加上去                new_id = len(categories) + 1 #ID递增                categories[category] = new_id            category_id = categories[category]  #重新获取它的类别ID            fbox = gt_box[j]['fbox']  #获得全身框            #对ignore进行处理，ignore有时在key：extra里，有时在key：head_attr里。属于互斥的。            ignore = 0 #下面key中都没有ignore时，就设为0，据观察，都存在，只是存在哪个字典里，需要判断一下            if "ignore" in gt_box[j]['head_attr']:                ignore = gt_box[j]['head_attr']['ignore']            if "ignore" in gt_box[j]['extra']:                ignore = gt_box[j]['extra']['ignore']            #对字典annotation进行设值。            annotation = {
   'area': fbox[2]*fbox[3], 'iscrowd': ignore, 'image_id':  #添加hbox、vbox字段。                        image_id, 'bbox':fbox, 'hbox':gt_box[j]['hbox'],'vbox':gt_box[j]['vbox'],                        'category_id': category_id,'id': bbox_id,'ignore': ignore,'segmentation': []}              #area的值，暂且就是fbox的宽高相乘了，观察里面的数据，发现fbox[2]小、fbox[3]很大，刚好一个全身框的宽很小，高就很大。（猜测），不是的话，再自行修改            #segmentation怎么处理？博主自己也不知道，找不到对应的数据，这里就暂且不处理。            #hbox、vbox、ignore是添加上去的，以防有需要。            json_dict['annotations'].append(annotation)                        bbox_id += 1 #框ID ++        image_id += 1 #这个image_id的递增操作，注意位置，博主一开始，放上面执行了，后面出了bug，自己可以理一下。        #annotations的转化结束。    #下面这一步，对所有数据，只需执行一次，也就是对categories里的类别进行统计。    for cate, cid in categories.items():            #dict.items()返回列表list的所有列表项，形如这样的二元组list：［(key,value),(key,value),...］            cat = {
   'supercategory': 'none', 'id': cid, 'name': cate}            json_dict['categories'].append(cat)    #到此，json_dict的转化全部完成，对于其他的key，    #因为没有用到（不访问），就不需要给他们空间，也不需要去处理，字典是按key访问的，如果自己需要就自己添加上去就行    json_fp = open(json_path, 'w')    json_str = json.dumps(json_dict) #写json文件。    json_fp.write(json_str)    json_fp.close()

到此就完成了数据的转换，从crowdhuman的标注转换到coco数据标注格式。接下来就是训练和测试这些转换后的数据了。

转载地址：http://qjxen.baihongyu.com/