labelme勾目标检测COCO数据格式，mmdetection框架训练

原创

已于 2023-01-05 12:35:50 修改 · 607 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#目标检测 #python #深度学习

于 2022-08-01 21:57:27 首次发布

环境安装
将labelme安装到anaconda环境中，激活环境，输入labelme打开软件
使用mmdetection训练自己的coco数据集(免费分享自制数据集文件)
还需要修改模型参数里面的num_class类别数量

mmdetection测试单张/多张图片并保存

(lableme) PS C:\Users\XXX\Desktop\labelme\examples\instance_segmentation> python labelme2coco.py --labels labels.txt

labels.txt文件里面除了
ignore

最低0.47元/天解锁文章

200万优质内容无限畅学

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

LiChengwei47

关注关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

coco数据集目标检测论文_记录：labelme制作COCO目标检测数据集

weixin_28983299的博客

01-02

404

COCO格式的目标检测数据集的目录如下图所示一、在Anaconda中安装labelme 创建虚拟环境 conda create --name=envlabelme_20200422 python=3.6 activate envlabelme_20200422 #并在其中安装labelme pip install labelme -i https://mirrors.aliyun.com/py...

【mmdetection】使用自定义的coco格式数据集进行训练及测试

最新发布

jdjhcn的博客

05-14

3516

在YOLO等目标检测模型中，对图片进行打标的核心目的是为监督学习提供训练数据，通过标注目标物体的边界框和类别标签，使模型能够学习识别和定位目标的规律。打标数据为模型训练提供监督信号，通过对比预测结果与真实标注值，计算定位损失、分类损失和置信度损失，驱动模型参数优化；同时，标注数据也是评估模型性能（如mAP、精度、召回率）的基础，确保模型在多样场景（如多尺度目标、遮挡、复杂背景）中具备泛化能力。此外，标注数据需与数据增强操作同步调整，保证训练过程中图像变换与标注的一致性。

labelme2coco

weixin_30448685的博客

03-06

333

#!/bin/bash s2="_rgb.json" for i in {2000..2128} do s1=${i} labelme_json_to_dataset ${s1}${s2} done 　转载于:https://www.cnblogs.com/BambooEatPanda/p/10486530.html

将labelme标注完的数据转为mmdetection中Mask_Rcnn训练数据的格式，1205新增将json转为yolov5-7.0训练的txt格式

m0_64298393的博客

12-01

1041

train_num：为训练集所占总数据的比例test_num：为测试集所占的比例val_num：为验证集所占的比例。

mmdetection训练自己的数据，用网络deformable_detr做示例，先用labelme标注转为coco格式，训练后测试并分析

黛玛日孜的博客

08-08

4267

1.标注labelme 2.将labelme标注的数据转为coco格式直接上代码： coco格式如下： 3.mmdetection训练自己的数据，用网络deformable_detr做示例 4.模型训练train.py（可视化标注文件browse_dataset.py） 5.DEMO演示image_demo.py 6.模型测试test.py 7.可视化分析模块confusion_matrix.py、analyze_results.py、analyze_logs.py等。其他可在官网查看 8.参数量计算量.

利用labelme制作coco格式的实例分割数据集（用于mmdetection2.0中的mask部分）

一只大狗的博客

10-21

5570

在mmdetection2.0框架下，利用coco格式的分割数据集需要

目标检测框架——mmdetection2.0

平凡简单的执着

06-23

4813

前言 目标检测的模型还是很多的，要挨个挨个学还是有点吃力（精力旺盛可忽略），所以这里总结一下当前流行的目标检测的框架：darknet yolov4，mmdetection2.0，detectron2.0。至于这三个框架怎么去选择，我的答案是只有你真正懂了，上手试了这几个框架之后你才能比较它们之间的优劣。 1. mmdetection2.0 配置我的环境：WIN10，CUDA10.1，cuDNN7.6.4，Anaconda，VS2019（这个必须有），OpenCV3.4.10，GTX1660（6G内存） 1

使用labelme进行检测、分割数据集制作

Major_S的博客

09-10

4836

labelmelabelmelabelme

labelme2COCO.py

10-24

TensorExpand在github上的文件，能够转换分类名为“父类_子类_num”的json文件，且要求labelme的points必须是小数，不能是整数。

将labelme标注转coco免费!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!

legendarylin的博客

03-29

944

# -*- coding:utf-8 -*- #用labelme将标注好的json文件转为coco数据集 import argparse import json import matplotlib.pyplot as plt import skimage.io as io # import cv2 from labelme import utils import numpy as np import glob import PIL.Image class MyEncoder(json.JSONE.

【目标检测】Labelme安装

RainForY的博客

11-26

2898

【目标检测】Labelme

mmdetection COCO test-dev测试

深度检测的博客

01-13

4446

MMdetection COCO test-dev测试步骤总结 1、修改config文件 data = dict( samples_per_gpu=1, workers_per_gpu=0, train=dict( type=dataset_type, ann_file=data_root + 'annotations/instances_train2017.json', img_prefix=data_root + 'train201

使用LabelMe标注目标检测数据集并转换为COCO2017格式

xu.hyj

03-29

4653

COCO数据集是模板检测中经典和标准格式，当我们使用LabelMe给目标检测打标签后，如何转换为COCO数据集格式呢？转换成功后又如何可视化COCO数据集检验是否标注和转换正确呢？

目标检测前奏：labelme的矩形框标记好数据以后，转成COCO格式

starDu

05-08

1985

import os, sys import json import cv2 import base64 import numpy as np import glob import PIL from PIL import Image, ImageDraw def base64_cv2(base64_str): """ base64转cv2 """ imgStri...

yolo数据集转mmdetection的coco格式

03-17

### 将 YOLO 格式数据集转换为 COCO 格式的解决方案为了将 YOLO 格式的数据集转换为 MMDetection 所需的 COCO 数据格式，可以按照以下方法操作： #### 转换工具的选择通常情况下，社区已经提供了许多用于不同标注格式之间相互转换的工具。例如，在引用中提到的“转换工具箱”，它包含了多种常见数据格式之间的转换脚本[^1]。对于从 YOLO 到 COCO 的转换需求，可以直接利用 `labelme2coco.py` 文件或其他类似的 Python 脚本来完成。 #### 转换的具体实现方式以下是基于 Python 编写的通用代码框架，展示如何手动编写一个简单的转换器以满足此目的： ```python import json from pathlib import Path def yolo_to_coco(yolo_dir, output_json_path): """ Convert a dataset from YOLO format to COCO format. Args: yolo_dir (str): Directory containing the YOLO formatted files and images. output_json_path (str): Output path for saving the converted JSON file in COCO format. """ # Initialize lists for storing annotations and image information coco_images = [] coco_annotations = [] class_names = ["class_1", "class_2"] # Replace with actual classes of your dataset annotation_id_counter = 0 # Iterate over all .txt label files within the directory txt_files = list(Path(yolo_dir).glob('*.txt')) for idx, txt_file in enumerate(txt_files): img_filename = str(txt_file.with_suffix('.jpg')) # Assuming corresponding jpg exists width, height = get_image_dimensions(img_filename) # Function needs implementation based on PIL or cv2 image_info = { 'file_name': img_filename, 'height': height, 'width': width, 'id': idx } coco_images.append(image_info) with open(txt_file, 'r') as f: lines = f.readlines() for line in lines: parts = line.strip().split(' ') category_id = int(parts[0]) + 1 # Adjust according to how categories are indexed bbox_x_center_norm, bbox_y_center_norm, bbox_width_norm, bbox_height_norm = map(float, parts[1:]) bbox_x_min = (bbox_x_center_norm - bbox_width_norm / 2.) * width bbox_y_min = (bbox_y_center_norm - bbox_height_norm / 2.) * height bbox_width = bbox_width_norm * width bbox_height = bbox_height_norm * height area = bbox_width * bbox_height annotation = { 'segmentation': [], 'iscrowd': 0, 'image_id': idx, 'category_id': category_id, 'area': float(area), 'bbox': [bbox_x_min, bbox_y_min, bbox_width, bbox_height], 'id': annotation_id_counter } coco_annotations.append(annotation) annotation_id_counter += 1 final_output_dict = { 'images': coco_images, 'annotations': coco_annotations, 'categories': [{'supercategory': name, 'id': i+1, 'name': name} for i, name in enumerate(class_names)] } with open(output_json_path, 'w') as out_f: json.dump(final_output_dict, out_f) # Example usage if __name__ == "__main__": input_directory = "/path/to/yolo/dataset" output_json_filepath = "/desired/path/for/output.json" yolo_to_coco(input_directory, output_json_filepath) ``` 上述代码片段展示了基本逻辑结构以及核心计算过程，具体细节可能依据实际项目环境有所调整。 #### 配置 MMDetection 使用新生成的 COCO 数据集一旦完成了由 YOLO 至 COCO 的转换并验证了输出文件的有效性之后，则可以通过创建软链接等方式将其集成到 MMDetection 中去[^2]。这一步骤有助于简化路径管理流程，并保持目录整洁有序。 ---