学习记录（一）之语义分割数据集转为cocojson标注文件

本文链接：https://blog.youkuaiyun.com/shayasanqian/article/details/135948494

文章描述了一个Python脚本，用于将Cityscapes数据集的图像和标签转换为COCO标准，适合深度学习模型训练。脚本执行了文件收集、图像信息加载和COCO格式转换等步骤。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

存储的内容包括：

img_info = dict(
file_name=osp.basename(img_file),
height=segm_img.shape[0],
width=segm_img.shape[1],
anno_info=anno_info,
segm_file=osp.basename(segm_file))

import argparse
import glob
import os
import os.path as osp

import cityscapesscripts.helpers.labels as CSLabels
import cv2
import mmcv
import numpy as np
import pycocotools.mask as maskUtils
import torch
from mmengine.fileio import dump
from mmengine.utils import (Timer, mkdir_or_exist, track_parallel_progress,
                            track_progress)
#
#
# # bj20.8内网数据结构
"""
--BJ2
-----images
------------______img.tif
-----masks
------------______mask.png
"""
# def collect_files(img_dir, gt_dir):
#     files = []
#     # 根据自己的数据集路径修改（根据内容的要素识别修改格式）
#     img_files = glob.glob(osp.join(img_dir, 'image/*.tif'))  # 读取图像文件
#     for img_file in img_files:
#         # 如果图片和标签的文件后缀不一样，要重新定义标签的读取方式
#         label_filename = os.path.basename(img_file).replace("_img.tif","_mask.png")
#         segm_file = gt_dir + '/mask/' + os.path.basename(label_filename)
#         files.append((img_file, segm_file))
#     assert len(files), f'No images found in {img_dir}'
#     print(f'Loaded {len(files)} images from {img_dir}')
#
#     return files

# 将WHU转为coco格式
"""
-WHU 
    ---train
        -----image
            -------_.tif
        -----label
            -------_.tif
    ---val
        -----image
            -------_.tif
        -----label
            -------_.tif
    ---test
        -----image
            -------_.tif
        -----label
            -------_.tif
"""
def collect_files(img_dir, gt_dir):
    files = []
    img_files = glob.glob(osp.join(img_dir, 'image/*.tif')) #读取图像文件
    for img_file in img_files:
        segm_file = gt_dir + '/label/' + os.path.basename(img_file) #读取标签文件路径
        files.append((img