json类型文件转为yolo可识别的txt文件

最新推荐文章于 2025-06-12 21:11:42 发布

原创

最新推荐文章于 2025-06-12 21:11:42 发布 · 835 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#python #深度学习 #pytorch

本文介绍了如何使用Python将JSON文件转换为YOLO（You Only Look Once）算法可识别的TXT标注文件。适用于深度学习和计算机视觉任务，特别是基于PyTorch的项目。

# --把4点标注的json文件转化为（x_c,y_c,h,w,theta)的yolo txt 格式
import json
import os
import math
import random

my_class = ["bottle"]


def convert(image_id):

    in_file = 'annotations/%s.json' % image_id
    out_file = open('labels/%s.txt' % image_id, 'w')
    with open(in_file) as f_obj:
        label = json.load(f_obj)

    for bbox in label["shapes"]:
        vertices = bbox["points"]  # 顶点列表
        a, b, c, d = vertices

        x_c = (a[0]+b[0]+c[0]+d[0])/4
        y_c = (a[1] + b[1] + c[1] + d[1]) / 4

最低0.47元/天解锁文章

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

$ሀIT

关注关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
1
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

json格式的标记文件转yolo格式（txt）的标记文件

pai_da_xing8的博客

01-28

1962

我在使用anylabeling标记软件时发现导出的标记文件格式只能是json格式，而我yolov8训练模型的标记文件需要时txt格式的，所以我需要写一个转换脚本。

COCO数据集标注由json格式转为yolo可识别的txt格式

weixin_52498332的博客

09-01

595

由于coco数据的标注都在json文件中，而yolo读取的格式都是txt格式，所以需要手动转换。现在coco中存放了下载的数据集，现在要把新的转换后的数据集放入coco2017中。

1 条评论您还未登录，请先登录后发表或查看评论

YOLO学习笔记1——json标签文件转YOLO格式

m0_64312834的博客

07-28

6322

json标签文件转YOLO格式，包含object instances（目标实例）类的COCO数据集json文件内容与格式解析，YOLO标签格式解析，与转换代码。

Json转yolo格式并划分数据集

qq_42394540的博客

07-23

497

【代码】Json转yolo格式并划分数据集。

json转yolo格式，json转boxes（x1, y1, x2, y2）格式

qq_43761012的博客

12-07

2034

json格式转yolo数据格式用于训练yolo json格式转（x1,y1, x2,y2）格式

【YOLO标签转换】JSON格式标签转换为YOLO格式标签详细教程（附完整代码）

m0_59197405的博客

10-29

4297

在目标检测任务中，YOLO（You Only Look Once）是一种非常流行的算法。YOLO将目标检测问题转换为回归问题，从而大大提升了检测速度。YOLO格式是一种简洁的数据标注格式，通常用于训练和评估YOLO模型。本文将详细介绍如何将标注数据从JSON格式转换为YOLO格式，并附上详细的Python代码实现。

跑模型——labelme的json文件转成yolo使用的txt文件（语义分割，目标检测需要自己改改）

weixin_44598554的博客

04-09

1088

将labelme多边形标注的json文件转换成yolo使用的txt文件。如果有什么不懂的，可以在评论区底下评论哦，我会努力解答的。

json转yolo.txt

2301_79887507的博客

01-21

693

实现labelme json 转yolo txt

yolo数据集中 csv文件-- json文件--txt文件

qq_60199131的博客

12-07

603

json_to_txt.py 这里将所有的标签都减了一，可以不改，自己对的上就可以，当前标签：“badge”: 0,“offground”: 1,“ground”: 2,“safebelt”:3 bbox做了归一化（这个分数据集，有的数据集格式不一样，具体情况具体改）将json文件yolov5可用的标签格式。可以读取images文件夹中的多。

Python转换json标签文件格式为YOLO的.txt格式

jjdxy的博客

07-04

3538

Python转换json标签文件格式为YOLO的.txt格式，有些目标检测数据集中的标注文件为.json格式，将其转换为YOLO适用的.txt格式，包含（类别中心点的x 中心点的y 宽度w 高度h）

json转yolo v5数据集

05-04

json转yolo v5数据集训练格式，需要改训练分类和文件地址

json代码转换成YOLO格式的txt标签

qq_45232776的博客

04-10

757

json代码转换成YOLO格式的txt标签

json转txt格式YOLO数据集

AsUs.的博客

06-12

324

【代码】json转txt格式YOLO数据集。

JSON文件转YOLO文件示例

2301_77698138的博客

10-29

2066

将JSON标注文件转换为YOLO格式通常涉及从JSON文件中提取图像尺寸、对象类别和边界框坐标，并将这些信息格式化为YOLO格式所需的格式。YOLO格式通常要求每行包含一个对象的类别ID、归一化后的中心坐标（x, y）以及归一化后的宽度和高度（w, h）。

目标检测标签格式转化——JSON格式转YOLO格式

balabala_333的博客

07-02

4114

json格式标签是通过labelme软件进行标注，实现转为txt格式，即保存归一化后的中心点坐标和归一化后检测框长和宽。在目标检测数据集处理中，我们经常会遇到标签之间不同格式的转化，以下介绍JSON格式的标签转YOLO格式。

数据处理| 自己的数据集json文件转txt文件（YOLO所需文件）

weixin_44649780的博客

02-07

1万+

首先一定要明确自己的json格式，把自己的数据集设置为yolo所需要的格式。#Json文件属性不同，提取信息不同。

将分割标签数据从JSON格式转换为YOLOv8的TXT格式

qq_51570094的博客

11-18

1232

AnyLabeling是一款突破性的开源图像标注工具。

如何把利用paddlepaddle导出的json文件转化为yolo或者voc文件

最新发布

10-29

<think>我们已知用户提供的JSON文件格式（来自labelme标注工具）包含多边形（polygon）或折线（linestrip）标注，需要转换为YOLOv8所需的txt格式。YOLOv8的标注格式为每行一个对象，格式为：`class_id center_x center_y width height`（对于目标检测）或`class_id x1 y1 x2 y2 ...`（对于姿态估计，但这里用户给的是多边形标注，所以可能是分割任务？）。但是，根据引用[1][2][3]和用户提供的JSON结构，这里的目标检测任务使用边界框（bbox），而分割任务需要转换为多边形点集（但YOLOv8分割任务通常要求多边形点集归一化坐标）。然而，观察用户提供的JSON示例，它使用的是`"shape_type": "linestrip"`（折线）并且有多个点。但YOLOv8的目标检测通常使用矩形框（bbox），而分割任务使用多边形点。根据用户问题，他需要的是YOLOv8可用的文件。这里需要明确YOLOv8的任务类型： 1. 如果是目标检测（detect），则需要将多边形（或折线）转换为外接矩形框（bbox）。 2. 如果是分割（segment），则需要将多边形点（注意折线在标注中通常不是闭合的，但多边形是闭合的）归一化并写入txt，格式为：`class_id x1 y1 x2 y2 ...`（归一化后的多边形点坐标，用空格分隔）。但用户没有明确任务类型。根据引用[1][3]的做法，它们都是转换为目标检测的bbox。而引用[2]是姿态估计（关键点），但用户提供的JSON不是关键点。考虑到用户提供的JSON中`"shape_type"`是`"linestrip"`（折线），这通常用于线段标注，但也可以近似作为多边形（如果首尾相连的话）。然而，在用户示例中，点集没有首尾相连，所以可能标注的是曲线？但YOLOv8目标检测不支持折线，所以可能需要转换为外接矩形框。因此，我们假设用户需要的是目标检测任务，那么就需要根据折线（或多边形）点集计算最小外接矩形（旋转矩形或正矩形？）。但通常，我们取坐标的最大最小值形成正矩形。总结步骤： 1. 读取JSON文件，解析每个`shape`（即每个对象）。 2. 对于每个对象，提取`label`（类别）和`points`（点集）。 3. 将点集转换为外接矩形（通过计算所有点的最小x,最小y,最大x,最大y）。 4. 将矩形转换为YOLOv8格式：归一化的中心坐标和宽高。 5. 写入txt文件，每个对象一行：`class_id center_x center_y width height` 注意：归一化方法： center_x = (x_min + x_max) / 2 / image_width center_y = (y_min + y_max) / 2 / image_height width = (x_max - x_min) / image_width height = (y_max - y_min) / image_height 另外，需要类别到id的映射，用户需要提供一个class列表。但是，用户提供的JSON中，`imageHeight`和`imageWidth`字段在JSON中已经给出，所以可以直接使用。如果用户需要的是分割任务，那么就不需要转换为矩形，而是直接将多边形点归一化（注意归一化到0-1之间，每个点坐标除以对应的图像宽度或高度），然后写入txt文件，格式为：`class_id p1_x p1_y p2_x p2_y ...` 由于用户没有明确，而且提供的示例是折线（通常折线在分割任务中不会被使用），所以这里我们按目标检测任务转换。根据引用[3]中的JSON格式（labelme）和转换目标（YOLOv5的txt，YOLOv8目标检测的txt格式相同），我们采用目标检测的转换。因此，我们将编写一个Python脚本来完成转换。步骤： 1. 遍历指定文件夹中的所有JSON文件。 2. 对于每个JSON文件，读取内容。 3. 获取图像宽度和高度（从JSON的`imageWidth`和`imageHeight`字段）。 4. 遍历每个`shapes`，对于每个形状（无论它是多边形还是折线），计算所有点的最小外接矩形（正矩形）。 5. 将矩形归一化，并转换为YOLO格式。 6. 写入与JSON同名的txt文件（保存在指定目录，如`labels`文件夹），每个对象一行。注意：同一个JSON文件（即同一张图片）的所有对象都写入同一个txt文件。另外，需要类别映射（label字符串到整数id）。这里我们可以通过用户提供的类别列表来映射，或者从所有JSON文件中收集所有类别然后排序映射。但为了简单，我们假设用户已经有一个固定的类别列表，并可以在脚本中配置。我们假设类别列表为：['huaizao', ...] （根据用户示例中的label为"huaizao"）脚本如下： </think>根据您提供的JSON格式（由标注工具如LabelMe生成）和YOLOv8的要求，以下是完整的Python代码实现，用于将JSON标注转换为YOLOv8兼容的TXT格式： ```python import json import os from pathlib import Path def json_to_yolov8(json_path, output_dir, class_map): """ 将LabelMe生成的JSON标注转换为YOLOv8格式参数: json_path: JSON文件路径 output_dir: 输出TXT文件目录 class_map: 类别名称到ID的映射字典 """ with open(json_path, 'r') as f: data = json.load(f) img_width = data['imageWidth'] img_height = data['imageHeight'] txt_lines = [] for shape in data['shapes']: label = shape['label'] points = shape['points'] # 提取所有点的x和y坐标 x_coords = [p[0] for p in points] y_coords = [p[1] for p in points] # 计算边界框 x_min = min(x_coords) y_min = min(y_coords) x_max = max(x_coords) y_max = max(y_coords) # 转换为YOLO格式：归一化中心坐标 + 宽高 center_x = (x_min + x_max) / 2 / img_width center_y = (y_min + y_max) / 2 / img_height width = (x_max - x_min) / img_width height = (y_max - y_min) / img_height # 确保坐标在[0,1]范围内 center_x = max(0, min(1, center_x)) center_y = max(0, min(1, center_y)) width = max(0, min(1, width)) height = max(0, min(1, height)) # 获取类别ID class_id = class_map.get(label, -1) if class_id == -1: print(f"警告: 未识别的标签 '{label}'，跳过此标注") continue txt_lines.append(f"{class_id} {center_x:.6f} {center_y:.6f} {width:.6f} {height:.6f}") # 写入TXT文件 if txt_lines: txt_filename = Path(json_path).stem + '.txt' txt_path = os.path.join(output_dir, txt_filename) with open(txt_path, 'w') as f: f.write('\n'.join(txt_lines)) return True return False # 示例使用 if __name__ == "__main__": # 配置参数 JSON_DIR = "/path/to/json/files" # JSON文件目录 OUTPUT_DIR = "/path/to/output/labels" # 输出目录 CLASS_MAP = {"huaizao": 0, "other_class": 1} # 类别映射 # 确保输出目录存在 os.makedirs(OUTPUT_DIR, exist_ok=True) # 处理所有JSON文件 converted_count = 0 for filename in os.listdir(JSON_DIR): if filename.endswith('.json'): json_path = os.path.join(JSON_DIR, filename) if json_to_yolov8(json_path, OUTPUT_DIR, CLASS_MAP): converted_count += 1 print(f"转换完成! 成功处理 {converted_count} 个文件") ``` ### 关键说明： 1. **类别映射**： - `CLASS_MAP` 字典定义类别名称到ID的映射 - 示例：`{"huaizao": 0, "person": 1, "car": 2}` 2. **转换逻辑**： - 从JSON中提取多边形所有顶点坐标 - 计算最小外接矩形作为边界框 - 将边界框转换为YOLO格式：归一化中心坐标 + 宽高 - 坐标归一化公式：$ \text{norm} = \frac{\text{pixel}}{\text{image\_dim}} $ 3. **输出格式**： ``` <class_id> <center_x> <center_y> <width> <height> ``` 示例：`0 0.512345 0.423456 0.123456 0.234567` 4. **文件结构**： ```bash dataset/ ├── images/ # 存放原始图像 └── labels/ # 存放转换后的TXT文件 ``` ### 使用注意事项： 1. **空标注处理**：无标注对象的图像会生成空TXT文件 2. **坐标归一化**：所有坐标值在[0,1]范围内 3. **图像尺寸**：直接从JSON的`imageWidth`和`imageHeight`获取 4. **目录创建**：脚本会自动创建输出目录此脚本兼容LabelMe生成的JSON格式，可直接用于YOLOv8训练[^1][^3]。转换后的数据集结构符合YOLOv8要求： ``` class_id center_x center_y width height ```