使用matlab将BITVehicle_Dataset标注结果转为适用于darknet格式的voc格式（xml）

最新推荐文章于 2025-11-21 10:15:35 发布

原创

最新推荐文章于 2025-11-21 10:15:35 发布 · 3.7k 阅读

23 ·

CC 4.0 BY-SA版权

文章标签：

#图像识别 #图像检测 #matlab #darknet

本文介绍了一项无人机车辆巡检项目的实践经验，分享了如何整合并利用不同格式的数据集（如MATLAB的mat文件和JSON文件）进行目标检测模型训练的过程。

最近在做一个无人机车辆巡检的项目，需要用到大量的汽车相关的视频图片数据，前几天参考一些资料训练了bdd100k数据集，但是无人机巡检犹豫在高空中拍摄，清晰度不高，同时角度是俯视，这种角度的数据很难找，不过做实验阶段先找开源的数据吧，同时需要自己标注大量的数据进行补充。这里将BITVehicle_Dataset数据集与bdd100k数据集联合训练，但是BITVehicle_Dataset数据集提供的标注文件是一个matlab的mat文件，处理bdd100k数据集时已经用python实现了json格式到xml格式的转换，并从xml格式数据中组装darknet需要的数据格式（txt）格式，BITVehicle_Dataset数据集是{'Bus', 'Truck', 'SUV', 'Microbus', 'Sedan', 'Minivan'}这几种车型，bdd100k力度比较粗，没有细化到品牌，我这里的解决办法是在matlab中先将mat格式的标注数据转为voc格式，然后再用python从xml中提取标注框的信息，生成最终的训练数据。类别的转换使用一个python中的映射字典完成，这样后面需要用到BITVehicle_Dataset数据集时更加方便

下面是matlab提取BITVehicle_Dataset标注信息，转成xml的代码，已经带有详细注释。其他的脚本陆陆续续放上来，备忘。每天写一点吧项目还没做完。

data=load('./BITVehicle_Dataset/VehicleInfo.mat')
cars=data.VehicleInfo;
for n=1:length(cars)
    n;
    car=cars(n);
    %%
    %每一辆车新建一个xml文件存储车的信息
    carName=car.name;
    %图片的高度
    carHeight=car.height;
    %图片的宽度
    carWidth=car.width;
    %新建xml文件
    annotation = com.mathworks.xml.XMLUtils.createDocument('annotation');
    annotationRoot