记录点：
import json
import os
name2id = {'person':0,'helmet':1,'Fire extinguisher':2,'Hook':3,'Gas cylinder':4}
def convert(img_size, box):
dw = 1./(img_size[0])
dh = 1./(img_size[1])
x = (box[0] + box[2])/2.0 - 1
y = (box[1] + box[3])/2.0 - 1
w = box[2] - box[0]
h = box[3] - box[1]
x = x*dw
w = w*dw
y = y*dh
h = h*dh
return (x,y,w,h)
def decode_json(json_floder_path,json_name):
txt_name = 'E:\\eclipse-workspace\\PyTorch\\PyTorch-YOLOv3\\data\\custom\\labels\\' + json_name[0:-5] + '.txt'
txt_file = open(txt_name, 'w')
json_path = os.path.join(json_floder_path, json_name)
data = json.load(open(json_path, 'r', encoding='gb2312'))
img_w = data['imageWidth']
img_h = data['imageHeight']
for i in data['shapes']:
label_name = i['label']
if (i['shape_type'] == 'rectangle'):
x1 = int(i['points'][0][0])
y1 = int(i['points'][0][1])
x2 = int(i['points'][1][0])
y2 = int(i['points'][1][1])
bb = (x1,y1,x2,y2)
bbox = convert((img_w,img_h),bb)
txt_file.write(str(name2id[label_name]) + " " + " ".join([str(a) for a in bbox]) + '\n')
if __name__ == "__main__":
json_floder_path = 'G:\\sinopec\\label-data-test\\json'
json_names = os.listdir(json_floder_path)
for json_name in json_names:
decode_json(json_floder_path,json_name)
解读成博客，并附上关键代码功能解析
JSON格式的标记文件中提取对象检测数据，并将其转换为适合训练YOLO模型的格式。主要功能包括读取标记信息，转换坐标系统，并生成对应的文本文件保存处理后的数据。以下是详细的解读和关键代码部分。
导入必要的模块
import json
import os标签到ID的映射
定义字典name2id，用于将对象的名称映射到一个唯一的ID。
name2id = {'person':0, 'helmet':1, 'Fire extinguisher':2, 'Hook':3, 'Gas cylinder':4}坐标转换函数
定义了convert函数，将标注的坐标转换为归一化坐标。这个步骤是因为YOLO模型需要归一化的边界框坐标作为输入。
def convert(img_size, box):
dw = 1./(img_size[0])
dh = 1./(img_size[1])
x = (box[0] + box[2])/2.0 - 1
y = (box[1] + box[3])/2.0 - 1
w = box[2] - box[0]
h = box[3] - box[1]
x = x*dw
w = w*dw
y = y*dh
h = h*dh
return (x,y,w,h)JSON解码和文件写入
decode_json函数负责读取JSON文件，解析其中的对象标注数据，并使用convert函数转换坐标。然后，它将转换后的坐标写入新的文本文件中。
def decode_json(json_floder_path, json_name):
txt_name = 'E:\\...\\' + json_name[0:-5] + '.txt'
txt_file = open(txt_name, 'w')
json_path = os.path.join(json_floder_path, json_name)
data = json.load(open(json_path, 'r', encoding='gb2312'))
img_w = data['imageWidth']
img_h = data['imageHeight']
for i in data['shapes']:
if i['shape_type'] == 'rectangle':
x1 = int(i['points'][0][0])
y1 = int(i['points'][0][1])
x2 = int(i['points'][1][0])
y2 = int(i['points'][1][1])
bb = (x1,y1,x2,y2)
bbox = convert((img_w, img_h), bb)
txt_file.write(str(name2id[i['label']]) + " " + " ".join([str(a) for a in bbox]) + '\n')主函数
给定文件夹中的所有JSON文件，并对每个文件调用decode_json函数处理。
if __name__ == "__main__":
json_floder_path = 'G:\\sinopec\\label-data-test\\json'
json_names = os.listdir(json_floder_path)
for json_name in json_names:
decode_json(json_floder_path, json_name)总结
将JSON格式的标记数据中提取信息，转换为YOLO模型训练所需的格式。通过自动化这一过程，可以大大减少准备数据的时间和复杂性，提高机器学习项目的效率。
