目标检测，将voc格式转化为coco格式详细过程-Toy模板网

这篇具有很好参考价值的文章主要介绍了目标检测，将voc格式转化为coco格式详细过程。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

在目标检测方法研究中，数据集的格式至关重要，为了减小模型的训练时长，需要现在小数据集进行模型研究，从而需要将VOC数据集转化为coco格式。下面一步一步来看：

1. 下载VOC数据集

Pascal VOC，即Pattern Analysis, Statical Modeling and Computational Learning Visual Object Classes。详细可参考：http://host.robots.ox.ac.uk/pascal/VOC/

以及论文：http://host.robots.ox.ac.uk/pascal/VOC/pubs/everingham10.pdf

数据集下载，在linux系统用以下命令直接下载即可：

# VOC 2007
# 训练验证集
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06-Nov-2007.tar
# 测试集
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtest_06-Nov-2007.tar
# 开发工具包代码和文档
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCdevkit_08-Jun-2007.tar


# VOC 2012
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tar

解压方式可参考我之前的文章，进行批量一键解压：https://blog.csdn.net/qq_33854260/article/details/121861169?spm=1001.2014.3001.5502

2. 生成coco格式的标签文件：

这里参考github的代码：https://github.com/KKKSQJ/DeepLearning/blob/master/others/label_convert/voc2coco.py

注意这里需设置voc的根目录，如：

voc_data_dir = './VOC_2007/VOCtrainval_06-Nov-2007/VOCdevkit/VOC2007'
json_save_path = './VOC_2007_COCO/voc2007_train.json'
split = 'train' # train  val  test
parseXmlFilse(data_dir=voc_data_dir, json_save_path=json_save_path, split=split)

运行一次，可在目标文件夹得到对应的标签json文件；修改参数，再次运行，从而分别得到train，val, test的json文件。

3. 配置文件目录:

先来看coco文件目录：

目标检测，将voc格式转化为coco格式详细过程

annotations：存放标签文件，即生成的json文件，需要创建相同的文件，并拷贝过来：

目标检测，将voc格式转化为coco格式详细过程

创建数据图片文件夹，并把voc对应的数据拷贝过来。然而，VOC的训练和测试图片都放在一起。提前创建好目标文件夹，之后用我撰写的以下脚本来划分，脚本代码如下：

import os
import shutil

voc_train_val_img = "./voc_coco/voc2007/JPEGImages"
train_txt = "./voc_coco/VOCtrainval_06-Nov-2007/VOCdevkit/VOC2007/ImageSets/Main/train.txt"
val_txt = "./voc_coco/VOCtrainval_06-Nov-2007/VOCdevkit/VOC2007/ImageSets/Main/val.txt"

voc_coco_train_target_dir = "./voc_coco/voc2007/train2007"
voc_coco_val_target_dir = "./voc_coco/voc2007/val2007"

with open(train_txt, "r") as f:
    train = f.read()
    tp = train.split("\n")
    for j in range(len(tp)):
        file_path = os.path.join(voc_train_val_img, tp[j]+".jpg")
        tar_path = os.path.join(voc_coco_train_target_dir, tp[j]+".jpg")
        if os.path.exists(file_path):
            shutil.move(file_path, tar_path)
        else:
            print("Non-exist file", file_path)

print("Train data splited!...")

with open(val_txt, "r") as f:
    train = f.read()
    tp = train.split("\n")
    for j in range(len(tp)):
        file_path = os.path.join(voc_train_val_img, tp[j]+".jpg")
        tar_path = os.path.join(voc_coco_val_target_dir, tp[j]+".jpg")
        if os.path.exists(file_path):
            shutil.move(file_path, tar_path)
        else:
            print("Non-exist file", file_path)

print("Val data splited!...")

转换完成后的结果：

目标检测，将voc格式转化为coco格式详细过程