Python将已标注的两张图片进行上下拼接并修改、合并其对应的Labelme标注文件

Python将已标注的两张图片进行上下拼接并修改、合并其对应的Labelme标注文件

  • 前言
  • 前提条件
  • 相关介绍
  • 实验环境
  • 上下拼接图片并修改、合并其对应的Labelme标注文件
    • 代码实现
    • 输出结果

在这里插入图片描述

前言

  • 由于本人水平有限，难免出现错漏，敬请批评改正。
  • 更多精彩内容，可点击进入Python日常小操作专栏、OpenCV-Python小应用专栏、YOLO系列专栏、自然语言处理专栏或我的个人主页查看
  • YOLOv8 Ultralytics：使用Ultralytics框架训练RT-DETR实时目标检测模型
  • 基于DETR的人脸伪装检测
  • YOLOv7训练自己的数据集（口罩检测）
  • YOLOv8训练自己的数据集（足球检测）
  • YOLOv5：TensorRT加速YOLOv5模型推理
  • YOLOv5：IoU、GIoU、DIoU、CIoU、EIoU
  • 玩转Jetson Nano（五）：TensorRT加速YOLOv5目标检测
  • YOLOv5：添加SE、CBAM、CoordAtt、ECA注意力机制
  • YOLOv5：yolov5s.yaml配置文件解读、增加小目标检测层
  • Python将COCO格式实例分割数据集转换为YOLO格式实例分割数据集
  • YOLOv5：使用7.0版本训练自己的实例分割模型（车辆、行人、路标、车道线等实例分割）
  • 使用Kaggle GPU资源免费体验Stable Diffusion开源项目

前提条件

  • 熟悉Python

相关介绍

  • Python是一种跨平台的计算机程序设计语言。是一个高层次的结合了解释性、编译性、互动性和面向对象的脚本语言。最初被设计用于编写自动化脚本(shell)，随着版本的不断更新和语言新功能的添加，越多被用于独立的、大型项目的开发。
  • PyTorch 是一个深度学习框架，封装好了很多网络和深度学习相关的工具方便我们调用，而不用我们一个个去单独写了。它分为 CPU 和 GPU 版本，其他框架还有 TensorFlow、Caffe 等。PyTorch 是由 Facebook 人工智能研究院（FAIR）基于 Torch 推出的，它是一个基于 Python 的可续计算包，提供两个高级功能：1、具有强大的 GPU 加速的张量计算（如 NumPy）；2、构建深度神经网络时的自动微分机制。
  • YOLOv5是一种单阶段目标检测算法，该算法在YOLOv4的基础上添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升。它是一个在COCO数据集上预训练的物体检测架构和模型系列，代表了Ultralytics对未来视觉AI方法的开源研究，其中包含了经过数千小时的研究和开发而形成的经验教训和最佳实践。
  • Labelme是一款图像标注工具，由麻省理工(MIT)的计算机科学和人工智能实验室(CSAIL)研发。它是用Python和PyQT编写的，开源且免费。Labelme支持Windows、Linux和Mac等操作系统。
  • 这款工具提供了直观的图形界面，允许用户在图像上标注多种类型的目标，例如矩形框、多边形、线条等，甚至包括更复杂的形状。标注结果以JSON格式保存，便于后续处理和分析。这些标注信息可以用于目标检测、图像分割、图像分类等任务。
  • 总的来说，Labelme是一款强大且易用的图像标注工具，可以满足不同的图像处理需求。
  • Labelme标注json文件是一种用于存储标注信息的文件格式，它包含了以下几个主要的字段：
    • version: Labelme的版本号，例如"4.5.6"。
    • flags: 一些全局的标志，例如是否是分割任务，是否有多边形，等等。
    • shapes: 一个列表，每个元素是一个字典，表示一个标注对象。每个字典包含了以下几个字段：
      • label: 标注对象的类别名称，例如"dog"。
      • points: 一个列表，每个元素是一个坐标对，表示标注对象的边界点，例如[[10, 20], [30, 40]]。
      • group_id: 标注对象的分组编号，用于表示属于同一组的对象，例如1。
      • shape_type: 标注对象的形状类型，例如"polygon"，“rectangle”，“circle”，等等。
      • flags: 一些针对该标注对象的标志，例如是否是难例，是否被遮挡，等等。
    • lineColor: 标注对象的边界线颜色，例如[0, 255, 0, 128]。
    • fillColor: 标注对象的填充颜色，例如[255, 0, 0, 128]。
    • imagePath: 图像文件的相对路径，例如"img_001.jpg"。
    • imageData: 图像文件的二进制数据，经过base64编码后的字符串，例如"iVBORw0KGgoAAAANSUhEUgAA…"。
    • imageHeight: 图像的高度，例如600。
    • imageWidth: 图像的宽度，例如800。

以下是一个Labelme标注json文件的示例：

{"version": "4.5.6","flags": {},"shapes": [{"label": "dog","points": [[121.0,233.0],[223.0,232.0],[246.0,334.0],[121.0,337.0]],"group_id": null,"shape_type": "polygon","flags": {}}],"lineColor": [0,255,0,128],"fillColor": [255,0,0,128],"imagePath": "img_001.jpg","imageData": "iVBORw0KGgoAAAANSUhEUgAA...","imageHeight": 600,"imageWidth": 800
}

实验环境

  • Python 3.x （面向对象的高级语言）

上下拼接图片并修改、合并其对应的Labelme标注文件

  • 背景：将标注好的数据集，上下拼接图片，以扩充数据集图片的形状大小，更好的输入进去网络，训练模型。
  • 目录结构示例
    在这里插入图片描述

代码实现

在这里插入图片描述

  • img_test：要拼接的图片数据集和Labelme标注的Json文件所在的文件夹。

在这里插入图片描述

{"version": "5.1.1","flags": {},"shapes": [{"label": "0","points": [[71.08019639934534,33.10965630114566],[81.55482815057283,110.68739770867431]],"group_id": null,"shape_type": "rectangle","flags": {}}],"imagePath": "1.png","imageData": null,"imageHeight": 160,"imageWidth": 160
}

在这里插入图片描述

{"version": "5.1.1","flags": {},"shapes": [{"label": "1","points": [[77.29950900163666,61.58756137479541],[87.11947626841243,97.59410801963993]],"group_id": null,"shape_type": "rectangle","flags": {}}],"imagePath": "2.png","imageData": null,"imageHeight": 160,"imageWidth": 160
}

import os
import cv2
import json
import mathdef xyxy2xywh(rect):'''(x1,y1,x2,y2) -> (x,y,w,h)'''return [rect[0],rect[1],rect[2]-rect[0],rect[3]-rect[1]]def xywh2xyxy(rect):'''(x,y,w,h) -> (x1,y1,x2,y2)'''return [rect[0],rect[1],rect[0]+rect[2],rect[1]+rect[3]]def is_RecA_RecB_interSect(RecA, RecB): # Rec = [xmin,ymin,xmax,ymax]# 获取交集区域的[xmin,ymin,xmax,ymax]x_A_and_B_min = max(RecA[0], RecB[0])y_A_and_B_min = max(RecA[1], RecB[1])x_A_and_B_max = min(RecA[2], RecB[2])y_A_and_B_max = min(RecA[3], RecB[3])# 计算交集部分面积, 当(xmax - xmin)为负时，说明A与B框无交集，直接置为0。 (ymax - ymin)同理。interArea = max(0, x_A_and_B_max - x_A_and_B_min) * max(0, y_A_and_B_max - y_A_and_B_min)return interArea > 0def merge_RecA_RecB(RecA, RecB): # Rec = [xmin,ymin,xmax,ymax]# 获取合并区域的[xmin,ymin,xmax,ymax]xmin = min(RecA[0], RecB[0])ymin = min(RecA[1], RecB[1])xmax = max(RecA[2], RecB[2])ymax = max(RecA[3], RecB[3])return [xmin,ymin, xmax,ymax]'''
递归是一个过程或函数在其定义或说明中有直接或间接调用自身的一种方法，
它通常把一个大型复杂的问题层层转化为一个与原问题相似的规模较小的问题来求解。
因此递归过程，最重要的就是查看能不能讲原本的问题分解为更小的子问题，这是使用递归的关键。终止条件：矩形框数为1或者为空。返回值： 新合并的矩形框本级任务： 每一级需要做的就是遍历从它开始的后续矩形框，寻找可以和他合并的矩形'''
def merge_rect(box,labels):'''合并重叠框 输入参数: box :[[xmin,ymin,xmax,ymax],...]labels :['0', '0', '1', '1', '1', '2', '2', '2']返回:合并后的box:[[xmin,ymin,xmax,ymax],...]合并后的labels:['0', '1', '2']'''if len(box) == 1 or len(box) == 0 : # 矩形框数为1或者为空return box,labelsfor i in range(len(box)):RecA_xyxy = box[i]labelA = labels[i]for j in range(i+1, len(box)):RecB_xyxy = box[j]labelB = labels[i]if is_RecA_RecB_interSect(RecA_xyxy, RecB_xyxy)  and labelA==labelB:rect_xyxy = merge_RecA_RecB(RecA_xyxy, RecB_xyxy)# 使用remove(elem)来移除元素box.remove(RecA_xyxy)box.remove(RecB_xyxy)box.append(rect_xyxy)labels.pop(i)labels.pop(j-1)labels.append(labelA)merge_rect(box,labels)# 返回上一级循环，避免重复处理已合并的矩形return box,labelsreturn box,labelsdef xyxy2xminyminxmaxymax(rect):'''(x1,y1,x2,y2)  -> (xmin,ymin,xmax,ymax)'''xmin = min(rect[0],rect[2])ymin = min(rect[1],rect[3])xmax = max(rect[0],rect[2])ymax = max(rect[1],rect[3])return xmin,ymin,xmax,ymaxdef coord_recovery(res_list,img_height = 80):for i in range(len(res_list)):for j in res_list[i][1]:j[1] = j[1] + i*img_heightj[3] = j[3] + i*img_height# res_list[i][1][0][1] = res_list[i][1][0][1] + i*img_height# res_list[i][1][0][3] = res_list[i][1][0][3] + i*img_heightreturn res_listdef read_write_json(in_json1_path,in_json2_path,output_json_path,out_img_name,new_img_height,new_img_width,json_dict = {"version": "4.5.6","flags": {},"shapes": [],},):'''读取json文件'''with open(in_json1_path, "r", encoding='utf-8') as f:# json.load数据到变量json_datajson1_data = json.load(f)with open(in_json2_path, "r", encoding='utf-8') as f:# json.load数据到变量json_datajson2_data = json.load(f)img1_height = json1_data['imageHeight']img1_width = json1_data['imageWidth']img2_height = json2_data['imageHeight']img2_width = json2_data['imageWidth']labels = []boxes = []for i in json1_data['shapes']:labels.append(i['label'])rect = int(i['points'][0][0]),int(i['points'][0][1]),int(i['points'][1][0]),int(i['points'][1][1]) # x1,y1,x2,y2x1,y1,x2,y2 = xyxy2xminyminxmaxymax(rect)boxes.append([x1,y1,x2,y2])for i in json2_data['shapes']:labels.append(i['label'])rect = int(i['points'][0][0]),int(i['points'][0][1])+img1_height,int(i['points'][1][0]),int(i['points'][1][1])+img1_height # x1,y1,x2,y2x1,y1,x2,y2 = xyxy2xminyminxmaxymax(rect)boxes.append([x1,y1,x2,y2])merge_box,merge_labels = merge_rect(boxes,labels) # 合并相交的矩形# print(merge_labels,merge_box,sep='\n')for box,label in zip(merge_box,merge_labels):shapes_dict = {'label': '', 'points': [], # [[x1,y1],[x2,y2]]'group_id': None, 'shape_type': 'rectangle', 'flags': {}}shapes_dict['label'] = labelx1,y1,x2,y2 = boxshapes_dict['points'] = [[x1,y1],[x2,y2]]json_dict['shapes'].append(shapes_dict)'''写新的json文件'''json_dict["imagePath"] = out_img_namejson_dict["imageData"] = Nonejson_dict["imageHeight"] = new_img_heightjson_dict["imageWidth"] = new_img_widthwith open(output_json_path, 'w') as f:f.write(json.dumps(json_dict))def vconcat_img_json(img1_path,img2_path,json1_path,json2_path,output_dir):img1 = cv2.imread(img1_path)img2 = cv2.imread(img2_path)img1_img2_res = cv2.vconcat([img1, img2])new_img_height,new_img_width = img1_img2_res.shape[0],img1_img2_res.shape[1]img_type = '.png'out_img_name = img1_path.split('/')[-1].split('.')[0] +'_'+ img2_path.split('/')[-1].split('.')[0]+img_typeout_img_path = os.path.join(output_dir,out_img_name)# print(out_img_path)# 保存图片cv2.imwrite(out_img_path,img1_img2_res)out_json_name = img1_path.split('/')[-1].split('.')[0] +'_'+ img2_path.split('/')[-1].split('.')[0]+".json"out_json_path = os.path.join(output_dir,out_json_name)# print(out_json_path)# 保存新的json文件read_write_json(json1_path,json2_path,out_json_path,out_img_name,new_img_height,new_img_width)if __name__=="__main__":output_dir = "output"if not os.path.exists(output_dir):os.mkdir(output_dir)img1_path = 'img_test/1.png'img2_path = 'img_test/2.png'json1_path = 'img_test/1.json'json2_path = 'img_test/2.json'vconcat_img_json(img1_path,img2_path,json1_path,json2_path,output_dir)

输出结果

在这里插入图片描述

  • output：拼接后图片数据集和Labelme标注的Json文件所在的文件夹。

在这里插入图片描述

{"version": "4.5.6","flags": {},"shapes": [{"label": "0","points": [[71,33],[81,110]],"group_id": null,"shape_type": "rectangle","flags": {}},{"label": "1","points": [[77,221],[87,257]],"group_id": null,"shape_type": "rectangle","flags": {}}],"imagePath": "1_2.png","imageData": null,"imageHeight": 320,"imageWidth": 160
}
  • 由于本人水平有限，难免出现错漏，敬请批评改正。
  • 更多精彩内容，可点击进入Python日常小操作专栏、OpenCV-Python小应用专栏、YOLO系列专栏、自然语言处理专栏或我的个人主页查看
  • YOLOv8 Ultralytics：使用Ultralytics框架训练RT-DETR实时目标检测模型
  • 基于DETR的人脸伪装检测
  • YOLOv7训练自己的数据集（口罩检测）
  • YOLOv8训练自己的数据集（足球检测）
  • YOLOv5：TensorRT加速YOLOv5模型推理
  • YOLOv5：IoU、GIoU、DIoU、CIoU、EIoU
  • 玩转Jetson Nano（五）：TensorRT加速YOLOv5目标检测
  • YOLOv5：添加SE、CBAM、CoordAtt、ECA注意力机制
  • YOLOv5：yolov5s.yaml配置文件解读、增加小目标检测层
  • Python将COCO格式实例分割数据集转换为YOLO格式实例分割数据集
  • YOLOv5：使用7.0版本训练自己的实例分割模型（车辆、行人、路标、车道线等实例分割）
  • 使用Kaggle GPU资源免费体验Stable Diffusion开源项目

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.hqwc.cn/news/194036.html

如若内容造成侵权/违法违规/事实不符，请联系编程知识网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

第20章 数据库编程

第20章 数据库编程

通过本章需要理解JDBC的核心设计思想以及4种数据库访问机制，理解数据库连接处理流程，并且可以使用JDBC进行Oracle数据库的连接，理解工厂设计模式在JDBC中的应用，清楚地理解DriverManager类的作用，掌握Connection、Prep…
阅读更多...
HR人才测评，提高招聘效率降低用人风险

HR人才测评，提高招聘效率降低用人风险

随着社会的不断进步，越来越多的企业在人力资源管理中，引入人才测评工具。人才是构成一个企业的基础，是企业不断发展的保障，同时，人才也是一个企业的核心竞争力之一。所以，人才的素质对一个企业至关重要。现…
阅读更多...
Halcon (4):如何开始自学

Halcon (4):如何开始自学

文章目录 文章专栏前言Halcon文档Halcon基础案例文档英语阅读建议 结论 文章专栏 Halcon开发 前言 在我完成上一篇代码，halcon基础窗口事件写完了之后，我已经基本掌握了如何写一个简单的halcon程序。后面我学习新的知识的时候感觉遇到了瓶颈。因为网上没…
阅读更多...
测试老鸟总结，Web/APP与接口测试测试流程总结，避背黑锅...

测试老鸟总结，Web/APP与接口测试测试流程总结，避背黑锅...

目录：导读 前言一、Python编程入门到精通二、接口自动化项目实战三、Web自动化项目实战四、App自动化项目实战五、一线大厂简历六、测试开发DevOps体系七、常用自动化测试工具八、JMeter性能测试九、总结（尾部小惊喜） 前言 1、web测试流程 …
阅读更多...
【linux网络】解读FTP文件传输服务器配置，揭秘百度云下载限速原理

【linux网络】解读FTP文件传输服务器配置，揭秘百度云下载限速原理

目录 一、FTP文件传输协议 1.1FTP工作原理 1.2两种模式介绍 1.3FTP状态码 1.4FTP的三种用户分类 二、vsftpd软件的介绍 2.1服务端介绍 2.2不同操作系统下的客户端登录操作 三、vsftpd的常见配置 3.1修改默认的命令端口 3.2限制匿名用户登录（系统原本是默…
阅读更多...
不知道如何制作产品图册的，赶紧收藏住！

不知道如何制作产品图册的，赶紧收藏住！

产品图册是展示产品外观、功能和特点的重要工具，对于销售和推广产品至关重要。然而，制作一本高质量的产品图册并不是一件容易的事情。如果你没有经验或者不确定如何着手，那么这篇文章将为你提供一些实用的建议和技巧，帮助你轻松制…
阅读更多...
自定义业务异常处理类加入全局处理器中

自定义业务异常处理类加入全局处理器中

自定义业务异常处理类并将其加入全局异常处理器，从而避免业务层直接处理异常造成代码污染，达到业务清晰简洁。 描述 在进行分类模块开发时，删除某个分类时当分类关联了菜品和套餐时，是不允许删除的。我们在管理端删除的时候会提示…
阅读更多...
基于冠状病毒群体免疫算法优化概率神经网络PNN的分类预测 - 附代码

基于冠状病毒群体免疫算法优化概率神经网络PNN的分类预测 - 附代码

基于冠状病毒群体免疫算法优化概率神经网络PNN的分类预测 - 附代码 文章目录 基于冠状病毒群体免疫算法优化概率神经网络PNN的分类预测 - 附代码1.PNN网络概述2.变压器故障诊街系统相关背景2.1 模型建立 3.基于冠状病毒群体免疫优化的PNN网络5.测试结果6.参考文献7.Matlab代码 …
阅读更多...
【kafka】使用docker启动kafka

【kafka】使用docker启动kafka

1.环境准备 docker拉取zookeeper镜像 docker pull zookeeper:3.4.14 创建zookeeper容器，默认端口号为2181 docker run -d --name zookeeper -p 2181:2181 zookeeper:3.4.14 拉取kafka镜像 docker pull wurstmeister/kafka:2.12-2.3.1 创键kafka容器&#xff…
阅读更多...
pom.xml格式化快捷键

pom.xml格式化快捷键

在软件开发和编程领域，"格式化"通常指的是将代码按照一定的规范和风格进行排列，以提高代码的可读性和维护性。格式化代码有助于使代码结构清晰、统一，并符合特定的编码规范。 格式化可以包括以下方面： 缩进&#xff1a…
阅读更多...
Windows安装多个版本的Java

Windows安装多个版本的Java

在做持续集成CI/CD时，需要用到Jenkins，本人爱好使用各种最新版，down下来之后发现，新版只支持Java11以上的版本了！！ 苦苦找了很久，找不到正规Java8版本的Jenkins安装包！ 干脆换个思路…
阅读更多...
Typecho框架漏洞

Typecho框架漏洞

这里说的框架漏洞只适用于1.2.0版本及以下的版本 这里说的漏洞是xss漏洞，学过渗透的应该都学过，我在这里就不过多阐述了，下面我们直接进入正题 直接在这个地方插入网址，后面再接上html代码即可，代码如下： …
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023