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（v2.0）

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（v2.0）

  • 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

  • 此版代码，相较于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，将文件夹批量处理图片和json文件考虑进去，而不是单个图片和json文件。
  • 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
  • images：要拼接的图片所在的文件夹。
  • jsons：图片对应Labelme标注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
}

代码实现

  • 此版代码，相较于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，将文件夹批量处理图片和json文件考虑进去，而不是单个图片和json文件。
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": [],},):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)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)# 保存图片cv2.imwrite(out_img_path,img1_img2_res)if __name__=="__main__":output_dir = "output"if not os.path.exists(output_dir):os.mkdir(output_dir)in_img_dir = 'images'in_json_dir = 'jsons'imgs_name_list = [i for i in os.listdir(in_img_dir) if i.endswith('.png')]# 按'picture_106_2023_12_14_11_12_23_986'按'106'这个排序# imgs_name_list = sorted(imgs_name_list, key=lambda x: int(x.split('_')[1])) json_name_list = [i for i in os.listdir(in_json_dir) if i.endswith('.json')]# 按'picture_106_2023_12_14_11_12_23_986'按'106'这个排序# json_name_list = sorted(json_name_list, key=lambda x: int(x.split('_')[1])) # print(imgs_name_list)# print(json_name_list)for i in range(len(imgs_name_list)-1):try:img1_name = imgs_name_list[i]img2_name = imgs_name_list[i+1]img1_path = in_img_dir + '/' + img1_namejson1_path = in_json_dir + '/' + img1_name[:-4]+ '.json'img2_path = in_img_dir + '/' + img2_namejson2_path = in_json_dir + '/' + img2_name[:-4]+ '.json'vconcat_img_json(img1_path,img2_path,json1_path,json2_path,output_dir)except Exception as e:print(e)

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/277995.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

DSP定时器0笔记

DSP定时器0笔记

首先了解开发板TMS320f28335是150Mhz的频率 定时器结构图和概要 定时器0对应的中断是TINT0 大概是这样，时钟sysclkout 进入和TCR控制时钟进入 ，经过标定计数器（stm32的预分频），标定器挂这自动装载寄存器&#xff0c…
阅读更多...
IDEA设置查看JDK源码

IDEA设置查看JDK源码

问题 我们在查看JDK源码时，可能会遇到这种情况，步入底层查看JDK源码时，出现一堆var变量，可读性非常之差，例如笔者最近想看到nio包下的SocketChannelImpl的write方法，结果看到这样一番景象： pu…
阅读更多...
软件测试职业规划

软件测试职业规划

软件测试人员的发展误区【4】 公司开发的产品专业性较强，软件测试人员需要有很强的专业知识，现在软件测试人员发展出现了一种测试管理者不愿意看到的景象： 1、开发技术较强的软件测试人员转向了软件开发(非测试工具开发)； 2、业务…
阅读更多...
【深入浅出SpringCloud源码探究】「Netflix系列之Ribbon+Fegin」微服务化的负载均衡组件源码剖析与实战开发全流程（Ribbon篇）

【深入浅出SpringCloud源码探究】「Netflix系列之Ribbon+Fegin」微服务化的负载均衡组件源码剖析与实战开发全流程（Ribbon篇）

微服务化的负载均衡组件源码剖析与实战开发全流程 什么是负载均衡负载均衡的种类服务器端负载均衡（S-LB）客户端负载均衡（C-LB）注解LoadBalancedLoadBalancerAutoConfiguration类LoadBalancerClient类源码分析 ServiceInstanceChoo…
阅读更多...
Python爬虫-解决使用requests，Pyppeteer，Selenium遇到网站显示“您的连接不是私密连接”的问题|疑难杂症解决(2)

Python爬虫-解决使用requests，Pyppeteer，Selenium遇到网站显示“您的连接不是私密连接”的问题|疑难杂症解决(2)

前言 本文是该专栏的第13篇，后面会持续分享python爬虫案例干货，记得关注。 相信很多同学在处理爬虫项目的时候，会遇到一些网站出现如下图所示的情况： 就是当你不论是使用requests进行协议请求，还是使用自动化框架pyppeteer或者selenium都会出现上图中的情况。这相信会或多…
阅读更多...
LVS负载均衡群集，熟悉LVS的工作模式，了解LVS的调度策略以及ipvsadm工具的命令格式

LVS负载均衡群集，熟悉LVS的工作模式，了解LVS的调度策略以及ipvsadm工具的命令格式

目录 一、什么是群集 群集的作用： 群集的目的是什么 根据群集所针对的目标差异，可分为三种类型 负载均衡群集（LBC）load balance cluster 高可用群集（HAC）high availability cluster 高性能运算群集&a…
阅读更多...
OSPF理论总结与实验

OSPF理论总结与实验

第1章 OSPF[1] 本章阐述了OSPF协议的特征、术语，OSPF的路由器类型、网络类型、区域类型、LSA类型，OSPF报文的具体内容及作用，描述了OSPF的邻居关系，通过实例让读者掌握OSPF在各种场景中的配置。 本章包含以下内容： …
阅读更多...
详谈前端中常用的加/密算法

详谈前端中常用的加/密算法

本文主要详细介绍了在前端开发中常用的加/解密算法，以及前端如何实现。 总的来说：前端加密无论使用哪个加密都一样是有可能性被他人获取到相关的公钥或密钥的（比如：拦截请求、查看源代码等），然后进行加密与…
阅读更多...
MySQL作为服务端的配置过程与实际案例

MySQL作为服务端的配置过程与实际案例

MySQL是一款流行的关系型数据库管理系统，广泛应用于各种业务场景中。作为服务端，MySQL的配置过程对于数据库的性能、安全性和稳定性至关重要。本文将详细介绍MySQL作为服务端的配置过程，并通过一个实际案例进行举例说明。 一、MySQL服务端配…
阅读更多...
word2vec，BERT，GPT相关概念

word2vec，BERT，GPT相关概念

词嵌入（Word Embeddings） 词嵌入通常是针对单个词元（如单词、字符或子词）的。然而，OpenAI 使用的是预训练的 Transformer 模型（如 GPT 和 BERT），这些模型不仅可以为单个词元生成嵌入…
阅读更多...
IDEA debug窗口左边工具栏隐藏与显示

IDEA debug窗口左边工具栏隐藏与显示

今天在debug排查代码的时候一不小心点到哪里，结果变成这样 我们可以这样恢复，右键Debug 点击show Toolbar
阅读更多...
【UML】第4篇 UML公共机制（补扩展机制）

【UML】第4篇 UML公共机制（补扩展机制）

目录 一、扩展机制 1.1 构造型 1.2 标记值（Tagged Value） 1.3 约束（Constraint） 上节扩展机制没有讲完，如上图。 一、扩展机制 1.1 构造型 UML中的扩展机制包括约束、构造型和标记值，其中的构造型定义…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023