Python等比例缩放图片并修改对应的Labelme标注文件（v2.0）

Python等比例缩放图片并修改对应的Labelme标注文件（v2.0）

  • 前言
  • 前提条件
  • 相关介绍
  • 实验环境
  • Python等比例缩放图片并修改对应的Labelme标注文件
    • Json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等比例缩放图片并修改对应的Labelme标注文件，将无标注文件的数据集处理方法（异常跳过），也考虑进去了。
  • 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。
  • Python OS模块是负责程序与操作系统的交互，提供了访问操作系统底层的接口和非常丰富的方法用来处理文件和目录。
  • 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）

Python等比例缩放图片并修改对应的Labelme标注文件

Json文件

{"version":"5.0.1","flags":{},"shapes":[{"label":"1","points":[[551.3333333333339,17],[1144.666666666667,843.6666666666667]],"group_id":null,"shape_type":"rectangle","flags":{}},{"label":"1","points":[[206.48387096774195,1022.5806451612904],[111,0]],"group_id":null,"shape_type":"rectangle","flags":{}},{"label":"1","points":[[2364.666666666667,17],[2704.666666666667,1823.666666666667]],"group_id":null,"shape_type":"rectangle","flags":{}},{"label":"1","points":[[698.272727272727,3475.818181818182],[1167.759862778731,841.8233276157805]],"group_id":null,"shape_type":"rectangle","flags":{}},{"label":"1","points":[[293.1515151515159,4000.818181818181],[707.363636363636,848.5454545454545]],"group_id":null,"shape_type":"rectangle","flags":{}},{"label":"4","points":[[109.70967741935465,1025.8064516129032],[193.58064516129025,2103.2258064516127]],"group_id":null,"shape_type":"rectangle","flags":{}},{"label":"1","points":[[1895.3243243243242,13.513513513513514],[2360.189189189189,1208.1081081081081]],"group_id":null,"shape_type":"rectangle","flags":{}},{"label":"1","points":[[1654.7837837837842,710.8108108108108],[2351.7692307692305,3007.6923076923076]],"group_id":null,"shape_type":"rectangle","flags":{}}],"imagePath":"1.jpg","imageData":null,"imageHeight":4000,"imageWidth":8320
}

代码实现

  • 此版代码，相较于Python等比例缩放图片并修改对应的Labelme标注文件，将无标注文件的数据集处理方法（异常跳过），也考虑进去了。
import os
import cv2
import jsondef resize_img_equal_proportion(in_img_path,out_img_path,resized_pix):'''in_img_path:图片输入路径out_img_path:图片结果保存路径resized_pix: 缩放后分辨率'''ori_img = cv2.imread(in_img_path) # 读取图片print(ori_img.shape)height, width = ori_img.shape[:2] # 原始分辨率# 等比例缩放到pix=400scale = resized_pix / height# 缩放后分辨率resized_height = resized_pix resized_width = int(width * scale)img = cv2.resize(ori_img, (resized_width, resized_height))print(img.shape)cv2.imwrite(out_img_path, img)return resized_height,resized_width,scaledef alter_json_equal_proportion(img_name,in_json_path,out_json_path,resized_height,resized_width,scale):'''in_json_path: json文件输入路径out_json_path: json文件保存路径resized_height: 缩放后的高resized_width: 缩放后的宽scale: 图片缩放比例'''file_in = open(in_json_path, "r", encoding='utf-8')# json.load数据到变量json_datajson_data = json.load(file_in)# 修改json中的内容json_data["imageHeight"] = resized_heightjson_data["imageWidth"] = resized_widthjson_data["imagePath"] = img_namefor LabelBox in json_data['shapes']:for point in LabelBox['points']:point[0] = point[0]*scalepoint[1] = point[1]*scalefile_in.close()# 创建一个写文件file_out = open(out_json_path, "w", encoding='utf-8')# 将修改后的数据写入文件file_out.write(json.dumps(json_data))file_out.close()if __name__ =="__main__":in_img_dir = 'images/'in_json_dir = 'jsons/'out_dir_name = 'output/'if not os.path.exists(out_dir_name):os.mkdir(out_dir_name)img_name_list = os.listdir(in_img_dir)# print(img_name_list)json_name_list = os.listdir(in_json_dir)# print(json_name_list)img_list  = [i for i in img_name_list if i.endswith('.jpg') or i.endswith('.bmp') or i.endswith('.png') ] # print(img_list)json_list = [i for i in json_name_list if i.endswith('.json')]# print(json_list)for img_name in img_list:try:# print(img_name)in_img_path =in_img_dir +  img_name # 获取文件路径in_json_path = in_json_dir + img_name[:-4]+'.json'out_img_path = out_dir_name +  img_nameout_json_path = out_dir_name + img_name[:-4]+'.json'print(out_img_path,out_json_path)if os.path.exists(in_json_path): # 输入图片所对应的json文件存在，则为True。resized_height,resized_width,scale = resize_img_equal_proportion(in_img_path,out_img_path,resized_pix=2048)alter_json_equal_proportion(img_name,in_json_path,out_json_path,resized_height,resized_width,scale)except Exception as e:print(e)

输出结果

{"version":"5.0.1","flags":{},"shapes":[{"label":"1","points":[[141.14133333333348,4.352],[293.03466666666674,215.9786666666667]],"group_id":null,"shape_type":"rectangle","flags":{}},{"label":"1","points":[[52.85987096774194,261.78064516129035],[28.416,0]],"group_id":null,"shape_type":"rectangle","flags":{}},{"label":"1","points":[[605.3546666666667,4.352],[692.3946666666668,466.85866666666675]],"group_id":null,"shape_type":"rectangle","flags":{}},{"label":"1","points":[[178.75781818181812,889.8094545454546],[298.94652487135517,215.5067718696398]],"group_id":null,"shape_type":"rectangle","flags":{}},{"label":"1","points":[[75.04678787878808,1024.2094545454543],[181.08509090909084,217.22763636363635]],"group_id":null,"shape_type":"rectangle","flags":{}},{"label":"4","points":[[28.08567741935479,262.60645161290324],[49.556645161290305,538.4258064516129]],"group_id":null,"shape_type":"rectangle","flags":{}},{"label":"1","points":[[485.203027027027,3.4594594594594597],[604.2084324324325,309.2756756756757]],"group_id":null,"shape_type":"rectangle","flags":{}},{"label":"1","points":[[423.62464864864876,181.96756756756758],[602.052923076923,769.9692307692308]],"group_id":null,"shape_type":"rectangle","flags":{}}],"imagePath":"1.jpg","imageData":null,"imageHeight":1024,"imageWidth":841
}
  • 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/278601.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

巴贝拉葡萄酒是单一品种还是混合品种制成的？

巴贝拉葡萄酒是单一品种还是混合品种制成的？

大多数巴贝拉葡萄酒都是由单一的巴贝拉葡萄品种制成的，许多意大利葡萄酒商开始尝试在巴贝拉葡萄酒中加入其它葡萄品种，其中两个最受欢迎的意大利品种是皮埃蒙特的巴贝拉德阿尔巴和达斯蒂。和朋友在一家意大利餐厅吃饭，被酒单吓到了&#xff1…
阅读更多...
YOLOv8改进 | Conv篇 | 轻量级下采样方法ContextGuided（涨点幅度）

YOLOv8改进 | Conv篇 | 轻量级下采样方法ContextGuided（涨点幅度）

一、本文介绍 本文给大家带来的是改进机制是一种替换Conv的模块Context Guided Block (CG block) ，其是在CGNet论文中提出的一种模块，其基本原理是模拟人类视觉系统依赖上下文信息来理解场景。CG block 用于捕获局部特征、周围上下文和全局上下文&#…
阅读更多...
Linux环境下安装JDK

Linux环境下安装JDK

本文将介绍在Linux环境下，如何安装JDK 1.用yum方式安装(无需配置环境变量) 检索yum中有没有java1.8的包：yum list java-1.8*安装：yum install java-1.8.0-openjdk* -y检查是否安装合适 2. 用JDK安装包安装 查看是否已经安装JDK&#xff1…
阅读更多...
RabbitMQ插件详解：rabbitmq_message_timestamp【Rabbitmq 五】

RabbitMQ插件详解：rabbitmq_message_timestamp【Rabbitmq 五】

欢迎来到我的博客，代码的世界里，每一行都是一个故事 RabbitMQ时空之旅：rabbitmq_message_timestamp的奇妙世界 前言什么是rabbitmq_message_timestamprabbitmq_message_timestamp 的定义与作用：如何在 RabbitMQ 中启用消息时间戳&…
阅读更多...
寒冷冬天，再次撕下了新能源汽车的续航遮羞布，北方真不适合

寒冷冬天，再次撕下了新能源汽车的续航遮羞布，北方真不适合

随着懂车帝的冬测，新能源汽车的冬天续航成为关注焦点，电池性能在冬天里缩减众所周知，不过从来没有机构告诉消费者，到底冬天电池的续航会减少多少，如今这一切显然暴露在人们眼前了。 懂车帝的冬测显示除了特别优秀的新能…
阅读更多...
YOLOv8 | 代码逐行解析(一) | 项目目录构造分析

YOLOv8 | 代码逐行解析(一) | 项目目录构造分析

一、本文介绍 Hello，大家好这次给大家带来的不是改进，是整个YOLOv8项目的分析，整个系列大概会更新7-10篇左右的文章，从项目的目录到每一个功能代码的都会进行详细的讲解，同时YOLOv8改进系列也突破了三十篇文章&#x…
阅读更多...
探索Linux服务器配置信息的命令

探索Linux服务器配置信息的命令

目录 前言1 uname2 lscpu3 free4 df5 lspci6 lsusb7 lshw结语 前言 Linux系统提供了许多命令，用于获取和查看服务器的软硬件配置信息。这些命令可以帮助管理员和用户了解系统的状态、资源使用情况以及硬件设备的相关信息。以下是一些常用的命令以及它们的作用、使用…
阅读更多...
C语言--clock()时间函数【详细介绍】

C语言--clock()时间函数【详细介绍】

一.clock()时间函数介绍 在 C/C 中，clock() 函数通常用于处理和测量程序运行时间（时钟时间）。它是一种数据类型，表示 CPU 执行指定任务所耗费的“时钟计数”数量，单位为“时钟周期”。 这个函数通常包含在 time.h 头文…
阅读更多...
Next.js加载异步组件 骨架屏

Next.js加载异步组件 骨架屏

Next.js 中有两种处理页面加载的方式，一种是 Loading UI 一种是 Streaming。接下来我将介绍这两种的区别，以及实际的业务场景。 当我们进入某个页面时，需要获取页面数据，可能是从数据库读取也有可能是 API 服务，总之这…
阅读更多...
iOS_给View的部分区域截图 snapshot for view

iOS_给View的部分区域截图 snapshot for view

文章目录 1.将整个view截图返回image：2.截取view的部分区域，返回image：3.旧方法：4.Tips参考： 1.将整个view截图返回image： 这些 api 已被废弃，所以需要判断 iOS 版本 写两套代码： R…
阅读更多...
Python-类视图和蓝图

Python-类视图和蓝图

目录 一.类视图 二.蓝图 一.类视图 在Flask中，可通过视图函数展示视图 http://t.csdnimg.cn/r6IFG 也可基于类实现，类视图的好处是支持继承。标准类视图是继承flask.views模块中基类View的子类 from flask.views import View 该子类中必须重写View…
阅读更多...
智能优化算法应用：基于和声算法3D无线传感器网络(WSN)覆盖优化 - 附代码

智能优化算法应用：基于和声算法3D无线传感器网络(WSN)覆盖优化 - 附代码

智能优化算法应用：基于和声算法3D无线传感器网络(WSN)覆盖优化 - 附代码 文章目录 智能优化算法应用：基于和声算法3D无线传感器网络(WSN)覆盖优化 - 附代码1.无线传感网络节点模型2.覆盖数学模型及分析3.和声算法4.实验参数设定5.算法结果6.参考文献7.MA…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023