YOLO格式转Labelme | 标签信息 | 辅助标注

前言

本文分享将常规的YOLO检测信息，转为Labelme中的标签信息。

即：xxx.txt 转 xxx.json。YOLO版本支持YOLOv8、YOLOv5等。

通过模型预测的信息，有了大致的检测位置和类别信息，人工进行微调和审核即可，实现辅助标注。

1、分析YOLO格式

YOLO的标签文件通常是一个包含每行一个标签的TXT文件。

每一行的格式是：<object-class> <x_center> <y_center> <width> <height>。其中：

<object-class>是类别索引。
<x_center>和<y_center>是目标的中心点坐标（归一化到0-1）。
<width>和<height>是目标的宽度和高度（归一化到0-1）。

2、分析LabelMe格式

LabelMe使用的是JSON格式，每个标签是一个形状（shape）对象，包含以下信息：

label: 标签的名称。
points: 多边形的点列表（包含多边形顶点的坐标）。
group_id: （可选）用于将不同形状分组的ID。
shape_type: 形状类型（例如rectangle, circle等）。
flags: （可选）一些额外的标记信息。

3、实现代码

我们指定文件夹，程序遍历该文件夹中的所有txt文件，然后将生成的LabelMe JSON文件保存到指定的输出文件夹中。

这里会提供源代码，需要根据我们的数据修改以下部分：

类别映射 ：class_map 是一个字典，将YOLO的类别索引映射到实际的类别名称。
图片尺寸：假设所有图片的尺寸相同，默认为640*640。
如果图片尺寸不同，需要在每次读取YOLO标签文件时获取图片的实际尺寸。

python 复制代码

import os
import json

# 定义类别映射
class_map = {0: 'class_name1', 1: 'class_name2'}  # 根据类别定义填写，这里示例是2个类别

def yolo_to_labelme(txt_path, img_width, img_height):
    with open(txt_path, 'r') as file:
        lines = file.readlines()

    shapes = []
    for line in lines:
        parts = line.strip().split()
        class_id = int(parts[0])
        x_center = float(parts[1])
        y_center = float(parts[2])
        width = float(parts[3])
        height = float(parts[4])

        # 转换为绝对坐标
        x_center *= img_width
        y_center *= img_height
        width *= img_width
        height *= img_height

        # 计算矩形的四个顶点
        x1 = x_center - width / 2
        y1 = y_center - height / 2
        x2 = x_center + width / 2
        y2 = y_center + height / 2

        shapes.append({
            'label': class_map[class_id],
            'points': [[x1, y1], [x2, y2]],
            'group_id': None,
            'shape_type': 'rectangle',
            'flags': {}
        })

    return shapes

# 文件夹路径
txt_folder_path = 'txt_labels'
json_output_path = 'json_labels'

# 图片宽度和高度（按图片尺寸读取并调整）
img_width = 640
img_height = 640

if not os.path.exists(json_output_path):
    os.makedirs(json_output_path)

# 遍历所有txt文件并转换
for txt_file in os.listdir(txt_folder_path):
    if txt_file.endswith('.txt'):
        txt_path = os.path.join(txt_folder_path, txt_file)
        shapes = yolo_to_labelme(txt_path, img_width, img_height)
        
        # 创建LabelMe格式的json文件
        labelme_data = {
            'version': '4.5.6',
            'flags': {},
            'shapes': shapes,
            'imagePath': txt_file.replace('.txt', '.jpg'),
            'imageData': None,
            'imageHeight': img_height,
            'imageWidth': img_width
        }
        
        json_path = os.path.join(json_output_path, txt_file.replace('.txt', '.json'))
        with open(json_path, 'w') as json_file:
            json.dump(labelme_data, json_file, indent=2)

这段代码的整体思路和流程如下：

类别映射定义：
- 定义一个字典class_map，将YOLO的类别ID映射到实际的类别名称。
- 这是为了在转换过程中能够正确地将类别ID转换为LabelMe格式中的类别标签。
定义转换函数：
- 编写一个函数yolo_to_labelme，用于将YOLO格式的标签文件转换为LabelMe格式的JSON文件。该函数的主要步骤包括：
  - 读取YOLOv5标签文件：读取每个TXT文件的内容，每一行代表一个对象的标签信息。
  - 解析标签信息：将每一行的数据解析成类别ID、目标中心点的坐标（x, y）、目标的宽度和高度。
  - 坐标转换：将YOLOv5中归一化的坐标（0-1范围）转换为实际图像尺寸的绝对坐标。
  - 计算矩形的顶点：根据中心点坐标和尺寸计算矩形的左上角和右下角顶点坐标。
  - 生成形状数据：将这些信息转换为LabelMe格式的形状对象，并加入到形状列表中。
  - 返回形状数据：函数返回包含所有形状对象的列表。
文件路径和图片尺寸设置：
- 指定YOLO标签文件所在的文件夹路径txt_folder_path和输出的LabelMe JSON文件夹路径json_output_path。
- 设置图片的宽度和高度（假设所有图片尺寸相同）。
- 如果图片尺寸不同，实际使用时需要读取每张图片的尺寸进行调整。
检查输出文件夹：
- 检查输出文件夹是否存在，如果不存在则创建它。
- 这确保了转换后的JSON文件有地方保存。
遍历所有YOLOv5标签文件并转换：
- 将这个JSON对象保存为一个JSON文件，文件名与原始TXT文件名相对应。
- 创建一个LabelMe格式的JSON对象，包含文件版本、形状数据、图片路径等信息。
- 调用yolo_to_labelme函数进行转换，得到LabelMe格式的形状数据。
- 遍历指定文件夹中的所有TXT文件，对于每个文件
保存LabelMe格式JSON文件：
- 将生成的LabelMe JSON文件保存到指定的输出文件夹中，
- 文件名与原YOLOv5标签文件名相对应，但扩展名改为.json。

【经典论文解读】YOLACT 实例分割（YOLOv5、YOLOv8实例分割的基础）-CSDN博客

一文实现yolov5实例分割（数据标注、标签转换、模型训练、模型推理）_实例分割数据集标注-CSDN博客

YOLOv5代码解析------模型结构篇_yolo打印模型结构-CSDN博客

分享完成~

YOLO格式转Labelme | 标签信息 | 辅助标注 | txt转json

前言

1、分析YOLO格式

2、分析LabelMe格式

3、实现代码