一、COCO数据集简介
COCO（Common Objects in Context）是目前计算机视觉领域最流行的数据集之一，广泛用于目标检测、实例分割、人体关键点检测等任务。COCO数据集采用JSON格式存储标注信息，包含图片信息、类别信息以及每个目标的标注框（bbox）、分割掩码等。对于从事目标检测研究的同学来说，经常需要分析数据集的标注分布，例如各类别的目标数量、图片分辨率分布等，这有助于理解数据集的构成，为模型训练和评估提供指导。
二、为什么需要分析COCO标注文件
在实际项目中，拿到一个COCO格式的数据集后，我们通常需要回答以下问题：
- 数据集中有多少张图片？多少个标注框？
- 类别有哪些？每个类别的标注数量是多少？是否存在类别不平衡？
- 图片的分辨率分布如何？是否有大量小尺寸图片？
通过分析这些信息，我们可以更好地设计模型输入尺寸、调整数据增强策略，甚至发现数据标注中的错误。手动统计这些信息既繁琐又容易出错，因此编写一个自动化脚本是非常必要的。
三、脚本功能介绍
本文分享的Python脚本可以完成以下功能：
- 加载COCO格式的JSON标注文件。
- 输出基础统计信息：图片总数、标注总数、类别映射字典。
- 统计每个类别的标注数量，并按数量从高到低排序打印。
- 统计图片的分辨率分布。
- 绘制类别分布的柱状图，并保存为PNG图片。
脚本使用了Python标准库中的json、collections.Counter，以及第三方库matplotlib进行可视化。代码简洁易读，非常适合初学者学习和使用。
四、环境准备
在运行脚本之前，请确保你的Python环境已安装必要的库。推荐使用Python 3.6+。
所需库：
json（Python内置）collections（Python内置）matplotlib（用于绘图）
安装matplotlib：
bash
pip install matplotlib五、脚本代码
以下是完整的脚本代码。你可以将其保存为analyze_coco.py，并修改文件路径后直接运行。
python
import json
from collections import Counter
import matplotlib.pyplot as plt
def analyze_coco_json(file_path):
print(f"正在加载并分析文件: {file_path} ...\n")
with open(file_path, 'r', encoding='utf-8') as f:
coco_data = json.load(f)
# 1. 基础信息提取
images = coco_data.get('images', [])
annotations = coco_data.get('annotations', [])
categories_info = coco_data.get('categories', [])
num_images = len(images)
num_annotations = len(annotations)
categories = {cat['id']: cat['name'] for cat in categories_info}
print("=== 1. 数据集基础统计 ===")
print(f"图片总数: {num_images}")
print(f"标注框总数: {num_annotations}")
print(f"类别映射字典: {categories}\n")
# 2. 统计各类别标注数量
cat_counts = Counter([ann['category_id'] for ann in annotations])
cat_distribution = {categories.get(k, f"Unknown ({k})"): v for k, v in cat_counts.items()}
print("=== 2. 类别分布情况 ===")
# 按数量从多到少排序
sorted_cats = dict(sorted(cat_distribution.items(), key=lambda item: item[1], reverse=True))
for cat, count in sorted_cats.items():
print(f" [{cat}]: {count} 个标注")
# 3. 统计图片分辨率
resolutions = Counter([(img['width'], img['height']) for img in images])
print("\n=== 3. 图片分辨率分布 ===")
for res, count in sorted(resolutions.items(), key=lambda x: x[1], reverse=True):
print(f" {res[0]}x{res[1]}: {count} 张图片")
# 4. 绘制类别分布柱状图并保存
plt.figure(figsize=(8, 5))
plt.bar(sorted_cats.keys(), sorted_cats.values(), color='#4C72B0')
plt.title('Annotation Count per Category in COCO Dataset')
plt.xlabel('Categories')
plt.ylabel('Number of Annotations (BBoxes)')
plt.xticks(rotation=45)
# 在柱状图上显示具体数值
for i, (cat, count) in enumerate(sorted_cats.items()):
plt.text(i, count + sum(sorted_cats.values())*0.01, str(count), ha='center')
plt.tight_layout()
plot_filename = 'category_distribution.png'
plt.savefig(plot_filename, dpi=300)
print(f"\n[成功] 类别分布可视化图表已保存为: '{plot_filename}'")
if __name__ == "__main__":
# 请确保将此处文件名替换为您实际的文件路径
analyze_coco_json('_annotations.coco.json')六、运行脚本及结果解读
1. 准备JSON文件
将你的COCO格式标注文件放在脚本同目录下，或者指定绝对路径。脚本默认读取_annotations.coco.json，你需要根据实际情况修改analyze_coco_json()中的文件名。
2. 执行脚本
在终端中运行：
bash
python analyze_coco.py3. 输出示例
假设你的数据集包含3个类别：person、car、dog，脚本运行后控制台会输出类似下面的信息：
正在加载并分析文件: _annotations.coco.json ...
=== 1. 数据集基础统计 ===
图片总数: 1000
标注框总数: 8500
类别映射字典: {1: 'person', 2: 'car', 3: 'dog'}
=== 2. 类别分布情况 ===
[person]: 5000 个标注
[car]: 2500 个标注
[dog]: 1000 个标注
=== 3. 图片分辨率分布 ===
1920x1080: 600 张图片
1280x720: 300 张图片
640x480: 100 张图片
[成功] 类别分布可视化图表已保存为: 'category_distribution.png'4. 生成的图表
脚本会在当前目录下生成category_distribution.png。
从图表中可以直观地看到各类别的标注数量，帮助判断数据是否存在长尾分布。
七、自定义与扩展建议
-
修改类别名称显示 ：如果类别名称包含中文，可能需要设置matplotlib支持中文字体，否则可能显示为方框。可以在绘图前加入以下代码：
pythonplt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签 plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号 -
统计标注框的尺寸分布 ：可以遍历
annotations中的bbox字段，提取宽高进行分析。 -
计算每张图片的标注框数量分布：统计每张图片上有多少个目标，了解图片的密集程度。
-
输出结果为表格：可以将统计结果保存为CSV文件，便于后续处理。
-
支持多文件批量分析：将脚本包装成函数，循环处理多个JSON文件。
八、总结
通过这个简单的Python脚本，我们可以快速掌握COCO数据集的标注概况，为后续的模型训练和数据分析打下基础。脚本结构清晰，易于修改和扩展，适合初学者上手实践。如果你在处理其他格式的数据集（如VOC、YOLO），也可以借鉴类似的思路进行统计分析。
希望本文对你有所帮助！如果有任何问题或建议，欢迎在评论区留言交流。