前言
最近，想将之前训练的YOLOV5模型更改为旋转目标检测（YOLOV5_obb）的，但是又不想重新标注数据集，在网上也没找到适合的脚本。所以就写了个脚本将之前标注的数据集的json文件转换为了xml文件，然后在通过对应的旋转标注软件进行调整即可。
一、数据集准备
该转换脚本的前提是你之前已经有了可供YOLOV5训练的数据集，且标注文件为json文件，标注框选择的是矩形框。这里仅实现矩形框转换为xml，如是多边形，则需要自己对脚本进行更改。数据集如下：
二、标注工具下载
这里我们用到的工具是roLabelImg，该工具是在LabelImg的基础上加入了旋转角度的功能，标注数据集的格式为VOC，参考链接为：roLabelImg安装。
1.源码下载
下载链接为：roLabelImg
2.所需依赖安装
命令如下，仅供参考：
pip install pyqt5-tools
pip install lxml
3、启动命令
命令如下：
pyrcc5 -o resources.py resources.qrc
python roLabelImg.py（第二次直接执行这个命令应该就可以了）
4、常用快捷键
w: 创建水平矩形目标框
e: 创建旋转矩形目标框
zxcv: 旋转目标框，键z和建x是逆时针旋转，键c和键v是顺时针旋转
三、文件转换：
这里的大致思路就是先解析出原来的json文件，然后删除其中的冗余信息，如图片信息等，然后将剩余信息写入对应的xml文件中。一下代码将路径改改应该就可以运行，代码如下：
import os,glob,json
import xml.etree.ElementTree as ET
from pathlib import Path
import numpy as np
#获得中心点的坐标
def get_cx_cy(points):
cx=(points[0][0]+points[1][0])/2.
cy=(points[0][1]+points[1][1])/2.
points=np.array(points)
w=max(points[:,0])-min(points[:,0])
h=max(points[:,1])-min(points[:,1])
return cx,cy,w,h
#美化内容（+换行）
def indent(elem,level=0):
i = "\n" + level * " "
if len(elem):
if not elem.text or not elem.text.strip():
elem.text = i + " "
if not elem.tail or not elem.tail.strip():
elem.tail = i
for elem in elem:
indent(elem, level + 1)
if not elem.tail or not elem.tail.strip():
elem.tail = i
else:
if level and (not elem.tail or not elem.tail.strip()):
elem.tail = i
#写入xml文件
def write_xml(data,imgpath,savepath):
root=ET.Element('annotation') #创建节点
tree=ET.ElementTree(root) #创建文档
#图片文件上一级目录
folder=ET.Element("folder")
img_folder=imgpath.split(os.sep)[-2]
folder.text=img_folder
root.append(folder)
#文件名
imgname=Path(imgpath).stem
filename=ET.Element("filename")
filename.text=imgname
root.append(filename)
#路径
path=ET.Element("path")
path.text=imgpath
root.append(path)
#source
source=ET.Element("source")
root.append(source)
database=ET.Element("database")
database.text="Unknown"
source.append(database)
#size
size=ET.Element("size")
root.append(size)
width=ET.Element("width") #宽
width.text=str(data["imageWidth"])
size.append(width)
height=ET.Element("height")#高
height.text=str(data["imageHeight"])
size.append(height)
depth=ET.Element("depth") #深度
depth.text=str(3)
size.append(depth)
#segmented
segmented=ET.Element("segmented")
segmented.text=str(0)
root.append(segmented)
# 目标
for shape in data["shapes"]:
object_=ET.Element("object")
root.append(object_)
#标注框类型
type_=ET.Element("type")
type_.text="robndbox"
object_.append(type_)
#目标类别
name=ET.Element("name")
name.text=shape["label"]
object_.append(name)
#pose
pose=ET.Element("pose")
pose.text="Unspecified"
object_.append(pose)
#截断情况
truncated=ET.Element("truncated")
truncated.text=str(0) #默认为0，表示未截断
object_.append(truncated)
#样本困难度
difficult=ET.Element("difficult")
difficult.text=str(0) #默认为0，表示非困难样本
object_.append(difficult)
#四个端点
robndbox=ET.Element("robndbox")
object_.append(robndbox)
cx,cy,w,h=get_cx_cy(shape["points"])
#cx
cx_=ET.Element("cx")
cx_.text=str(cx)
robndbox.append(cx_)
#cy
cy_=ET.Element("cy")
cy_.text=str(cy)
robndbox.append(cy_)
#w
w_=ET.Element("w")
w_.text=str(w)
robndbox.append(w_)
#h
h_=ET.Element("h")
h_.text=str(h)
robndbox.append(h_)
#angle
angle=ET.Element("angle")
angle.text=str(0.0)
robndbox.append(angle)
indent(root,0)
tree.write(savepath+os.sep+imgname+".xml","UTF-8",xml_declaration=True)
#解析json文件
def load_json(jsonpath):
data=json.load(open(jsonpath,"r"))
del data["version"]
try:
del data["flags"]
except Exception as e:
del data["flag"]
del data["imagePath"]
del data["imageData"]
return data
if __name__ == '__main__':
img_dir=r"" #要转换的原json文件的路径
save_dir=r"" #保存文件夹路径
os.makedirs(save_dir,exist_ok=True)
imglist=glob.glob(img_dir+"*.jpg")
for imgpath in imglist:
# print(imgpath)
jsonpath=imgpath.replace(".jpg",".json")
data=load_json(jsonpath)
write_xml(data,imgpath,save_dir)
如若json文件时多边形标注的，那么需要在get_cx_cy函数中进行更改
总结
以上就是本篇的全部内容，如果问题，欢迎评论区留言，或加入QQ群：995760755交流。