数据处理二模型预测结果转json标注

在进行深度学习过程中，数据标注是一个繁琐的工作。我们可以借鉴半监督学习的思路，将数据划分为两部分，对少量数据进行人工标注，然后基于此训练模型。有预训练模型后，可以对剩余的未标注图像进行预测。预训练模型的性能可能不是很准，部分结果需要进行调整。

1、应用背景

具体如下所示，我们有190个图像，只对其中的40个进行标注，然后训练出模型对剩余的150个图进行预测，可以发现只有部分图结果是正确的，对大部分图需要进行调整。
在这里插入图片描述
对此有两种操作思路，一是基于ps等专业处理图像的软件，将原图与预测图叠加在一起进行显示，然后对错误预测的区域进行修复（抹除误检区域、补充漏检区域）；二是将预测结果转换为json文件，然后使用labelme、anylabeling等软件调整json文件的标注。

2、预测结果转json

2.1 json文件格式分析

labelme、anylabeling等软件都是采用json格式来描述标签，更多软件信息可以参考目标检测数据标注格式及工具软件简介。

json文件的格式如下所示，最外层存储了数据的基本结构信息，有version、flags、shapes、imagePath、imageData、imageHeight、imageWidth等，其中最为重要的信息有imagePath、shapes、imageHeight、imageWidth。
在这里插入图片描述
shapes为数组，其中每一个元素都是字典对象（键值对、key和value），也就是我们在labelme、anylabeling等软件中标注的标签。标签的具体格式如下所示，其中label是指该标签的名称类别，points中存储着标签的关键点信息（为Nx2个二维数组），shape_type表示了该标签对应的图形类别，具体有矩形、多边形、圆、关键点

{
    
    
      "label": "txqy",
        "text": "",
        "points": [         [
          384.8211009174312,
          39.61926605504587
        ],
        [
          429.3165137614679,
          59.80275229357798
        ],],
        "group_id": None,
        "shape_type": "polygon",
        "flags": {
    
    }
  }

2.2 具体思路

具体实现思路如下所示，先创建json模版数据，然后从模型结果图中获取轮廓信息（使用cv2.findContours函数实现），将轮廓信息转换为符合格式的标签信息存入json模版中（shapes字段），最后将json对象保存为json文件即可。
在这里插入图片描述

2.3 具体代码

完整代码如下所示，使用img2json函数将一个预测结果转换json对象并保存。
img2json函数先构建json_data用于存储结构信息，在构建label_data用于存储每一个标注信息（每一次存储前都将label_data进行了一次copy操作）。这里需要注意的是shape_type通常应为polygon（多边形标注），因为不管原来训练的标注的是圆形、矩形在绘图训练中都是多边形。


import json,cv2,os

def img2json(dir_name,img_name):
  #json标注的模板
  json_data={
    
      "version": "0.2.24",
    "flags": {
    
    },
    "shapes":[],
    "imagePath": " ",
    "imageData": None,
    "imageHeight": 0,
    "imageWidth":0,
    }

  #一个label标注的模板
  label_data={
    
    
      "label": "txqy",
        "text": "",
        "points": [ ],
        "group_id": None,
        "shape_type": "polygon",
        "flags": {
    
    }
  }
  #label_data=json.dumps(label_data) #将json对象（dict）转换为字符串
  print(label_data)
  print(label_data["points"])

  img=cv2.imread(dir_name+img_name,0)
  #获取图形的轮廓
  contours, hierarchy = cv2.findContours(img,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
  #遍历图廓点，并存入数组中
  for cont in contours:
      cont=cont.reshape((-1,2)) #cont.shape n,1,2=>n,2
      label_data_d=label_data.copy()
      label_data_d["points"]=cont.tolist()
      json_data["shapes"].append(label_data_d)
  json_data['imagePath']=img_name.replace('.bmp','.jpeg')
  json_data['imageHeight']=img.shape[0]
  json_data['imageWidth']=img.shape[1]

  #将json转换为txt
  json_str=json.dumps(json_data,indent=4)
  file_name=img_name.replace('.bmp','.json')
  fh = open(dir_name+file_name, 'w')
  fh.write(json_str)
  fh.close()

dir_name="./1020img/"
img_names=os.listdir(dir_name)
img_names=[x for x in img_names if ".bmp" in x]
print(img_names)
for img_name in img_names:
  img2json(dir_name,img_name)

3、执行效果

执行效果如下所示，json文件为以上代码所生成的。其中有部分是错误的，我们将jpeg与json文件归档到同一个目录下，即可使用anylabeling与labelme等标注软件对其进行调整。
在这里插入图片描述