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.mzph.cn/news/224867.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

seleniumwire获取页面接口数据

selenium并不支持获取响应的数据,我们可以使用selenium-wire库,selenium-wire扩展了 Selenium 的 Python 绑定,可以访问浏览器发出的底层请求。 编写的代码与 Selenium 的方式相同。 1. 先安装seleniumwire的插件 pip install selenium-wir…

CSS基础面试题

介绍一下标准css盒子模型与低版本IE的盒子模型? 标准盒子模型:宽度内容的宽度(content) border padding margin 低版本IE盒子模型:宽度内容宽度(contentborderpadding) margin box-sizing 属性…

Kafka Avro序列化之二:使用Twitter的Bijection 类库实现

Kafka Avro序列化之一:使用自定义序列化 比较麻烦,需要根据 schema 生成实体类,需要调用 avro 的 API 实现 对象到 byte[]的序列化 和 byte[] 到对象的反序列化转化,而那些方法看上去比较繁琐,幸运的是,Twitter 开源的类库 Bijection 对传统的 Avro API 进行了封装了和优…

python实现切割mp4视频,按照指定要求截取视频

方法一: 该python代码用以将一长段视频,分割成自己需要的时长段的视频 import cv2START_HOUR 0 START_MIN 0 START_SECOND 0 START_TIME START_HOUR * 3600 START_MIN * 60 START_SECOND # 设置开始时间(单位秒) END_HOUR 0 END_MIN 0 END_SE…

ElasticSearch指南 - Mapping - Metadata fields

Metadatas - fields 每份doc都有关联它的metadata数据, 例如_index 和 _id字段. 这些metadatas字段的一些行为能在创建mapping的时候被定制化. 表示唯一性的metadatas字段 _index 表示doc属于哪个index _id doc的id 源doc的metadatas字段 _source doc的原始json字符串 _s…

shell脚本中调用python脚本的函数并获取python脚本函数的return值

1. 编写Python脚本 假设你有一个Python脚本example.py,其中包含一个名为my_function的函数,并且你希望在Shell脚本中调用这个函数并获取其返回值。示例Python脚本如下: # example.pydef my_function():return "Hello from Python"…

「X」Embedding in NLP|神经网络和语言模型 Embedding 向量入门

在「X」Embedding in NLP 进阶系列中,我们介绍了自然语言处理的基础知识——自然语言中的 Token、N-gram 和词袋语言模型。今天,我们将继续和大家一起“修炼”,深入探讨神经网络语言模型,特别是循环神经网络,并简要了解…

攻防世界——BABYRE

下载好文件,IDA64打开 无脑F12 锁定到right 跟进到了这个函数 很明显关键点就是 我们跟进judge 182个字符 懵逼了,说实话 下面是问了人后 —————————— 其实这是一个函数,一个操作指令 但是我们可以发现 在这里,ju…

保卫网站安全:传播学的角度解读网站被攻击的解决之道

在数字时代,网站攻击已经成为网络世界中不可忽视的威胁之一。从传播学的角度来看,网站的安全性直接关系到信息的传递和用户的信任。本文将以通俗易懂的方式,从传播学的角度出发,讨论如何解决网站被攻击的问题。 传播学的视角&…

IDEA设置查看JDK源码

问题 我们在查看JDK源码时,可能会遇到这种情况,步入底层查看JDK源码时,出现一堆var变量,可读性非常之差,例如笔者最近想看到nio包下的SocketChannelImpl的write方法,结果看到这样一番景象: pu…

CLIP 对比学习 源码理解快速学习

最快的学习方法,理清思路,找视频讲解,看源码逻辑: CLIP 源码讲解 唐宇 输入: 图像-文本成对配对的数据 训练模型的过程(自己理解): 怎么做的?:利用数据内部…

c# 为什么修改Font导致Location 变化

搜索引擎、各种人工智能,只有这个帮我解决了问题 然后我发现了这个 我就奇怪,一行行调试代码,最终发现设置Font,Location就变了,完全想不通

例如,用一个DatabaseRow类型表示一个数据库行(容器),用泛型Column<T>作为它的键

以下是一个简单的示例&#xff0c;演示如何使用泛型的Column<T>作为DatabaseRow的键&#xff0c;表示一个数据库行&#xff08;容器&#xff09;&#xff1a; // 列定义 class Column<T> {private String columnName;private T value;public Column(String column…

spring 笔记七 Spring JdbcTemplate

文章目录 Spring JdbcTemplateJdbcTemplate概述JdbcTemplate开发步骤Spring产生JdbcTemplate对象 Spring JdbcTemplate JdbcTemplate概述 它是spring框架中提供的一个对象&#xff0c;是对原始繁琐的JdbcAPI对象的简单封装。spring框架为我们提供了很多的操作模板类。例如&am…

【深度学习目标检测】七、基于深度学习的火灾烟雾识别(python,目标检测,yolov8)

YOLOv8是一种物体检测算法&#xff0c;是YOLO系列算法的最新版本。 YOLO&#xff08;You Only Look Once&#xff09;是一种实时物体检测算法&#xff0c;其优势在于快速且准确的检测结果。YOLOv8在之前的版本基础上进行了一系列改进和优化&#xff0c;提高了检测速度和准确性。…

汇编指令学习

1 栈和过程调用 00000000 <swap>:0: 55 push %ebp1: 89 e5 mov %esp,%ebp3: 83 ec 10 sub $0x10,%esp6: 8b 45 08 mov 0x8(%ebp),%eax9: 8b 00 …

【Docker】实战:nginx、redis

▒ 目录 ▒ &#x1f6eb; 导读开发环境 1️⃣ Nginx 拉取 Nginx 镜像nginx.conf启动 Nginx访问 Nginx 2️⃣ redis拉取 Redis 镜像启动 Redis 容器测试 Redis &#x1f4d6; 参考资料 &#x1f6eb; 导读 开发环境 版本号描述文章日期2023-12-15操作系统Win10 - 22H222621.2…

【离线】牛客小白月赛39 G

登录—专业IT笔试面试备考平台_牛客网 题意 思路 考虑离线Bit做法 这种离线Bit&#xff0c;一般都是去考虑二维数点就能写清楚了 确定好两维&#xff1a;x 轴是1 ~ n&#xff0c; y 轴是 k 的大小 然后去遍历值域&#xff0c;如果值域很大的话需要排序离散化&#xff0c;但…

metagpt学习实践

metagpt 官方库目录 一级目录 tree -L 1 -I "__pycache__" . ├── actions ├── _compat.py ├── config.py ├── const.py ├── document_store ├── environment.py ├── __init__.py ├── inspect_module.py ├── learn ├── llm.py ├── …

Pydantic 中 validator 和 validators 的区别

前言 pydantic 是一个数据验证库&#xff0c;使用 Python 类型注解来验证输入或转换数据 开始 validator 是 pydantic 的一个装饰器&#xff0c;它用于在数据模型上创建自定义验证函数。这些验证函数会在 Pydantic 模型的字段被初始化时运行。例如&#xff1a; from pydant…