python解析xml+得到pascal voc xml格式用于目标检测+美化xml

1.python解析xml

    img_path='./data/001.tif'xml_path='./xml/001.xml'img=cv2.imread(img_path)# cv2.imshow('img', img)# cv2.waitKey(0)print(img.shape)try:xmlp = ET.XMLParser(encoding="utf-8")tree = ET.parse(xml_path, parser=xmlp)root = tree.getroot()print(tree)print(root)except Exception as e:print(e, xml_path)content_info={}for i in tree.iterfind('.//正文组/正文'):print("i.attrib['篇目号']", i.attrib['篇目号'])for j in i.findall('篇目坐标'):print(j.text)print(type(j.text))content_info[i.attrib['篇目号']] =j.textprint('content_info=',content_info)

若要更改xml内容,可以

new_point='1,2,3,4'
j.text = new_point
tree.write('output_test.xml', encoding='utf-8')

2. 得到pascal voc xml格式用于目标检测

img_dir = "./images/train"
csv_dir = "./train_xml.csv"
xml_dir = "./Annotations"
if not os.path.exists(xml_dir):os.mkdir(xml_dir)imgs_path_Lists = [os.path.join(img_dir,i) for i in os.listdir(img_dir)]df=pd.read_csv(csv_dir).copy()
df_value=df.values
print(df_value.shape)
coord_h,coord_w=df_value.shape
print(df_value[:2])
for img_path_List in imgs_path_Lists:im = Image.open(img_path_List)width, height = im.sizeimg_name=img_path_List.split('/')[-1]# write in xml filexml_file = open((xml_dir + '/' + img_name.split('.jpg')[0] + '.xml'), 'w')xml_file.write('<annotation>\n')xml_file.write('    <folder>steel</folder>\n')xml_file.write('    <filename>' + img_name + '</filename>\n')xml_file.write('    <size>\n')xml_file.write('        <width>' + str(width) + '</width>\n')xml_file.write('        <height>' + str(height) + '</height>\n')xml_file.write('        <depth>3</depth>\n')xml_file.write('    </size>\n')for i in df_value:if i[0].split('/')[-1]==img_name:xmin=i[1]ymin=i[2]xmax=i[3]ymax=i[4]class_name=i[-1]# write the region of image on xml filexml_file.write('    <object>\n')xml_file.write('        <name>' + class_name + '</name>\n')xml_file.write('        <pose>Unspecified</pose>\n')xml_file.write('        <truncated>0</truncated>\n')xml_file.write('        <difficult>0</difficult>\n')xml_file.write('        <bndbox>\n')xml_file.write('            <xmin>' + str(xmin) + '</xmin>\n')xml_file.write('            <ymin>' + str(ymin) + '</ymin>\n')xml_file.write('            <xmax>' + str(xmax) + '</xmax>\n')xml_file.write('            <ymax>' + str(ymax) + '</ymax>\n')xml_file.write('        </bndbox>\n')xml_file.write('    </object>\n')xml_file.write('</annotation>')

3.美化xml

原始xml如下

<?xml version='1.0' encoding='utf-8'?>
<lab><person name='Blue'><age>22</age><gender>male</gender></person><person name='Yellow'><age>22</age><gender>female</gender></person></lab>

代码:

def prettyXml(element, indent, newline, level = 0): # elemnt为传进来的Elment类,参数indent用于缩进,newline用于换行if element:  # 判断element是否有子元素if element.text == None or element.text.isspace(): # 如果element的text没有内容element.text = newline + indent * (level + 1)else:element.text = newline + indent * (level + 1) + element.text.strip() + newline + indent * (level + 1)#else:  # 此处两行如果把注释去掉,Element的text也会另起一行#element.text = newline + indent * (level + 1) + element.text.strip() + newline + indent * leveltemp = list(element) # 将elemnt转成listfor subelement in temp:if temp.index(subelement) < (len(temp) - 1): # 如果不是list的最后一个元素,说明下一个行是同级别元素的起始,缩进应一致subelement.tail = newline + indent * (level + 1)else:  # 如果是list的最后一个元素, 说明下一行是母元素的结束,缩进应该少一个subelement.tail = newline + indent * levelprettyXml(subelement, indent, newline, level = level + 1) # 对子元素进行递归操作
def testXML():from xml.etree import ElementTree as ETtree = ET.parse('test.xml')root = tree.getroot()print(root)# #查看tag和attrib# for person in root:#     print(person.tag, person.attrib)ZF_COORD = ET.Element('字符坐标')ZWZ = ET.SubElement(ZF_COORD, '正文组')#这里需要把001变成需要的篇目号ZW = ET.SubElement(ZWZ , '正文',{'篇目号':"001"})#栏目LM=ET.SubElement(ZW, '栏目')LM.text = '12,12,334,123;12,34,45,56'#引题YT=ET.SubElement(ZW,'引题')YT.text='12,12,334,123;12,34,45,56'# 标题BT = ET.SubElement(ZW, '标题')BT.text = '12,12,334,123;12,34,45,56'# 副题FT = ET.SubElement(ZW, '副题')FT.text = '12,12,334,123;12,34,45,56'# 小标题XBT = ET.SubElement(ZW, '小标题')XBT.text = '12,12,334,123;12,34,45,56'# 作者author = ET.SubElement(ZW, '作者')author.text = '12,12,334,123;12,34,45,56'# # 向根节点添加新的子节点 root.append(ZF_COORD)# 写入 tree.write('./sample.xml', encoding="utf-8",xml_declaration=True)#美化作用tree = ET.parse('./sample.xml')  # 解析test.xml这个文件,该文件内容如上文root = tree.getroot()  # 得到根元素,Element类prettyXml(root, '\t', '\n')  # 执行美化方法# ET.dump(root)tree.write('./sample.xml', encoding="utf-8",xml_declaration=True)

新生成xml如下

<?xml version='1.0' encoding='utf-8'?>
<lab><person name="Blue"><age>22</age><gender>male</gender></person><person name="Yellow"><age>22</age><gender>female</gender></person><字符坐标><正文组><正文 篇目号="001"><栏目>12,12,334,123;12,34,45,56</栏目><引题>12,12,334,123;12,34,45,56</引题><标题>12,12,334,123;12,34,45,56</标题><副题>12,12,334,123;12,34,45,56</副题><小标题>12,12,334,123;12,34,45,56</小标题><作者>12,12,334,123;12,34,45,56</作者></正文></正文组></字符坐标>
</lab>

 

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/493338.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

数据库设计器无法打开方法

最进用sqlserver2008SR2 打开试图设计器总是提示无法打开。搜索了一下做个备份。 USE “yourdb”; EXEC sp_changedbowner sa; EXEC sp_dbcmptlevel yourdb, 90;goALTER AUTHORIZATION ON DATABASE::yourdb TO "sa"gouse [yourdb]goEXECUTE AS USER Ndbo REVERTgo…

美权威报告:量子计算十年内无法落地

来源&#xff1a;云头条摘要&#xff1a;美国方面称&#xff0c;它对这项复杂的技术何时真正大有用武之地毫无头绪。美国国家科学、工程和医学科学院本周发布了一份介绍量子计算现状的报告。考虑到有人推测这类设备可能使目前的加密方案变得毫无价值&#xff0c;这个话题令人不…

目标检测YOLO实战应用案例100讲-基于深度学习的人脸红外与可见光图像融合

目录 前言 人脸红外与可见光图像融合方法研究现状 传统融合方法 小波变换的方法 <

case when

--第一种不对任何列caseselect Id,English,casewhen English <60 then 不及格 --小于六十输出不及格when english >60 then 及格 --大于等于六十输出及格end as 成绩from score--第二种直接对列caseselect case Idwhen 1 then 家人when 2 then 同事when 3 then 同学endfr…

“深绿” 及 AlphaGo 对指挥与控制智能化的启示

来源&#xff1a;《指挥与控制学报》摘要&#xff1a; 随着未来战争日趋复杂、人工智能突飞猛进, 指挥与控制向智能化发展成为大势所趋. 美军的 “深绿” 计划项目虽因各 种原因暂停, 但其思路和方法值得借鉴. AlphaGo 在围棋领域战胜人类顶尖水平, 其采用的方法也有一定的参考…

熵的基础知识,特征工程,特征归一化,交叉验证,grid search,模型存储与加载

1.自信息&#xff1a; 2.信息熵 3.p对Q的KL散度&#xff08;相对熵&#xff09; 证明kl散度大于等于0 4.交叉熵 可看出交叉熵信息熵相对熵 数据集地址&#xff1a;水果数据集_机器学习水果识别,水果分类数据集-机器学习其他资源-CSDN下载 一&#xff0c;类别型特征和有序性特…

5G与AI深度融合,人类世界即将产生巨变

来源&#xff1a;系数据观整理自网络摘要&#xff1a;近几年&#xff0c;科技界有两大领域越来越热&#xff1a;一个是5G&#xff0c;一个是AI。两者都是能够改变时代的颠覆性技术。单独看5G或AI技术&#xff0c;它们的发展都面临重重挑战&#xff0c; 我们不妨脑洞大开&#x…

Zxing二维码重复扫描,不退出。

扫描条码&#xff0c;把手机实现类似超市扫描枪之类的连续扫描。 private void continuePreview(){SurfaceView surfaceView (SurfaceView) findViewById(R.id.preview_view);SurfaceHolder surfaceHolder surfaceView.getHolder();initCamera(surfaceHolder);if (handler ! …

统计学第一章--最小二乘拟合正弦函数,正则化

#coding:utf-8 import numpy as np import scipy as sp from scipy.optimize import leastsq import matplotlib.pyplot as plt # 目标函数 def real_func(x):return np.sin(2*np.pi*x)# 多项式 def fit_func(p, x):f np.poly1d(p)# print(f,f)return f(x)# 残差 def residual…

装配式建筑连入自动驾驶技术,未来城市的房子居然是这个样子......

来源&#xff1a;gooood谷德设计网概念如果说古典的城市是关于神的&#xff0c;现代城市是关于资本和权力的&#xff0c;那么未来的城市就应该是关于人与自然的。人在朝朝暮暮&#xff0c;山山水水&#xff0c;风风雨雨&#xff0c;一草一木天地之间无不有感而发&#xff0c;触…

iOS6新特征:UICollectionView介绍-非常棒 -转

传送门&#xff1a;http://www.devdiv.com/forum.php?modviewthread&tid128378 转载于:https://www.cnblogs.com/ygm900/p/3652681.html

ROC曲线,AUC值,PR曲线,AP值

Receiver Operating Characteristic (ROC) with cross validation — scikit-learn 1.0.2 documentation Precision-Recall — scikit-learn 1.0.2 documentation 一&#xff0c;ROC 横轴&#xff1a;负正类率(false postive rate FPR)特异度&#xff0c;划分实例中所有负例…

报告:最大化人工智能(AI)机遇

来源&#xff1a;199IT互联网数据中心Microsoft发布了新报告“最大化AI机遇”&#xff0c;深入调查了数字转型的一个重要的技术力量&#xff0c;人工智能&#xff08;AI&#xff09;。报告将其定义为让计算机像人一样观察、学习、分析和评价以进行决策&#xff0c;解决问题的一…

统计学基本知识一

声明&#xff1a;文中的图来自于可汗学院公开课&#xff0c;若有侵权&#xff0c;联系我删除。 均值&#xff1a;一组数相加后除以这一组数的个数。 中位数&#xff1a;一组数从小到大排列&#xff0c;最中间的那个数&#xff0c;如果是偶数个&#xff0c;两个相加后除以2&am…

格式化日期和时间

下表是可在Format函数中用于格式化 日期时间的字符。 字符说明y将年份 (0-9) 显示为不带前导零的数字。yy以带前导零的两位数字格式显示年份。yyy以四位数字格式显示年份。yyyy以四位数字格式显示年份。 例如&#xff1a; Format(#12/31/2008#, "yyyy-MM-dd") 2008-1…

中科院陆汝钤获吴文俊人工智能最高成就奖,百度王海峰获吴文俊人工智能杰出贡献奖...

来源&#xff1a;AI 科技评论12 月 9 日上午&#xff0c;被誉为「中国智能科学技术最高奖」的吴文俊人工智能科学技术奖在苏州举行颁奖典礼。本届吴文俊人工智能奖共对 70 项人工智能成果授奖&#xff0c;包括吴文俊人工智能最高成就奖 1 项&#xff0c;吴文俊人工智能杰出贡献…

统计学基本知识二

声明&#xff1a;文中的图来自于可汗学院公开课&#xff0c;若有侵权&#xff0c;联系我删除。 中心极限定理&#xff1a;随着样本容量n的增加&#xff0c;样本均值或者样本和的频率图将很接近正态分布。 如下图就在求解样本均值。 如下图就是样本均值的频率图&#xff0c;很…

DBN程序剖析

最近学习深度学习&#xff0c;学习时间半月不到&#xff0c;很多程序似懂非懂&#xff0c;用的又是不太明白的python。不过不怕。什么也难不倒无产阶级&#xff0c;自己剖析下&#xff0c;不指望指点别人&#xff0c;只希望高人能指点。 主函数大体可以分为 建立DBN网络&#x…

AI+零售:人工智能撬动零售变革

来源&#xff1a;乐晴智库精选人工智能的快速发展将有助于赋能新零售商&#xff0c;有效重构零售行业“人、货、场”等要素&#xff0c;提升各环节效率&#xff0c;最终提升消费者购物体验&#xff0c;推动零售行业迎来第五次变革。近年来&#xff0c;在数据、算法、技术等方面…

统计学基本知识三

声明&#xff1a;文中的图来自于可汗学院公开课&#xff0c;若有侵权&#xff0c;联系我删除。 假设检验&#xff1a; 先看一个z分布的例子&#xff1a; 注意&#xff1a;零假设一般倾向于保守的。 在上图中&#xff1a; 1、先假设零假设成立&#xff0c;即药物无效&#x…