[置顶] 将数据集做成VOC2007格式用于Faster-RCNN训练

虽然说图片名对训练没什么影响，但建议还是按VOC2007那样，如“000005.jpg”这种形式。至于图片格式，代码里是写的jpg。

批量修改图片名字为VOC2007格式可以参考以下Matlab代码：

%%
%图片保存路径为：
%E:\image\car
%E:\image\person
%car和person是保存车和行人的文件夹
%这些文件夹还可以有多个，
%放在image文件夹里就行
%该代码的作用是将图片名字改成000123.jpg这种形式
%%
clc;
clear;maindir='E:\image\';
name_long=5; %图片名字的长度，如000123.jpg为6,最多9位,可修改
num_begin=1; %图像命名开始的数字如000123.jpg开始的话就是123subdir = dir(maindir);
n=1;for i = 1:length(subdir)if ~strcmp(subdir(i).name ,'.') && ~strcmp(subdir(i).name,'..')subsubdir = dir(strcat(maindir,subdir(i).name));for j=1:length(subsubdir)if ~strcmp(subsubdir(j).name ,'.') && ~strcmp(subsubdir(j).name,'..')img=imread([maindir,subdir(i).name,'\',subsubdir(j).name]);imshow(img);str=num2str(num_begin,'%09d');newname=strcat(str,'.jpg');newname=newname(end-(name_long+3):end);system(['rename ' [maindir,subdir(i).name,'\',subsubdir(j).name] ' ' newname]);num_begin=num_begin+1;fprintf('当前处理文件夹%s',subdir(i).name);fprintf('已经处理%d张图片\n',n);n=n+1;pause(0.1);%可以将暂停去掉endendend
end

图片名如果比较特殊或者像1(1).jpg等这类可能无法重命名，可以使用imwrite，如：

imwrite(img,strcat(save_path,newname));%改名后保存到另一文件夹，原图片不变

也可以使用Total Commander来批量重命名，非常方便，推荐使用这个工具。

下载地址：Total Commander破解版

将图片中所框的目标信息保存起来，我的是保存到txt里，如下：

000002.jpg car 44 28 132 121
000003.jpg car 54 19 243 178
000004.jpg car 168 6 298 164

前面是图片名，中间是目标类别，最后是目标的包围框坐标（左上角和右下角坐标）。

打框的代码(c++)我封装成了dll，下载地址：图像标注VS2013项目 （我的环境是win7vs2013旗舰版，win8 win10好像不能运行）

或者下这个EXE版本的（win7下用cmd运行，win8 win10可能运行不了）：图像标注EXE

2016-10-18：

上面标注的代码使用的是别人封装的opencv动态库，现在修改为opencv2.4.10，64位，vs2013，按网上教程配置好opencv，资源地址：

图像标注EXE-2016-10-18

上面的代码好像忘写操作说明了，这里写一下：

（1）图片显示出来后，输入法切换到英文；

（2）在目标的左上角按下鼠标左键，拉一个包围框到目标右下角，然后键盘输入标签(一个字符)

（3）继续（2）操作，直到框完该张图片上的目标；

（4）按n进入下一张，esc退出。

注意：标签只能输入一个字符，你可以在生成的txt文件中替换成你实际的标签。

3.做xml

将第2步得到的txt转成xml。 如果每张图片有一个或多个包围框，可参考代码：VOC2007xml（这份代码生成的xml训练Matlab版本的FRCNN可能会出错，最好用下面修改过的）

这份代码生成的xml第一行含有版本和编码信息：<?xml version="1.0" encoding="utf-8"?>，并且含有空格，用来训练Faster RCNN可能会有问题，如下：

（左边是VOC2007数据集中的xml，右边是上面代码生成的xml（第一行我删掉了），用Notepad打开就可以看到）

VOC2007中的xml前面是tab字符（左边那些箭头），上面代码生成的xml是空格（那些小黄点），所以，必须将空格转换成tab，下载修改过的代码：VOC2007xml_new

（下载VOC2007xml_new就可以了，不用下载VOC2007xml，不过如果xml用作其他用途还是可以的）

最终，得到的xml就和VOC一样。

4.保存xml到Annotations

新建一个文件夹，名字为Annotations，将xml文件全部放到该文件夹里。

新建一个文件夹，名字为JPEGImages，将所有的训练图片放到该文件夹里。

新建文件夹，命名为ImageSets，在ImageSets里再新建文件夹，命名为Main。

我们可以通过xml名字(或图片名)，生成四个txt文件，即：

txt文件中的内容为：

000005
000027
000028
000033
000042
000045
000048
000058

即图片名字（无后缀）,test.txt是测试集，train.txt是训练集，val.txt是验证集，trainval.txt是训练和验证集.VOC2007中，trainval大概是整个数据集的50%，test也大概是整个数据集的50%；train大概是trainval的50%，val大概是trainval的50%。可参考以下代码：

%%
%该代码根据已生成的xml，制作VOC2007数据集中的trainval.txt;train.txt;test.txt和val.txt
%trainval占总数据集的50%，test占总数据集的50%；train占trainval的50%，val占trainval的50%；
%上面所占百分比可根据自己的数据集修改，如果数据集比较少，test和val可少一些
%%
%注意修改下面四个值
xmlfilepath='E:\Annotations';
txtsavepath='E:\ImageSets\Main\';
trainval_percent=0.5;%trainval占整个数据集的百分比，剩下部分就是test所占百分比
train_percent=0.5;%train占trainval的百分比，剩下部分就是val所占百分比%%
xmlfile=dir(xmlfilepath);
numOfxml=length(xmlfile)-2;%减去.和..  总的数据集大小trainval=sort(randperm(numOfxml,floor(numOfxml*trainval_percent)));
test=sort(setdiff(1:numOfxml,trainval));trainvalsize=length(trainval);%trainval的大小
train=sort(trainval(randperm(trainvalsize,floor(trainvalsize*train_percent))));
val=sort(setdiff(trainval,train));ftrainval=fopen([txtsavepath 'trainval.txt'],'w');
ftest=fopen([txtsavepath 'test.txt'],'w');
ftrain=fopen([txtsavepath 'train.txt'],'w');
fval=fopen([txtsavepath 'val.txt'],'w');for i=1:numOfxmlif ismember(i,trainval)fprintf(ftrainval,'%s\n',xmlfile(i+2).name(1:end-4));if ismember(i,train)fprintf(ftrain,'%s\n',xmlfile(i+2).name(1:end-4));elsefprintf(fval,'%s\n',xmlfile(i+2).name(1:end-4));endelsefprintf(ftest,'%s\n',xmlfile(i+2).name(1:end-4));end
end
fclose(ftrainval);
fclose(ftrain);
fclose(fval);
fclose(ftest);

这四个txt放在ImageSets\Main中。

这样，数据集就基本做好了。然后新建文件夹，名字为logos(第0步确定的名字),将上面三个文件夹放到这里，即logos文件夹里有三个文件夹：

将logos文件夹拷贝到datasets\VOCdevkit2007里就可以了。

（或者替换voc2007数据集中的Annotations、ImageSets和JPEGImages，免去一些训练的修改）

Matlab版本faster-rcnn训练过程看http://blog.csdn.net/sinat_30071459/article/details/50546891；

python版本faster-rcnn训练过程看http://blog.csdn.net/sinat_30071459/article/details/51332084。