当前位置：首页 > news >正文

labelme标注的json转Yolo格式【ultralytics工具】

news 2025/6/8 14:09:16

问题描述

labelme格式

YOLO格式

示例

注意事项

代码转换

目录格式

问题描述

最近在使用ultralytics进行目标检测训练的时候，准备数据集时候，遇到了一个坑。labelme标注的json格式不能直接用来训练。

labelme格式

原始labelme标注的json格式如下：

{"version": "5.4.1","flags": {},"shapes": [{"label": "fire","points": [[943.5862068965517,1849.9310344827586],[1305.6551724137933,2160.2758620689656]],"group_id": null,"description": "","shape_type": "rectangle","flags": {},"mask": null},{"label": "fire","points": [[1764.2758620689656,1394.7586206896551],[2109.103448275862,1684.4137931034481]],"group_id": null,"description": "","shape_type": "rectangle","flags": {},"mask": null},{"label": "fire","points": [[2964.2758620689656,722.3448275862067],[3288.4137931034484,984.4137931034481]],"group_id": null,"description": "","shape_type": "rectangle","flags": {},"mask": null}],"imagePath": "No002.jpg","imageData": "/9j/4AAQSkZJR9k=","imageHeight": 3024,"imageWidth": 4032
}

要求的格式（YOLO格式）如下：

YOLO（You Only Look Once）是一种实时物体检测系统，YOLO格式指的是YOLO模型使用的标签文件格式，用于训练和推理时标注图像中的对象。YOLO格式的标签文件通常是一个纯文本文件，每个图像对应一个单独的文件，文件内容描述了图像中每个对象的类别和位置信息。

YOLO格式

文件名：每个图像对应一个同名的.txt文件。例如，如果图像名为image1.jpg，则对应的标签文件名应为image1.txt。
文件内容：每行代表一个对象，格式如下：class x_center y_center width height
其中：

class：对象的类别编号，必须是零起始的整数（即从0开始）。
x_center：对象边界框中心点的x坐标，相对于图像宽度进行归一化（从0到1）。
y_center：对象边界框中心点的y坐标，相对于图像高度进行归一化（从0到1）。
width：对象边界框的宽度，相对于图像宽度进行归一化（从0到1）。
height：对象边界框的高度，相对于图像高度进行归一化（从0到1）。

示例

假设有一个图像image1.jpg，尺寸为800x600像素，其中包含两个对象。第一个对象是类别0（例如，人），位于图像的左上角，边界框中心点的坐标为(100, 200)，宽度为50像素，高度为100像素。第二个对象是类别1（例如，车），位于图像的右下角，边界框中心点的坐标为(700, 500)，宽度为150像素，高度为200像素。

对应的image1.txt文件内容如下：

0 0.125 0.333 0.0625 0.1667
1 0.875 0.833 0.1875 0.3333

解释：

对象1（类别0）：x_center = 100/800 = 0.125，y_center = 200/600 = 0.333，width = 50/800 = 0.0625，height = 100/600 = 0.1667
对象2（类别1）：x_center = 700/800 = 0.875，y_center = 500/600 = 0.833，width = 150/800 = 0.1875，height = 200/600 = 0.3333

注意事项

如果图像中没有对象，则不需要生成对应的.txt文件。
所有坐标和尺寸必须归一化，值范围为0到1。
类别编号从0开始，依次递增。

代码转换

import json
import osdef convert_to_yolo_format(json_data):# 从JSON数据中读取图像宽度和高度image_width = json_data['imageWidth']image_height = json_data['imageHeight']shapes = json_data['shapes']yolo_data = []# 遍历所有标注形状for shape in shapes:# 假设标签 "fire" 对应类别ID 0class_id = 0 if shape['label'] == 'fire' else -1  # 需要时调整以支持其他标签# 如果类别ID为-1，表示该标签不处理，跳过if class_id == -1:continuepoints = shape['points']x_min = min(points[0][0], points[1][0])y_min = min(points[0][1], points[1][1])x_max = max(points[0][0], points[1][0])y_max = max(points[0][1], points[1][1])# 计算YOLO格式所需的中心坐标和宽度高度x_center = (x_min + x_max) / 2.0 / image_widthy_center = (y_min + y_max) / 2.0 / image_heightwidth = (x_max - x_min) / image_widthheight = (y_max - y_min) / image_height# 将转换后的数据添加到列表中yolo_data.append(f"{class_id} {x_center} {y_center} {width} {height}")return yolo_datadef save_yolo_format(yolo_data, output_path):# 将YOLO格式的数据保存到指定文件中with open(output_path, 'w') as file:for line in yolo_data:file.write(f"{line}\n")def process_json_files(input_directory):# 遍历输入目录中的所有文件for filename in os.listdir(input_directory):if filename.endswith(".json"):json_file_path = os.path.join(input_directory, filename)with open(json_file_path, 'r') as file:data = json.load(file)yolo_format_data = convert_to_yolo_format(data)# 生成输出文件路径image_basename = os.path.splitext(data['imagePath'])[0]output_file_path = os.path.join(input_directory, image_basename + '.txt')save_yolo_format(yolo_format_data, output_file_path)print(f"YOLO格式数据已保存到 {output_file_path}")# 示例使用
input_directory = 'path/to/your/json_files_directory'  # 修改为实际的JSON文件目录路径
process_json_files(input_directory)