voc2007目标检测数据集制作

1. labelImg安装

1.工具下载：label工具的github下载地址：https://github.com/tzutalin/labelImg/tree/bf8cc1d5756184b9af8e412929efdaa6ae0ba4f1

在此感谢大神的贡献，工具真的很好用，一目了然。

2. 如果电脑还没有安装anaconda，则先安装anaconda软件。然后进入到下载好的labelImg目录下，输入cmd,进入控制台。

3.安装qt,我安装的是QT5，命令行输入

conda install pyqt=5

linux下qt5的安装：同样进入到labelImg目录下，输入以下命令：

sudo apt-get install pyqt5-dev-tools

等待安装完成后在输入：“make qt5py3” 若出现“pyrcc5 -o libs/resources.py resources.qrc”则表示安装成功。

4.等待安装完后，在命令行输入

pyrcc5 -o libs/resources.py resources.qrc

5.再输入

python labelImg.py

即打开标注工具。

标注工具使用就不作说明了，一目了然，设置图片路径和标注好的xml文件路径即可，图片标注好后会自动在所设置的目录下生成对应的xml文件，且名称与图片相同。图像路径和标注保存的xml路径中最好不要有中文名，否则后面生成训练要用的txt文件时可能会不识别。

2. VOC2007格式数据制作

1. 在工程目录中新建文件夹命名为“VOC2007”;

2.网上下载一个voc2007格式的数据集，将该数据集下的Annotations以及JPEGImages清空，将自己标注好的图片放入JPEGImages，生成的xml文件放入Annotations，将SegmentationClass和SegmentationObject文件夹也清空，ImageSets下面三个子文件夹的内容也清空，但保留三个文件夹，名字不要改动。

（提供voc2007数据格式的csdn资源https://download.csdn.net/download/feng1479580895/10320841）

使用以下代码生成Main中的四个文件

import os
import random  trainval_percent = 0.7
train_percent = 0.5
xmlfilepath = 'Annotations'
txtsavepath = 'ImageSets\Main'
total_xml = os.listdir(xmlfilepath)  num=len(total_xml)
list=range(num)
tv=int(num*trainval_percent)
tr=int(tv*train_percent)
trainval= random.sample(list,tv)
train=random.sample(trainval,tr)  ftrainval = open('ImageSets/Main/trainval.txt', 'w')
ftest = open('ImageSets/Main/test.txt', 'w')
ftrain = open('ImageSets/Main/train.txt', 'w')
fval = open('ImageSets/Main/val.txt', 'w')  for i  in list:  name=total_xml[i][:-4]+'\n'  if i in trainval:  ftrainval.write(name)  if i in train:  ftrain.write(name)  else:  fval.write(name)  else:  ftest.write(name)  ftrainval.close()
ftrain.close()
fval.close()
ftest .close()

这一步的详细步骤也可以参考这篇博客：https://blog.csdn.net/jx232515/article/details/78680724

这样，VOC2007的数据格式制作完了；

2.1. 位置文本信息生成脚本

直接上脚本代码：

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import joinclasses = ["car"，"dog", "person"]#类型自己设置，不同类型用逗号隔开def convert(size, box):dw = 1./(size[0])dh = 1./(size[1])x = (box[0] + box[1])/2.0 - 1y = (box[2] + box[3])/2.0 - 1w = box[1] - box[0]h = box[3] - box[2]x = x*dww = w*dwy = y*dhh = h*dhreturn (x,y,w,h)def convert_annotation(image_id):in_file = open('labelimg保存的xml路径/%s.xml'%(image_id),  "r", encoding="utf-8")#读取标注数据,并支持中文字符out_file = open('txt文本输出路径/%s.txt'%(image_id), 'w')#输出的标注训练数据文本文件tree=ET.parse(in_file)root = tree.getroot()size = root.find('size')w = int(size.find('width').text)h = int(size.find('height').text)for obj in root.iter('object'):difficult = obj.find('difficult').textcls = obj.find('name').textif cls not in classes or int(difficult)==1:continuecls_id = classes.index(cls)xmlbox = obj.find('bndbox')b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text))bb = convert((w,h), b)out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')wd = getcwd()#获取当前执行文件夹的路径if not os.path.exists('输出txt文本文件夹路径'):#判断是否存在输出文件夹os.makedirs('输出txt文本文件夹路径')#不存在则创建输出文件夹
image_ids = open('voc数据路径\ImageSets\Main/train.txt').read().strip().split()#分离文本中的imageID
list_file = open('2007_train.txt','w')
for image_id in image_ids:list_file.write('voc数据路径\images/%s.jpg\n'%(image_id))#将路径写入到文本文件中convert_annotation(image_id)
list_file.close()

附：将voc2007数据格式转换为tensorflow数据格式

源码github地址：https://github.com/balancap/SSD-Tensorflow

1. 在工程的根目录下创建名称为“tfrecords_”的文件夹，带下划线的；

2. 打开命令窗口，根据balancap作者给出的tf_convert_data.py文件的使用方式，输入如下命令：

第一个参数是python，第二个参数是tf_convert_data.py文件的路径，第三个参数是“--dataset_name=pascalvoc_2007”，第四个是你制作好的VOC2007格式的数据的路径，第五个是“--output_name=voc_2007_train”，第六个数输出的tfrecord格式的输出目录。

(注：目录设置时，最后不要忘记加“\”)

若是成功运行，则会出现如下界面