一、VOC2007数据集
二、DOTA数据集
三、将DOTA数据集的格式转换成VOC2007数据集的格式

一、VOC2007数据集

VOC2007数据集的文件结构如下图所示。

其中，文件夹Annotations中存放的是图像的标注信息的xml文件，命名从000001.xml开始；文件夹ImageSets中存放的是图像划分的集合的txt文件，目标检测任务对应的train、val、trainval、test数据集的txt文件存放在Main文件夹中；文件夹JPEGImages中存放的是所有图片的jpg文件，命名从000001.jpg开始；文件夹SegmentationClass和SegmentationObject中存放的是其他任务的数据信息。
文件夹Annotations中存放的某一张图像的标注信息的xml文件里面的内容如下所示。

<annotation><folder>VOC2007</folder><!--文件名--><filename>000007.jpg</filename><!--数据来源--><source><!--数据来源--><database>The VOC2007 Database</database><annotation>PASCAL VOC2007</annotation><!--来源是flickr，一个雅虎的图像分享网站，下面是id，对于我们没有用--><image>flickr</image><flickrid>194179466</flickrid></source><!--图片的所有者，也没有用--><owner><flickrid>monsieurrompu</flickrid><name>Thom Zemanek</name></owner><!--图像尺寸,宽、高、长--><size><width>500</width><height>333</height><depth>3</depth></size><!--是否用于分割，0表示用于，1表示不用于--><segmented>0</segmented><!--下面是图像中标注的物体,每一个object包含一个标准的物体--><object><!--物体名称，拍摄角度--><name>car</name><pose>Unspecified</pose><!--是否被裁减，0表示完整，1表示不完整--><truncated>1</truncated><!--是否容易识别，0表示容易，1表示困难--><difficult>0</difficult><!--bounding box的四个坐标--><bndbox><xmin>141</xmin><ymin>50</ymin><xmax>500</xmax><ymax>330</ymax></bndbox></object>
</annotation>

关于VOC2007数据集的其他详细信息可见→VOC2007数据集详细分析。

二、DOTA数据集

DOTA数据集的官方链接→DOTA数据集链接。

DOTA数据集（全称A Large-scale Dataset for Object DeTection in Aerial Images）是用于航拍图像中的目标检测的大型图像数据集，它可用于发现和评估航拍图像中的物体。对于DOTA数据集，它包含来自不同传感器和平台的2806个航拍图像。每个图像的大小在大约800×800到4000×4000像素的范围内，并且包含各种比例，方向和形状的对象。这些DOTA图像由航空影像解释专家分类为15个常见对象类别。完全注释的DOTA图像包含188、282个实例，每个实例都由任意（8自由度）四边形标记。

目前DOTA数据集有三个版本：

DOTA-v1.0：包含15个常见类别，2,806个图像和188,282个实例。DOTA-V1.0中的训练集，验证集和测试集的比例分别为1/2,1 / 6和1/3。
plane, ship, storage tank, baseball diamond, tennis court, basketball court, ground track field, harbor, bridge, large vehicle, small vehicle, helicopter, roundabout, soccer ball field and swimming pool.
DOTA-v1.5：使用了与DOTA-v1.0相同的图像，但是非常小的实例(小于10像素)也有注释。此外，还增加了一个新的类别"container crane"。它总共包含403,318个实例。图像和数据集分割的数量与DOTA-v1.0相同。该版本是为了与IEEE CVPR 2019联合举办的2019 DOAI航拍图像目标检测挑战赛发布的。
plane, ship, storage tank, baseball diamond, tennis court, basketball court, ground track field, harbor, bridge, large vehicle, small vehicle, helicopter, roundabout, soccer ball field, swimming pool and container crane.
DOTA-v2.0：收集更多Google地球，GF-2卫星和空中图像。DOTA-v2.0中有18个常见类别，11,268个图像和1,793,658个实例。与DOTA-V1.5相比，它进一步增加了新类别的"airport"和"helipad"。DOTA的11,268个图像分为训练、验证、测试验证和测试挑战集。
plane, ship, storage tank, baseball diamond, tennis court, basketball court, ground track field, harbor, bridge, large vehicle, small vehicle, helicopter, roundabout, soccer ball field, swimming pool, container crane, airport and helipad.

DOTA数据集的文件结构如下图所示。

数据集DOTA文件夹下有train、val、test三个文件夹。文件夹train、val下各有images、labelTxt-v1.0、labelTxt-v1.5三个文件夹，文件夹test下只有images一个文件夹。
其中images文件夹中存放的是遥感图像，如下图所示。

labelTxt-v1.0文件夹中存放的是DOTA v1.0版本的标签信息，如下图所示，有labelTxt、trainset_reclabelTxt两个文件夹。labelTxt文件夹中存放的是obb（定向边界框）标签信息，trainset_reclabelTxt文件夹中存放的是hbb（水平边界框）标签信息。

labelTxt-v1.5文件夹中存放的是DOTA v1.5版本的标签信息，与labelTxt-v1.0文件夹类似，如下图所示，该文件夹下有存放obb（定向边界框）标签信息的文件夹DOTA-v1.5_train和存放hbb（水平边界框）标签信息的文件夹DOTA-v1.5_train_hbb。

三、将DOTA数据集的格式转换成VOC2007数据集的格式

使用Python将DOTA数据集的格式转换成VOC2007数据集的格式需要进行以下操作。

首先可以对DOTA数据集中图片的ground truth进行可视化，可视化的代码visual_DOTA.py及结果如下所示。

import cv2
import os
import numpy as npthr=0.95
def custombasename(fullname):  return os.path.basename(os.path.splitext(fullname)[0])  def GetFileFromThisRootDir(dir,ext = None):  allfiles = []  needExtFilter = (ext != None)  for root,dirs,files in os.walk(dir):  for filespath in files:  filepath = os.path.join(root, filespath)  extension = os.path.splitext(filepath)[1][1:]  if needExtFilter and extension in ext:  allfiles.append(filepath)  elif not needExtFilter:  allfiles.append(filepath)  return allfiles  def visualise_gt(label_path, pic_path, newpic_path):results =  GetFileFromThisRootDir(label_path)for result in results:f = open(result,'r')lines = f.readlines()if len(lines)==0:  #如果为空print('文件为空',result)continueboxes = []for i,line in enumerate(lines):#score = float(line.strip().split(' ')[8])#if i in [0,1]:   #如果可视化DOTA-v1.5,前两行不需要，跳过，取消注释；如果可视化DOTA-v1.0,前两行需要，注释掉这两行代码#    continuename = result.split('/')[-1]box=line.strip().split(' ')[0:8]box = np.array(box,dtype = np.float64)#if float(score)>thr:boxes.append(box)boxes = np.array(boxes,np.float64)f.close()   filepath=os.path.join(pic_path, name.split('.')[0]+'.png')im=cv2.imread(filepath)#print line3for i in range(boxes.shape[0]):box =np.array( [[boxes[i][0],boxes[i][1]],[boxes[i][2],boxes[i][3]], \[boxes[i][4],boxes[i][5]],[boxes[i][6],boxes[i][7]]],np.int32)box = box.reshape((-1,1,2))cv2.polylines(im,[box],True,(0,0,255),2)cv2.imwrite(os.path.join(newpic_path,result.split('/')[-1].split('.')[0]+'.png'),im)#下面是有score的        #        x,y,w,h,score=box.split('_')##        score=float(score)#        cv2.rectangle(im,(int(x),int(y)),(int(x)+int(w),int(y)+int(h)),(0,0,255),1)#        cv2.putText(im,'%3f'%score, (int(x)+int(w),int(y)+int(h)+5),cv2.FONT_HERSHEY_SIMPLEX,0.5,(0,255,0),1)#        cv2.imwrite(newpic_path+filename,im)if __name__ == '__main__':pic_path = 'E:/Remote Sensing/Data Set/DOTA/train/images/' #样本图片路径label_path = 'E:/Remote Sensing/Data Set/DOTA/train/labelTxt-v1.0/trainset_reclabelTxt/'#DOTA标签的所在路径    newpic_path= 'E:/Remote Sensing/Data Set/DOTA/hbbshow/train/'  #可视化保存路径if not os.path.isdir(newpic_path):os.makedirs(newpic_path)visualise_gt(label_path, pic_path, newpic_path)

新建一个与VOC2007数据集的文件结构类似的DOTA数据集文件结构，只保留我们需要的部分。
由于DOTA数据集中有的图片纵横比太大，不能直接用于后续的训练，所以需要对DOTA数据集进行切割。将数据集中的图片切割为600 ×\times× 600固定大小的图片，并对切割后的图片生成相对应的标注信息xml文件。切割的代码DOTA_VOC.py及结果如下所示。

import os
import imageio
from xml.dom.minidom import Document
import numpy as np
import copy, cv2def save_to_xml(save_path, im_width, im_height, objects_axis, label_name, name, hbb=True):im_depth = 0object_num = len(objects_axis)doc = Document()annotation = doc.createElement('annotation')doc.appendChild(annotation)folder = doc.createElement('folder')folder_name = doc.createTextNode('VOC2007')folder.appendChild(folder_name)annotation.appendChild(folder)filename = doc.createElement('filename')filename_name = doc.createTextNode(name)filename.appendChild(filename_name)annotation.appendChild(filename)source = doc.createElement('source')annotation.appendChild(source)database = doc.createElement('database')database.appendChild(doc.createTextNode('The VOC2007 Database'))source.appendChild(database)annotation_s = doc.createElement('annotation')annotation_s.appendChild(doc.createTextNode('PASCAL VOC2007'))source.appendChild(annotation_s)image = doc.createElement('image')image.appendChild(doc.createTextNode('flickr'))source.appendChild(image)flickrid = doc.createElement('flickrid')flickrid.appendChild(doc.createTextNode('322409915'))source.appendChild(flickrid)owner = doc.createElement('owner')annotation.appendChild(owner)flickrid_o = doc.createElement('flickrid')flickrid_o.appendChild(doc.createTextNode('knautia'))owner.appendChild(flickrid_o)name_o = doc.createElement('name')name_o.appendChild(doc.createTextNode('yang'))owner.appendChild(name_o)size = doc.createElement('size')annotation.appendChild(size)width = doc.createElement('width')width.appendChild(doc.createTextNode(str(im_width)))height = doc.createElement('height')height.appendChild(doc.createTextNode(str(im_height)))depth = doc.createElement('depth')depth.appendChild(doc.createTextNode(str(im_depth)))size.appendChild(width)size.appendChild(height)size.appendChild(depth)segmented = doc.createElement('segmented')segmented.appendChild(doc.createTextNode('0'))annotation.appendChild(segmented)for i in range(object_num):objects = doc.createElement('object')annotation.appendChild(objects)object_name = doc.createElement('name')object_name.appendChild(doc.createTextNode(label_name[int(objects_axis[i][-1])]))objects.appendChild(object_name)pose = doc.createElement('pose')pose.appendChild(doc.createTextNode('Unspecified'))objects.appendChild(pose)truncated = doc.createElement('truncated')truncated.appendChild(doc.createTextNode('1'))objects.appendChild(truncated)difficult = doc.createElement('difficult')difficult.appendChild(doc.createTextNode('0'))objects.appendChild(difficult)bndbox = doc.createElement('bndbox')objects.appendChild(bndbox)if hbb:x0 = doc.createElement('xmin')x0.appendChild(doc.createTextNode(str((objects_axis[i][0]))))bndbox.appendChild(x0)y0 = doc.createElement('ymin')y0.appendChild(doc.createTextNode(str((objects_axis[i][1]))))bndbox.appendChild(y0)x1 = doc.createElement('xmax')x1.appendChild(doc.createTextNode(str((objects_axis[i][2]))))bndbox.appendChild(x1)y1 = doc.createElement('ymax')y1.appendChild(doc.createTextNode(str((objects_axis[i][5]))))bndbox.appendChild(y1)       else:x0 = doc.createElement('x0')x0.appendChild(doc.createTextNode(str((objects_axis[i][0]))))bndbox.appendChild(x0)y0 = doc.createElement('y0')y0.appendChild(doc.createTextNode(str((objects_axis[i][1]))))bndbox.appendChild(y0)x1 = doc.createElement('x1')x1.appendChild(doc.createTextNode(str((objects_axis[i][2]))))bndbox.appendChild(x1)y1 = doc.createElement('y1')y1.appendChild(doc.createTextNode(str((objects_axis[i][3]))))bndbox.appendChild(y1)x2 = doc.createElement('x2')x2.appendChild(doc.createTextNode(str((objects_axis[i][4]))))bndbox.appendChild(x2)y2 = doc.createElement('y2')y2.appendChild(doc.createTextNode(str((objects_axis[i][5]))))bndbox.appendChild(y2)x3 = doc.createElement('x3')x3.appendChild(doc.createTextNode(str((objects_axis[i][6]))))bndbox.appendChild(x3)y3 = doc.createElement('y3')y3.appendChild(doc.createTextNode(str((objects_axis[i][7]))))bndbox.appendChild(y3)f = open(save_path,'w')f.write(doc.toprettyxml(indent = ''))f.close() class_list = ['plane', 'baseball-diamond', 'bridge', 'ground-track-field', 'small-vehicle', 'large-vehicle', 'ship', 'tennis-court', 'basketball-court',  'storage-tank', 'soccer-ball-field', 'roundabout', 'harbor', 'swimming-pool', 'helicopter']  # DOTA v1.0有15个类别；DOTA v1.5有16个类别，比DOTA v1.0多一个container-crane类别def format_label(txt_list):format_data = []for i in txt_list[0:]:  # 处理DOTA v1.0为txt_list[0:]；处理DOTA v1.5改为txt_list[2:]format_data.append([int(float(xy)) for xy in i.split(' ')[:8]] + [class_list.index(i.split(' ')[8])]# {'x0': int(i.split(' ')[0]),# 'x1': int(i.split(' ')[2]),# 'x2': int(i.split(' ')[4]),# 'x3': int(i.split(' ')[6]),# 'y1': int(i.split(' ')[1]),# 'y2': int(i.split(' ')[3]),# 'y3': int(i.split(' ')[5]),# 'y4': int(i.split(' ')[7]),# 'class': class_list.index(i.split(' ')[8]) if i.split(' ')[8] in class_list else 0, # 'difficulty': int(i.split(' ')[9])})if i.split(' ')[8] not in class_list :print ('warning found a new label :', i.split(' ')[8])exit()return np.array(format_data)def clip_image(file_idx, image, boxes_all, width, height):# print ('image shape', image.shape)if len(boxes_all) > 0:shape = image.shapefor start_h in range(0, shape[0], 256):for start_w in range(0, shape[1], 256):boxes = copy.deepcopy(boxes_all)box = np.zeros_like(boxes_all)start_h_new = start_hstart_w_new = start_wif start_h + height > shape[0]:start_h_new = shape[0] - heightif start_w + width > shape[1]:start_w_new = shape[1] - widthtop_left_row = max(start_h_new, 0)top_left_col = max(start_w_new, 0)bottom_right_row = min(start_h + height, shape[0])bottom_right_col = min(start_w + width, shape[1])subImage = image[top_left_row:bottom_right_row, top_left_col: bottom_right_col]box[:, 0] = boxes[:, 0] - top_left_colbox[:, 2] = boxes[:, 2] - top_left_colbox[:, 4] = boxes[:, 4] - top_left_colbox[:, 6] = boxes[:, 6] - top_left_colbox[:, 1] = boxes[:, 1] - top_left_rowbox[:, 3] = boxes[:, 3] - top_left_rowbox[:, 5] = boxes[:, 5] - top_left_rowbox[:, 7] = boxes[:, 7] - top_left_rowbox[:, 8] = boxes[:, 8]center_y = 0.25*(box[:, 1] + box[:, 3] + box[:, 5] + box[:, 7])center_x = 0.25*(box[:, 0] + box[:, 2] + box[:, 4] + box[:, 6])# print('center_y', center_y)# print('center_x', center_x)# print ('boxes', boxes)# print ('boxes_all', boxes_all)# print ('top_left_col', top_left_col, 'top_left_row', top_left_row)cond1 = np.intersect1d(np.where(center_y[:]>=0 )[0], np.where(center_x[:]>=0 )[0])cond2 = np.intersect1d(np.where(center_y[:] <= (bottom_right_row - top_left_row))[0],np.where(center_x[:] <= (bottom_right_col - top_left_col))[0])idx = np.intersect1d(cond1, cond2)# idx = np.where(center_y[:]>=0 and center_x[:]>=0 and center_y[:] <= (bottom_right_row - top_left_row) and center_x[:] <= (bottom_right_col - top_left_col))[0]# save_path, im_width, im_height, objects_axis, label_nameif len(idx) > 0:name="%s_%04d_%04d.png" % (file_idx, top_left_row, top_left_col)print(name)xml = os.path.join(save_dir, 'Annotations', "%s_%04d_%04d.xml" % (file_idx, top_left_row, top_left_col))save_to_xml(xml, subImage.shape[1], subImage.shape[0], box[idx, :], class_list, str(name))# print ('save xml : ', xml)if subImage.shape[0] > 5 and subImage.shape[1] >5:img = os.path.join(save_dir, 'JPEGImages', "%s_%04d_%04d.png" % (file_idx, top_left_row, top_left_col))#cv2.imwrite(img, subImage)cv2.imwrite(img, cv2.cvtColor(subImage, cv2.COLOR_RGB2BGR))print ('class_list', len(class_list))
raw_images_dir = 'E:/Remote Sensing/Data Set/DOTA/train/images/'
raw_label_dir = 'E:/Remote Sensing/Data Set/DOTA/train/labelTxt-v1.0/trainset_reclabelTxt/'save_dir = 'E:/Remote Sensing/Data Set/VOCdevkit2007/VOC2007/'images = [i for i in os.listdir(raw_images_dir) if 'png' in i]
labels = [i for i in os.listdir(raw_label_dir) if 'txt' in i]print ('find image', len(images))
print ('find label', len(labels))min_length = 1e10
max_length = 1for idx, img in enumerate(images):print (idx, 'read image', img)img_data = imageio.imread(os.path.join(raw_images_dir, img))# if len(img_data.shape) == 2:# img_data = img_data[:, :, np.newaxis]# print ('find gray image')txt_data = open(os.path.join(raw_label_dir, img.replace('png', 'txt')), 'r').readlines()# print (idx, len(format_label(txt_data)), img_data.shape)# if max(img_data.shape[:2]) > max_length:# max_length = max(img_data.shape[:2])# if min(img_data.shape[:2]) < min_length:# min_length = min(img_data.shape[:2])# if idx % 50 ==0:# print (idx, len(format_label(txt_data)), img_data.shape)# print (idx, 'min_length', min_length, 'max_length', max_length)box = format_label(txt_data)clip_image(img.strip('.png'), img_data, box, 600, 600)

对切割后得到的./VOCdevkit2007/VOC2007/Annotations/文件夹下的xml文件进行处理，删除不符合要求的xml文件及./VOCdevkit2007/VOC2007/JPEGImages/文件夹下对应的图片。不符合要求的xml文件有以下三种情况：1. 标注目标为空；2. 所有标注目标的difficult均为1；3. 标注目标存在越界的问题（注：标注越界有六种情况 xmin<0、ymin<0、xmax>width、ymax>height、xmax<xmin、ymax<ymin）。处理xml文件的代码remove.py及结果如下所示。

import os
import shutil
import xml.dom.minidom
import xml.etree.ElementTree as ETdef custombasename(fullname):return os.path.basename(os.path.splitext(fullname)[0])def GetFileFromThisRootDir(dir,ext = None):allfiles = []needExtFilter = (ext != None)for root,dirs,files in os.walk(dir):for filespath in files:filepath = os.path.join(root, filespath)extension = os.path.splitext(filepath)[1][1:]if needExtFilter and extension in ext:allfiles.append(filepath)elif not needExtFilter:allfiles.append(filepath)return allfilesdef cleandata(path, img_path, ext, label_ext):name = custombasename(path)  #名称if label_ext == '.xml':tree = ET.parse(path)root = tree.getroot()size=root.find('size')width=int(size.find('width').text)#print(width)height=int(size.find('height').text)#print(height)objectlist = root.findall('object')num = len(objectlist)#print(num)count=0count1=0minus=0for object in objectlist:difficult = int(object.find('difficult').text)#print(difficult)bndbox=object.find('bndbox')xmin = int(bndbox.find('xmin').text)#print(xmin)ymin = int(bndbox.find('ymin').text)#print(ymin)xmax = int(bndbox.find('xmax').text)#print(xmax)ymax = int(bndbox.find('ymax').text)#print(ymax)if xmin<0 or ymin<0 or width<xmax or height<ymax or xmax<xmin or ymax<ymin:  # 目标标注越界的六种情况minus+=1count = count1 + difficultcount1 = countif num == 0 or count == num or minus != 0:  # 不符合要求的三种情况image_path = os.path.join(img_path, name + ext) #样本图片的名称os.remove(image_path)  #移除该标注文件os.remove(path)     #移除该图片文件if __name__ == '__main__':root = 'E:/Remote Sensing/Data Set/VOCdevkit2007/VOC2007/'img_path = os.path.join(root, 'JPEGImages')  #分割后的样本集label_path = os.path.join(root, 'Annotations')  #分割后的标签ext = '.png' #图片的后缀label_ext = '.xml'label_list = GetFileFromThisRootDir(label_path)for path in label_list:cleandata(path, img_path, ext, label_ext)

对DOTA数据集进行划分，划分为train、val、trainval、test四个文件。划分代码split_data.py及结果如下所示。

import os
import randomtrainval_percent = 0.8  # 表示训练集和验证集(交叉验证集)所占总图片的比例
train_percent = 0.75  # 训练集所占验证集的比例
xmlfilepath = 'E:/Remote Sensing/Data Set/VOCdevkit2007/VOC2007/Annotations'
txtsavepath = 'E:/Remote Sensing/Data Set/VOCdevkit2007/VOC2007/ImageSets/Main'
total_xml = os.listdir(xmlfilepath)
num = len(total_xml)
list = range(num)tv = int(num * trainval_percent)  # xml文件中的交叉验证集数
tr = int(tv * train_percent)  # xml文件中的训练集数，注意，我们在前面定义的是训练集占验证集的比例
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)ftrainval = open('E:/Remote Sensing/Data Set/VOCdevkit2007/VOC2007/ImageSets/Main/trainval.txt', 'w')
ftest = open('E:/Remote Sensing/Data Set/VOCdevkit2007/VOC2007/ImageSets/Main/test.txt', 'w')
ftrain = open('E:/Remote Sensing/Data Set/VOCdevkit2007/VOC2007/ImageSets/Main/train.txt', 'w')
fval = open('E:/Remote Sensing/Data Set/VOCdevkit2007/VOC2007/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()print("done!")

最后，将VOC2007数据集下的result文件夹复制到新建的DOTA数据集的VOC文件结构中，后面训练测试模型时会用到。

至此，就可以将DOTA数据集的格式转换成VOC2007数据集的的格式了，我们得到一个属于DOTA数据集的VOCdevkit2007文件夹！

参考文章：https://blog.csdn.net/mary_0830/article/details/104263619

使用Python将DOTA数据集的格式转换成VOC2007数据集的格式相关推荐

WPI交通信号灯数据集格式转换成VOC2007
WPI交通信号灯数据集格式转换成VOC2007 1.简述初学交通信号灯目标检测时,总是苦于找不到合适的交通灯数据集.即使找到了数据集,也往往因为格式不同而无法直接使用.因为大部分目标检测代码都只支持 ...
计算机无法播放qsv文件,怎么把电脑上的qsv格式转换成常用的mp4格式
第一步:首先就是要打开能转换的视频转换器,并把首行功能栏中的功能选为视频转换功能,虽然默认的也是视频转换功能,但容易因为各种情况选择别的功能而忘记. 第二步:随后要做的就是根据多种添加方式选择其中一种 ...
LaTex将普通图片格式转换成高清图片格式eps
在我们使用LaTex进行文章的创作(copy)时,难免会需要插入一些图片,插入图片的格式一般有png.jpg和eps等,大部分时候,如果为了方便起见,可以直接使用前两个格式插入.但是为了追求更高清的图 ...
java将jfif格式转换成ipg_jfif是什么格式？Win10将图片JFIF格式转成JPG格式的方法
Windows10系统在网页保存图片,发现保存的图片格式是.jfif,而不是常见的.jpg或.png格式..jfif是什么格式呢?这个格式没有见过,不少平台是不支持上传这个格式的图片,有什么办法解决? ...
将json的时间格式转换成正常的时间格式
/** * 对Date的扩展,将 Date 转化为指定格式的String * 月(M).日(d).12小时(h).24小时(H).分(m).秒(s).周(E).季度(q) 可以用 1-2 个占位符 * ...
怎么把html格式转换成数字,Excel文本格式怎么转化成数字格式 excel文本转化数字格式教程...
怎么将excel表格中的文本转化为数字格式呢?我们在使用excel表格的时候,数字格式的数据会更方便用户编辑,所以很多用户都会选择把文本格式转换为数字格式,具体如何操作大家请看下方的excel文本转化 ...
如何利用python将NWPU VHR-10目标检测遥感数据集的格式转换成VOC目标检测数据集的格式
VOC目标检测数据集的格式其中图片存放在JPEGImages文件夹中,标注是xml文件,存储在Annotations文件中关于train集和val集的txt划分存放在ImageSets文件夹下面的 ...
上传 mp4 格式判断_视频如何转换成通用的MP4格式？按下这个键，10秒就能搞定...
我们在网上下载视频的时候,有很多的视频都是无法播放的,或者是需要特定的播放器才可以播放.其实,只要把这些视频的格式转换成通用的MP4格式即可.如果你还不知道怎么转换视频格式,下面就教大家两个小方法,百 ...
webp图片怎么批量转换成jpg等常用格式
有时候从网上保存下来的图片是webp格式的,只能用Chrome浏览器打开,其他的图片软件打不开.这个时候就需要将webp格式转换成常见的图片格式,比如jpg.png等. 该如何转换呢?这个很简单,用一 ...
如何将docm格式转换成word的介绍
在我们的日常工作中,常常会遇到需要使用不同格式文档的情况.在一些特殊情况下,我们可能会收到.docm格式的文档,而我们的电脑却无法打开它.那么该怎么办呢? 下面,我将介绍如何将.docm格式转换成Wo ...

使用Python将DOTA数据集的格式转换成VOC2007数据集的格式

一、VOC2007数据集

二、DOTA数据集

三、将DOTA数据集的格式转换成VOC2007数据集的格式

使用Python将DOTA数据集的格式转换成VOC2007数据集的格式相关推荐

最新文章

热门文章