162 lines
6.3 KiB
Python
162 lines
6.3 KiB
Python
|
||
# import random
|
||
# import os
|
||
|
||
# trainval_percent = 0.9
|
||
# train_percent = 0.9
|
||
# xmlfilepath = '/home/ykn/dataset/PCB_DATASET/Annotationss'
|
||
# txtsavepath = '/home/ykn/dataset/PCB_DATASET/ImageSets'
|
||
# 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(txtsavepath+'/trainval.txt', 'w')
|
||
# ftest = open(txtsavepath+'/test.txt', 'w')
|
||
# ftrain = open(txtsavepath+'/train.txt', 'w')
|
||
# fval = open(txtsavepath+'/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()
|
||
|
||
|
||
# xml解析包
|
||
|
||
import xml.etree.ElementTree as ET
|
||
import pickle
|
||
import os
|
||
|
||
# os.listdir() 方法用于返回指定的文件夹包含的文件或文件夹的名字的列表
|
||
|
||
from os import listdir, getcwd
|
||
from os.path import join
|
||
|
||
|
||
sets = ['train', 'test', 'val']
|
||
classes = ['missing_hole', 'mouse_bite', 'open_circuit', 'short', 'spur', 'spurious_copper']
|
||
label_path = '/home/ykn/dataset/PCB_DATASET/labels'
|
||
ImageSets = '/home/ykn/dataset/PCB_DATASET/ImageSets'
|
||
images = '/home/ykn/dataset/PCB_DATASET/images'
|
||
|
||
|
||
# 进行归一化操作
|
||
|
||
def convert(size, box): # size:(原图w,原图h) , box:(xmin,xmax,ymin,ymax)
|
||
dw = 1./size[0] # 1/w
|
||
dh = 1./size[1] # 1/h
|
||
x = (box[0] + box[1])/2.0 # 物体在图中的中心点x坐标
|
||
y = (box[2] + box[3])/2.0 # 物体在图中的中心点y坐标
|
||
w = box[1] - box[0] # 物体实际像素宽度
|
||
h = box[3] - box[2] # 物体实际像素高度
|
||
x = x*dw # 物体中心点x的坐标比(相当于 x/原图w)
|
||
w = w*dw # 物体宽度的宽度比(相当于 w/原图w)
|
||
y = y*dh # 物体中心点y的坐标比(相当于 y/原图h)
|
||
h = h*dh # 物体宽度的宽度比(相当于 h/原图h)
|
||
return (x, y, w, h) # 返回 相对于原图的物体中心点的x坐标比,y坐标比,宽度比,高度比,取值范围[0-1]
|
||
|
||
|
||
# year ='2012', 对应图片的id（文件名）
|
||
|
||
def convert_annotation(image_id):
|
||
'''
|
||
将对应文件名的xml文件转化为label文件，xml文件包含了对应的bunding框以及图片长款大小等信息，
|
||
通过对其解析，然后进行归一化最终读到label文件中去，也就是说
|
||
一张图片文件对应一个xml文件，然后通过解析和归一化，能够将对应的信息保存到唯一一个label文件中去
|
||
labal文件中的格式：calss x y w h 同时，一张图片对应的类别有多个，所以对应的ｂｕｎｄｉｎｇ的信息也有多个
|
||
'''
|
||
# 对应的通过year 找到相应的文件夹，并且打开相应image_id的xml文件，其对应bund文件
|
||
in_file = open('/home/ykn/dataset/PCB_DATASET/Annotations /%s.xml' % (image_id), encoding='utf-8')
|
||
# 准备在对应的image_id 中写入对应的label，分别为
|
||
# <object-class> <x> <y> <width> <height>
|
||
out_file = open(label_path+'/%s.txt' % (image_id), 'w', encoding='utf-8')
|
||
# 解析xml文件
|
||
tree = ET.parse(in_file)
|
||
# 获得对应的键值对
|
||
root = tree.getroot()
|
||
# 获得图片的尺寸大小
|
||
size = root.find('size')
|
||
# 如果xml内的标记为空，增加判断条件
|
||
if size != None:
|
||
# 获得宽
|
||
w = int(size.find('width').text)
|
||
# 获得高
|
||
h = int(size.find('height').text)
|
||
# 遍历目标obj
|
||
for obj in root.iter('object'):
|
||
# 获得difficult ？？
|
||
difficult = obj.find('difficult').text
|
||
# 获得类别 =string 类型
|
||
cls = obj.find('name').text
|
||
# 如果类别不是对应在我们预定好的class文件中，或difficult==1则跳过
|
||
if cls not in classes or int(difficult) == 1:
|
||
continue
|
||
# 通过类别名称找到id
|
||
cls_id = classes.index(cls)
|
||
# 找到bndbox 对象
|
||
xmlbox = obj.find('bndbox')
|
||
# 获取对应的bndbox的数组 = ['xmin','xmax','ymin','ymax']
|
||
b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),
|
||
float(xmlbox.find('ymax').text))
|
||
print(image_id, cls, b)
|
||
# 带入进行归一化操作
|
||
# w = 宽, h = 高， b= bndbox的数组 = ['xmin','xmax','ymin','ymax']
|
||
bb = convert((w, h), b)
|
||
# bb 对应的是归一化后的(x,y,w,h)
|
||
# 生成 calss x y w h 在label文件中
|
||
out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
|
||
|
||
|
||
# 返回当前工作目录
|
||
|
||
wd = getcwd()
|
||
print(wd)
|
||
|
||
|
||
for image_set in sets:
|
||
'''
|
||
对所有的文件数据集进行遍历
|
||
做了两个工作：
|
||
１．将所有图片文件都遍历一遍，并且将其所有的全路径都写在对应的txt文件中去，方便定位
|
||
２．同时对所有的图片文件进行解析和转化，将其对应的bundingbox 以及类别的信息全部解析写到label 文件中去
|
||
最后再通过直接读取文件，就能找到对应的label 信息
|
||
'''
|
||
# 先找labels文件夹如果不存在则创建
|
||
if not os.path.exists(label_path):
|
||
os.makedirs(label_path+'/')
|
||
# 读取在ImageSets/Main 中的train、test..等文件的内容
|
||
# 包含对应的文件名称
|
||
image_ids = open(ImageSets+'/%s.txt' % (image_set)).read().strip().split()
|
||
# 打开对应的2012_train.txt 文件对其进行写入准备
|
||
list_file = open('/home/ykn/dataset/PCB_DATASET/%s.txt' % (image_set), 'w')
|
||
# 将对应的文件_id以及全路径写进去并换行
|
||
for image_id in image_ids:
|
||
list_file.write(images+'/%s.jpg\n' % (image_id))
|
||
# 调用 year = 年份 image_id = 对应的文件名_id
|
||
convert_annotation(image_id)
|
||
# 关闭文件
|
||
list_file.close()
|
||
|
||
# os.system(‘comand’) 会执行括号中的命令，如果命令成功执行，这条语句返回0，否则返回1
|
||
|
||
# os.system("cat 2007_train.txt 2007_val.txt 2012_train.txt 2012_val.txt > train.txt")
|
||
|
||
# os.system("cat 2007_train.txt 2007_val.txt 2007_test.txt 2012_train.txt 2012_val.txt > train.all.txt")
|
||
|