halcon 的深度学习标注训练集hdict格式转YOLO的标注训练集txt格式
原文作者：aircraft原文链接：halcon 的深度学习标注训练集hdict格式转YOLO的标注训练集txt格式
有兴趣可以多看其他的halcon教程
halcon 学习教程目录
今天搜了一下halcon的标注训练集转YOLO的txt格式，搜了一圈发现网上没有，所以就自己写一个分享出来好了
主流数据的格式如下：
YOLO:txt格式
CreateML:json格式
PasclVOC:xml格式
halcon：hdict格式
一.halcon的hdict格式转YOLO的txt格式
首先来看一下YOLO的txt训练集的格式：
第一列：对象类别ID：一个整数，表示对象的类别。类别ID通常从0开始编号。
第二列：中心点坐标X：浮点数，表示对象边界框中心点的X坐标，以图像宽度的比例表示。
第三列：中心点坐标Y：浮点数，表示对象边界框中心点的Y坐标，以图像高度的比例表示。
第四列：边界框宽度：浮点数，表示对象边界框的宽度，以图像宽度的比例表示。
第五列：边界框高度：浮点数，表示对象边界框的高度，以图像高度的比例表示。
然后发现除了ID，其他数据都是小于1的，这是因为YOLO的标注数据集的坐标都除以了图像自身的宽高，将坐标都归一化到0-1之间
5 0.842388 0.746833 0.312116 0.306100 4 0.544041 0.719306 0.257871 0.480070 3 0.175594 0.727013 0.357181 0.354547 2 0.866589 0.249695 0.237008 0.338031 1 0.557394 0.249695 0.358016 0.439331 0 0.182687 0.248044 0.368030 0.398591
然后在来看一下halcon目标检测的数据集hdict里的格式：
class_ids：就是标注的ID编号
class_names：ID编号对应的具体标注名称
image_dir：训练图像存在的根目录
samples：每张图的标注数据，注意看里面还有多少个行列数据，还有每个框得ID，那些就是一张图里的标注框的数据了
知道了两个数据集的数据区别了，那么我就可以开始转换了，有了每个框的对角点的行列坐标，我们就可以求出框中心坐标，以及框的宽度和高度，这样我们就把YOLO 的TXT数据集里的数据都拿到了，只要整合一下往文件里写就行了
halcon实现代码：
* -------------------------------------------------------------- * Halcon深度学习数据集转YOLO格式转换脚本 * 版本：v1.0（适配Halcon 22） * 功能：将Halcon的.hdict标注文件转换为YOLO格式的txt标注文件和图像数据集 * -------------------------------------------------------------- * ************ 步骤1：读取Halcon标注数据集 ************ read_dict ('images.hdict', [], [], HalconDict) // 读取Halcon标注文件 get_dict_param (HalconDict, 'keys', [], DatasetKeys) // 获取数据集主键列表 * 解析数据集结构（根据实际结构顺序调整索引） get_dict_tuple (HalconDict, DatasetKeys, class_ids) // 类别ID列表 get_dict_tuple (HalconDict, DatasetKeys, class_names) // 类别名称列表 get_dict_tuple (HalconDict, DatasetKeys, image_dir) // 原图存储路径 get_dict_tuple (HalconDict, DatasetKeys, samples_list) // 样本数据列表 * ************ 路径配置部分 ************ image_dir := 'E:/学习测试/halcon/深度学习格式转换/halcon转YOLO/images/' // 修改为实际路径 * 创建输出目录（如果不存在） file_exists ('yolo_labels', FileExists) if(not FileExists) make_dir ('yolo_labels') // 标签文件目录 make_dir ('yolo_images') // 图像文件目录 endif * ************ 步骤2：创建类别映射字典 ************ * create_dict (ClassMap) // 初始化字典 * set_dict_tuple (ClassMap, 'defect', 0) // 缺陷类映射为0 * set_dict_tuple (ClassMap, 'scratch', 1) // 划痕类映射为1 * ************ 主处理循环：遍历每个样本 ************ Width := 128 Height := 128 for Index := 0 to |samples_list| - 1 by 1 samples := samples_list // 当前样本数据 * 解析样本元数据 get_dict_tuple (samples, 'image_file_name', samples_image_file_name) // 图像文件名 get_dict_tuple (samples, 'bbox_label_id', samples_bbox_label_id) // 标签ID列表 * 提取坐标数据 get_dict_tuple (samples, 'bbox_row1', samples_bbox_row1) // 左上角Y坐标 get_dict_tuple (samples, 'bbox_row2', samples_bbox_row2) // 右下角Y坐标 get_dict_tuple (samples, 'bbox_col1', samples_bbox_col1) // 左上角X坐标 get_dict_tuple (samples, 'bbox_col2', samples_bbox_col2) // 右下角X坐标 * ************ 图像处理部分 ************ ImageFileName := image_dir + samples_image_file_name // 拼接完整路径 if (Index == 0) read_image (Image, ImageFileName) // 加载图像 get_image_size (Image, Width, Height) // 获取宽高尺寸 endif * ************ 标注转换处理 ************ YoloAnnotations := [] // 初始化标注列表 for Index_label_id := 0 to |samples_bbox_label_id| - 1 by 1 * 提取当前bbox坐标 Row1 := samples_bbox_row1 Row2 := samples_bbox_row2 Col1 := samples_bbox_col1 Col2 := samples_bbox_col2 * ************ 坐标归一化计算 ************ XCenter := (real(Col1) + real(Col2)) / (2.0 * real(Width)) // X中心坐标 YCenter := (real(Row1) + real(Row2)) / (2.0 * real(Height)) // Y中心坐标 BoxWidth := (real(Col2) - real(Col1)) / real(Width) // 归一化宽度 BoxHeight := (real(Row2) - real(Row1)) / real(Height) // 归一化高度 ClassID := samples_bbox_label_id // 当前类别ID * ************ 格式转换部分 ************ tuple_string (ClassID, 'd', ClassIDStr) // 整型类别ID tuple_string (XCenter, '.6f', XCenterStr) // 浮点坐标转换 tuple_string (YCenter, '.6f', YCenterStr) tuple_string (BoxWidth, '.6f', BoxWidthStr) tuple_string (BoxHeight, '.6f', BoxHeightStr) YoloLine := ClassIDStr+' '+XCenterStr+' '+YCenterStr+' '+BoxWidthStr+' '+BoxHeightStr // 拼接标注行 YoloAnnotations := // 添加到列表 endfor * ************ 文件保存部分 ************ ImageFileName := regexp_replace(ImageFileName, '\\\\+', '/') // 路径标准化 FileName := regexp_replace(ImageFileName, '^.*/([^/]+)\\..*$', '$1') // 提取基础名 YoloLabelPath := 'yolo_labels/' + FileName + '.txt' // 生成标签路径 open_file (YoloLabelPath, 'append', FileHandle) // 打开文件(追加模式) for LineIdx := 0 to |YoloAnnotations| - 1 by 1 fwrite_string (FileHandle, YoloAnnotations + '\n') // 逐行写入 endfor close_file (FileHandle) // 关闭文件句柄 * ************ 图像复制部分 ************ DestImagePath := 'yolo_images/' + samples_image_file_name // 目标路径 copy_file (ImageFileName, DestImagePath) // 执行文件拷贝 * 进度显示（每50个样本打印一次） * if (Index % 50 == 0) * * endif endfor * -------------------------------------------------------------- * 步骤5：生成YOLO配置文件（Halcon 22需要显式编码声明） 下面的代码可以不用运行 * -------------------------------------------------------------- * YamlContent := ['% -*- encoding: utf-8 -*-', \ 'path: ../yolo_dataset', \ 'train: yolo_images', \ 'val: yolo_images # 实际需要划分训练验证集', \ 'test: # 可选', \ '', \ 'names:', \ ' 0: defect', \ ' 1: scratch'] * 设置UTF-8编码（全局生效） * set_system ('file_encoding', 'utf8') * 打开文件（覆盖模式） * open_file ('dataset.yaml', 'output', FileHandle) * 逐行写入 * for LineIdx := 0 to |YamlContent| - 1 by 1 * fwrite_string (FileHandle, YamlContent + '\n') * endfor * 关闭文件 * close_file (FileHandle)
代码如上，用的是halcon22版本的软件跑的，语法应该都差不多，复制应该都可以直接跑，注意在halcon软件跑觉得慢是因为你没有把halcon软件默认开启的图像数据之类的实时显示给关闭掉。单纯的数据运行都是很快的。
我的目录结构如下：
至于其他的格式互转可以看下面的博客：
目标检测中数据集格式之间的相互转换--coco、voc、yolo-------
https://blog.csdn.net/heart_warmonger/article/details/142036018
YOLO 的txt转halcon的hdict格式------
https://blog.csdn.net/weixin_50702038/article/details/141233711
PASCAL VOC 的XML格式 转 halcon的.hdict------
https://blog.csdn.net/songhuangong123/article/details/132541216
来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！
页:
[1]