将YOLO数据集转成COCO格式，单个文件夹转为单个json文件，例如.../images/train转为instance_train.json

写在前面
参考链接：objectdetection-tricks/tricks_4.py
相关视频教学：tricks_4 用于yolov5和v7中的yolo格式转换coco格式的脚本.(如何在v5和v7中输出ap_small,ap_middle,ap_large coco指标)
还可以参考相关的VOC转COCO的方式：damo-yolo/voc2coco.py
代码效果：将数据集转成COCO格式，单个文件夹转为单个json文件，例如…/images/train转为instance_train.json
我的数据集排布：
datasets
├─images
│ ├─test
│ ├─train
│ └─val
├─annotations
├─test
├─train
└─val

代码
指定好四个参数即可
–root_dir：待转换的图像的路径，例如我传入的是训练集的路径…\images\train
–save_dir：保存转换后的json文件的路径，通常都是存放在数据集的annotations子文件下的
–classtxt_path：存放类别的文件路径
–save_name：转换后的json文件名
import os
import cv2
import json
from tqdm import tqdm
import argparse

parser = argparse.ArgumentParser()
parser.add_argument('--root_dir', default=r'F:\A_Publicdatasets\RDD2020-1202\train_valid\RDD2020_together\images\test', type=str, help="root path of images and labels, include ./images and ./labels and classes.txt")
parser.add_argument('--save_dir', type=str, default=r'F:\A_Publicdatasets\RDD2020-1202\train_valid\RDD2020_together\annotations', help="if not split the dataset, give a path to a json file")
parser.add_argument('--classtxt_path', type=str, default=r'G:\pycharmprojects\autodl-yolov7\yolov7-main-biyebase\TXTOCOCO\classes.txt', help="class filepath")
parser.add_argument('--save_name', type=str, default='instances_test.json', help="建议只修改后面的train为val、test等，否则自行改代码")

arg = parser.parse_args()

def yolo2coco(arg):

with open(arg.classtxt_path, 'r') as f: # 获取类别名
classes = list(map(lambda x: x.strip(), f.readlines()))

indexes = []
imagesdir = arg.root_dir
for file in os.listdir(imagesdir):
indexes.append(f'{imagesdir}/{file}') # 绝对路径

'''
下面这段代码是对我自己有用的，看官可将其删除
正常的文件排布应该为：
-- images
--- train
--- val
--- test
而我的是：
-- images
--- Czech
---- train
---- val
---- test
--- India ...
--- Japan ...
'''
# --------------- lwd ---------------- #
# cities = ['Czech', 'India', 'Japan']
# setdir = arg.save_path.split('_')[-1].split('.')[0] # 'train' 'val' 'test'
# indexes = []
# for city in cities:
# city_imagedir = f'F:/A_Publicdatasets/RDD2020-1202/train_valid/{city}/images/{setdir}'
# for file in os.listdir(city_imagedir):
# indexes.append(f'{city_imagedir}/{file}')
# --------------- lwd ---------------- #

dataset = {'categories': [], 'annotations': [], 'images': []}
for i, cls in enumerate(classes, 0):
dataset['categories'].append({'id': i, 'name': cls, 'supercategory': 'mark'})

# 标注的id
ann_id_cnt = 0
for k, index in enumerate(tqdm(indexes)):
# 支持 png jpg 格式的图片。
txtPath = index.replace('images', 'labels').replace('.jpg', '.txt')
# 读取图像的宽和高
im = cv2.imread(index)
imageFile = index.split('/')[-1] # img.jpg

height, width, _ = im.shape
# 添加图像的信息
if not os.path.exists(txtPath):
# 如没标签，跳过，只保留图片信息。
continue
dataset['images'].append({'file_name': imageFile,
'id': k,
'width': width,
'height': height})
with open(txtPath, 'r') as fr:
labelList = fr.readlines()
for label in labelList:
label = label.strip().split()
x = float(label[1])
y = float(label[2])
w = float(label[3])
h = float(label[4])

# convert x,y,w,h to x1,y1,x2,y2
H, W, _ = im.shape
x1 = (x - w / 2) * W
y1 = (y - h / 2) * H
x2 = (x + w / 2) * W
y2 = (y + h / 2) * H
# 标签序号从0开始计算, coco2017数据集标号混乱，不管它了。
cls_id = int(label[0])
width = max(0, x2 - x1)
height = max(0, y2 - y1)
dataset['annotations'].append({
'area': width * height,
'bbox': [x1, y1, width, height],
'category_id': cls_id,
'id': ann_id_cnt,
'image_id': k,
'iscrowd': 0,
# mask, 矩形是从左上角点按顺时针的四个顶点
'segmentation': [[x1, y1, x2, y1, x2, y2, x1, y2]]
})
ann_id_cnt += 1

# 保存结果
save_path = os.path.join(arg.save_dir, arg.save_name)
with open(save_path, 'w') as f:
# json.dump(dataset, f)
json_str = json.dumps(dataset)
f.write(json_str)
print('Save annotation to {}'.format(save_path))

if __name__ == "__main__":
yolo2coco(arg)