CCPD数据集转YOLO格式实战指南：从数据解析到格式转换

1次阅读

共计 3733 个字符，预计需要花费 10 分钟才能阅读完成。

CCPD（Chinese City Parking Dataset）是一个大型车牌检测数据集，包含超过 30 万张车牌图像，广泛应用于智能交通系统。数据集中的标注信息以文件名和文本文件存储，包含车牌的四角坐标、车牌号码等信息。而 YOLO 格式要求标注文件为 .txt 格式，每行包含类别索引和归一化后的边界框坐标（中心点 x,y 和宽高 w,h）。

两者主要差异在于：
1. CCPD 使用四角坐标，YOLO 使用中心点 + 宽高
2. CCPD 坐标是绝对像素值，YOLO 需要归一化到 0 -1
3. CCPD 标注分散在文件名和文本中，YOLO 需要集中存储

CCPD 数据集的标注信息隐藏在文件名中，格式如：025-95_113-154&383_386&473-386&473_177&454_154&383_363&402-0_0_22_27_27_33_16-37-15.jpg。我们需要解析：
– 车牌区域坐标：154&383_386&473表示左上和右下点
– 车牌四个角点：386&473_177&454_154&383_363&402
– 车牌号码：0_0_22_27_27_33_16（需要额外解码）

从 CCPD 的四角坐标转换为 YOLO 格式需要以下步骤：

从文件名提取四个角点像素坐标
计算最小外接矩形（bounding box）
将矩形转换为 (center_x, center_y, width, height) 格式
归一化坐标（除以图像宽高）

转换后的文件结构应为：

dataset/
├── images/
│   ├── train/
│   └── val/
└── labels/
    ├── train/
    └── val/

以下是完整的 Python 转换脚本，包含详细注释：

import os
import cv2
import glob
from pathlib import Path

def parse_ccpd_filename(filename):
    """解析 CCPD 文件名，提取坐标和车牌信息"""
    parts = Path(filename).stem.split('-')
    # 提取四个角点坐标
    corners = [tuple(map(int, p.split('&'))) for p in parts[2].split('_')]
    # 提取车牌区域坐标（左上和右下）x1, y1 = map(int, parts[1].split('&'))
    x2, y2 = map(int, parts[1].split('_')[1].split('&'))
    return {'corners': corners,  # 四个角点 [(x,y),...]
        'plate_area': (x1, y1, x2, y2),  # 车牌区域 (x1,y1,x2,y2)
        'plate_number': parts[3],  # 车牌号码编码
        'brightness': parts[4],  # 亮度信息
        'blur': parts[5]  # 模糊度信息
    }

def ccpt_to_yolo(ccpd_anno, img_w, img_h):
    """将 CCPD 标注转换为 YOLO 格式"""
    # 获取四个角点坐标
    corners = ccpd_anno['corners']

    # 计算最小外接矩形
    x_coords = [p[0] for p in corners]
    y_coords = [p[1] for p in corners]
    x_min, x_max = min(x_coords), max(x_coords)
    y_min, y_max = min(y_coords), max(y_coords)

    # 计算中心点和宽高
    box_w = x_max - x_min
    box_h = y_max - y_min
    center_x = x_min + box_w / 2
    center_y = y_min + box_h / 2

    # 归一化
    center_x /= img_w
    center_y /= img_h
    box_w /= img_w
    box_h /= img_h

    return [center_x, center_y, box_w, box_h]

def convert_ccpd_to_yolo(ccpd_dir, output_dir):
    """批量转换 CCPD 数据集到 YOLO 格式"""
    # 创建输出目录
    os.makedirs(os.path.join(output_dir, 'images/train'), exist_ok=True)
    os.makedirs(os.path.join(output_dir, 'labels/train'), exist_ok=True)

    # 遍历 CCPD 数据集
    for img_path in glob.glob(os.path.join(ccpd_dir, '*.jpg')):
        # 读取图像获取尺寸
        img = cv2.imread(img_path)
        img_h, img_w = img.shape[:2]

        # 解析文件名
        anno = parse_ccpd_filename(img_path)

        # 转换为 YOLO 格式
        yolo_box = ccpt_to_yolo(anno, img_w, img_h)

        # 准备输出路径
        stem = Path(img_path).stem
        new_img_path = os.path.join(output_dir, 'images/train', f'{stem}.jpg')
        label_path = os.path.join(output_dir, 'labels/train', f'{stem}.txt')

        # 保存图像和标注
        cv2.imwrite(new_img_path, img)
        with open(label_path, 'w') as f:
            # YOLO 格式：class_id center_x center_y width height
            f.write(f'0 {yolo_box[0]} {yolo_box[1]} {yolo_box[2]} {yolo_box[3]}\n')

if __name__ == '__main__':
    ccpd_dir = 'path/to/ccpd_dataset'  # 替换为你的 CCPD 数据集路径
    output_dir = 'yolo_dataset'
    convert_ccpd_to_yolo(ccpd_dir, output_dir)

转换完成后，建议进行以下验证：

可视化检查：随机选择几张图像，用 OpenCV 绘制转换后的边界框，确认位置准确

import cv2
import random

# 随机选择一张图像
image_dir = 'yolo_dataset/images/train'
label_dir = 'yolo_dataset/labels/train'
img_files = os.listdir(image_dir)
sample = random.choice(img_files)

# 读取图像和标注
img = cv2.imread(os.path.join(image_dir, sample))
with open(os.path.join(label_dir, sample.replace('.jpg', '.txt'))) as f:
    line = f.readline().strip()
    class_id, x, y, w, h = map(float, line.split())

# 将归一化坐标转换回像素坐标
img_h, img_w = img.shape[:2]
x = int(x * img_w)
y = int(y * img_h)
w = int(w * img_w)
h = int(h * img_h)

# 绘制矩形
x1, y1 = int(x - w/2), int(y - h/2)
x2, y2 = int(x + w/2), int(y + h/2)
cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2)

# 显示图像
cv2.imshow('Verify', img)
cv2.waitKey(0)
cv2.destroyAllWindows()