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 2977 个字符，预计需要花费 8 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，广泛应用于车牌识别和车辆检测任务。而 YOLO（You Only Look Once）是一种流行的目标检测算法，其训练数据需要特定的格式。

CCPD 数据集的特点：

图像文件名包含车牌位置和角度信息
使用四点坐标表示车牌位置
包含多种光照和天气条件下的车牌图像

YOLO 格式要求：

使用归一化的中心坐标和宽高表示目标位置
每个图像对应一个.txt 标注文件
类别标签为整数索引

两者之间的主要差异在于坐标表示方式，这带来了转换的主要挑战。

CCPD 数据集的文件名包含了丰富的信息，我们需要从中提取出车牌的位置坐标。文件名格式通常为：

区域 - 车牌号 - 倾斜角度 - 亮度 - 模糊度 - 四个坐标点.jpg

我们需要特别关注的是最后的四个坐标点，它们以 _ 分隔，格式为x1,y1,x2,y2,x3,y3,x4,y4。

从四点坐标转换到 YOLO 格式的中心坐标和宽高，需要以下步骤：

计算四点坐标的最小外接矩形
将矩形坐标转换为中心坐标 (x_center, y_center) 和宽高(width, height)
将坐标归一化（除以图像宽高）
将类别索引（车牌通常为 0）和归一化坐标写入.txt 文件

转换后的文件应按照 YOLO 的标准格式组织：

将所有图像放在 images 文件夹
将所有标注文件放在 labels 文件夹
保持图像和标注文件同名（仅扩展名不同）

以下是完整的 Python 转换脚本：

import os
import cv2
import numpy as np

# 配置参数
data_dir = 'CCPD2020'  # CCPD 数据集目录
output_dir = 'yolo_format'  # 输出目录
class_id = 0  # 车牌类别 ID

# 创建输出目录
os.makedirs(os.path.join(output_dir, 'images'), exist_ok=True)
os.makedirs(os.path.join(output_dir, 'labels'), exist_ok=True)

# 遍历数据集
for filename in os.listdir(data_dir):
    if not filename.endswith('.jpg'):
        continue

    # 解析文件名获取坐标点
    parts = filename.split('-')
    coords = parts[-1].split('_')[-4:]
    coords = [list(map(int, c.split(','))) for c in coords]

    # 读取图像获取尺寸
    img_path = os.path.join(data_dir, filename)
    img = cv2.imread(img_path)
    img_h, img_w = img.shape[:2]

    # 计算最小外接矩形
    rect = cv2.minAreaRect(np.array(coords))
    box = cv2.boxPoints(rect)
    box = np.int0(box)

    # 获取矩形参数
    x_min, y_min = box.min(axis=0)
    x_max, y_max = box.max(axis=0)

    # 转换为 YOLO 格式
    x_center = ((x_min + x_max) / 2) / img_w
    y_center = ((y_min + y_max) / 2) / img_h
    width = (x_max - x_min) / img_w
    height = (y_max - y_min) / img_h

    # 写入标注文件
    base_name = os.path.splitext(filename)[0]
    label_path = os.path.join(output_dir, 'labels', base_name + '.txt')
    with open(label_path, 'w') as f:
        f.write(f'{class_id} {x_center} {y_center} {width} {height}\n')

    # 复制图像
    output_img_path = os.path.join(output_dir, 'images', filename)
    cv2.imwrite(output_img_path, img)

print('转换完成！')

转换完成后，我们需要验证结果是否正确：

随机选择几张转换后的图像和对应的标注文件
使用以下脚本可视化检查标注框是否正确

import cv2
import random

# 随机选择一张图像
image_files = os.listdir(os.path.join(output_dir, 'images'))
sample_image = random.choice(image_files)

# 读取图像和标注
img = cv2.imread(os.path.join(output_dir, 'images', sample_image))
label_path = os.path.join(output_dir, 'labels', os.path.splitext(sample_image)[0] + '.txt')

with open(label_path, 'r') as f:
    line = f.readline().strip()
    class_id, x_center, y_center, width, height = map(float, line.split())

# 将 YOLO 坐标转换为图像坐标
img_h, img_w = img.shape[:2]
x_center *= img_w
y_center *= img_h
width *= img_w
height *= img_h
x_min = int(x_center - width/2)
y_min = int(y_center - height/2)
x_max = int(x_center + width/2)
y_max = int(y_center + height/2)

# 绘制矩形
cv2.rectangle(img, (x_min, y_min), (x_max, y_max), (0, 255, 0), 2)

# 显示结果
cv2.imshow('Validation', img)
cv2.waitKey(0)
cv2.destroyAllWindows()