如何将AnyLabeling标注数据无缝迁移至YOLO训练：实战指南与避坑要点

1次阅读

共计 3946 个字符，预计需要花费 10 分钟才能阅读完成。

在目标检测任务中，数据标注是模型训练的基础。然而，不同的标注工具生成的标注格式往往不兼容，这给开发者带来了不小的麻烦。特别是当使用 AnyLabeling 进行标注后，想要将数据用于 YOLO 训练时，格式转换的问题就会凸显出来。

AnyLabeling 生成的标注数据通常是 JSON 格式，而 YOLO 训练需要的是 TXT 格式的标注文件。这两种格式在标注框的表示、类别编码等方面存在显著差异，直接使用会导致模型训练失败或性能下降。因此，掌握如何将 AnyLabeling 标注数据高效转换为 YOLO 格式，是每个计算机视觉开发者都需要掌握的技能。

AnyLabeling 生成的 JSON 文件通常包含以下关键信息：

图像的基本信息（如宽度、高度）
标注对象的类别名称
标注框的坐标（通常是绝对坐标，即像素值）
其他元数据（如标注时间、标注者等）

YOLO 需要的 TXT 文件格式则更为简洁：

每行代表一个标注对象
每行的格式为：类别 ID 中心点 x 中心点 y 宽度高度
坐标是相对坐标（即相对于图像宽度和高度的比例值，范围在 0 到 1 之间）

坐标系统：AnyLabeling 使用绝对坐标，YOLO 使用相对坐标。
类别表示：AnyLabeling 使用类别名称，YOLO 使用类别 ID。
文件结构：AnyLabeling 将所有标注信息保存在一个 JSON 文件中，YOLO 要求每个图像对应一个 TXT 文件。

以下是一个完整的 Python 脚本，用于将 AnyLabeling 的 JSON 标注文件转换为 YOLO 格式的 TXT 文件。脚本使用 argparse 处理命令行参数，并包含异常处理和关键步骤的注释。

import json
import os
import argparse

# 解析命令行参数
def parse_args():
    parser = argparse.ArgumentParser(description='Convert AnyLabeling JSON to YOLO TXT format')
    parser.add_argument('--json_path', type=str, required=True, help='Path to the AnyLabeling JSON file')
    parser.add_argument('--output_dir', type=str, required=True, help='Directory to save YOLO TXT files')
    parser.add_argument('--class_map', type=str, required=True, help='Path to class mapping file (each line: class_name class_id)')
    return parser.parse_args()

# 加载类别映射
def load_class_map(class_map_path):
    class_map = {}
    with open(class_map_path, 'r') as f:
        for line in f:
            class_name, class_id = line.strip().split()
            class_map[class_name] = int(class_id)
    return class_map

# 转换标注格式
def convert_annotation(json_data, class_map):
    annotations = {}
    for item in json_data:
        image_path = item['image_path']
        image_width = item['image_width']
        image_height = item['image_height']
        shapes = item['shapes']

        yolo_annotations = []
        for shape in shapes:
            if shape['shape_type'] != 'rectangle':
                continue  # 暂时只处理矩形标注

            class_name = shape['label']
            if class_name not in class_map:
                continue  # 忽略未映射的类别

            class_id = class_map[class_name]
            points = shape['points']
            x1, y1 = points[0]
            x2, y2 = points[1]

            # 计算相对坐标
            x_center = (x1 + x2) / 2 / image_width
            y_center = (y1 + y2) / 2 / image_height
            width = abs(x2 - x1) / image_width
            height = abs(y2 - y1) / image_height

            yolo_annotations.append(f"{class_id} {x_center} {y_center} {width} {height}")

        annotations[image_path] = yolo_annotations
    return annotations

# 保存 YOLO 格式的 TXT 文件
def save_yolo_txt(output_dir, annotations):
    for image_path, yolo_annotations in annotations.items():
        base_name = os.path.splitext(os.path.basename(image_path))[0]
        txt_path = os.path.join(output_dir, f"{base_name}.txt")

        with open(txt_path, 'w') as f:
            for annotation in yolo_annotations:
                f.write(annotation + '\n')

# 主函数
def main():
    args = parse_args()

    # 加载类别映射
    class_map = load_class_map(args.class_map)

    # 加载 JSON 文件
    with open(args.json_path, 'r') as f:
        json_data = json.load(f)

    # 转换标注格式
    annotations = convert_annotation(json_data, class_map)

    # 保存 YOLO 格式的 TXT 文件
    os.makedirs(args.output_dir, exist_ok=True)
    save_yolo_txt(args.output_dir, annotations)

    print(f"Conversion completed. Saved to {args.output_dir}")

if __name__ == '__main__':
    main()

解析 AnyLabeling 的 JSON 标注文件 ：脚本通过json 模块加载 JSON 文件，并提取图像路径、标注框坐标等信息。
处理坐标系统转换：将绝对坐标转换为相对坐标，这是 YOLO 格式的关键步骤。
处理类别 ID 映射：通过外部文件（class_map）将类别名称映射为 YOLO 所需的类别 ID。
生成 YOLO 格式的 TXT 文件：每个图像生成一个对应的 TXT 文件，保存在指定的输出目录中。

转换完成后，建议使用 labelImg 等工具打开图像和对应的 TXT 文件，检查标注框是否正确。具体步骤如下：

打开labelImg，加载图像。
选择“Open Dir”打开图像目录。
确保标注框的位置和类别与原始标注一致。

还可以编写简单的脚本检查转换后的 TXT 文件是否符合 YOLO 格式要求：

检查每行的字段数量是否为 5（类别 ID + 4 个坐标值）。
检查坐标值是否在 0 到 1 之间。
检查类别 ID 是否在有效范围内。

如果数据集中图像的尺寸不一致，需要在转换时动态获取每张图像的宽度和高度，而不是使用固定值。脚本中已经通过 image_width 和image_height实现了这一点。

YOLO 的类别 ID 通常从 0 开始，因此在类别映射文件中，确保第一个类别的 ID 为 0。例如：

person 0
dog 1
cat 2

AnyLabeling 支持多边形标注，但 YOLO 的 TXT 格式仅支持矩形标注。如果数据集中包含多边形标注，可以将其转换为最小外接矩形，或者使用其他工具（如labelme2yolo）进行转换。

如果数据集中包含大量图像，建议使用多进程或并行处理来加速转换过程。以下是一个简单的多进程实现：

import multiprocessing

def process_image(item, class_map):
    # 转换单个图像的标注
    pass

def main():
    args = parse_args()
    class_map = load_class_map(args.class_map)

    with open(args.json_path, 'r') as f:
        json_data = json.load(f)

    # 使用多进程
    pool = multiprocessing.Pool(processes=multiprocessing.cpu_count())
    results = [pool.apply_async(process_image, (item, class_map)) for item in json_data]
    pool.close()
    pool.join()

对于非常大的 JSON 文件，可以考虑逐行读取和处理，而不是一次性加载整个文件到内存中。

希望这篇指南能帮助你顺利将 AnyLabeling 标注数据转换为 YOLO 格式。在实际操作中，你是否遇到过其他问题？或者有其他优化建议？欢迎在评论区分享你的经验和解决方案！

正文完