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 halcon深度学习数据集与其他数据集转换,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

aircraft

1个月前发布

120

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[0], class_ids)    // 类别ID列表
get_dict_tuple (HalconDict, DatasetKeys[1], class_names) // 类别名称列表
get_dict_tuple (HalconDict, DatasetKeys[2], image_dir)   // 原图存储路径
get_dict_tuple (HalconDict, DatasetKeys[3], 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[Index]  // 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[Index_label_id] Row2 := samples_bbox_row2[Index_label_id] Col1 := samples_bbox_col1[Index_label_id] Col2 := samples_bbox_col2[Index_label_id] * ************ 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[Index_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 := [YoloAnnotations, YoloLine]  // 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[LineIdx] + '\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[LineIdx] + '\n') * endfor * 关闭文件 * close_file (FileHandle)