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

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 argparseparser = 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_dirfor 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idann_id_cnt = 0for 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.jpgheight, 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。continuedataset['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,y2H, W, _ = im.shapex1 = (x - w / 2) * Wy1 = (y - h / 2) * Hx2 = (x + w / 2) * Wy2 = (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)