用自己的数据（txt格式的标签）制作VOC数据集

用自己的数据（txt格式的标签）制作VOC数据集

制作VOC数据集，VOC格式如下

Annotations文件夹
该文件下存放的是xml格式的标签文件，每个xml文件都对应于JPEGImages文件夹的一张图片。
JPEGImages文件夹
改文件夹下存放的是我们已按统一规则命名好的原始图像，包括训练和测试图片。
ImageSets文件夹
该文件夹下存放了三个文件，分别是Layout、Main、Segmentation。在这里我们只用存放图像数据的Main文件，通常为、等，该文本文件里面的内容是需要用来训练或测试的图像的名字（无后缀无路径），其他两个暂且不管。
SegmentationClass文件和SegmentationObject文件。
这两个文件都是与图像分割相关。

Step 1——改名字的操作，便于后续处理:
把图片放到JPEGSImages里面(所有图片，包括训练和测试)，在VOC2007里面，人家的图片文件名都是000001.jpg类似这样的，我们也统一格式，把我们的图片名字重命名成这样的，由于本测试样本图片只有3000张，所以我命名为0001-3000，下面是py3的代码

# -*- coding:utf8 -*-
'''
批量重命名文件夹中的图片文件
我依次把三个文件夹的更新了一下，抽查的几个，发现按照统一规则转换的是对应着的
'''
# !/usr/bin/python3
import osclass BatchRename():def __init__(self):self.path = r'XXX'  # 我把txt和image都改了下路径def rename(self):filelist = os.listdir(self.path)print(filelist)total_num = len(filelist)i = 1#for item in filelist:dswith('.txt'):src = os.path.join(os.path.abspath(self.path), item)str1 = str(i)dst = os.path.join(os.path.abspath(self.path), str1.zfill(4) + '.txt') #str1.zfill(x),x为一共几位数，用0补齐，如001000# print(dst)ame(src, dst)print('converting %s to %s ...' % (src, dst))i = i + 1except:continue# print# 'total %d to rename & converted %d jpgs' % (total_num, i)if __name__ == '__main__':demo = BatchRename()ame()

Step 2
比较重要，由于我的数据集拿到的是txt格式的，需要转换为xml
网上找到的大多数都是用工具直接生成xml的，所以需要转换一下
这边找个了个极好的转换的代码

import os,sys
import glob
from PIL import Image# the direction/path of Image,Label
src_img_dir = r"sample-Images"
src_txt_dir = r"sample-Labels"
src_xml_dir = r"xml"img_Lists = glob.glob(src_img_dir + '/*.jpg')
# print(img_Lists)
#
img_basenames = []
for item in img_Lists:img_basenames.append(os.path.basename(item))
# print(img_basenames)img_name = []
for item in img_basenames:temp1, temp2 = os.path.splitext(item)img_name.append(temp1)
# print(img_name)for img in img_name:im = Image.open((src_img_dir + '/' + img + '.jpg'))width, height = im.size# print(width)gt = open(src_txt_dir + '/' + img + '.txt').read().splitlines()
#xml_file = open((src_xml_dir + '/' + img + '.xml'), 'w')xml_file.write('<annotation>n')xml_file.write('    <folder>VOC2018</folder>n')xml_file.write('    <filename>' + str(img) + '.jpg' + '</filename>n')xml_file.write('    <size>n')xml_file.write('        <width>' + str(width) + '</width>n')xml_file.write('        <height>' + str(height) + '</height>n')xml_file.write('        <depth>3</depth>n')xml_file.write('    </size>n')for index in range(len(gt)):if index != 0 :spt = gt[index].split(' ')xml_file.write('    <object>n')xml_file.write('        <name>' + str(spt[0]) + '</name>n')xml_file.write('        <pose>Unspecified</pose>n')xml_file.write('        <truncated>0</truncated>n')xml_file.write('        <difficult>0</difficult>n')xml_file.write('        <bndbox>n')xml_file.write('            <xmin>' + str(spt[1]) + '</xmin>n')xml_file.write('            <ymin>' + str(spt[2]) + '</ymin>n')xml_file.write('            <xmax>' + str(spt[3]) + '</xmax>n')xml_file.write('            <ymax>' + str(spt[4]) + '</ymax>n')xml_file.write('        </bndbox>n')xml_file.write('    </object>n')xml_file.write('</annotation>')

转换后的xml格式如下：

Step 3：生成txt
ImageSets文件夹下Main文件夹中的4个文件&#、、、）。
：测试集
：训练集
：验证集
：训练和验证集
在原始VOC2007数据集中，trainval大约占整个数据集的50%，test大约为整个数据集的50%；train大约是trainval的50%，val大约为trainval的50%，如果数据集比较少，test和val可少一些

import os
import randomtrainval_percent = 0.5
train_percent = 0.5
xmlfilepath = 'VOC2007/Annotations'
txtsavepath = 'VOC2007/ImageSets/Main'
total_xml = os.listdir(xmlfilepath)num=len(total_xml)
list=range(num)
tv=int(num*trainval_percent)
tr=int(tv*train_percent)
trainval= random.sample(list,tv)
train=random.sample(trainval,tr)ftrainval = open(txtsavepath+'/', 'w')
ftest = open(txtsavepath+'/', 'w')
ftrain = open(txtsavepath+'/', 'w')
fval = open(txtsavepath+'/', 'w')for i  in list:name=total_xml[i][:-4]+'n'if i in trainval:ftrainval.write(name)if i in train:ftrain.write(name)else:fval.write(name)else:ftest.write(name)ftrainval.close()
ftrain.close()
fval.close()
ftest .close()

原文：
这篇博客很详细的讲解了各个文件夹及其作用，十分之详细，感谢这位老哥

这是一个海参的

参考这篇文章生成txt