将图像注释格式转换为 tfrecords 用于 tensorflow 对象检测 api

Question

寻求有关对象检测 API 的图像注释格式的帮助。

• 预知：

我们知道图像有两种注释格式，Pascal VOC 和 COCO 格式。两者都有自己的规范，这是两者之间的主要区别：

帕斯卡 VOC：

1. 以 .xml 文件格式存储注释。
2. 边界框格式 [x-top-left, y-top-left, x-bottom-right, y-bottom-right]
3. 为数据集中的每个图像创建单独的 xml 注释文件。

可可：

1. 以 .json 文件格式存储注释。
2. 边界框格式 [x-top-left, y-top-left, width, height]。
3. 为每个训练、测试和验证创建一个注释文件。

• 当前问题：

我有两个数据集要处理，这就是它们的注释方式。

数据集 1：

• 文件格式：Pascal VOC(.xml)
• 边界框格式：COCO。
• 文件创建：与 Pascal VOC（数据集中每个图像的单独 xml 注释文件）一样。

数据集 2：

• 文件格式：Pascal VOC(.xml)
• 边界框格式：COCO。
• 文件创建：与 COCO 一样（为每个训练、测试和验证创建一个注释文件）

我无法通过的事情是我应该遵循哪种格式（Pascal VOC 或 COCO）将我的注释转换为 Tfrecords（.xml 到 .records），因为使用可以看到数据集的注释不是纯粹属于任何一种格式。

例如，在this link 中，作者编写了一个将 .xml 转换为 .records 的脚本，但这里处理的是纯 pascal VOC 格式。

在this link 中，他们处理的是纯 COCO 注释格式。

当我处于两种格式的中间时，我应该走哪条路？

Answer 1

当我处于两种格式的中间时，我应该走哪条路？

1. 使用 Pascal VOC 格式将 .xml 转换为 .records。

2. 在this link 的create_tf_example 函数中进行以下更改

   for index, row in group.TextLine.iterrows():
   xmin.append(row['X']/imgwidth)
   xmax.append((row['X']+row['Width'])/imgwidth)
   ymin.append(row['Y']/imgheight)
   ymax.append((row['Y']+row['Height'])/imgheight)
   classes_text.append(row['class'].encode('utf8'))
   classes.append(class_text_to_int(row['class']))'
   

如果您的 .xml 注释中有 X、Y、宽度、高度而不是 xmin、ymin、xmax、ymax。