VOC数据集格式转coco数据集格式

将VOC数据集转换为COCO数据集需要进行以下步骤：

1. 将VOC数据集中的图片和标注文件分别放在两个文件夹中，例如：images文件夹和annotations文件夹。
2. 安装pycocotools库，该库可以通过pip install pycocotools命令进行安装。
3. 创建一个空的COCO数据集，可以使用以下代码：

from pycocotools.coco import COCO
coco = COCO()

4. 遍历VOC数据集中的每个标注文件，将其转换为COCO数据集中的格式，并添加到COCO数据集中。以下是一个示例代码：

import os
import xml.etree.ElementTree as ET
from pycocotools.coco import COCO
from pycocotools import mask as maskUtils

# 初始化COCO数据集
coco = COCO()

# 添加类别
classes = ['person', 'car', 'bus', 'truck']
for i, cls in enumerate(classes):
    coco.add_category({'id': i + 1, 'name': cls})

# 遍历VOC数据集中的每个标注文件
annotations_dir = 'annotations'
for filename in os.listdir(annotations_dir):
    if not filename.endswith('.xml'):
        continue

    # 解析标注文件
    tree = ET.parse(os.path.join(annotations_dir, filename))
    root = tree.getroot()

    # 获取图片信息
    image_id = int(root.find('filename').text.split('.')[0])
    width = int(root.find('size/width').text)
    height = int(root.find('size/height').text)

    # 添加图片信息
    coco.add_image({
        'id': image_id,
        'width': width,
        'height': height,
        'file_name': f'{image_id}.jpg'
    })

    # 遍历标注信息
    for obj in root.findall('object'):
        cls = obj.find('name').text
        bbox = obj.find('bndbox')
        x1 = int(bbox.find('xmin').text)
        y1 = int(bbox.find('ymin').text)
        x2 = int(bbox.find('xmax').text)
        y2 = int(bbox.find('ymax').text)

        # 添加标注信息
        coco.add_annotation({
            'id': len(coco.dataset['annotations']) + 1,
            'image_id': image_id,
            'category_id': classes.index(cls) + 1,
            'bbox': [x1, y1, x2 - x1, y2 - y1],
            'area': (x2 - x1) * (y2 - y1),
            'iscrowd': 0,
            'segmentation': maskUtils.frPyObjects([[x1, y1, x2, y1, x2, y2, x1, y2]], height, width)
        })

5. 将COCO数据集保存为JSON格式的文件，可以使用以下代码：

import json

with open('coco.json', 'w') as f:
    json.dump(coco.dataset, f)