halcon 的深度学习标注训练集hdict格式转YOLO的标注

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)

 

 

代码如上，用的是halcon22版本的软件跑的，语法应该都差不多，复制应该都可以直接跑，注意在halcon软件跑觉得慢是因为你没有把halcon软件默认开启的图像数据之类的实时显示给关闭掉。单纯的数据运行都是很快的。

 

我的目录结构如下：

 

至于其他的格式互转可以看下面的博客：

 

目标检测中数据集格式之间的相互转换--coco、voc、yolo-------

https://blog.csdn.net/heart_warmonger/article/details/142036018

 

YOLO 的txt转halcon的hdict格式------

https://blog.csdn.net/weixin_50702038/article/details/141233711

 

PASCAL VOC 的XML格式 转 halcon的.hdict------

https://blog.csdn.net/songhuangong123/article/details/132541216

 

转发和使用本文，请注明作者信息和原文地址---本文原作者为aircraft ---大家好我是徐飞机，有没有大佬们的公司招c++开发/图像处理/opengl/opencv/halcon实习的啊，带上我一个呗QAQ。。。hhhhhh 想要免费获取前端，后端，c/c++,matlab，Python，opencv，机器学习，深度学习，安卓，java，等等全套视频教程请关注机器视觉开发公众号，转发集赞28即可百度云获得hhhhhhhh