将YOLO格式数据集转换为COCO格式需要处理图像、标注文件以及生成COCO格式的JSON文件。以下Python代码实现，考虑了各种可能的因素，包括图像尺寸、类别映射、标注框的归一化处理等。

---

YOLO_6">YOLO格式说明

• 标注文件：每个图像对应一个.txt文件，每行格式为 class_id x_center y_center width height，其中坐标和尺寸是归一化的（相对于图像宽度和高度）。
• 图像文件：通常与标注文件同名，格式为 .jpg 或 .png。
• 类别文件：classes.txt，每行一个类别名称。

---

COCO格式说明

• JSON 文件：包含以下主要字段：
  • images: 图像信息（id、文件名、宽度、高度）。
  • annotations: 标注信息（id、图像id、类别id、边界框、面积等）。
  • categories: 类别信息（id、类别名称）。

---

转换代码

import os
import json
import cv2
from tqdm import tqdmdef yolo_to_coco(yolo_dir, output_json_path):"""将YOLO格式数据集转换为COCO格式。:param yolo_dir: YOLO格式数据集的根目录，包含images、labels文件夹和classes.txt。:param output_json_path: 输出的COCO格式JSON文件路径。"""# 路径设置images_dir = os.path.join(yolo_dir, 'images')labels_dir = os.path.join(yolo_dir, 'labels')classes_file = os.path.join(yolo_dir, 'classes.txt')# 检查路径是否存在if not os.path.exists(images_dir) or not os.path.exists(labels_dir):raise FileNotFoundError("images 或 labels 文件夹不存在！")if not os.path.exists(classes_file):raise FileNotFoundError("classes.txt 文件不存在！")# 读取类别with open(classes_file, 'r') as f:categories = [line.strip() for line in f.readlines()]categories = [{"id": i + 1, "name": name} for i, name in enumerate(categories)]# 初始化COCO数据结构coco_data = {"images": [],"annotations": [],"categories": categories}# 遍历图像image_id = 1annotation_id = 1for image_name in tqdm(os.listdir(images_dir)):if not image_name.endswith(('.jpg', '.png', '.jpeg')):continue# 读取图像尺寸image_path = os.path.join(images_dir, image_name)image = cv2.imread(image_path)height, width, _ = image.shape# 添加图像信息coco_data["images"].append({"id": image_id,"file_name": image_name,"width": width,"height": height})# 读取对应的标注文件label_name = os.path.splitext(image_name)[0] + '.txt'label_path = os.path.join(labels_dir, label_name)if not os.path.exists(label_path):continuewith open(label_path, 'r') as f:lines = f.readlines()# 解析标注for line in lines:parts = line.strip().split()if len(parts) != 5:continueclass_id, x_center, y_center, bbox_width, bbox_height = map(float, parts)# 将归一化坐标转换为绝对坐标x_center *= widthy_center *= heightbbox_width *= widthbbox_height *= height# 计算边界框的左上角坐标x_min = x_center - (bbox_width / 2)y_min = y_center - (bbox_height / 2)# 计算面积area = bbox_width * bbox_height# 添加标注信息coco_data["annotations"].append({"id": annotation_id,"image_id": image_id,"category_id": int(class_id) + 1,  # YOLO类别从0开始，COCO从1开始"bbox": [x_min, y_min, bbox_width, bbox_height],"area": area,"iscrowd": 0})annotation_id += 1image_id += 1# 保存为COCO格式的JSON文件with open(output_json_path, 'w') as f:json.dump(coco_data, f, indent=4)print(f"转换完成！COCO格式文件已保存到: {output_json_path}")# 示例调用
yolo_dir = "path/to/yolo_dataset"  # YOLO数据集根目录
output_json_path = "output/coco_format.json"  # 输出的COCO格式JSON文件路径
yolo_to_coco(yolo_dir, output_json_path)

---

代码说明

1. 路径检查：确保 images、labels 文件夹和 classes.txt 文件存在。
2. 类别映射：从 classes.txt 读取类别名称，并映射到COCO格式的 categories。
3. 图像处理：遍历图像文件夹，读取每张图像的尺寸，并添加到 images 字段。
4. 标注处理：
   • 解析YOLO格式的 .txt 文件。
   • 将归一化的边界框坐标转换为绝对坐标。
   • 计算边界框的面积。
   • 添加到 annotations 字段。
5. 保存JSON：将生成的COCO格式数据保存为JSON文件。

---

注意事项

1. 图像格式：代码支持 .jpg、.png 和 .jpeg 格式的图像。如果需要支持其他格式，可以修改代码。
2. 类别ID：YOLO格式的类别ID从0开始，而COCO格式从1开始，因此在转换时需要加1。
3. 边界框归一化：YOLO格式的边界框坐标是归一化的，需要乘以图像尺寸转换为绝对坐标。
4. 空标注文件：如果某个图像没有对应的标注文件，代码会跳过该图像。

---

示例目录结构

yolo_dataset/
├── images/
│   ├── image1.jpg
│   ├── image2.jpg
├── labels/
│   ├── image1.txt
│   ├── image2.txt
└── classes.txt

运行代码后，生成的COCO格式JSON文件可以直接用于训练COCO格式的目标检测模型。