1.概述 转换KITTI label YOLO格式 | Convert KITTI label to YOLO

自己训练yolov3需要用yolov3格式的数据和标签，KITTI 自带的标签是KITTI格式，与yolo使用的格式不同。用kitti数据集训练yolo，需要转化格式。

1.1本文亮点

本文使用fiftyone库将kitt 格式的7481个label转化为yolo格式，只需要几行代码，非常简洁易懂而且不会犯错。

1.2 其他方法：代码逐个读取文件名并计算容易出错

github上有一些逐个文件名读取txt，计算，并写回的代码。或者转化为xml的VOC 格式再用yolo自带的转换代码转为yolo格式txt文件。作为个人理解不同格式的label如何标注是可以的，实际操作上格外繁琐，而且边框的计算过程是否正确，小数点精度取舍等问题很难验证正确与否。

2. 什么是fiftyone, 为什么我们用fiftyone: 因为它牛x

用于构建高质量数据集和计算机视觉模型的开源工具: fiftyone官网 https://voxel51.com/docs/fiftyone/index.html

2.1 fiftyone 牛x：COCO数据集官方使用 FiftyOne

FiftyOne is an open-source tool facilitating visualization and access to COCO data resources and serves as an evaluation tool for model analysis on COCO. (Source:https://cocodataset.org/#home)

3. 代码

3.1.1 FiftyOne下载kitti数据集

import fiftyone as fo
import fiftyone.utils.kitti 
#%%
dataset_dir="/home/yz/PycharmProjects/2022/TRUST-E/ErrorResilienceAnalysisYOLOV3/0723/"
fiftyone.utils.kitti.download_kitti_detection_dataset( dataset_dir , overwrite=True , cleanup=True )

关键代码只有一行即可下载，非常简洁。overwrite代表有zip是否仍然下载，cleanup代表是否删除zip文件。下载过程中可能会要100多gb磁盘空间。
下载完成后，占用12.6gb磁盘。文件路径下有 train和test文件夹，train下有data和label文件夹， 各自有7481个png和label文件。这些是kitti object detection数据集。

fiftyone.utils.kitti.download_kitti_detection_dataset( dataset_dir , overwrite=True , cleanup=True )

文件路径格式应当如下

<dataset_dir>/
    data/
        <uuid1>.<ext>
        <uuid2>.<ext>
        ...
    labels/
        <uuid1>.txt
        <uuid2>.txt
        ...

3.1.2 (建议跳过)加载其他方式下载的kitti数据集或者加载kitti格式的其他数据集或kitti格式的自定义数据集

自己下载kitti数据集，例如自己去官网下载，再load加载容易出错，建议还是用3.1.1的办法，以下仅给出粗略的示例供加载KITTI格式的自定义数据集。原版的KITTI数据集下载并加载还是按3.1.1方法吧。

加载数据集官方示例： https://voxel51.com/docs/fiftyone/user_guide/dataset_creation/datasets.html#kittidetectiondataset

加载数据集官方示例python代码

import fiftyone as fo

name = "my-dataset"
dataset_dir = "/path/to/kitti-detection-dataset"

# Create the dataset
dataset = fo.Dataset.from_dir(
    dataset_dir=dataset_dir,
    dataset_type=fo.types.KITTIDetectionDataset,
    name=name,
)

# View summary info about the dataset
print(dataset)

# Print the first few samples in the dataset
print(dataset.head())

3.2 加载下载好的数据集

先打印当前的数据集list，应该是什么都没有，或者有你之前加载好的。

#%%
print(fo.list_datasets())

导入3.1.1下载好的kitti数据集

#%%
name = "my-dataset-kitti0723_1222"
dataset_dir="/home/yz/PycharmProjects/2022/TRUST-E/ErrorResilienceAnalysisYOLOV3/0723/train/"
# Create the dataset
dataset = fo.Dataset.from_dir(
    dataset_dir=dataset_dir,
    dataset_type=fo.types.KITTIDetectionDataset,
    name=name,
)

查看加载好的数据集 View summary info about the dataset

print(dataset)

打印一些例子 Print the first few samples in the dataset

print(dataset.head())
print("done")

3.3 导出为YOLO格式

先设置好输出路径，然后选择ground_truth输出全部7481张，格式的话选择fo.types.YOLOv4Dataset。 v3和v4格式是一样的。

output_yolo_dir="/home/yz/PycharmProjects/2022/TRUST-E/ErrorResilienceAnalysisYOLOV3/0723ConvertToYOLO/"
label_field = "ground_truth"
dataset.export(
    export_dir=output_yolo_dir,
    dataset_type=fo.types.YOLOv4Dataset,
    label_field=label_field,
)

完成后，输出文件夹内有一个data文件夹，里面有7481张图和7481个label标注文件，有一个images.txt内有对应的图像路径，还有obj.names分别是9个类的名字。

image.txt内的路径最好更改为绝对路径，用文本编辑器替换即可。用相对路径的话，yolo训练时候读取可能会报错。

obj.names 内是9个类的名字。

附录 全部代码

import fiftyone as fo
import fiftyone.utils.kitti 
#%%
dataset_dir="/home/yz/PycharmProjects/2022/TRUST-E/ErrorResilienceAnalysisYOLOV3/0723/"
#fiftyone.utils.kitti.download_kitti_detection_dataset( dataset_dir , overwrite=True , cleanup=True )

#%%
print(fo.list_datasets())
#%%
#DELETE DATA
#dataset = fo.load_dataset("my-dataset-kitti0723")#my-dataset-kitti0709
#dataset.delete()
#%%
#import kitti dataset
name = "my-dataset-kitti0723_1222"
dataset_dir="/home/yz/PycharmProjects/2022/TRUST-E/ErrorResilienceAnalysisYOLOV3/0723/train/"
# Create the dataset
dataset = fo.Dataset.from_dir(
    dataset_dir=dataset_dir,
    dataset_type=fo.types.KITTIDetectionDataset,
    name=name,
)

# View summary info about the dataset
print(dataset)

# Print the first few samples in the dataset
print(dataset.head())
print("done")
#%%
print(fo.list_datasets())

#%%
# convert

output_yolo_dir="/home/yz/PycharmProjects/2022/TRUST-E/ErrorResilienceAnalysisYOLOV3/0723ConvertToYOLO/"
#dataset_type=fo.types.YOLOv4Dataset
label_field = "ground_truth"
dataset.export(
    export_dir=output_yolo_dir,
    dataset_type=fo.types.YOLOv4Dataset,
    label_field=label_field,
)
#fiftyone.utils.data.converters.convert_dataset( input_dir=dataset_dir, input_type=fo.types.KITTIDetectionDataset, input_kwargs=None , dataset_importer=None , output_dir=output_yolo_dir, output_type=fo.types.YOLOv4Dataset , output_kwargs=None , dataset_exporter=None , overwrite=False )