记录从DOTA的原数据集挑选某一类别并转换成voc和coco格式_dota数据集转换coco

这篇文章是记录一下自己准备储罐数据的过程，以便后续再遇到类似的情况能快速实现。里面设计到的一些描述可能只有自己能看懂，所以如果您看到了这篇文章，可能对您的帮助不打。

DOTA的原数据分为了train，val，test，但是test的图像没有标注数据。

所以我们先分别对train和val进行筛选，选择有储罐的图像和对应的标签。该代码在RRPN-PYTORCH项目里面的/home/wt/RRPN_pytorch/maskrcnn_benchmark/data/DOTA_Pre-processing_tools/select_category.py。

然后分别对筛选过的train和val的图像进行分割，分割成800*800，标注数据也随之一一对应。这里我们新建了文件夹split。该代码在/home/wt/RRPN_pytorch/maskrcnn_benchmark/data/DOTA_Pre-processing_tools/image_segmentation.py。

然后分别将train和val的数据进行处理，处理成只包含储罐的图像且标注数据中只有储罐没有其他类型。这里需要新建文件夹，用来放置没有储罐的图像和标注数据。代码在/home/wt/RRPN_pytorch/maskrcnn_benchmark/data/DOTA_Pre-processing_tools/clear im_ta_without targets.py。

然后我们将labelTXT格式的标注数据转换成xml的格式。代码在/home/wt/remote_sensing_object_detection_2019/maskrcnn_benchmark/data/data_processing_tools/txt2xml.py。

然后我们新建一个文件夹将train和val的数据合并。按照VOC的格式建立文件夹，将图像和XML的标注格式合并。然后按照4：1的比例进行训练集和测试集的划分，划分的代码在/home/wt/remote_sensing_object_detection_2019/maskrcnn_benchmark/data/data_processing_tools/random_select_fromImaSet.py。

然后将voc格式转换成Coco格式。新建一个文件夹coco_style来存放Coco格式的数据。先根据voc划分的训练集和测试集将图像分成训练图像和测试图像，代码在/home/wt/detectron2/datasets/train_test_image_split.py。需要先将所有的图像都放到对应的文件夹中，然后根据训练集和测试集的划分删除不需要的图像。

最后是将voc格式的标注转换成Coco格式的标注，转换代码在/home/wt/detectron2/datasets/voc2coco.py。