如何将JSON格式标注转换为YOLOv7 PyTorch兼容格式？

Roboflow报错大概率是因为它无法识别你这种自定义JSON结构，或是标注文件和图像文件名不匹配。最可靠的解决方式是手动编写Python脚本完成转换，以下是具体步骤：

一、先明确YOLOv7的标注规则 #

• 每个图像对应一个同名的.txt标注文件（比如img_001.jpg对应img_001.txt）
• 每行代表一个目标，格式为：class_id x_center y_center width height
  • class_id：整数，需自行建立类别与索引的映射表
  • x_center/y_center：目标框中心坐标，相对于图像宽高归一化到0-1区间
  • width/height：目标框的宽和高，同样相对于图像宽高归一化到0-1区间

二、编写Python转换脚本 #

针对你提供的JSON结构，脚本可完成以下操作：遍历JSON文件、读取标注数据、转换坐标格式、生成YOLO兼容的txt文件。

示例脚本 #

import json
import os

# 1. 自定义类别映射表，需补充你的数据集所有标签
label_map = {
    "regulatory--stop--g1": 0,
    "warning--wild-animals--g4": 1,
    "other-sign": 2,
    "regulatory--reversible-lanes--g2": 3,
    "warning--junction-with-a-side-road-perpendicular-left--g3": 4
}

# 2. 设置路径：替换为你的JSON文件夹和输出标注文件夹路径
json_dir = "your/json/folder/path"
output_dir = "your/output/label/folder/path"
os.makedirs(output_dir, exist_ok=True)

# 3. 批量处理所有JSON文件
for json_file in os.listdir(json_dir):
    if not json_file.endswith(".json"):
        continue
    # 生成对应图像的txt文件名（假设JSON和图像同名，仅后缀不同）
    image_base_name = os.path.splitext(json_file)[0]
    txt_save_path = os.path.join(output_dir, f"{image_base_name}.txt")
    
    with open(os.path.join(json_dir, json_file), "r", encoding="utf-8") as f:
        annot_data = json.load(f)
    
    img_width = annot_data["width"]
    img_height = annot_data["height"]
    objects = annot_data["objects"]
    
    with open(txt_save_path, "w", encoding="utf-8") as txt_f:
        for obj in objects:
            # 可根据需求过滤无效目标，比如跳过模糊标注
            if obj["properties"]["ambiguous"]:
                continue
            
            label = obj["label"]
            if label not in label_map:
                print(f"发现未映射标签：{label}，已跳过")
                continue
            class_id = label_map[label]
            
            # 读取原始bbox坐标
            xmin = obj["bbox"]["xmin"]
            ymin = obj["bbox"]["ymin"]
            xmax = obj["bbox"]["xmax"]
            ymax = obj["bbox"]["ymax"]
            
            # 转换为YOLO归一化格式
            x_center = (xmin + xmax) / 2 / img_width
            y_center = (ymin + ymax) / 2 / img_height
            box_width = (xmax - xmin) / img_width
            box_height = (ymax - ymin) / img_height
            
            # 写入txt文件，保留6位小数精度
            txt_f.write(f"{class_id} {x_center:.6f} {y_center:.6f} {box_width:.6f} {box_height:.6f}\n")

print("标注转换完成！")

三、关键注意事项 #

• 类别映射表：先遍历所有JSON文件收集全部标签，再统一分配索引，避免遗漏
• 文件名匹配：确保JSON文件和对应图像文件名完全一致，否则YOLO无法关联图像与标注
• 坐标归一化：必须使用JSON中记录的图像实际宽高计算，不能用固定值，否则标注会错位
• 无效目标过滤：可根据properties字段跳过模糊、出框的目标，减少训练噪声

四、若仍想用Roboflow解决 #

需检查以下几点：

1. 图像与JSON文件放在同一文件夹，且文件名完全匹配
2. 上传时选择「Custom Format」，手动指定JSON结构（比如标签路径objects.label、bbox路径objects.bbox.xmin等）
3. 确认JSON中width和height字段完整，Roboflow依赖这两个值计算归一化坐标

内容的提问来源于stack exchange，提问作者Tahmid