本文共 3215 字，大约阅读时间需要 10 分钟。
注：之前说要将Crowd Human数据集标注转换成COCO数据集标注格式，现在先来看一下odgt文件里的数据是怎么样保存的。
demo下的odgt标注文件
在Crowd Human数据集目录下，还有一个demo文件夹。这个demo是干么的呢，博主查了一下说是提取odgt里面的数据的？所以就先看里面的代码和odgt文件
data下面有一个get_human.odgt，大小才66k，方便打开。（原标注文件的val23M，train80M，这么大的文件在电脑或服务器中打开，要卡好久…）。而demo.py文件涉及到线程等一大堆难懂的东西，博主直接放弃，直接看odgt文件了。 先说一下坑吧，这个odgt里面的键值和原标注文件odgt里的键值不是对应的。最明显的区别：demo下的odgt有width、height这两个key，没有head_attr这个键值。但是，在原标注文件odgt里面没有这两个键值width、height，有head_attr。
所以博主根据demo里面的odgt写了crowdhuman转到coco标注格式的函数后，兴致勃勃的去跑原crowdhuman的标注文件，然后就直接出现了如下的error。一脸懵逼，这格式居然不是一致的。
打开了annotation_val.odgt文件，比对了一下，发现里面格式并不是一致的。不过，看完get_human.odgt这个文件，理解了大概是怎么放数据的，再去看annotation_val.odgt就能快速看懂数据的存放，只不过有些键值没有而已，不影响理解。
下面的代码是get_human.odgt文件中的一行数据
{ "fpath": "", #字典"gtboxes": [ #gtboxes里面是个列表 { "tag": "person", #标签 "extra": { #下面这几个数博主不清楚，有知道的大佬，还望告知一下。 "occ": 0, "vbox_id": 0, "box_id": 0}, "vbox": [[67, 60, 333, 740]], # 检测框可视框 "box": [67, 60, 333, 740], # 读取人头检测框? "fbox": [67, 60, 333, 810] #检测框全身框 }, { "tag": "person", "extra": { "occ": 0, "vbox_id": 0, "box_id": 1}, "vbox": [[438, 205, 175, 541]], "box": [438, 205, 175, 541], "fbox": [438, 205, 175, 541] }, { "tag": "person", "extra": { "occ": 1, "vbox_id": 0, "box_id": 2}, "vbox": [[576, 212, 185, 543]], "box": [576, 212, 185, 543], "fbox": [568, 208, 194, 550]}, { "tag": "person", "extra": { "occ": 1, "vbox_id": 0, "box_id": 3}, "vbox": [[670, 216, 108, 389]], "box": [670, 216, 108, 389], "fbox": [637, 215, 139, 393]}, { "tag": "mask", "extra": { "vbox_id": 0, "ignore": 1}, "vbox": [[776, 382, 25, 220]], "box": [776, 382, 25, 220], "fbox": [776, 382, 25, 220] } ], "width": 1200, #图片的宽"height": 800, #图片的高"nori_path": "", "ID": "273278,600e5000db6370fb", #图片ID，是str类型"nori_id": ","} # ID+'.jpg' = 图片的file_name 原odgt标注文件
{ "ID": "273271,c9db000d5146c15", "gtboxes": [ { "fbox": [72, 202, 163, 503], "tag": "person", "hbox": [171, 208, 62, 83], "extra": { "box_id": 0, "occ": 0}, "vbox": [72, 202, 163, 398], "head_attr": { "ignore": 0, "occ": 0, "unsure": 0}}, { "fbox": [199, 180, 144, 499], "tag": "person", "hbox": [268, 183, 60, 83], "extra": { "box_id": 1, "occ": 0}, "vbox": [199, 180, 144, 420], "head_attr": { "ignore": 0, "occ": 0, "unsure": 0}}, { "fbox": [310, 200, 162, 497], "tag": "person", "hbox": [363, 219, 54, 71], "extra": { "box_id": 2, "occ": 0}, "vbox": [310, 200, 162, 400], "head_attr": { "ignore": 0, "occ": 0, "unsure": 0}}, { "fbox": [417, 182, 139, 518], "tag": "person", "hbox": [455, 190, 53, 78], "extra": { "box_id": 3, "occ": 0}, "vbox": [417, 182, 139, 418], "head_attr": { "ignore": 0, "occ": 0, "unsure": 0}}, ]} 需要注意的是，标注文件里的ignore字段，当tag是person时，ignore再head_attr字典里，当tag是mask时，ignore字段是在extra字典里的。（目前我观察的格式中，是这样的，当然写函数提取ignore的时候，不要去判断tag是啥，然后根据tag找字段，万一翻车了呢）
以上就是两个标注文件的格式，看网上对crowdhuman的解析资料基本没有，博主也刚接触几天，不能够更详细的解析具体字段的作用，什么时候对crowdhuman更了解了，再来修改完善。
- 关于如何将crowdhuman的标注转换成COCO数据集的标注，请看博主的下一篇博客（）。
- 关于coco数据集的标注文件详解，请看：
转载地址：http://mjxen.baihongyu.com/