COCO2017数据集图片文件缺失自动补全方法
一、前言
本文代码是以目标检测（object detection）和实例分割（instance segmentation）任务的标签文件为例，即instances_train/val/test2017.json文件。
其他任务的标签文件内容略有不同，但是图片来源表示字段完全相同，因此代码可通用。另外如果是非2017版本COCO应该也通用。
1.1 杂谈
本人计算机视觉科研狗一条，生活在在威名赫赫的 汪汪星球球立大学。
某日，本汪以Featurized-QueryRCNN框架为基础，结合自己的模块形成一个新的目标检测模型。当我按下训练的命令，训练了一段时间后，出现了如下报错（因为刚好训练到的那个batch中有缺失的图片）：
······此处省略一万字File "/liushuai2/PCP/FeatEnHancer-main/detectron2/detectron2/data/detection_utils.py", line 182, in read_imagewith PathManager.open(file_name, "rb") as f:File "/root/anaconda3/envs/FEHR/lib/python3.9/site-packages/iopath/common/file_io.py", line 1012, in openbret = handler._open(path, mode, buffering=buffering, **kwargs) # type: ignoreFile "/root/anaconda3/envs/FEHR/lib/python3.9/site-packages/iopath/common/file_io.py", line 604, in _openreturn open( # type: ignore
FileNotFoundError: [Errno 2] No such file or directory: '/liushuai2/PCP/datasets/COCO2017/train2017/000000581831.jpg'
当看到这个我都震惊了，因为数据集我是直接从COCO官方网站下载下来的，竟然有图片缺失！！！
只能想办法解决了，找了半天网络上没啥好用的办法，而且有也是COCO2014而不是COCO2017的。对此我决定自己写一个缺失文件补全代码。
1.2 部分代码逻辑说明
我的代码如果大家细看会发现你没有看到下载链接。这是因为标准COCO数据集的标签文件中对每一张图片都包含了下载链接，如下所示：
{"license": 4,"file_name": "000000060623.jpg","coco_url": "http://images.cocodataset.org/train2017/000000060623.jpg","height": 427,"width": 640,"date_captured": "2013-11-14 17:24:15","flickr_url": "http://farm7.staticflickr.com/6080/6113512699_37b4c98473_z.jpg","id": 60623}
可以看到，在该字典中 coco_url 键的值为图像下载地址。故我在代码中提取了该键值对，并将其值作为下载命令的参数。
另外大家觉得不懂我的代码是怎么解析标签文件（json）的，其实我把COCO数据集的标准格式摆出来大家再去看代码就明白了：
{"info": {"description": "This is stable 1.0 version of the 2014 MS COCO dataset.","url": "http://mscoco.org","version": "1.0","year": 2014,"contributor": "Microsoft COCO group","date_created": "2015-01-27 09:11:52.357475"},"licenses": [{"url": "http://creativecommons.org/licenses/by-nc-sa/2.0/","id": 1,"name": "Attribution-NonCommercial-ShareAlike License"}],"images": [{"license": 3,"file_name": "COCO_val2014_000000391895.jpg","coco_url": "http://mscoco.org/images/391895","height": 360,"width": 640,"date_captured": "2013-11-14 11:18:45","flickr_url": "http://farm9.staticflickr.com/8186/8119368305_4e622c8349_z.jpg","id": 391895}],"annotations": [{"id": 1768,"image_id": 289343,"category_id": 18,"segmentation": [[510.66, 423.01, 511.72, 420.03, 510.45, ...]],"area": 702.1057499999998,"bbox": [473.07, 395.93, 38.65, 28.67],"iscrowd": 0}],"categories": [{"id": 18,"name": "dog","supercategory": "animal"}]
}上面是一个标签文件的标准格式，不过为了简便每个数字我都只写了一个示例。我们关注的是字典中的images键，这个键所对应的值是一个数组，这个数组包含了数据集中每一张图片的基本信息。
二、实现代码
以下三种方法均可在 Windows 或 Linux 操作系统上运行，已做系统适配，兼容性好。唯一的缺点就是有两种方法需要二外安装依赖包，不过这不是很大的问题啦。
下面三个代码块均需要用到的非标准库是 tqdm 。我用该库来制作好看的进度条，因此需要提前安装：
pip install tqdm
2.1 使用msgspec库（极快 + 操作稍稍麻烦）
2.1.1 食用指南
安装 msgspec 库
pip install msgspec
拷贝【2.1.2】的代码，并修改 annotations_file_path 和 image_directory 为你的COCO数据集相关路径
2.1.2 代码
import os
import subprocess
from tqdm import tqdm
import sys
import platform
import time
import msgspecclass Image(msgspec.Struct):file_name: strcoco_url: strclass ImagesInfo(msgspec.Struct):images: list[Image]def get_missing_files(annotation_file_path, image_directory):# 读取标注文件start_time = time.time()with open(annotation_file_path, 'rb') as f:images_info = msgspec.json.decode(f.read(), type=ImagesInfo)annotation_time = time.time() - start_time# 获取图像列表start_time = time.time()annotation_images_list = images_info.imagesdirectory_images_set = set(os.listdir(image_directory))directory_time = time.time() - start_time# 存放缺失的文件名missing_files = []# 遍历字典，检查每个文件是否存在start_time = time.time()for image in annotation_images_list:# 获取 文件名file_name = image.file_name# 检查文件是否存在if file_name not in directory_images_set:print(f"文件 {file_name} 不存在")download_url = image.coco_urlmissing_files.append({'file_name': file_name,'download_url': download_url})check_time = time.time() - start_timeprint(f"缺失文件数量: {len(missing_files)}")print(f"读取标注文件耗时: {annotation_time:.4f} 秒")print(f"获取图像列表耗时: {directory_time:.4f} 秒")print(f"检查缺失文件耗时: {check_time:.4f} 秒")return missing_filesdef download_Missing_files(missing_files, image_directory):# 检测操作系统类型system = platform.system().lower()# 遍历缺失文件列表并下载with tqdm(missing_files) as pbar:for file in pbar:# 实时更新进度条的描述为当前正在下载的文件名pbar.set_description(f"Downloading {file['file_name']}")if system == "windows":# 构建 curl 命令download_command = f"curl -o {image_directory}\\{file['file_name']} {file['download_url']}"else:# 构建 wget 命令download_command = f"wget -P {image_directory} {file['download_url']}"# 执行 wget 命令，并将输出重定向到DEVNULL以隐藏输出subprocess.run(download_command, shell=True,stdout=subprocess.DEVNULL,stderr=subprocess.DEVNULL)if __name__ == '__main__':# 读取标注文件和图像目录路径annotations_file_path = r'/liushuai2/PCP/datasets/COCO2017/annotations/instances_train2017.json'image_directory = r'/liushuai2/PCP/datasets/COCO2017/train2017'# 获取缺失的文件列表missing_files = get_missing_files(annotations_file_path, image_directory)if len(missing_files) == 0:print("没有缺失的文件, Over")sys.exit()# 下载缺失的文件download_Missing_files(missing_files, image_directory)2.2 使用orjson库（慢 + 操作简单）
2.2.1 食用指南
安装 msgspec 库
pip install orjson
拷贝【2.2.2】的代码，并修改 annotations_file_path 和 image_directory 为你的COCO数据集相关路径
2.2.2 代码
import json
import os
import subprocess
from tqdm import tqdm
import sys
import platform
import time
import orjsondef get_missing_files(annotation_file_path, image_directory):# 读取标注文件start_time = time.time()with open(annotation_file_path, 'rb') as f:images_info = orjson.loads(f.read())annotation_time = time.time() - start_time# 获取图像列表start_time = time.time()annotation_images_list = images_info['images']directory_images_set = set(os.listdir(image_directory))directory_time = time.time() - start_time# 存放缺失的文件名missing_files = []# 遍历字典，检查每个文件是否存在start_time = time.time()for image in annotation_images_list:file_name = image['file_name']if file_name not in directory_images_set:print(f"文件 {file_name} 不存在")download_url = image['coco_url']missing_files.append({'file_name': file_name,'download_url': download_url})check_time = time.time() - start_timeprint(f"缺失文件数量: {len(missing_files)}")print(f"读取标注文件耗时: {annotation_time:.4f} 秒")print(f"获取图像列表耗时: {directory_time:.4f} 秒")print(f"检查缺失文件耗时: {check_time:.4f} 秒")return missing_filesdef download_Missing_files(missing_files, image_directory):# 检测操作系统类型system = platform.system().lower()# 遍历缺失文件列表并下载with tqdm(missing_files) as pbar:for file in pbar:# 实时更新进度条的描述为当前正在下载的文件名pbar.set_description(f"Downloading {file['file_name']}")if system == "windows":# 构建 curl 命令download_command = f"curl -o {image_directory}\\{file['file_name']} {file['download_url']}"else:# 构建 wget 命令download_command = f"wget -P {image_directory} {file['download_url']}"# 执行 wget 命令，并将输出重定向到DEVNULL以隐藏输出subprocess.run(download_command, shell=True,stdout=subprocess.DEVNULL,stderr=subprocess.DEVNULL)if __name__ == '__main__':# 读取标注文件和图像目录路径annotations_file_path = r'/liushuai2/PCP/datasets/COCO2017/annotations/instances_train2017.json'image_directory = r'/liushuai2/PCP/datasets/COCO2017/train2017'# 获取缺失的文件列表missing_files = get_missing_files(annotations_file_path, image_directory)if len(missing_files) == 0:print("没有缺失的文件, Over")sys.exit()# 下载缺失的文件download_Missing_files(missing_files, image_directory)2.3 使用json库（极慢 + 操作最简单）
修改 annotations_file_path 和 image_directory 为你的COCO数据集相关路径即可直接食用
import json
import os
import subprocess
from tqdm import tqdm
import sys
import platform
import timedef get_missing_files(annotation_file_path, image_directory):# 读取标注文件start_time = time.time()with open(annotation_file_path, 'r') as f:images_info = json.load(f)annotation_time = time.time() - start_time# 获取图像列表start_time = time.time()annotation_images_list = images_info['images']directory_images_set = set(os.listdir(image_directory))directory_time = time.time() - start_time# 存放缺失的文件名missing_files = []# 遍历字典，检查每个文件是否存在start_time = time.time()for image in annotation_images_list:# 获取文件名file_name = image['file_name']# 将不存在的文件添加到缺失列表if file_name not in directory_images_set:print(f"文件 {file_name} 不存在")download_url = image['coco_url']missing_files.append({'file_name': file_name,'download_url': download_url})check_time = time.time() - start_timeprint(f"缺失文件数量: {len(missing_files)}")print(f"读取标注文件耗时: {annotation_time:.4f} 秒")print(f"获取图像列表耗时: {directory_time:.4f} 秒")print(f"检查缺失文件耗时: {check_time:.4f} 秒")return missing_filesdef download_Missing_files(missing_files, image_directory):# 检测操作系统类型system = platform.system().lower()# 遍历缺失文件列表并下载with tqdm(missing_files) as pbar:for file in pbar:# 实时更新进度条的描述为当前正在下载的文件名pbar.set_description(f"Downloading {file['file_name']}")if system == "windows":# 构建 curl 命令download_command = f"curl -o {image_directory}\\{file['file_name']} {file['download_url']}"else:# 构建 wget 命令download_command = f"wget -P {image_directory} {file['download_url']}"# 执行 wget 命令，并将输出重定向到DEVNULL以隐藏输出subprocess.run(download_command, shell=True,stdout=subprocess.DEVNULL,stderr=subprocess.DEVNULL)if __name__ == '__main__':# 读取标注文件和图像目录路径annotations_file_path = r'/liushuai2/PCP/datasets/COCO2017/annotations/instances_train2017.json'image_directory = r'/liushuai2/PCP/datasets/COCO2017/train2017'# 获取缺失的文件列表missing_files = get_missing_files(annotations_file_path, image_directory)if len(missing_files) == 0:print("没有缺失的文件, Over")sys.exit()# 下载缺失的文件download_Missing_files(missing_files, image_directory)三、用到的库的简单介绍
3.1 基本介绍
3.1.1 msgspec
msgspec 是一个高性能的序列化和验证库，支持 JSON、MessagePack、YAML 和 TOML 等多种格式。它的特点包括：
- 高性能：在常见协议的编码/解码中表现出色，通常比其他库快10-80倍。
- 零成本的模式验证：使用 Python 类型注解进行模式验证。
- 轻量级：没有依赖项，适合需要高效处理数据的场景。
- 结构化数据支持：提供类似
dataclasses的Struct类型，但性能更高。
3.1.2 orjson
orjson 是一个快速且正确的 JSON 库，专为 Python 设计。它的特点包括：
- 极高的性能：在序列化和反序列化方面表现优异，特别是在处理大型数据结构时。
- 原生支持多种类型：包括
dataclass、datetime、numpy和UUID实例。 - 严格的 JSON 和 UTF-8 规范：确保数据的正确性和兼容性。
- 高效的内存使用：在处理
numpy.ndarray时，内存使用率仅为其他库的0.3倍。
3.1.3 json
json 是 Python 标准库中的 JSON 编码和解码模块。它的特点包括：
- 易用性：作为标准库的一部分，无需额外安装。
- 基本功能：支持将 Python 对象序列化为 JSON 字符串，以及将 JSON 字符串反序列化为 Python 对象。
- 扩展性：可以通过自定义编码器和解码器来处理复杂类型。
3.2 对比总结
-
性能
-
msgspec：在编码/解码方面表现出色，通常比其他库快10-80倍。
-
orjson：在序列化和反序列化方面表现优异，特别是在处理大型数据结构时。
-
json：性能较为一般，适合处理小型数据。
-
-
功能
-
msgspec：支持 JSON、MessagePack、YAML 和 TOML，多格式支持；零成本的模式验证；提供类似
dataclasses的Struct类型。 -
orjson：原生支持
dataclass、datetime、numpy和UUID实例；严格的 JSON 和 UTF-8 规范。 -
json：基本的 JSON 编码和解码功能；可以通过自定义编码器和解码器来处理复杂类型。
-
-
易用性
-
msgspec：需要额外安装，但没有依赖项，轻量级。
-
orjson：需要额外安装，但提供了丰富的功能和高性能。
-
json：作为 Python 标准库的一部分，无需额外安装，使用方便。
-
-
内存使用
-
msgspec：高效的内存使用，适合需要高效处理数据的场景。
-
orjson：在处理
numpy.ndarray时，内存使用率仅为其他库的0.3倍。 -
json：内存使用较为一般。
-
-
适用场景
-
msgspec：适合需要高性能和多格式支持的场景，如实时数据处理和大规模数据传输。
-
orjson：适合需要高性能 JSON 处理的场景，特别是涉及大型数据结构和多种数据类型的应用。
-
json：适合一般的 JSON 编码和解码需求，特别是小型项目或不需要高性能的场景。
-
 builtin command)
 v24.1.1.4285附安装教程)
)
