一、前言

昨天已經初始化好使用的套件了，今天要來處理資料集的部分，由於標籤檔是XML的檔案，因此要對其做一些處理，這邊會提取標籤檔的資料並對每筆資料新增類別，建立成DataFrame。

二、格式化XML及建立DataFrame

# 本篇使用Jupyter Notebook進行實作

• 資料集中共有兩個資料夾，圖片以及標籤檔，首先先創建一個資料夾並將資料解壓至裡面。

• 接著在Jupyter Notebook中接續昨天初始化完的環境。

1. 首先設定Dataset的路徑，以及提取文件名稱的副程式。

import re
dataset_path = 'r'C:\Users\使用者\Documents\projects\Car_License
def get_number_in_the_string(s):
    return int(''.join(filter(str.isdigit, s)))

2. 接著進行格式化XML以及建立DataFrame。

# 初始化一個字典用來儲存圖片以及標籤的內容
labels_dict = dict(
    img_path=[],
    xmin=[],
    xmax=[],
    ymin=[],
    ymax=[],
    img_width=[],
    img_height=[]
)

# 提取所有的標籤檔
xml_files = glob(f'{dataset_path}\\annotations\\*.xml')

# 對XML檔案進行處理以及進行排序
for file in sorted(xml_files, key = get_number_in_the_string):
    info = xet.parse(file)
    root = info.getroot()
    
    # 提取XML檔案中尋找object的元素並提取邊界框的資訊
    member_object = root.find('object')
    labels_info = member_object.find('bndbox')
    xmin = int(labels_info.find('xmin').text)
    xmax = int(labels_info.find('xmax').text)
    ymin = int(labels_info.find('ymin').text)
    ymax = int(labels_info.find('ymax').text)

    # 取得圖片的完整路徑
    img_name = root.find('filename').text
    img_path = os.path.join(dataset_path, 'images', img_name)

    # 確認圖片是否存在
    if not os.path.exists(img_path):
        print(f"Image not found: {img_path}")
        continue

    image = cv2.imread(img_path)
    if image is None:
        print(f"Failed to read image: {img_path}")
        continue
    
    # 將對應的資訊新增進字典中
    height, width, _ = image.shape
    labels_dict['img_path'].append(img_path)
    labels_dict['xmin'].append(xmin)
    labels_dict['xmax'].append(xmax)
    labels_dict['ymin'].append(ymin)
    labels_dict['ymax'].append(ymax)
    labels_dict['img_width'].append(width)
    labels_dict['img_height'].append(height)
    
    #將字典轉為Pandas的Dataframe
    alldata = pd.DataFrame(labels_dict)
    
    #顯示Dataframe的前3行
    alldata.head(3)

輸出的結果如下圖。

這樣就初步完成資料集的分類，接著會利用Scikit-learn將資料集拆分，那我們下篇見。