讲师中心 微信公众号
首页
文章
后端开发 web前端 数据库 开发工具 php框架 常见问题 科技 Java 系统教程 电脑教程 硬件教程 手机教程 软件教程 游戏教程 自媒体 新闻
专题
后端开发 web前端 数据库 开发工具 php框架 科技 Java 系统教程 电脑教程 硬件教程 手机教程 软件教程 游戏教程 新闻
AI工具
AI 聊天问答 Agent智能体 AI 文本写作 AI 绘画作图 AI 设计工具 AI 视频创作 AI 音频制作 AI 办公学习 AI 编程开发 Prompt指令
学习
大前端 后端开发 数据库 移动端 运维开发 计算机基础
编程手册
大前端 后端开发 数据库 移动端 运维开发 计算机基础
下载
js特效 网站源码 工具下载 类库下载 网站素材 学习资源 插件扩展 手机游戏
最近更新
当前位置：首页 > 科技周边 > 人工智能 >

正文

0

0

COCO数据集目标检测任务EDA模板

P粉084495128

P粉084495128

发布时间：2025-07-23 09:57:29

|

551人浏览过

|

来源于php中文网

原创

该内容围绕小麦和昆虫检测数据集展开探索性数据分析（EDA）。先进行环境准备与数据集解压，接着分析数据整体分布，涵盖图片数量、类别、尺寸等，还探究了图像分辨率、亮度、目标分布、单张图片目标情况、目标遮挡及颜色等，最后实现了VOC到COCO格式的转换。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

coco数据集目标检测任务eda模板 - php中文网

1 环境准备

In [1]
# 调用一些需要的第三方库import numpy as npimport pandas as pdimport shutilimport jsonimport osimport cv2import globimport matplotlib.pyplot as pltimport matplotlib.patches as patchesimport seaborn as snsfrom matplotlib.font_manager import FontPropertiesfrom PIL import Imageimport random
myfont = FontProperties(fname=r"NotoSansCJKsc-Medium.otf", size=12)
plt.rcParams['figure.figsize'] = (12, 12)
plt.rcParams['font.family']= myfont.get_family()
plt.rcParams['font.sans-serif'] = myfont.get_name()
plt.rcParams['axes.unicode_minus'] = False
   
In [3]
# !unzip data/data54680/coco.zip
   
In [5]
!unzip data/data42353/wheat.zip
   
In [2]
# Setup the paths to train and test imagesTRAIN_DIR = 'wheat/train/'TRAIN_CSV_PATH = 'wheat/train.json'# Glob the directories and get the lists of train and test imagestrain_fns = glob.glob(TRAIN_DIR + '*')print('数据集图片数量: {}'.format(len(train_fns)))
       
数据集图片数量: 3422
       

2 数据整体分布情况

In [7]
def generate_anno_eda(dataset_path, anno_file):
    with open(os.path.join(dataset_path, anno_file)) as f:
        anno = json.load(f)    print('标签类别:', anno['categories'])    print('类别数量：', len(anno['categories']))    print('训练集图片数量：', len(anno['images']))    print('训练集标签数量：', len(anno['annotations']))
    
    total=[]    for img in anno['images']:
        hw = (img['height'],img['width'])
        total.append(hw)
    unique = set(total)    for k in unique:        print('长宽为(%d,%d)的图片数量为：'%k,total.count(k))
    
    ids=[]
    images_id=[]    for i in anno['annotations']:
        ids.append(i['id'])
        images_id.append(i['image_id'])    print('训练集图片数量:', len(anno['images']))    print('unique id 数量：', len(set(ids)))    print('unique image_id 数量', len(set(images_id)))    
    # 创建类别标签字典
    category_dic=dict([(i['id'],i['name']) for i in anno['categories']])
    counts_label=dict([(i['name'],0) for i in anno['categories']])    for i in anno['annotations']:
        counts_label[category_dic[i['category_id']]] += 1
    label_list = counts_label.keys()    # 各部分标签
    print('标签列表:', label_list)
    size = counts_label.values()    # 各部分大小
    color = ['#FFB6C1', '#D8BFD8', '#9400D3', '#483D8B', '#4169E1', '#00FFFF','#B1FFF0','#ADFF2F','#EEE8AA','#FFA500','#FF6347']     # 各部分颜色
    # explode = [0.05, 0, 0]   # 各部分突出值
    patches, l_text, p_text = plt.pie(size, labels=label_list, colors=color, labeldistance=1.1, autopct="%1.1f%%", shadow=False, startangle=90, pctdistance=0.6, textprops={'fontproperties':myfont})
    plt.axis("equal")    # 设置横轴和纵轴大小相等，这样饼才是圆的
    plt.legend(prop=myfont)
    plt.show()
   
In [9]
# 分析训练集数据generate_anno_eda('wheat', 'train.json')
   

2.1 图片整体分析

2.1.1 图像分辨率

In [3]
# 读取训练集标注文件with open(TRAIN_CSV_PATH, 'r', encoding='utf-8') as f:
    train_data = json.load(f)
train_fig = pd.DataFrame(train_data['images'])
   
In [4]
train_fig.head()
       
       file_name  height  id  width
0  b6ab77fd7.jpg    1024   1   1024
1  b53afdf5c.jpg    1024   2   1024
2  7b72ea0fb.jpg    1024   3   1024
3  91c9d9c38.jpg    1024   4   1024
4  41c0123cc.jpg    1024   5   1024
               
In [16]
ps = np.zeros(len(train_fig))for i in range(len(train_fig)):
    ps[i]=train_fig['width'][i] * train_fig['height'][i]/1e6plt.title('训练集图片大小分布', fontproperties=myfont)
sns.distplot(ps, bins=21,kde=False)
   
In [5]
train_anno = pd.DataFrame(train_data['annotations'])
df_train = pd.merge(left=train_fig, right=train_anno, how='inner', left_on='id', right_on='image_id')
df_train['bbox_xmin'] = df_train['bbox'].apply(lambda x: x[0])
df_train['bbox_ymin'] = df_train['bbox'].apply(lambda x: x[1])
df_train['bbox_w'] = df_train['bbox'].apply(lambda x: x[2])
df_train['bbox_h'] = df_train['bbox'].apply(lambda x: x[3])
df_train['bbox_xcenter'] = df_train['bbox'].apply(lambda x: (x[0]+0.5*x[2]))
df_train['bbox_ycenter'] = df_train['bbox'].apply(lambda x: (x[1]+0.5*x[3]))
   
In [18]
def get_all_bboxes(df, name):
    image_bboxes = df[df.file_name == name]
    
    bboxes = []
    categories = []    for _,row in image_bboxes.iterrows():
        bboxes.append((row.bbox_xmin, row.bbox_ymin, row.bbox_w, row.bbox_h, row.category_id))    return bboxesdef plot_image_examples(df, rows=3, cols=3, title='Image examples'):
    fig, axs = plt.subplots(rows, cols, figsize=(15,15))
    color = ['#FFB6C1', '#D8BFD8', '#9400D3', '#483D8B', '#4169E1', '#00FFFF','#B1FFF0','#ADFF2F','#EEE8AA','#FFA500','#FF6347']     # 各部分颜色
    for row in range(rows):        for col in range(cols):
            idx = np.random.randint(len(df), size=1)[0]
            name = df.iloc[idx]["file_name"]
            img = Image.open(TRAIN_DIR + str(name))
            axs[row, col].imshow(img)
            
            bboxes = get_all_bboxes(df, name)            for bbox in bboxes:
                rect = patches.Rectangle((bbox[0],bbox[1]),bbox[2],bbox[3],linewidth=1,edgecolor=color[bbox[4]],facecolor='none')
                axs[row, col].add_patch(rect)
            
            axs[row, col].axis('off')
            
    plt.suptitle(title,fontproperties=myfont)
   
In [19]
def plot_gray_examples(df, rows=3, cols=3, title='Image examples'):
    fig, axs = plt.subplots(rows, cols, figsize=(15,15))
    color = ['#FFB6C1', '#D8BFD8', '#9400D3', '#483D8B', '#4169E1', '#00FFFF','#B1FFF0','#ADFF2F','#EEE8AA','#FFA500','#FF6347']     # 各部分颜色
    for row in range(rows):        for col in range(cols):
            idx = np.random.randint(len(df), size=1)[0]
            name = df.iloc[idx]["file_name"]
            img = Image.open(TRAIN_DIR + str(name)).convert('L')
            axs[row, col].imshow(img)
            
            bboxes = get_all_bboxes(df, name)            for bbox in bboxes:
                rect = patches.Rectangle((bbox[0],bbox[1]),bbox[2],bbox[3],linewidth=1,edgecolor=color[bbox[4]],facecolor='none')
                axs[row, col].add_patch(rect)
            
            axs[row, col].axis('off')

            
    plt.suptitle(title,fontproperties=myfont)
   

2.1.2 图像亮度分析

In [20]
def get_image_brightness(image):
    # convert to grayscale
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)    
    # get average brightness
    return np.array(gray).mean()def add_brightness(df):
    brightness = []    for _, row in df.iterrows():    
        name = row["file_name"]
        image = cv2.imread(TRAIN_DIR + name)
        brightness.append(get_image_brightness(image))
        
    brightness_df = pd.DataFrame(brightness)
    brightness_df.columns = ['brightness']
    df = pd.concat([df, brightness_df], ignore_index=True, axis=1)
    df.columns = ['file_name', 'brightness']    
    return df

images_df = pd.DataFrame(df_train.file_name.unique())
images_df.columns = ['file_name']
brightness_df = add_brightness(images_df)
   
In [22]
brightness_df.head()
   
In [23]
dark_names = brightness_df[brightness_df['brightness'] < 50].file_name
plot_image_examples(df_train[df_train.file_name.isin(dark_names)], title='暗图片')
       
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/font_manager.py:1331: UserWarning: findfont: Font family ['sans-serif'] not found. Falling back to DejaVu Sans
  (prop.get_family(), self.defaultFamily[fontext]))
       
               
In [24]
bright_names =  brightness_df[brightness_df['brightness'] > 130].file_name
plot_image_examples(df_train[df_train.file_name.isin(bright_names)], title='亮图片')
   
In [25]
sns.set(rc={'figure.figsize':(12,6)})
ps = np.zeros(len(brightness_df))for i in range(len(brightness_df)):
    ps[i]=brightness_df['brightness'][i]
plt.title('图片亮度分布', fontproperties=myfont)
sns.distplot(ps, bins=21,kde=False)
       
               
               

2.2 目标分布分析

In [26]
ps = np.zeros(len(df_train))for i in range(len(df_train)):
    ps[i]=df_train['area'][i]/1e6plt.title('训练集目标大小分布', fontproperties=myfont)
sns.distplot(ps, bins=21,kde=False)
       
               
               
In [27]
# 各类别目标形状分布sns.set(rc={'figure.figsize':(12,6)})
sns.relplot(x="bbox_w", y="bbox_h", hue="category_id", col="category_id", data=df_train[0:1000])
       
               
               
In [28]
# 各类别目标中心点形状分布sns.set(rc={'figure.figsize':(12,6)})
sns.relplot(x="bbox_xcenter", y="bbox_ycenter", hue="category_id", col="category_id", data=df_train[0:1000]);
       
               
In [30]
sns.set(rc={'figure.figsize':(12,6)})
plt.title('训练集目标大小分布', fontproperties=myfont)
sns.violinplot(x=df_train['category_id'],y=df_train['area'])
   
In [20]
df_train.area.describe()
       
count    147793.000000
mean       6843.356576
std        5876.326590
min           2.000000
25%        3658.000000
50%        5488.000000
75%        8272.000000
max      529788.000000
Name: area, dtype: float64
               
In [33]
sns.set(rc={'figure.figsize':(12,6)})
plt.title('训练集小目标分布', fontproperties=myfont)
plt.ylim(0, 4000)
sns.violinplot(x=df_train['category_id'],y=df_train['area'])
   
In [34]
sns.set(rc={'figure.figsize':(12,6)})
plt.title('训练集大目标分布', fontproperties=myfont)
plt.ylim(10000, max(df_train.area))
sns.violinplot(x=df_train['category_id'],y=df_train['area'])
   
In [36]
graph=sns.countplot(data=df_train, x='category_id')
graph.set_xticklabels(graph.get_xticklabels(), rotation=90)
plt.title('各类别目标数量分布', fontproperties=myfont)for p in graph.patches:
    height = p.get_height()
    graph.text(p.get_x()+p.get_width()/2., height + 0.1,height ,ha="center")
   

2.3 重点图片分析

2.3.1 单张图片目标数量分布

In [37]
df_train['bbox_count'] = df_train.apply(lambda row: 1 if any(row.bbox) else 0, axis=1)
train_images_count = df_train.groupby('file_name').sum().reset_index()
   
In [38]
train_images_count['bbox_count'].describe()
       
count    3373.000000
mean       43.816484
std        20.374820
min         1.000000
25%        28.000000
50%        43.000000
75%        59.000000
max       116.000000
Name: bbox_count, dtype: float64
               
In [39]
# 目标数量超过50个的图片train_images_count['file_name'][train_images_count['bbox_count']>50]
       
0       00333207f.jpg
7       00ea5e5ee.jpg
17      015939012.jpg
23      02640d9da.jpg
24      026b6f389.jpg
            ...      
3356    feac3a701.jpg
3360    feda9265c.jpg
3366    ffaa964a2.jpg
3368    ffb445410.jpg
3369    ffbf75e5b.jpg
Name: file_name, Length: 1272, dtype: object
               
In [40]
# 目标数量超过100个的图片train_images_count['file_name'][train_images_count['bbox_count']>50]
       
0       00333207f.jpg
7       00ea5e5ee.jpg
17      015939012.jpg
23      02640d9da.jpg
24      026b6f389.jpg
            ...      
3356    feac3a701.jpg
3360    feda9265c.jpg
3366    ffaa964a2.jpg
3368    ffb445410.jpg
3369    ffbf75e5b.jpg
Name: file_name, Length: 1272, dtype: object
               
In [41]
less_spikes_ids = train_images_count[train_images_count['bbox_count'] > 50].file_name
plot_image_examples(df_train[df_train.file_name.isin(less_spikes_ids)], title='单图目标超过50个（示例）')
   
In [42]
less_spikes_ids = train_images_count[train_images_count['bbox_count'] > 100].file_name
plot_image_examples(df_train[df_train.file_name.isin(less_spikes_ids)], title='单图目标超过100个（示例）')
   
In [44]
less_spikes_ids = train_images_count[train_images_count['bbox_count'] < 5].file_name
plot_image_examples(df_train[df_train.file_name.isin(less_spikes_ids)], title='单图目标少于5个（示例）')
   

2.3.2 单图目标覆盖分析

In [45]
less_spikes_ids = train_images_count[train_images_count['area'] > max(train_images_count['area'])*0.9].file_name
plot_image_examples(df_train[df_train.file_name.isin(less_spikes_ids)], title='目标总面积最大（示例）')
   
In [46]
less_spikes_ids = train_images_count[train_images_count['area'] < min(train_images_count['area'])*1.1].file_name
plot_image_examples(df_train[df_train.file_name.isin(less_spikes_ids)], title='目标总面积最小（示例）')
   

2.3.3 超大/极小目标分析

In [50]
df_train['bbox_count'] = df_train.apply(lambda row: 1 if any(row.bbox) else 0, axis=1)
train_images_count = df_train.groupby('file_name').max().reset_index()
less_spikes_ids = train_images_count[train_images_count['area'] > max(train_images_count['area'])*0.8].file_name
plot_image_examples(df_train[df_train.file_name.isin(less_spikes_ids)], title='单目标面积最大（示例）')
   
In [49]
df_train['bbox_count'] = df_train.apply(lambda row: 1 if any(row.bbox) else 0, axis=1)
train_images_count = df_train.groupby('file_name').min().reset_index()
less_spikes_ids = train_images_count[train_images_count['area'] > min(train_images_count['area'])*1.2].file_name
plot_image_examples(df_train[df_train.file_name.isin(less_spikes_ids)], title='单目标面积最小（示例）')
       
               

2.4 目标遮挡分析

In [51]
# 计算IOUdef bb_intersection_over_union(boxA, boxB):
    boxA = [int(x) for x in boxA]
    boxB = [int(x) for x in boxB]
    boxA = [boxA[0], boxA[1], boxA[0]+boxA[2], boxA[1]+boxA[3]]
    boxB = [boxB[0], boxB[1], boxB[0]+boxB[2], boxB[1]+boxB[3]]
    xA = max(boxA[0], boxB[0])
    yA = max(boxA[1], boxB[1])
    xB = min(boxA[2], boxB[2])
    yB = min(boxA[3], boxB[3])

    interArea = max(0, xB - xA + 1) * max(0, yB - yA + 1)

    boxAArea = (boxA[2] - boxA[0] + 1) * (boxA[3] - boxA[1] + 1)
    boxBArea = (boxB[2] - boxB[0] + 1) * (boxB[3] - boxB[1] + 1)
    
    iou = interArea / float(boxAArea + boxBArea - interArea)    return iou
   
In [52]
# tmp 是一个pandas Series，且索引从0开始def bbox_iou(tmp):
    iou_agg = 0
    iou_cnt = 0
    for i in range(len(tmp)):        for j in range(len(tmp)):            if i != j:
                iou_agg += bb_intersection_over_union(tmp[i], tmp[j])                if bb_intersection_over_union(tmp[i], tmp[j]) > 0:
                    iou_cnt += 1
    iou_agg = iou_agg/2
    iou_cnt = iou_cnt/2
    return iou_agg, iou_cnt
   
In [53]
file_list = df_train['file_name'].unique()
   
In [ ]
train_iou_cal = pd.DataFrame(columns=('file_name', 'iou_agg', 'iou_cnt'))for i in range(len(file_list)):
    tmp = df_train['bbox'][df_train.file_name==file_list[i]].reset_index(drop=True)
    iou_agg, iou_cnt = bbox_iou(tmp)
    train_iou_cal.loc[len(train_iou_cal)] = [file_list[i], iou_agg, iou_cnt]
   
In [ ]
train_iou_cal.iou_agg.describe()
   
In [ ]
ps = np.zeros(len(train_iou_cal))for i in range(len(train_iou_cal)):
    ps[i]=train_iou_cal['iou_agg'][i]
plt.title('训练集目标遮挡程度分布', fontproperties=myfont)
sns.distplot(ps, bins=21,kde=False)
   
In [ ]
train_iou_cal.iou_cnt.describe()
   
In [ ]
ps = np.zeros(len(train_iou_cal))for i in range(len(train_iou_cal)):
    ps[i]=train_iou_cal['iou_cnt'][i]
plt.title('训练集目标遮挡数量分布', fontproperties=myfont)
sns.distplot(ps, bins=21,kde=False)
   
In [ ]
less_spikes_ids = train_iou_cal[train_iou_cal['iou_agg'] > max(train_iou_cal['iou_agg'])*0.9].file_name
plot_image_examples(df_train[df_train.file_name.isin(less_spikes_ids)], title='目标遮挡程度最高（示例）')
   
In [55]
less_spikes_ids = train_iou_cal[train_iou_cal['iou_agg'] <= min(train_iou_cal['iou_agg'])*1.1].file_name
plot_image_examples(df_train[df_train.file_name.isin(less_spikes_ids)], title='目标遮挡程度最低（示例）')
   
In [56]
less_spikes_ids = train_iou_cal[train_iou_cal['iou_cnt'] > max(train_iou_cal['iou_cnt'])*0.9].file_name
plot_image_examples(df_train[df_train.file_name.isin(less_spikes_ids)], title='目标遮挡数量最高（示例）')
   
In [57]
less_spikes_ids = train_iou_cal[train_iou_cal['iou_cnt'] <= min(train_iou_cal['iou_cnt'])*1.1].file_name
plot_image_examples(df_train[df_train.file_name.isin(less_spikes_ids)], title='目标遮挡数量最低（示例）')
   

2.5 颜色分析

2.5.1 图像RGB分布

In [78]
files = os.listdir(TRAIN_DIR)

R = 0.G = 0.B = 0.R_2 = 0.G_2 = 0.B_2 = 0.N = 0for f in files:
    img = cv2.imread(TRAIN_DIR+f)
    img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    img = np.array(img)
    h, w, c = img.shape
    N += h*w

    R_t = img[:, :, 0]
    R += np.sum(R_t)
    R_2 += np.sum(np.power(R_t, 2.0))

    G_t = img[:, :, 1]
    G += np.sum(G_t)
    G_2 += np.sum(np.power(G_t, 2.0))

    B_t = img[:, :, 2]
    B += np.sum(B_t)
    B_2 += np.sum(np.power(B_t, 2.0))

R_mean = R/N
G_mean = G/N
B_mean = B/N

R_std = np.sqrt(R_2/N - R_mean*R_mean)
G_std = np.sqrt(G_2/N - G_mean*G_mean)
B_std = np.sqrt(B_2/N - B_mean*B_mean)print("R_mean: %f, G_mean: %f, B_mean: %f" % (R_mean, G_mean, B_mean))print("R_std: %f, G_std: %f, B_std: %f" % (R_std, G_std, B_std))
       
R_mean: 80.398947, G_mean: 80.899598, B_mean: 54.711709
R_std: 62.528853, G_std: 60.699236, B_std: 49.439114
       

2.5.2 目标RGB分析

In [12]
# 计算bbox的RGBdef bb_rgb_cal(img, boxA):
    boxA = [int(x) for x in boxA]
    boxA = [boxA[0], boxA[1], boxA[0]+boxA[2], boxA[1]+boxA[3]]
    img = img.crop(boxA)
    width = img.size[0]
    height = img.size[1]
    img = img.convert('RGB')
    array = []    for x in range(width):        for y in range(height):
            r, g, b = img.getpixel((x,y))
            rgb = (r, g, b)
            array.append(rgb)    return round(np.mean(array[0]),2), round(np.mean(array[1]),2), round(np.mean(array[2]),2)
   
In [56]
# 可能遇到jupyter输出内存报错from tqdm import tqdm
df_train['r_channel'] = 0df_train['g_channel'] = 0df_train['b_channel'] = 0for i in tqdm(df_train.index):
    array = bb_rgb_cal(Image.open(TRAIN_DIR + str(df_train.file_name[i])), df_train.bbox[i])
    df_train['r_channel'].at[i] = array[0]
    df_train['g_channel'].at[i] = array[1]
    df_train['b_channel'].at[i] = array[2]
   
In [74]
ps = np.zeros(len(df_train[:10000]))for i in range(len(df_train[:10000])):
    ps[i]=df_train['r_channel'][df_train.category_id==1][i]
plt.title('类别1目标r_channel分布', fontproperties=myfont)
sns.distplot(ps, bins=21,kde=False)
       
               
               
In [75]
ps = np.zeros(len(df_train[:10000]))for i in range(len(df_train[:10000])):
    ps[i]=df_train['g_channel'][df_train.g_channel>0][df_train.category_id==1][i]
plt.title('类别1目标g_channel分布', fontproperties=myfont)
sns.distplot(ps, bins=21,kde=False)
       
               
               
In [76]
ps = np.zeros(len(df_train[:10000]))for i in range(len(df_train[:10000])):
    ps[i]=df_train['b_channel'][df_train.b_channel>0][df_train.category_id==1][i]
plt.title('类别1目标b_channel分布', fontproperties=myfont)
sns.distplot(ps, bins=21,kde=False)
       
               
               

2.5.3 灰度图效果

In [143]
less_spikes_ids = train_iou_cal[train_iou_cal['iou_cnt'] > max(train_iou_cal['iou_cnt'])*0.8].file_name
plot_gray_examples(df_train[df_train.file_name.isin(less_spikes_ids)], title='目标遮挡数量最高（灰度）')
       
               
In [140]
less_spikes_ids = train_iou_cal[train_iou_cal['iou_cnt'] <= min(train_iou_cal['iou_cnt'])*1.1].file_name
plot_gray_examples(df_train[df_train.file_name.isin(less_spikes_ids)], title='目标遮挡数量最低（灰度）')
       
               

3 VOC数据集格式转换

由于上面的EDA是基于COCO格式数据集开发的，为避免重复造轮子，分析VOC数据集时，这里使用脚本将VOC转为COCO格式数据。

Poly.ai
Poly.ai

AI电话语音服务助手，接听电话并自动回复客户。

下载
In [86]
# 获取示例数据集!wget https://bj.bcebos.com/paddlex/datasets/insect_det.tar.gz# 解压数据集!tar -zxvf insect_det.tar.gz
   
In [80]
import xml.etree.ElementTree as ETimport osimport json
 
coco = dict()
coco['images'] = []
coco['type'] = 'instances'coco['annotations'] = []
coco['categories'] = []
 
category_set = dict()
image_set = set()
 
category_item_id = -1image_id = 20180000000annotation_id = 0
 def addCatItem(name):
    global category_item_id
    category_item = dict()
    category_item['supercategory'] = 'none'
    category_item_id += 1
    category_item['id'] = category_item_id
    category_item['name'] = name
    coco['categories'].append(category_item)
    category_set[name] = category_item_id    return category_item_id 
def addImgItem(file_name, size):
    global image_id    if file_name is None:        raise Exception('Could not find filename tag in xml file.')    if size['width'] is None:        raise Exception('Could not find width tag in xml file.')    if size['height'] is None:        raise Exception('Could not find height tag in xml file.')
    image_id += 1
    image_item = dict()
    image_item['id'] = image_id
    image_item['file_name'] = file_name
    image_item['width'] = size['width']
    image_item['height'] = size['height']
    coco['images'].append(image_item)
    image_set.add(file_name)    return image_id 
def addAnnoItem(object_name, image_id, category_id, bbox):
    global annotation_id
    annotation_item = dict()
    annotation_item['segmentation'] = []
    seg = []    # bbox[] is x,y,w,h
    # left_top
    seg.append(bbox[0])
    seg.append(bbox[1])    # left_bottom
    seg.append(bbox[0])
    seg.append(bbox[1] + bbox[3])    # right_bottom
    seg.append(bbox[0] + bbox[2])
    seg.append(bbox[1] + bbox[3])    # right_top
    seg.append(bbox[0] + bbox[2])
    seg.append(bbox[1])
 
    annotation_item['segmentation'].append(seg)
 
    annotation_item['area'] = bbox[2] * bbox[3]
    annotation_item['iscrowd'] = 0
    annotation_item['ignore'] = 0
    annotation_item['image_id'] = image_id
    annotation_item['bbox'] = bbox
    annotation_item['category_id'] = category_id
    annotation_id += 1
    annotation_item['id'] = annotation_id
    coco['annotations'].append(annotation_item) 
def _read_image_ids(image_sets_file):
    ids = []    with open(image_sets_file) as f:        for line in f:
            ids.append(line.rstrip())    return ids 
"""通过txt文件生成"""#split ='train' 'va' 'trainval' 'test'def parseXmlFiles_by_txt(data_dir,json_save_path,split='train'):
    print("hello")
    labelfile=split+".txt"
    image_sets_file = data_dir + "/ImageSets/Main/"+labelfile
    ids=_read_image_ids(image_sets_file) 
    for _id in ids:
        xml_file=data_dir + f"/Annotations/{_id}.xml"
 
        bndbox = dict()
        size = dict()
        current_image_id = None
        current_category_id = None
        file_name = None
        size['width'] = None
        size['height'] = None
        size['depth'] = None
 
        tree = ET.parse(xml_file)
        root = tree.getroot()        if root.tag != 'annotation':            raise Exception('pascal voc xml root element should be annotation, rather than {}'.format(root.tag)) 
        # elem is , , , 
        for elem in root:
            current_parent = elem.tag
            current_sub = None
            object_name = None
 
            if elem.tag == 'folder':                continue
 
            if elem.tag == 'filename':
                file_name = elem.text                if file_name in category_set:                    raise Exception('file_name duplicated') 
            # add img item only after parse  tag
            elif current_image_id is None and file_name is not None and size['width'] is not None:                if file_name not in image_set:
                    current_image_id = addImgItem(file_name, size)                    print('add image with {} and {}'.format(file_name, size))                else:                    raise Exception('duplicated image: {}'.format(file_name))                    # subelem is , , , , 
            for subelem in elem:
                bndbox['xmin'] = None
                bndbox['xmax'] = None
                bndbox['ymin'] = None
                bndbox['ymax'] = None
 
                current_sub = subelem.tag                if current_parent == 'object' and subelem.tag == 'name':
                    object_name = subelem.text                    if object_name not in category_set:
                        current_category_id = addCatItem(object_name)                    else:
                        current_category_id = category_set[object_name] 
                elif current_parent == 'size':                    if size[subelem.tag] is not None:                        raise Exception('xml structure broken at size tag.')
                    size[subelem.tag] = int(subelem.text) 
                # option is , , , , when subelem is 
                for option in subelem:                    if current_sub == 'bndbox':                        if bndbox[option.tag] is not None:                            raise Exception('xml structure corrupted at bndbox tag.')
                        bndbox[option.tag] = int(option.text) 
                # only after parse the  tag
                if bndbox['xmin'] is not None:                    if object_name is None:                        raise Exception('xml structure broken at bndbox tag')                    if current_image_id is None:                        raise Exception('xml structure broken at bndbox tag')                    if current_category_id is None:                        raise Exception('xml structure broken at bndbox tag')
                    bbox = []                    # x
                    bbox.append(bndbox['xmin'])                    # y
                    bbox.append(bndbox['ymin'])                    # w
                    bbox.append(bndbox['xmax'] - bndbox['xmin'])                    # h
                    bbox.append(bndbox['ymax'] - bndbox['ymin'])                    print('add annotation with {},{},{},{}'.format(object_name, current_image_id, current_category_id,
                                                                   bbox))
                    addAnnoItem(object_name, current_image_id, current_category_id, bbox)
    json.dump(coco, open(json_save_path, 'w')) 
"""直接从xml文件夹中生成"""def parseXmlFiles(xml_path,json_save_path):
    for f in os.listdir(xml_path):        if not f.endswith('.xml'):            continue
 
        bndbox = dict()
        size = dict()
        current_image_id = None
        current_category_id = None
        file_name = None
        size['width'] = None
        size['height'] = None
        size['depth'] = None
 
        xml_file = os.path.join(xml_path, f)        print(xml_file)
 
        tree = ET.parse(xml_file)
        root = tree.getroot()        if root.tag != 'annotation':            raise Exception('pascal voc xml root element should be annotation, rather than {}'.format(root.tag)) 
        # elem is , , , 
        for elem in root:
            current_parent = elem.tag
            current_sub = None
            object_name = None
 
            if elem.tag == 'folder':                continue
 
            if elem.tag == 'filename':
                file_name = elem.text                if file_name in category_set:                    raise Exception('file_name duplicated') 
            # add img item only after parse  tag
            elif current_image_id is None and file_name is not None and size['width'] is not None:                if file_name not in image_set:
                    current_image_id = addImgItem(file_name, size)                    print('add image with {} and {}'.format(file_name, size))                else:                    raise Exception('duplicated image: {}'.format(file_name))                    # subelem is , , , , 
            for subelem in elem:
                bndbox['xmin'] = None
                bndbox['xmax'] = None
                bndbox['ymin'] = None
                bndbox['ymax'] = None
 
                current_sub = subelem.tag                if current_parent == 'object' and subelem.tag == 'name':
                    object_name = subelem.text                    if object_name not in category_set:
                        current_category_id = addCatItem(object_name)                    else:
                        current_category_id = category_set[object_name] 
                elif current_parent == 'size':                    if size[subelem.tag] is not None:                        raise Exception('xml structure broken at size tag.')
                    size[subelem.tag] = int(subelem.text) 
                # option is , , , , when subelem is 
                for option in subelem:                    if current_sub == 'bndbox':                        if bndbox[option.tag] is not None:                            raise Exception('xml structure corrupted at bndbox tag.')
                        bndbox[option.tag] = int(option.text) 
                # only after parse the  tag
                if bndbox['xmin'] is not None:                    if object_name is None:                        raise Exception('xml structure broken at bndbox tag')                    if current_image_id is None:                        raise Exception('xml structure broken at bndbox tag')                    if current_category_id is None:                        raise Exception('xml structure broken at bndbox tag')
                    bbox = []                    # x
                    bbox.append(bndbox['xmin'])                    # y
                    bbox.append(bndbox['ymin'])                    # w
                    bbox.append(bndbox['xmax'] - bndbox['xmin'])                    # h
                    bbox.append(bndbox['ymax'] - bndbox['ymin'])                    print('add annotation with {},{},{},{}'.format(object_name, current_image_id, current_category_id,
                                                                   bbox))
                    addAnnoItem(object_name, current_image_id, current_category_id, bbox)
    json.dump(coco, open(json_save_path, 'w'))
    




In [82]


#通过文件夹生成ann_path="insect_det/Annotations"json_save_path="insect_det/train.json"parseXmlFiles(ann_path,json_save_path)

    






In [83]


# Setup the paths to train and test imagesTRAIN_DIR = 'insect_det/JPEGImages/'TRAIN_CSV_PATH = 'insect_det/train.json'# Glob the directories and get the lists of train and test imagestrain_fns = glob.glob(TRAIN_DIR + '*')print('数据集图片数量: {}'.format(len(train_fns)))

        
数据集图片数量: 217

        








In [85]


# 效果测试generate_anno_eda('insect_det', 'train.json')

        
标签类别: [{'supercategory': 'none', 'id': 0, 'name': 'leconte'}, {'supercategory': 'none', 'id': 1, 'name': 'boerner'}, {'supercategory': 'none', 'id': 2, 'name': 'armandi'}, {'supercategory': 'none', 'id': 3, 'name': 'linnaeus'}, {'supercategory': 'none', 'id': 4, 'name': 'coleoptera'}, {'supercategory': 'none', 'id': 5, 'name': 'acuminatus'}]
类别数量： 6
训练集图片数量： 217
训练集标签数量： 1407
长宽为(749,749)的图片数量为： 1
长宽为(565,565)的图片数量为： 1
长宽为(570,570)的图片数量为： 1
长宽为(557,557)的图片数量为： 1
长宽为(523,523)的图片数量为： 1
长宽为(635,635)的图片数量为： 2
长宽为(645,645)的图片数量为： 1
长宽为(718,718)的图片数量为： 1
长宽为(702,702)的图片数量为： 2
长宽为(641,641)的图片数量为： 5
长宽为(639,639)的图片数量为： 2
长宽为(513,513)的图片数量为： 1
长宽为(602,602)的图片数量为： 1
长宽为(601,601)的图片数量为： 1
长宽为(729,729)的图片数量为： 2
长宽为(536,536)的图片数量为： 1
长宽为(657,657)的图片数量为： 3
长宽为(587,587)的图片数量为： 1
长宽为(605,605)的图片数量为： 1
长宽为(613,613)的图片数量为： 1
长宽为(554,554)的图片数量为： 1
长宽为(733,733)的图片数量为： 1
长宽为(740,740)的图片数量为： 1
长宽为(631,631)的图片数量为： 3
长宽为(649,649)的图片数量为： 1
长宽为(623,623)的图片数量为： 6
长宽为(670,670)的图片数量为： 1
长宽为(558,558)的图片数量为： 1
长宽为(610,610)的图片数量为： 3
长宽为(671,671)的图片数量为： 2
长宽为(609,609)的图片数量为： 1
长宽为(661,661)的图片数量为： 2
长宽为(653,653)的图片数量为： 4
长宽为(627,627)的图片数量为： 5
长宽为(619,619)的图片数量为： 4
长宽为(499,499)的图片数量为： 1
长宽为(647,647)的图片数量为： 2
长宽为(583,583)的图片数量为： 1
长宽为(633,633)的图片数量为： 1
长宽为(697,697)的图片数量为： 1
长宽为(632,632)的图片数量为： 4
长宽为(637,637)的图片数量为： 2
长宽为(643,643)的图片数量为： 3
长宽为(636,636)的图片数量为： 3
长宽为(644,644)的图片数量为： 1
长宽为(638,638)的图片数量为： 8
长宽为(514,514)的图片数量为： 1
长宽为(655,655)的图片数量为： 3
长宽为(625,625)的图片数量为： 1
长宽为(621,621)的图片数量为： 1
长宽为(640,640)的图片数量为： 2
长宽为(624,624)的图片数量为： 1
长宽为(541,541)的图片数量为： 1
长宽为(549,549)的图片数量为： 1
长宽为(630,630)的图片数量为： 5
长宽为(650,650)的图片数量为： 3
长宽为(681,681)的图片数量为： 1
长宽为(617,617)的图片数量为： 4
长宽为(663,663)的图片数量为： 1
长宽为(599,599)的图片数量为： 1
长宽为(616,616)的图片数量为： 3
长宽为(495,495)的图片数量为： 1
长宽为(659,659)的图片数量为： 2
长宽为(629,629)的图片数量为： 3
长宽为(595,595)的图片数量为： 1
长宽为(651,651)的图片数量为： 2
长宽为(582,582)的图片数量为： 1
长宽为(693,693)的图片数量为： 1
长宽为(660,660)的图片数量为： 3
长宽为(628,628)的图片数量为： 2
长宽为(652,652)的图片数量为： 5
长宽为(620,620)的图片数量为： 8
长宽为(581,581)的图片数量为： 1
长宽为(580,580)的图片数量为： 1
长宽为(572,572)的图片数量为： 1
长宽为(590,590)的图片数量为： 1
长宽为(577,577)的图片数量为： 1
长宽为(576,576)的图片数量为： 1
长宽为(704,704)的图片数量为： 1
长宽为(560,560)的图片数量为： 1
长宽为(614,614)的图片数量为： 3
长宽为(600,600)的图片数量为： 2
长宽为(676,676)的图片数量为： 2
长宽为(612,612)的图片数量为： 4
长宽为(552,552)的图片数量为： 1
长宽为(622,622)的图片数量为： 3
长宽为(674,674)的图片数量为： 1
长宽为(656,656)的图片数量为： 3
长宽为(608,608)的图片数量为： 1
长宽为(691,691)的图片数量为： 1
长宽为(592,592)的图片数量为： 1
长宽为(634,634)的图片数量为： 4
长宽为(518,518)的图片数量为： 1
长宽为(589,589)的图片数量为： 1
长宽为(596,596)的图片数量为： 1
长宽为(588,588)的图片数量为： 1
长宽为(692,692)的图片数量为： 1
长宽为(564,564)的图片数量为： 3
长宽为(684,684)的图片数量为： 1
长宽为(569,569)的图片数量为： 1
长宽为(765,765)的图片数量为： 1
长宽为(707,707)的图片数量为： 1
长宽为(498,498)的图片数量为： 1
长宽为(754,754)的图片数量为： 1
长宽为(626,626)的图片数量为： 1
长宽为(512,512)的图片数量为： 1
长宽为(615,615)的图片数量为： 2
长宽为(665,665)的图片数量为： 1
长宽为(611,611)的图片数量为： 5
长宽为(603,603)的图片数量为： 1
长宽为(618,618)的图片数量为： 2
长宽为(662,662)的图片数量为： 3
长宽为(607,607)的图片数量为： 2
训练集图片数量: 217
unique id 数量： 1407
unique image_id 数量 217
标签列表: dict_keys(['leconte', 'boerner', 'armandi', 'linnaeus', 'coleoptera', 'acuminatus'])

        



                




					
					

													

								
相关文章

							

							

																	
										
如何用AI制作个人年度报告 AI个人数据可视化方法

									
																	
										
如何用AI给黑白照片上色 AI老照片上色教程

									
																	
										
AI一键将图片转换为Excel表格 AI图片数据提取教程

									
																	
										
如何用AI将网页内容保存为知识库 AI网页信息抓取整理

									
																	
										
AI一键实现代码语言互转 AI代码翻译器使用教程

									
															

													

								
相关标签:

								

									python git ai igs 数据分析								

							

						
						
本站声明：本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系admin@php.cn

						

													上一篇：信用卡客户划分
													下一篇：Deepseek 满血版携手 Flair，提升社交媒体文案吸引力​
												

					


					

													

								

									
 
										
作者最新文章

									

								

																	

										

											
												
【AI达人特训营】基于飞桨实现系统认证风险预测-异常检测

											
											

												
2025-08-01 17:14

											

										

								

																	

										

											
												
我在AI Studio学编程

											
											

												
2025-08-01 17:25

											

										

								

																	

										

											
												
【复现赛 NLP】 基于 Paddle 实现 Canine 模型

											
											

												
2025-08-01 17:27

											

										

								

																	

										

											
												
基于PaddlePaddle2.2的数据建模研究助手

											
											

												
2025-08-01 17:30

											

										

								

																	

										

											
												
给你的神经网络降低一个八度：八度卷积飞桨版本复现

											
											

												
2025-08-01 17:32

											

										

								

																	

										

											
												
【PaddlePaddle+OpenVINO】用PaddeHub的ONNX模型

											
											

												
2025-08-01 17:36

											

										

								

																	

										

											
												
飞桨常规赛：点击反欺诈预测 - 12月第7名方案

											
											

												
2025-08-01 17:39

											

										

								

																	

										

											
												
PaddleHub DEMO项目合集(运行版)

											
											

												
2025-08-01 17:40

											

										

								

																	

										

											
												
【PaddlePaddle】基础理论教程 - 前馈神经网络概论

											
											

												
2025-08-01 17:43

											

										

								

																	

										

											
												
基于 Paddle2.0 实现 HarDNet 模型

											
											

												
2025-08-01 17:51

											

										

								

															

						
						

							

								
 
									
热门AI工具

								

								更多
							


							

																	

										
											DeepSeek
											

												
DeepSeek

												
幻方量化公司旗下的开源大模型平台

																									

																												
AI大模型

																													
开放平台

																											

																							

										
									

																	

										
											豆包大模型
											

												
豆包大模型

												
字节跳动自主研发的一系列大型语言模型

																									

																												
AI大模型

																											

																							

										
									

																	

										
											通义千问
											

												
通义千问

												
阿里巴巴推出的全能AI助手

																									

																												
AI大模型

																											

																							

										
									

																	

										
											腾讯元宝
											

												
腾讯元宝

												
腾讯混元平台推出的AI助手

																									

																												
文档处理

																													
Excel 表格

																											

																							

										
									

																	

										
											文心一言
											

												
文心一言

												
文心一言是百度开发的AI聊天机器人，通过对话可以生成各种形式的内容。

																									

																												
AI大模型

																													
中文写作

																											

																							

										
									

																	

										
											讯飞写作
											

												
讯飞写作

												
基于讯飞星火大模型的AI写作工具，可以快速生成新闻稿件、品宣文案、工作总结、心得体会等各种文文稿

																									

																												
中文写作

																													
写作工具

																											

																							

										
									

																	

										
											即梦AI
											

												
即梦AI

												
一站式AI创作平台，免费AI图片和视频生成。

																									

																												
图片拼接

																													
图画生成

																											

																							

										
									

																	

										
											ChatGPT
											

												
ChatGPT

												
最最强大的AI聊天机器人程序，ChatGPT不单是聊天机器人，还能进行撰写邮件、视频脚本、文案、翻译、代码等任务。

																									

																												
AI大模型

																													
中文写作

																											

																							

										
									

																	

										
											智谱清言 - 免费全能的AI助手
											

												
智谱清言 - 免费全能的AI助手

												
智谱清言 - 免费全能的AI助手

																									

																												
AI大模型

																													
PDF 文档

																											

																							

										
									

															





						


					



				


			
			

				

                    
                

				

					

						
 
							
相关专题

						

						更多
					

					

													

								数据分析的方法
								

									数据分析的方法
									
数据分析的方法有：对比分析法，分组分析法，预测分析法，漏斗分析法，AB测试分析法，象限分析法，公式拆解法，可行域分析法，二八分析法，假设性分析法。php中文网为大家带来了数据分析的相关知识、以及相关文章等内容。

									

										
 
											
459

										

										
 
											
2023.07.04

										

									

								

							

													

								数据分析方法有哪几种
								

									数据分析方法有哪几种
									
数据分析方法有：1、描述性统计分析；2、探索性数据分析；3、假设检验；4、回归分析；5、聚类分析。本专题为大家提供数据分析方法的相关的文章、下载、课程内容，供大家免费下载体验。

									

										
 
											
272

										

										
 
											
2023.08.07

										

									

								

							

													

								网站建设功能有哪些
								

									网站建设功能有哪些
									
网站建设功能包括信息发布、内容管理、用户管理、搜索引擎优化、网站安全、数据分析、网站推广、响应式设计、社交媒体整合和电子商务等功能。这些功能可以帮助网站管理员创建一个具有吸引力、可用性和商业价值的网站，实现网站的目标。

									

										
 
											
721

										

										
 
											
2023.10.16

										

									

								

							

													

								数据分析网站推荐
								

									数据分析网站推荐
									
数据分析网站推荐：1、商业数据分析论坛；2、人大经济论坛-计量经济学与统计区；3、中国统计论坛；4、数据挖掘学习交流论坛；5、数据分析论坛；6、网站数据分析；7、数据分析；8、数据挖掘研究院；9、S-PLUS、R统计论坛。想了解更多数据分析的相关内容，可以阅读本专题下面的文章。

									

										
 
											
500

										

										
 
											
2024.03.13

										

									

								

							

													

								Python 数据分析处理
								

									Python 数据分析处理
									
本专题聚焦 Python 在数据分析领域的应用，系统讲解 Pandas、NumPy 的数据清洗、处理、分析与统计方法，并结合数据可视化、销售分析、科研数据处理等实战案例，帮助学员掌握使用 Python 高效进行数据分析与决策支持的核心技能。

									

										
 
											
71

										

										
 
											
2025.09.08

										

									

								

							

													

								Python 数据分析与可视化
								

									Python 数据分析与可视化
									
本专题聚焦 Python 在数据分析与可视化领域的核心应用，系统讲解数据清洗、数据统计、Pandas 数据操作、NumPy 数组处理、Matplotlib 与 Seaborn 可视化技巧等内容。通过实战案例（如销售数据分析、用户行为可视化、趋势图与热力图绘制），帮助学习者掌握 从原始数据到可视化报告的完整分析能力。

									

										
 
											
55

										

										
 
											
2025.10.14

										

									

								

							

													

								java学习网站推荐汇总
								

									java学习网站推荐汇总
									
本专题整合了java学习网站相关内容，阅读专题下面的文章了解更多详细内容。

									

										
 
											
3

										

										
 
											
2026.01.08

										

									

								

							

													

								java学习网站汇总
								

									java学习网站汇总
									
本专题整合了java学习网站相关内容，阅读专题下面的文章了解更多详细内容。

									

										
 
											
0

										

										
 
											
2026.01.08

										

									

								

							

													

								正则表达式 删除
								

									正则表达式 删除
									
本专题整合了正则表达式删除教程大全，阅读专题下面的文章了解更多详细教程。

									

										
 
											
11

										

										
 
											
2026.01.08

										

									

								

							

											

				


				

					

						
 
							
热门下载

						

						更多
					

					

						

							
网站特效  
 /
							
网站源码 
 /
							
网站素材 
 /
							
前端模板 

						

						
						
						
						
					

					

				


				

					
                




				

					

						
 
							
相关下载

						

						更多
					

					

											
php商城系统

											
淘源码商城PHP淘宝查信誉

											
PHP房产程序[BBWPS]

											
PHP简约自动发卡平台个人版

											
ERMEB域名PHP离线网络授权系统

											
Difeye-敏捷的轻量级PHP框架

											
大泉州汽车网PHP整站程序

										


				


				

					

						
 
							
精品课程

						

						更多
					

					

						

							
相关推荐  
 /
							
热门推荐 
 /
							
最新课程 

						

						

													

								
									最新Python教程 从入门到精通
								
								

									最新Python教程 从入门到精通

									

										
共4课时 | 0.6万人学习

									

								

							

													

								
									Django 教程
								
								

									Django 教程

									

										
共28课时 | 2.9万人学习

									

								

							

													

								
									SciPy 教程
								
								

									SciPy 教程

									

										
共10课时 | 1.1万人学习

									

								

							

												


						

						
						

					

				


				

					

						
 
							
最新文章

						

						更多
					

					

													
Hello.cv：AI简历生成器，免费打造专业在线简历

													
AI伦理重塑客户服务领导力：提升信任与责任

													
Google AI Studio完全指南：免费AI工具赋能研究与创新

													
当别家拼配置，鸿蒙AI+小艺成手机“全能助手”惊艳全场

													
知识管理赋能：AI在客户服务领域的颠覆性变革

													
AI面试官的崛起：科技快速发展下的求职新趋势

													
零代码AI建站教程：快速打造专业数字产品销售网站

													
人工智能揭秘：解读死海古卷的奥秘与真相

													
Blackstar ID:X 50 测评：吉他手的绝佳练习利器？

													
OpenCode— 开源AI编程工具，支持终端、桌面和IDE插件

											


				







			




		

	
	
	

    

        

            

                

                    

                        关于我们
                        免责申明
                        举报中心
                        意见反馈
                        讲师合作
                        广告合作
                        最新更新
                                                

                    

                    
php中文网：公益在线php培训，帮助PHP学习者快速成长！

                    

                      
                        关注服务号
                        
                      
                        
                        技术交流群
                        
                      
                        

                    

                

                
            

            

                

                    
                    

                        
PHP中文网订阅号

                        
每天精选资源文章推送

                    

                

            

        

    

    

        
Copyright 2014-2026 https://www.php.cn/ All Rights Reserved | php.cn | 湘ICP备2023035733号

    













	
	
		
	
	


    
  • 
        
    
            
    
                
                    
                    
    PHP学习
    
                    
            
    
        
    
    
    • 
    
  • 
        
    
            
    
                
                    
                    
    技术支持
    
                    
            
    
        
    
    
    • 
    
  • 
        
    
            
    
                
                    
                    
    返回顶部
    
                    
            
    
        
    
    
    •