哪些网站做电商比较好,百度指数排名热搜榜,wordpress用支付宝转账插件,WordPress地址栏记录下labelImg标注数据到YOLOv8训练的过程,其中容易遇到labelImg的坑 数据集处理
首先在mydata下创建4个文件夹 images文件夹下存放着所有的图片#xff0c;包括训练集和测试集等。后续会根据代码进行划分。 json文件夹里存放的是labelImg标注的所有数据。需要注意的是… 记录下labelImg标注数据到YOLOv8训练的过程,其中容易遇到labelImg的坑 数据集处理
首先在mydata下创建4个文件夹 images文件夹下存放着所有的图片包括训练集和测试集等。后续会根据代码进行划分。 json文件夹里存放的是labelImg标注的所有数据。需要注意的是json文件的命名应与images文件夹中的图片一一对应。labels文件夹是空的后续会根据代码将json转化为YOLOv8支持的训练数据集。接下来需要创建一个 split_train_val.py 文件放在mydata目录下用于将images文件夹中的图片划分为训练集和测试集。代码如下
import os
import json
import random
import argparseclass DatasetSplitter:def __init__(self, json_path, txt_path):self.json_path json_pathself.txt_path txt_pathself.trainval_percent 1.0self.train_percent 0.9self.total_json os.listdir(json_path)self.num len(self.total_json)self.list_index list(range(self.num))if not os.path.exists(txt_path):os.makedirs(txt_path)def split_dataset(self):tv int(self.num * self.trainval_percent)tr int(tv * self.train_percent)trainval random.sample(self.list_index, tv)train random.sample(trainval, tr)file_trainval open(os.path.join(self.txt_path, trainval.txt), w)file_test open(os.path.join(self.txt_path, test.txt), w)file_train open(os.path.join(self.txt_path, train.txt), w)file_val open(os.path.join(self.txt_path, val.txt), w)for i in self.list_index:name self.total_json[i][:-5] \n # Assuming filenames end with .jsonif i in trainval:file_trainval.write(name)if i in train:file_train.write(name)else:file_val.write(name)else:file_test.write(name)file_trainval.close()file_train.close()file_val.close()file_test.close()if __name__ __main__:parser argparse.ArgumentParser()parser.add_argument(--json_path, defaultjson, typestr, helpinput json label path)parser.add_argument(--txt_path, defaultdataSet, typestr, helpoutput txt label path)opt parser.parse_args()dataset_splitter DatasetSplitter(opt.json_path, opt.txt_path)dataset_splitter.split_dataset()
运行后会在dataSet生成四个文件. 然后前往mydata目录的上一级目录,例如我这里是test目录下,创建voc_label.py文件.用于将labelImg标注的json数据转化为txt文本数据. 请注意YULO的标注框中的x和y表示矩形框的左上角而labelImg中的(x,y,w,h)可能表示矩形框的中心点坐标。在使用时需要确认以免训练出来的YOLO存在偏差。 可以通过以下代码draw_picture_by_json.py进行绘图测试,以下我是默认labelImg的格式是(x_center,y_center,w,h)的格式进行绘制. from typing import Dict
from PIL import Image, ImageDraw
import jsondef draw_pic_by_raw_data(image_path:str, output_path:str, json_data: Dict):data json_dataimg Image.open(image_path)draw ImageDraw.Draw(img)# Load JSON file with bounding box information# Iterate through bounding boxes and draw them on the imageannotations data[0][annotations]for bbox in annotations:label bbox[label]x_center, y_center, width, height (bbox[coordinates][x],bbox[coordinates][y],bbox[coordinates][width],bbox[coordinates][height])#FIXME TODO 从中心坐标x,y LabelImg 计算左上角坐标x, y x_center - width / 2, y_center - height / 2# Draw bounding boxdraw.rectangle([x, y, xwidth, yheight], outlinered, width2)# Draw labeldraw.text((x, y-15), label, fillred)# Save the resultimg.save(output_path)img.show()if __name__ __main__:test_img_path 3157.jpgtest_json_path 3157.jsonoutput_path out.jpgwith open(test_json_path, r) as f:data json.load(f)draw_pic_by_raw_data(test_img_path, output_path, data)通过以上代码如果矩形框正确则验证了labelImg的x、y、w和h坐标应该是x_center、y_center、w和h的情况。需要在将json转换为txt文本时进行处理。这里给出voc_label.py的代码如下请注意修改classes中的类别修改为和mydata.yaml的顺序一致否则会导致标签错误。 代码运行前请在mydata目录的上一级,也就是我这里的test目录下创建一个paper_data文件夹,用于等会在mydata.yaml中指定路径. import os
import json
from os import getcwdsets [train, val, test]
classes [A, B, C, D, E] # 请根据您的实际类别进行修改 对齐yaml文件中的names
abs_path os.getcwd()
print(abs_path)def convert(size, box):dw 1. / size[0]dh 1. / size[1]x (box[0] box[1]) / 2.0 - 1y (box[2] box[3]) / 2.0 - 1w box[1] - box[0]h box[3] - box[2]x x * dww w * dwy y * dhh h * dhreturn x, y, w, hdef convert_annotation(image_id):in_file open(mydata/json/%s.json % (image_id), r, encodingUTF-8)out_file open(mydata/labels/%s.txt % (image_id), w)data json.load(in_file)for obj in data[0][annotations]:w obj[coordinates][width]h obj[coordinates][height]difficult 0 # JSON数据中没有difficult字段设为0cls obj[label]if cls not in classes or difficult 1:continuecls_id classes.index(cls)##注意这里的box是左上角和右下角的坐标而不是中心点坐标x_center obj[coordinates][x]y_center obj[coordinates][y]width obj[coordinates][width]height obj[coordinates][height]x, y x_center - width / 2, y_center - height / 2b x, x width, y, y height# b obj[coordinates][x], obj[coordinates][x] obj[coordinates][width], \# obj[coordinates][y], obj[coordinates][y] obj[coordinates][height]b1, b2, b3, b4 b# 标注越界修正if b2 w:b2 wif b4 h:b4 hb (b1, b2, b3, b4)bb convert((w, h), b)out_file.write(str(cls_id) .join([str(a) for a in bb]) \n)wd getcwd()
for image_set in sets:if not os.path.exists(mydata/labels/):os.makedirs(mydata/labels/)image_ids open(mydata/dataSet/%s.txt % (image_set)).read().strip().split()list_file open(paper_data/%s.txt % (image_set), w)for image_id in image_ids:list_file.write(abs_path /mydata/images/%s.jpg\n % (image_id))convert_annotation(image_id)list_file.close()yaml文件配置
截止到这里数据preprocess处理完毕.接下来进行训练前的yaml文件配置. 修改为刚才创建的paper_data的绝对路径 并进行names的配置,注意顺序和数量需要与voc_label.py里面的列表顺序一致. 最后修改yolov8.yaml文件配置
yolov8.yaml的路径一般在ultralytics/ultralytics/cfg/models/v8目录下 修改nc为names中的类别数量
训练模型
yolo taskdetect modetrain modelyolov8s.yaml datamydata.yaml epochs25 batch16这些模型可以支持多种尺寸包括小(n)、中(s)、中大(m)、大(l)和超大(x)。模型的尺寸参数越大所需的显存和训练时间也越多。要切换模型尺寸只需在modelyolov8后面加上相应的尺寸参数(n、s、m、l、x)然后再加上.yaml即可。另外epochs设置为25batch大小为16。epochs表示训练的轮数, batch为每个批次的样本数量为16.
推理
训练结束后可以通过以下代码进行测试.
yolo predict modelxxxx/weights/best.pt sourcexxxx/mydata/testvedio.mp4 imgsz1280
