标签：xml YOLOv5 val 安全帽 -- path txt os dir
在安全帽佩戴检测数据集训练YOLOv5--数据集处理
参考链接
SafetyHelmetWearing-Dataset(安全帽佩戴检测数据集)
Train Custom Data(YOLOv5 训练自定义数据集)
数据集
因为我是直接在Google Colab上训练的，所以直接打开第二个链接添加到云端硬盘，解压即可；
如果是无法访问Google，那就百度盘下载吧！
挂载谷歌云端硬盘：
from google.colab import drive
drive.mount("/gdrive")
%cd "/gdrive/My Drive/YOLOv5"
数据集解包：
!unzip -q VOC2028.zip -d ./
这是我的大致文件结构：
YOLOv5/ # 我自己新建的主目录
yolov5/ # 官方git 克隆下来的
VOC2028/ # 这是数据集解压后的文件夹
ImageSets/Main/ # train、test、val的分割txt
Annotations/ # xml标注文件
JPEGImages/ # 图片
SHWD/ # 这是处理后的文件夹，用来训练
images/ # 图片
train/
val/
test/
labels/ # 用于yolo的txt标签
train/
val/
test/
解释一下，原来的数据集是xml格式的标注数据，不能直接用与yolo训练，需要转为txt，又因为pytorch版本yolov5需要将图片和标签分开到不同路径下，所以需要做了一些处理。
之前的yolo基于Darknet版本，将图片和标注文件路径分别放在一个文件下即可。
处理数据集
将原来的数据集VOC2028/转为需要的格式SHWD/：
- 我喜欢先将目录结构建好：
import os
train_img_dir = "SHWD/images/train"
val_img_dir = "SHWD/images/val"
test_img_dir = "SHWD/images/test"
train_label_dir = "SHWD/labels/train"
val_label_dir = "SHWD/labels/val"
test_label_dir = "SHWD/labels/test"
os.makedirs(train_img_dir)
os.makedirs(val_img_dir)
os.makedirs(test_img_dir)
os.makedirs(train_label_dir)
os.makedirs(val_label_dir)
os.makedirs(test_label_dir)
- 接着转换格式并将图片和标签放到对应文件：
import os, sys
import shutil
from tqdm import tqdm
import xml.etree.ElementTree as ET
classes = ["hat", "person"]
sets = ["train", "val", "test"]
def convert(size, box):
dw = 1. / size[0]
dh = 1. / size[1]
x = (box[0] + box[1]) / 2.0
y = (box[2] + box[3]) / 2.0
w = box[1] - box[0]
h = box[3] - box[2]
x = x * dw # x_center
y = y * dh # y_center
w = w * dw # width
h = h * dh # height
return (x, y, w, h)
def parse_xml(xml_path, dst_label_path):
anno_xml = xml_path
anno_txt = dst_label_path
if os.path.exists(anno_xml):
xml = open(anno_xml, "r")
txt = open(anno_txt, "w")
tree = ET.parse(xml)
root = tree.getroot()
size = root.find('size')
w = int(size.find('width').text)
h = int(size.find('height').text)
for obj in root.iter('object'):
cls = obj.find('name').text
difficult = obj.find('difficult').text
if cls not in classes or difficult == 1:
continue
cls_id = classes.index(cls)
xmlbox = obj.find('bndbox')
bbox = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),
float(xmlbox.find('ymax').text))
yolo_bbox = convert((w, h), bbox)
yolo_anno = str(cls_id) + " " + " ".join([str(i) for i in yolo_bbox]) + '\n'
txt.write(yolo_anno)
xml.close()
txt.close()
else:
print(anno_xml, "文件不存在")
def copy_to(src, dst):
shutil.copyfile(src, dst)
for s in sets:
name_path = "VOC2028/ImageSets/Main/{}.txt".format(s)
f = open(name_path, "r")
names = f.readlines()
f.close()
for name in tqdm(names):
name = name.replace('\n', '').replace('\r', '')
image_path = r"VOC2028/JPEGImages/{}.jpg".format(name)
xml_path = r"VOC2028/Annotations/{}.xml".format(name)
dst_image_path = r"SHWD/images/{}/{}.jpg".format(s, name)
dst_label_path = r"SHWD/labels/{}/{}.txt".format(s, name)
if os.path.exists(image_path) and os.path.exists(xml_path):
parse_xml(xml_path, dst_label_path)
if not os.path.exists(dst_image_path):
copy_to(image_path, dst_image_path)
else:
print(dst_image_path, "文件已存在")
else:
print(image_path, xml_path)
嗯，是的！代码没有注释
标签中的数据除了第一个值(类别)是整数外，其他四个值均为浮点数
txt格式：
每张图片对应一个txt
每个目标一行，整个图片没有目标的话不需要有txt文件
每行的格式为class_num x_center y_center width height
其中class_num取值为0至total_class - 1，
框的四个值x_center y_center width height是相对于图片分辨率大小正则化的0-1之间的数，左上角为(0,0)，右下角为(1,1)
一图胜千言，看图说话
最终，数据集的结果就酱啊：
SHWD
images
train
***.jpg
val
***.jpg
test
***.jpg
labels
train
***.txt
val
***.txt
test
***.txt
标签：xml,YOLOv5,val,安全帽,--,path,txt,os,dir 来源： https://blog.csdn.net/ayiya_Oese/article/details/112249173
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。