简体中文 | English
# Usage ## yolo2coco.py 将yolo格式数据集修改成coco格式。`$ROOT_PATH`是根目录，需要按下面的形式组织数据： ```bash └── $ROOT_PATH ├── classes.txt ├── images └──labels ``` - `classes.txt` 是类的声明，一行一类。 - `images` 目录包含所有图片 (目前支持`png`和`jpg`格式数据) - `labels` 目录包含所有标签(与图片**同名**的`txt`格式数据) 配置好文件夹后，执行：`python yolo2coco.py --root_dir $ROOT_PATH ` ，然后就能看见生成的 `annotations` 文件夹。 **参数说明** - `--root_path` 输入根目录`$ROOT_PATH`的位置。 - `--save_path` 如果不进行数据集划分，可利用此参数指定输出文件的名字，默认保存为`train.json` - `--random_split` 随机划分参数，若指定`--random_split`参数，则输出在`annotations`文件夹下包含 `train.json` `val.json` `test.json` （默认随机划分成8:1:1） - `--split_by_file` 自定义数据集划分，若指定`--split_by_file`参数，则输出在`annotations`文件夹 `train.json` `val.json` `test.json`。需要在`$ROOT_PATH`文件下有 `./train.txt ./val.txt ./test.txt` ，可以这3个文件来定义训练集、验证集、测试集。**注意**， 这里里面填写的应是图片文件名字，而不是图片的绝对地址。（在line 43也自行可以修改一下读取方式，为了方便起见，不推荐把图片放在不同位置） ## coco2yolo.py 读入coco数据集json格式的标注，输出可供yolo训练的标签。 **需要注意的是，COCO2017官方的数据集中categories id 是不连续的**，这在yolo读取的时候会出问题，所以需要重新映射一下，这个代码会按id从小到大映射到0~79之间。（如果是自己的数据集，也会重新映射） 执行：`python coco2yolo.py --json_path $JSON_FILE_PATH --save_path $LABEL_SAVE_PATH` - `$JSON_FILE_PATH`是json文件的地址。 - `$JSON_FILE_PATH`是输出目录（默认为工作目录下的`./labels`目录。 ## dataset_mean_var.py 执行：`python yolo2coco.py --file_path $IMAGE_PATH --step $INTERVAL` - --file_path 输入图片地址。 - --step 可选，默认为1，选择图片的间隔，如间隔为10，则只计算1/10。 ## split_yolo_dataset.py 随机划分数据集（yolo数据格式的划分），按`train:val:test = 8:1:1`保存。 执行：`python split_dataset_yolo.py --root_path $ROOT_PATH` ## vis_yolo_gt_dt.py 同时把GT和预测结果可视化在同一张图中。`$DT_DIR`是预测结果标签地址，必须是和GT同名的标签。`$ROOT_PATH`文件目录： ```bash └── $ROOT_PATH ├── classes.txt ├── images └── labels ``` 执行：`python vis_yolo_gt_dt.py --root $ROOT_PATH --dt $DT_DIR`后生成在`outputs`文件夹中。 - `classes.txt`和`images`必须有。 - `labels`可以没有，那样就只展示`$DT_DIR`预测结果。 - `$DT_DIR` 若没有输入，则只展示标签结果。 ## coco_eval.py 评估生成的结果，针对**yolov5**生成的检测结果（test中的`--save-json`参数，会生成`best_predictions.json`)，但是这个不适应cocoapi，需要用脚本来修改适应。执行： `python coco_eval.py --gt $GT_PATH --dt $DT_PATH --yolov5` - `--gt` json格式，用于指定测试集的结果，如果没有，可以利用前面的`yolo2coco.py`进行转换。 - `--dt` 同样检测网络生成的预测，使用cocoapi中`loadRes`来加载，所以需要有相应格式的检测结果。 - `--yolov5` 将官方代码中生成的结果转换成适配cocoapi的结果。 ## cat_img.py 左右拼接2个文件夹下同名的图片，方便可视化对比模型的效果。 ## grid_extract.py 1. 网格化输出各个位置目标的分布情况。 2. 依据条件提取特定区域的样本。 ## voc2coco_rotate.py 将旋转框的VOC标注转为COCO格式的。（范围为0~pi）