Yolov5 使用精灵标注助手制作数据集
Posted ʚVVcatɞ
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Yolov5 使用精灵标注助手制作数据集相关的知识,希望对你有一定的参考价值。
精灵标记助手下载:http://www.jinglingbiaozhu.com/
首先点击菜单文件->新建,然后选择位置标注,选择图片文件夹,点击创建按钮,软件会自动加载文件夹下的图片(png,jpg,gif)并创建一个项目。
可以选择 曲线框,多边形框,矩形框等对图片进行标注。
所有的数据集标注完成后,将标注的信息导出。
注:选择导出格式时候必须选择pascal—voc导出XML直接选择XML会在后面无法读取到标注
的信息
导出的文件就是pascal-voc的xml,效果如下:
输出的标注文件XML保存在Annotations中
数据集标记好后,将原始图片数据集放到images文件夹中,如图所示
以下操作是对导出的XML文件和原图片进行解析。
makeTxt.py
创建 makeTxt.py 文件
makeTxt.py主要是将数据集分类成训练数据集和测试数据集,默认train,val,test按照8:1:1
的比例进行随机分类。
import os
import random
trainval_percent = 0.9
train_percent = 0.9
xmlfilepath = './datasets/Annotations' # 数据集位置
txtsavepath = './datasets/images' # 图片位置
tmage_sets_path = './datasets/ImageSets' # 将数据集分为 训练数据集和测试数据集进行存放的位置
total_xml = os.listdir(xmlfilepath)
num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)
# 先找ImageSets文件夹如果不存在则创建
if not os.path.exists(tmage_sets_path):
os.makedirs(tmage_sets_path)
ftrainval = open('datasets/ImageSets/trainval.txt', 'w') # 以只写方式打开文件。如果文件存在会被覆盖。如果文件不存在,创建新文件
ftest = open('datasets/ImageSets/test.txt', 'w')
ftrain = open('datasets/ImageSets/train.txt', 'w')
fval = open('datasets/ImageSets/val.txt', 'w')
for i in list:
name = total_xml[i][:-4] + '\\n'
if i in trainval:
ftrainval.write(name)
if i in train:
ftrain.write(name)
else:
fval.write(name)
else:
ftest.write(name)
ftrainval.close()
ftrain.close()
fval.close()
ftest.close()
voc_label.py
创建 voc_label.py 文件
代码如下:
classes=[……] 中填入的一定要是自己在数据集中所标注的类别名称,标记了几个类别就填写几个类别名,填写错误的话会造成读取不出xml文件里的标注信息。
# xml解析包
import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
sets = ['train', 'test', 'val']
classes = ['杯子', '键盘', '鼠标', '手机'] #填入刚刚标记数据集的类别名称
# 进行归一化操作
def convert(size, box): # size:(原图w,原图h) , box:(xmin,xmax,ymin,ymax)
dw = 1. / size[0] # 1/w
dh = 1. / size[1] # 1/h
x = (box[0] + box[1]) / 2.0 # 物体在图中的中心点x坐标
y = (box[2] + box[3]) / 2.0 # 物体在图中的中心点y坐标
w = box[1] - box[0] # 物体实际像素宽度
h = box[3] - box[2] # 物体实际像素高度
x = x * dw # 物体中心点x的坐标比(相当于 x/原图w)
w = w * dw # 物体宽度的宽度比(相当于 w/原图w)
y = y * dh # 物体中心点y的坐标比(相当于 y/原图h)
h = h * dh # 物体宽度的宽度比(相当于 h/原图h)
return (x, y, w, h) # 返回 相对于原图的物体中心点的x坐标比,y坐标比,宽度比,高度比,取值范围[0-1]
# year ='2012', 对应图片的id(文件名)
def convert_annotation(image_id):
'''
将对应文件名的xml文件转化为label文件,xml文件包含了对应的bunding框以及图片长款大小等信
息,
通过对其解析,然后进行归一化最终读到label文件中去,也就是说
一张图片文件对应一个xml文件,然后通过解析和归一化,能够将对应的信息保存到唯一一个label文件
中去
labal文件中的格式:calss x y w h 同时,一张图片对应的类别有多个,所以对应的bundi
ng的信息也有多个
'''
# 对应的通过year 找到相应的文件夹,并且打开相应image_id的xml文件,其对应bund文件
in_file = open('datasets/Annotations/%s.xml' % (image_id), encoding='utf-8')
# 准备在对应的image_id 中写入对应的label,分别为
# <object-class> <x> <y> <width> <height>
out_file = open('datasets/labels/%s.txt' % (image_id), 'w', encoding='utf-8')
# 解析xml文件
tree = ET.parse(in_file)
# 获得对应的键值对
root = tree.getroot()
# 获得图片的尺寸大小
size = root.find('size')
# 如果xml内的标记为空,增加判断条件
if size != None:
# 获得宽
w = int(size.find('width').text)
# 获得高
h = int(size.find('height').text)
# 遍历目标obj
for obj in root.iter('object'):
# 获得difficult ??
difficult = obj.find('difficult').text
# 获得类别 =string 类型
cls = obj.find('name').text
# 如果类别不是对应在我们预定好的class文件中,或difficult==1则跳过
if cls not in classes or int(difficult) == 1:
continue
# 通过类别名称找到id
cls_id = classes.index(cls)
# 找到bndbox 对象
xmlbox = obj.find('bndbox')
# 获取对应的bndbox的数组 = ['xmin','xmax','ymin','ymax']
b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text),
float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text))
print(image_id, cls, b)
# 带入进行归一化操作
# w = 宽, h = 高, b= bndbox的数组 = ['xmin','xmax','ymin','ymax']
bb = convert((w, h), b)
# bb 对应的是归一化后的(x,y,w,h)
# 生成 calss x y w h 在label文件中
out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\\n')
# 返回当前工作目录
wd = getcwd()
print(wd)
for image_set in sets:
'''
对所有的文件数据集进行遍历
做了两个工作:
1.将所有图片文件都遍历一遍,并且将其所有的全路径都写在对应的txt文件中去,方便定位
2.同时对所有的图片文件进行解析和转化,将其对应的bundingbox 以及类别的信息全部解析写到
label 文件中去
最后再通过直接读取文件,就能找到对应的label 信息
'''
# 先找labels文件夹如果不存在则创建
if not os.path.exists('datasets/labels/'):
os.makedirs('datasets/labels/')
# 读取在ImageSets/Main 中的train、test..等文件的内容
# 包含对应的文件名称
image_ids = open('datasets/ImageSets/%s.txt' % (image_set)).read().strip().split()
# 打开对应的2012_train.txt 文件对其进行写入准备
list_file = open('datasets/%s.txt' % (image_set), 'w')
# 将对应的文件_id以及全路径写进去并换行
for image_id in image_ids:
list_file.write('datasets/images/%s.jpg\\n' % (image_id))
# 调用 year = 年份 image_id = 对应的文件名_id
convert_annotation(image_id)
# 关闭文件
list_file.close()
- 分别运行makeTxt.py和voc_label.py。
- makeTxt.py主要是将数据集分类成训练数据集和测试数据集,默认train,val,test按照8:1:1
的比例进行随机分类,运行后ImagesSets文件夹中会出现四个文件,主要是生成的训练数据集和测
试数据集的图片名称,同时data目录下也会出现这四个文件,内容是训练数据集和测试数据集的图
片路径。
labels文件夹下 txt文件的内容如下:
以上是关于Yolov5 使用精灵标注助手制作数据集的主要内容,如果未能解决你的问题,请参考以下文章
[课程][原创]yolov5安装标注训练自己数据集windows版
GitHub YOLOv5 开源代码项目系列讲解------制作和训练自己的数据集