-
将labelImg库标注的yolo数据格式一键转换为YOLOV5格式数据
-
labelImg标注数据目录结构如下（详情参见
dataset/labelImg_dataset）：labelImg_dataset ├── classes.txt ├── images(13).jpg ├── images(13).txt ├── images(3).jpg ├── images(3).txt ├── images4.jpg ├── images4.txt ├── images5.jpg ├── images5.txt ├── images6.jpg # 注意这个是没有标注的 ├── images7.jpg └── images7.txt -
转换
python labelImg_2_yolov5.py --src_dir dataset/labelImg_dataset \ --out_dir dataset/labelImg_dataset_output \ --val_ratio 0.2 \ --have_test true \ --test_ratio 0.2--src_dir：labelImg标注后所在目录--out_dir： 转换之后的数据存放位置--val_ratio：生成验证集占整个数据的比例，默认是0.2--have_test：是否生成test部分数据，默认是True--test_ratio：test数据整个数据百分比，默认是0.2
-
转换后目录结构（详情参见
dataset/labelImg_dataset_output）：labelImg_dataset_output/ ├── classes.txt ├── images │ ├── images(13).jpg │ ├── images(3).jpg │ ├── images4.jpg │ ├── images5.jpg │ └── images7.jpg ├── labels │ ├── images(13).txt │ ├── images(3).txt │ ├── images4.txt │ ├── images5.txt │ └── images7.txt ├── non_labels # 这是没有标注图像的目录，自行决定如何处置 │ └── images6.jpg ├── test.txt ├── train.txt └── val.txt -
可以进一步直接对
dataset/labelImg_dataset_output目录作转COCO的转换python yolov5_2_coco.py --dir_path dataset/lablelImg_dataset_output
-
可以将一些背景图像加入到训练中，具体做法是：直接将背景图像放入
backgroud_images目录即可。 -
转换程序会自动扫描该目录，添加到训练集中，可以无缝集成后续YOLOX的训练。
-
YOLOV5训练格式目录结构（详情参见
dataset/YOLOV5）：YOLOV5 ├── classes.txt ├── background_images # 一般是和要检测的对象容易混淆的图像 │ └── bg1.jpeg ├── images │ ├── images(13).jpg │ └── images(3).jpg ├── labels │ ├── images(13).txt │ └── images(3).txt ├── train.txt └── val.txt -
转换
python yolov5_2_coco.py --dir_path dataset/YOLOV5 --mode_list train,val
--dir_path：整理好的数据集所在目录--mode_list：指定生成的json，前提是要有对应的txt文件，可单独指定。（e.g.train,val,test）
-
转换后目录结构（详情参见
dataset/YOLOV5_COCO_format）：
YOLOV5_COCO_format
├── annotations
│ ├── instances_train2017.json
│ └── instances_val2017.json
├── train2017
│ ├── 000000000001.jpg
│ └── 000000000002.jpg # 这个是背景图像
└── val2017
└── 000000000001.jpg
-
YOLOV5 yaml 数据文件目录结构如下（详情参见
dataset/YOLOV5_yaml）：YOLOV5_yaml ├── images │ ├── train │ │ ├── images(13).jpg │ │ └── images(3).jpg │ └── val │ ├── images(13).jpg │ └── images(3).jpg ├── labels │ ├── train │ │ ├── images(13).txt │ │ └── images(3).txt │ └── val │ ├── images(13).txt │ └── images(3).txt └── sample.yaml -
转换
python yolov5_yaml_2_coco.py --yaml_path dataset/YOLOV5_yaml/sample.yaml
-
darknet训练数据目录结构（详情参见
dataset/darknet）：darknet ├── class.names ├── gen_config.data ├── gen_train.txt ├── gen_valid.txt └── images ├── train └── valid -
转换
python darknet2coco.py --data_path dataset/darknet/gen_config.data
python coco_visual.py --vis_num 1 \
--json_path dataset/YOLOV5_COCO_format/annotations/instances_train2017.json \
--img_dir dataset/YOLOV5_COCO_format/train2017--vis_num：指定要查看的图像索引--json_path：查看图像的json文件路径--img_dir: 查看图像所在的目录